The local damage detection procedures in rotating machinery are based on the analysis of the impulsiveness and/or the periodicity of disturbances corresponding to the failure. Recent findings related to non-Gaussian vibration signals showed some drawbacks of the classical methods. If the signal is noisy and it is strongly non-Gaussian (heavy-tailed), searching for impulsive behvaior is pointless as both informative and non-informative components are transients. The classical dependence measure (autocorrelation) is not suitable for non-Gaussian signals. Thus, there is a need for new methods for hidden periodicity detection. In this paper, an attempt will be made to use alternative measures of dependence used in time series analysis that are less known in the condition monitoring (CM) community. They are proposed as alternatives for the classical autocovariance function used in the cyclostationary analysis. The methodology of the auto-similarity map calculation is presented as well as a procedure for a “quality” or “informativeness” assessment of the map is proposed. In the most complex case, the most resistant to heavy-tailed noise turned out the proposed techniques based on Kendall, Spearman and Quadrant autocorrelations. Whereas in the case of the local fault disturbed by the Gaussian noise, the most efficient proved to be a commonly-known approach based on Pearson autocorrelation. The ideas proposed in the paper are supported by simulation signals and real vibrations from heavy-duty machines.

中文翻译：

---

具有脉冲噪声的信号中循环行为识别相关性的替代测量——在局部损伤检测中的应用

旋转机械中的局部损坏检测程序基于对与故障相对应的干扰的脉冲性和/或周期性的分析。最近与非高斯振动信号相关的发现显示了经典方法的一些缺点。如果信号是嘈杂的并且它是强非高斯（重尾），则搜索脉冲行为是没有意义的，因为信息和非信息分量都是瞬态。经典的相关性度量（自相关）不适用于非高斯信号。因此，需要用于隐藏周期性检测的新方法。在本文中，将尝试使用在状态监测 (CM) 社区中鲜为人知的时间序列分析中使用的替代性依赖度量。它们被提议作为循环平稳分析中使用的经典自协方差函数的替代方案。介绍了自相似性地图计算的方法，并提出了地图的“质量”或“信息量”评估程序。在最复杂的情​​况下，最能抵抗重尾噪声的是基于 Kendall、Spearman 和 Quadrant 自相关的建议技术。而在局部故障受高斯噪声干扰的情况下，最有效的方法被证明是基于 Pearson 自相关的众所周知的方法。论文中提出的想法得到了来自重型机器的模拟信号和真实振动的支持。介绍了自相似性地图计算的方法，并提出了地图的“质量”或“信息量”评估程序。在最复杂的情​​况下，最能抵抗重尾噪声的是基于 Kendall、Spearman 和 Quadrant 自相关的建议技术。而在局部故障受高斯噪声干扰的情况下，最有效的方法被证明是基于 Pearson 自相关的众所周知的方法。论文中提出的想法得到了来自重型机器的模拟信号和真实振动的支持。介绍了自相似性地图计算的方法，并提出了地图的“质量”或“信息量”评估程序。在最复杂的情​​况下，最能抵抗重尾噪声的是基于 Kendall、Spearman 和 Quadrant 自相关的建议技术。而在局部故障受高斯噪声干扰的情况下，最有效的方法被证明是基于 Pearson 自相关的众所周知的方法。论文中提出的想法得到了来自重型机器的模拟信号和真实振动的支持。而在局部故障受高斯噪声干扰的情况下，最有效的方法被证明是基于 Pearson 自相关的众所周知的方法。论文中提出的想法得到了来自重型机器的模拟信号和真实振动的支持。而在局部故障受高斯噪声干扰的情况下，最有效的方法被证明是基于 Pearson 自相关的众所周知的方法。论文中提出的想法得到了来自重型机器的模拟信号和真实振动的支持。