信号特征的谱阵图分析方法

本文论述了谱阵图在信号特征分析中的两类应用方法,讨论了谱阵图分析程序的设计思想,给出了这两类方法的应用实例.     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

车削过程中刀具磨损和破损状态的自动识别

采用机床主电动机功率法和声发射(AE)法来获取切削过程中发出的刀具磨损和破损信号,建立了刀具状态试验系统.在试验数据的基础上,建立了功率信号的自回归时序模型,在提取作为刀具磨损特征量的模型参数时考虑了切削用量的影响.针对刀具破损时功率信号时域幅值变化的随机性,提出用延时方差法来处理功率信号,数据分析结果表明,这种方法是可行的.针对切削过程中发出的AE信号,采用时频分析的方法进行处理,提取出反映刀具破损的特征量,最后利用2个并行的自适应共振神经网络ART-2实现了刀具状态的自动识别,识别成功率达到95%.     

刀具磨损声振特性的功率谱分析

对车削加工中刀具磨损的切削声信号和振动信号进行了功率谱多参数分析，在诸多影响参数中，滤波功率谱值之和随刀具磨损量ＶＢ的变化规律最为显著，且谱散度分析对处于正常磨损阶段的刀具磨损程度估计与预报有一定价值。     

声发射技术用于诊断发动机活塞与缸套间磨损故障的实验研究

用实验方法研究了诊断发动机磨损故障的AE(AcousticEmission)技术 ,对发动机活塞与缸套间磨损过程产生的声发射信号进行了分析。实验结果表明 ,活塞对缸套的横向撞击 (侧推力 )是产生AE信号的主要原因 ;AE信号时域和频域指标对磨损状态变化反应较敏感 (即使是在发动机的早期磨损阶段 ) ,且不同的磨损状态与其产生的AE信号有很好的对应关系 ,因此 ,AE指标可以作为评价磨损程度和诊断磨损故障的标准。该研究为发动机磨损故障诊断提供了一种新的有效方法 ,并可为往复式机械设备的磨损故障声发射诊断提供依据。     

声发射技术用于诊断发动机活塞与缸套间摩损故障的实验研究

用实验方法研究了诊断发动机磨损故障的AE（Acoustic Emission)技术,对发动机活塞与缸套间磨损过程产生的声发射信号进行了分析,实验结果表明,活塞对缸套的横向撞击（侧推力）是产生AE信号的主要原因;AE信号时域和频域指标对磨损状态变化反应较敏感（即使是在发动机的早期磨损阶段）,具不同的磨损状态与其产生的AE信号有很好的对应关系,因此,AE指标可以作为评价磨损程度和诊断磨损故障的标准。该研究为发动机磨损故障诊断提供了一种新的有效方法,并可为往复式机械设备的磨损故障声发射诊断提供依据。     

基于声发射信号的铣刀运行可靠性评估

研究了基于声发射方法的Logistic回归模型的铣削过程中刀具可靠性评估.从试验数据分析得出铣削过程的声发射信号和切削力信号,与刀具磨损量具有较强线性相关性,是刀具性能退化监测的有效方法.运用小波包分解提取声发射信号的能量,选取与刀具磨损相关的频带能量作为特征指标.将应用切削力和声发射两种监测方法建立的可靠性模型与仅用声发射监测的可靠性模型进行对比发现,两个模型都较为准确地评估出了刀具在铣削过程中的可靠度指标,而基于声发射可靠性评估模型更为方便,在实际切削力不易获得的情况下,运用此方法能够进行刀具的可靠性评估与寿命预测.     

基于AE信号的新型砂轮点磨削状态监测方法

提出了一种基于声发射(AE)信号对新型点磨削砂轮磨削状态进行实时监测方法.建立了表面粗糙度与AE信号的对应关系,为监测磨削加工表面粗糙度提供了条件.采用单因素实验研究了各参数对AE信号RMS值的影响规律,结果进一步证明了AE信号与表面粗糙度的对应关系.对比分析了砂轮不同磨损状况下的AE信号,依据此信号可对磨削状态进行实时监测.为了区分声发射源性质的异同,对磨削过程中的AE信号进行了频谱分析,砂轮发生磨损时,AE信号在45~65kHz,80~90kHz,100~110kHz频段的能量升高显著,并且在15kHz附近出现了很高的尖峰,为监测磨削状态提供了一种可行且有效的方法.     

支持向量机的刀具磨损状态监测

为了监测刀具磨损状态,建立了一个基于功率传感器的刀具磨损状态监测系统.提出了一种基于主成分分析(PCA)与C-支持向量机(C-SVM)相结合的刀具磨损状态监测模型.通过功率传感器采集切削过程中的电流和功率信号,采用PCA对采集的参数进行特征提取,选择对刀具磨损状态影响最大的主成分作为C-SVM的输入样本,实现对刀具磨损状态的准确识别.通过数控车床切削实验表明,即使在较少的样本条件下,该方法仍然有效,并与反向传播(BP)神经网络进行了性能比较.     

小波包分析在乏燃料剪切机故障诊断中的应用

针对乏燃料剪切机剪切声音信号特征提取的难题,利用小波包分析方法,对不同磨损状况刀具的剪切声音信号进行小波包变换,提取变换信号的各频段归一化能量特征向量,根据声音信号的能量特征向量可辨识不同状况的乏燃料剪切机剪切声音,从而实现乏燃料剪切机故障诊断.实验表明,该特征向量能有效识别刀具的正常磨损、一级磨损、二级磨损三种状况,有效解决了基于隐马尔可夫模型的故障模式识别中特征提取的问题.     

氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.     

用声发射信号在线监测切削刀具的磨损与破损

通过监测金属切削过程中的声发射信号，判别切削刀具刃部的磨损状况．监测逐渐增大的声发射信号幅值大小，测量刀具后刀面的磨损情况；检测阶跃式声发射信号的幅值，监测刀具的破损情况．并用微机处理实验数据产生刀具破损的信号．还对刀具破损时声发射信号阀值进行了研究．     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。     

模糊控制理论在铣刀磨损监控中的应用

研究一种铣刀磨监控方法,信号采集采用声发射传感器,信号特征生成采用小波变换方法,将变换后的尺度系数和各个频段的小波系数作为特征,采用自行设计的Sugeno模糊控制系统进行状态识别,模糊控制系统的输出是刀具磨损值,有利于对刀具磨损进行各种实时补偿,实验表明,模糊控制作为刀具磨损状态识别的方法,取得了良好的效果。     

基于Hilbert谱熵的柴油机故障诊断方法研究

从信号的特征提取出发,采用局域波时频谱分析和信息熵结合的方法--Hilbert谱熵(HSE),进行柴油机振动信号的特征提取和状态识别.首先,对信号进行局域波分解;然后,根据得到的内蕴模式分量计算Hilbert谱;最后,建立基于时频分布的Hilbert谱熵,并以此作为故障识别的特征参数.以柴油机缸套与活塞间磨损的状态识别为例,根据对时域、频域和时频域的信息熵比较分析,证明了Hilbert谱熵对柴油机的状态进行评价的有效性.此方法为柴油机预知维修提供了一个有效的手段.     

铁磁材料磁力学声发射的频谱特征

研究了三种不同材料在不同应力下的磁力学声发射频谱特征,发现变化磁场对磁力学声发射波形的作用.通过对波形主频率及频带宽度的比较,发现材料内部应力状态与磁力学声发射的频谱有密切关系.     

基于小波包分解的声目标识别

小波变换是处理非平稳信号的一个有力工具,研究了基于小波包分析的声信号特征提取方法,并应用该方法对直升机等4种目标的声信号进行了特征提取,降低了特征向量的维数。采用设计改进的BP神经网络分类器对声目标进行分类,分类结果准确率高,获得满意的实验效果。     

改进的RCA偏移速度分析相干谱计算方法

相干谱在剩余曲率偏移速度分析中,是判别速度是否正确以及求取速度更新量的重要工具。然而利用SU相干公式计算的相干谱,对小幅度相干成分和大幅度相干成分缺乏足够的分辨能力,降低了在相干谱上拾取的准确度。基于"使相干值的大小反映信号的能量(幅度)"的思想,采用"幅度归一化"的措施进行了改进,使相干谱中能量团更集中,更能反映主要反射层位,提高了在相干谱中信息拾取的准确度。