基于振动和声发射信号的截齿磨损程度识别研究

为实现采煤机截齿截割过程中磨损程度的在线监测和识别,提出一种基于RBF(Radical Basis Function)神经网络的截齿磨损程度多特征信号监测方法。提取截割过程中不同磨损程度截齿的振动和声发射特征信号,分别分析振动和声发射信号的峰值、时域图方差和频域图均方根值这6个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对RBF神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:随着截齿磨损程度的加剧,截齿振动和声发射时域信号中信号峰值和方差均呈增大的趋势;振动和声发射的频域信号中频谱图均方根也呈现逐渐增大的趋势;基于RBF神经网络的截齿磨损程度监测系统的网络判别结果和测试样本的实际磨损程度类别相符,该RBF神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

金刚石磨粒划擦Ta12W的声发射特征与建模

采用声发射技术监测单颗金刚石磨粒划擦Ta12W,提取磨粒磨损过程中的声发射时域信号并进行功率谱分析,建立磨损过程声发射时间序列AR模型。研究结果表明:金刚石磨粒的磨损随工件材料去除体积的增加呈阶段性变化,磨损的加剧使声发射时域信号振幅和功率谱主频峰值随之增加,主频段由高频向低频趋近。磨粒的磨损与声发射特征参数值和AR模型参数值分别呈线性正效应和负效应关系,声发射信号的AR模型能较好地实时映射金刚石磨粒的磨损特性。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中，其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题，提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先，通过搭建声发射监测设备确定了相应的参数，采集原始声发射信号进行了预处理，得到了剪切加工阶段的信号，将其用于后续处理；然后，分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系，并根据剪切加工过程中获取的声发射信号，进行了时域、频域、时频域特征提取，分析了获得的特征与刀具磨损之间的关系，利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理，得到了具有良好相关性的特征；最后，基于所选特征，构建了支持向量机(SVM)人工智能模型，用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧，带材质量下降，声发射信号特征值与刀具磨损存在对应关系；采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率，能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

基于振动测试的数控机床刀具磨损监测方法

为了通过特性分析直接判断数控机床刀具的工作状态,以实现柔性制造系统的研究,在刀具磨损的多种在线监测方法中采用振动测试的监测方法,对DL20MH数控车削中心的YG8硬质合金刀头进行在线监测,分别在不同的刀具磨损阶段实时监测其磨损信号,通过时域分析、频域分析和传递函数分析相结合的方法进行数据处理,并对照被加工工件的表面粗糙度和通过显微镜下观察刀刃的实时变化情况,对其进行分析处理,得出刀具的实时变化情况及被加工工件的粗糙度与理论数据基本吻合并呈现出一定的趋势,从实频域分析数据中也可以直观地判断刀具的磨损状态,测试结果与实际情况吻合,从而验证了振动测试是适合刀具磨损在线监测研究的.     

KDP晶体表面波纹度的监测与分析

采用二次通用回归旋转组合设计方法和单点金刚石飞刀切削(Single Point Diamond Turning,简称SPDT)技术,对KDP晶体进行切削试验。利用声发射技术对KDP晶体不同表面波纹度的信号进行采集,对试验结果进行测量与分析。通过时域分析可得到:均方值可作为KDP晶体加工过程中表面波纹度在线监测的重要时域特征量;通过频域分析可得到:150~200 k Hz可作为在线监测KDP晶体表面波纹度度的特征频段。     

基于多参数指标的刀具磨损状态在线监测

刀具在进行切削加工过程中,通过采集定速下的加速度信号,对其时域和频域的相关指标进行分析,提取有效的特征量,对刀具磨损状态进行在线监测。分析结果表明:在时域指标的有量纲参数中,均方根值和峭度对刀具磨损有较好的指示作用,当刀具在出现明显磨损时,该两参数的数值明显增大;在无量纲参数中,脉冲指标、裕度指标和偏斜度指标对于刀具磨损振动更加敏感;在频域指标参数中,均方频率和功率谱方差对刀具磨损的振动信号变化敏感,此方法研究可有效判断出在加工过程中刀具的实时磨损状况,具有一定的应用价值。     

刀具声发射信号的组合去噪及特征分析

针对刀具切削加工过程产生的声发射信号进行噪音滤除,以有效监测刀具磨损情况,提高工件加工质量。研究形态滤波与集合平均经验模态分解(EEMD)的有效组合方法,在时域和频域对信号进行降噪处理。首先采用加权级联形态滤波,滤除声发射信号的尖峰脉冲干扰;进而采用EEMD分解处理后的信号,计算所得本征模态分量(IMF)的相关性以去除虚假分量,达到去噪效果。仿真实例分别对模拟加噪声发射信号和实测刀具声发射信号进行处理,并提取去噪前后信号频率特征进行比较,仿真结果说明了此方法的有效性。     

基于最佳小波基小波特征的神经网络刀具磨损状态监测方法

以小波分析理论为基础,提出了以对数熵理论确定最佳小波包分解树结构的方法,提出了基于声发射信号最佳小波基最佳小波分量频段能量的声发射信号小波特征,开发了基于最佳小波基小波特征的神经网络刀具磨损状态在线监测系统,实验结果表明,该系统具有较高的监测精度,能满足工业现场对刀具磨损状态实时在线监测的要求.     

刀具磨损状态在线监测技术

通过对切削加工过程中声发射（ＡＥ）信号频域特改正的研究,指出了ＡＥ信号中与刀具磨损状态有关的成分在频域内的分布规律,在此基础上分析了ＡＥ信号的均方根值ＡＥＲＭＳ和振铃计数与刀具后面磨损量ＶＢ之间的对应关系,建立了一种基于ＡＥ信号能量的双阈值判断监测方法。试验表明该方法能很好地解决持定切削条件下刀具磨损的在线监测问题。     

基于声发射信号的铣削加工表面粗糙度预测技术研究

使用声发射技术对铣削过程进行监测,通过对声发射信号进行频域分析,比较不同频段的能量比来在线预测加工后的表面粗糙度.     

基于Elman神经网络的刀具磨损状态识别技术

由于刀具磨损声发射信号的能量分布与刀具磨损状态密切相关,可以利用谐波小波包方法提取刀具磨损声发射信号的特征能量,对各频段能量做归一化处理,与切削三要素组成特征向量输入到Elman神经网络,通过神经网络判别刀具磨损状态。实验结果表明,刀具磨损产生的声发射信号频率主要集中在10Hz~130k Hz之间,将谐波小波包和Elman神经网络结合的方法可以有效地识别刀具磨损状态。     

金属裂纹扩展声发射信号特性研究

机械结构件中的应力集中使得结构极易产生裂纹并逐渐扩展,裂纹扩展时伴有声发射信号,因此有必要对结构件中裂纹扩展时的声发射信号进行特征研究。为研究金属板件中的裂纹声发射源特征行为,通过分析板件中的裂纹声发射源,从理论上推导了裂纹声发射的幅值和频率特征表达式。在裂纹扩展过程中,金属板件的裂纹声发射信号幅值与声发射源的开裂长度和拉伸应力的乘积成正比,频率与裂纹开裂速度成反比,且与裂纹开裂长度成正比。用声发射检测系统对预制有初始裂纹的金属板件进行拉伸状态下的声发射监测,通过对声发射信号求取功率谱密度估计,实现不同声发射信号以功率谱在频域的分布为信号特征的有效区分。实验结果与理论分析相符合,研究结果对金属板件的裂纹声发射检测技术具有重要意义。     

Lipschitz指数对刀具磨损的状态监测

针对Lipschitz指数的变化可跟踪量化刀具磨损程度的奇异性问题,提出了一种基于Lipschitz指数的刀具磨损状态监测方法。该方法在小波模极大值与Lipschitz指数关系的基础上,利用线性回归原理推导出Lipschitz指数的计算表达式,克服了传统方法计算Lipschitz指数的精度与鲁棒性不稳定问题。以刀具锋利与磨损的声发射信号为例,实测出不同切削条件下刀具声发射信号的Lipschitz指数变化特性,进而辨识出刀具磨损的状态程度。实验结果表明,提出的Lipschitz指数求解模型以及相应的奇异性辨别方法具有合理性,可准确判断出刀具磨损声发射信号的奇异性与刀具磨损阶段,适合在线应用。     

磨削过程计算机集成智能监控系统

利用神经网络建立了磨削过程计算机集成智能监控系统,该系统将磨削过程监测、故障诊断和反馈控制组成一个有机整体.通过在线提取磨削声发射(AE)信号RMS峰值、FFT峰值、信号标准偏差以及信号累积幅值增量,可以实现磨削烧伤、磨削颤振、砂轮钝化等故障的在线实时诊断.通过反馈控制系统实现磨削参数的实时调整,提高了磨削加工的性能、效率和磨削质量的稳定性.实测结果证明了该系统的有效性.     

复合叠层材料制孔过叠层阶段声发射分析

复合叠层材料钻孔加工时,伴随着刀具的磨损,会产生丰富的声发射信号。刀具在加工叠层材料接触面时会引起声发射信号突变,为研究该过程信号的突变规律,采用硬质合金钻头与碳纤维复合材料-铝合金叠层板件开展了一系列实验,采集制孔过程中刀具的声发射信号,对信号进行了时频域多分辨率分析。研究表明,在刀具从复合材料加工至铝合金过程中,信号强度逐渐降低,高频段成份逐渐增加。     

基于声发射信号的蜗轮磨损程度在线监测

为实现对蜗轮蜗杆减速器工作过程中蜗轮磨损程度的精确监测,利用多通道声发射检测仪器对不同磨损程度的蜗轮声发射信号进行在线采集。采用小波分析方法对信号进行去噪处理,提取声发射特征信号值,根据最小模糊熵优化模型构造出不同磨损程度蜗轮的模糊隶属度函数。采用ANFIS多维模糊神经网络实现多通道声发射信号的决策融合,提高了蜗轮磨损程度识别结果的准确性。通过对随机磨损程度的蜗轮进行实际验证,实验结果验证了系统的有效性和可靠性。     

HMM技术在数控镗刀状态监测中的应用

通过对声发射传感器采集的刀具磨损状态信号进行分析,提取出反映刀具磨损状态的特征向量MFCC系数及差分系数,然后利用HMM进行信号处理。建立了检测镗刀刀具状态的监测系统。实验结果表明,该监测系统在刀具的正常磨损阶段,可以实现刀具大致磨损量的预报;在刀具破损或损坏情况下,能够及时监测和预报刀具损坏状态。这种监测方法能够进行实时在线监测,为刀具的磨损监测提供了一条切实可行的途径。     

基于自校正Kalman滤波的液膜密封端面摩擦状态监测技术

声发射技术是液膜密封端面摩擦状态的有效检测方法,但是受工业背景噪声的影响,难以分离出声发射信号中所需信息。针对此问题,采用基于ARMA模型的自校正Kalman滤波技术处理声发射信号。该滤波器能在系统模型参数和噪声特性未知的情况下,收敛于稳态最优卡尔曼滤波器,因此滤波后的声发射信号的所需特征信号更突出,有利于液膜密封端面摩擦状态的检测。建立RBF神经网络,以时域、频域和时频域特征值作为输入进行网络训练,实现密封端面摩擦状态模式识别。实验结果证明,该监测方法能实时有效地识别端面摩擦状态,识别结果与电涡流直接测量得到的结果一致。     

基于声发射技术的螺栓状态监测研究

利用声发射技术监测螺栓工作过程中的状态变化,对声发射检测信号进行时域、频域及小波分析。结果表明,螺栓由于塑性变形和断裂引起的声发射频率明显区别于振动、撞击、摩擦等所产生的频率,验证了声发射技术用于连接螺栓状态辨识的可行性。     

基于声发射信号的外圆切入磨削去除率监测

针对精密外圆切入磨削加工的在线监测需求,提出一种采用声发射信号实现轴类零件材料去除率在线监测的方法。根据声发射信号强度与磨削力之间的联系,建立了声发射信号均方根曲线的预测模型,利用该预测模型研究了砂轮进给阶段和驻留阶段磨削系统时间常数的理论计算方法,推导了声发射信号均方根曲线与工件材料去除率的关系;编写了在线监测软件,利用声发射传感器实现了精密外圆切入磨削的材料去除率预测。实验证明,所建立的声发射信号均方根曲线模型具有良好的预测精度,基于该模型能够实现磨削系统时间常数在线评估,并实现精密轴类零件材料去除率的实时在线监测。