基于声发射主轴机械密封开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

声发射法可用于监测机械密封工作过程中端面的摩擦状态。为准确提取机械密封端面声发射信号特征,提出了一种利用PSO算法(Particle Swarm Optimization,粒子群优化)对Elman神经网络进行优化的方法。采用该方法对机械密封端面的摩擦状态进行识别,并比较了优化前后神经网络对机械密封端面摩擦状态的识别率。结果表明:经过PSO算法优化后的Elman神经网络对机械密封的端面摩擦状态有更高的识别率,从而实现了对机械密封端面摩擦状态实时有效的监测。     

机械密封端面接触状态的声发射监测方法

针对机械密封运行过程中反映密封端面接触状态的工作参数(端面开启时间、膜厚等)测量困难的问题,提出基于声发射信号的机械密封端面接触状态监测方法。根据密封端面产生的声发射信号具有时变非线性且突发性强的特点,采用经验模态分解(EMD)法对原始信号进行分离提取。EMD法能够将信号分解为不同时间尺度和不同频带的一系列固有模态函数,然后根据能量分布特征对伪分量进行剔除,得到"近源"声发射信号,抽取其信号特征运用Laplace小波相关系数法实现对密封端面接触状态的准确识别。通过机械密封测试试验证明,声发射监测技术能准确地识别机械密封装置动静环之间的接触状态和摩擦形式,能够在工业现场推广使用。     

粒子滤波在机械密封端面接触状态声发射监测中的应用

机械密封端面运行过程中所产生的声发射信号在传递过程中容易受到环境噪声的干扰,难以有效地从背景噪声中分离出来。研究粒子滤波技术在机械密封端面膜厚及开启状态声发射监测中的应用。将声发射传感器安装在机械密封静环座上,对动静环端面开启状态进行外部间接检测;运用粒子滤波技术处理采集的声发射信号,提取信号时域、频域及小波包能量特征;建立BP神经网络模型,对机械密封端面开启状态及膜厚进行识别。结果表明：粒子滤波技术能够有效地将密封端面产生的信号从背景噪声中分离出来;通过BP神经网络对提取的特征值进行模式识别,实现了密封端面膜厚变化范围的间接测量。该方法分析结果与电涡流传感器直接测量所得到的结果完全一致。     

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.     

采用小波神经网络的刀具故障诊断

为了有效的进行刀具状态监测，采用小波神经网络的松散型结合对刀具进行故障诊断。通过小波变换提取刀具磨损声发射（AE）信号的特征．即对AE信号进行小波分解，提取了5个频段的均方根值作为神经网络的输入，来识别刀具磨损状态。试验表明，均方根值完全可以作为刀具磨损过程中产生AE信号的特征向量。仿真结果表明，基于小波神经网络的刀具故障诊断对刀具磨损状态的识别效率高．该方法是有效的。     

基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

基于声发射主轴机械密封端面开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

声发射和小波包分析在损伤状态监测中的应用

为应用声发射技术对结构的损伤状态进行监测与识别,基于小波包分析提出了一种在线损伤监测方法。采用D-S证据理论对声发射信号的小波包能量谱进行多源信息融合得到改进的小波包能量谱,计算Mahalanobis距离构建结构损伤状态判别指标,采用t检验的概率方法考察不同损伤状态下判别指标的变化情况。旋转轴承结构的声发射信号分析结果表明,D-S证据理论能够对声发射信号的小波包能量谱识别样本抽取有效信息,结构损伤状态判别指标具有良好的结构损伤识别能力,能够准确地实现对结构不同损伤状态的识别。     

基于小波分析和GA-SVM的金刚石 砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

基于DHMM和SVM的机械密封端面接触状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

基于小波神经网络的刀具故障监测系统

用声发射传感器采集刀具的切削状态信号，用小波分析和神经网络技术对信号进行特征提取和仿真训练，并建立了基于小波神经网络的刀具故障监测系统。系统对已测得的刀具切削状态信号进行仿真试验，结果表明：系统对刀具故障的预报正确率为93．3％，可有效地应用到工程实践中。     

机械密封端面摩擦机理及其声发射信号特性研究

分析了机械密封端面摩擦机理，根据端面的摩擦机理，选用声发射信号(Acoustic Emission, AE),作为表征密封端面摩擦状态的监测信号，建立了基于AE信号的密封端面摩擦状态的监测模型。根据机械密封的工程应用需求，将密封端面工作状态分为三种类型：边界摩擦状态、混合摩擦状态和流体润滑状态，利用采集的声发射信号和建立的监测模型，能够有效地识别密封端面的工作状态，识别率大于70%。     

机械密封的健康评估研究

机械密封端面膜厚状态是表征机械密封健康状况的重要参数,通过评估密封膜厚状态可以有效的延长机械密封的使用寿命,降低机械工作过程中的故障率。为了评估流体动压型机械密封开启过程的健康状态,该研究通过在实验平台上利用声发射和电涡流传感器对其信号进行实时监测并采集信号。将实验采集的信号进行处理,利用KPCA方法降维优化抽取的特征参数,采用DHMM算法建立模型进行训练并测试。结果表明,DHMM模型能够对机械密封的健康状态进行有效的评估。     

机械密封碰摩声发射信号的特征提取方法研究

提出利用声发射(Acoustic Emission,AE)技术监测机械密封动静环的碰摩状态。通过分析典型碰摩AE信号的特点,提出利用小波尺度谱和功率谱相结合的方法表征机械密封端面碰摩AE信号的特征信息,小波尺度谱能够直观地描述AE信号中各个脉冲的数目、到达时间、能量大小、在时频面上的分布及频率组成,为判断碰摩的类型、严重程度及发生时间提供准确信息,AE信号的功率谱图能够给出信号能量的具体值。在仿真和实验研究中该方法被有效运用于判别机械密封端面的偶然性碰摩、周期性碰摩和连续性碰摩。     

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。     

频带能量特征法在声发射刀具磨损监测系统中的应用

基于对声发射(AE)信号特点的分析和小波包分解理论对不平稳信号特征提取的优势,提出一种利用AE信号的能量变化来监测刀具磨损状态的方法。该方法利用db8小波基对AE信号进行5层小波包分解,将分解后各频带上的能量值作为特征参数,并组成特征向量。分别提取在新刀和刀具磨损状态下的特征向量,根据其变化即可判别刀具磨损的程度。试验结果验证了该方法在刀具磨损判析中的可用性。