基于小波包与模糊聚类算法的声波法检测流化床内颗粒的平均粒度

平均粒径是气固流化床反应器运行时需要监控的重要参数之一,利用声波信号检测床内颗粒平均粒度的方法能克服传统方法不能实时在线测量的缺陷,安全环保不侵入流场.先用Db5小波包将声发射信号3尺度分解,求出各细节信号小波系数的绝对值加和,构成声信号的能量模式,标准化之后经主成分分析得出主成分,再用模糊均值聚类方法分类.由于不同粒度的声波信号经小波包分解后,其小波系数绝对值加和具有特定的模式,因而,这种方法分类准确性达98%以上.     

流化床风帽故障的声发射检测

针对化工生产中气固流化床风帽故障影响流化质量问题,提出一种能够快速准确地检测出风帽故障位置和故障类型的方法;应用声发射技术进行定位测量,通过均匀安装在流化床分布板下方的声发射传感器采集气固流化床内固体颗粒撞击分布板产生的声信号,再对该信号进行多尺度小波包分解,找出特征频段能量值和能量分布差异;对比各检测点声发射信号总能量的强弱可以直观的反应风帽故障位置,观察各尺度能量分率的变化能够有效判断风帽故障类型,从而实现实时在线监测流化床风帽故障情况,并及时进行故障处理,提高流化床流化质量.     

小波包分析在刀具声发射信号特征提取中的应用

分析了刀具的切削状态,介绍了刀具的声发射信号检测系统和小波、小波包分析技术,以及小波包频带能量分解方法,提出了小波包分解功率监测特征量提取技术.通过在刀具声发射的一个实例信号中的应用,有效地区分了刀具的两种切削状态,验证了小波包分解功率监测特征量提取方法的可行性.     

煤岩声发射信号识别研究

针对煤岩破裂的声发射信号难以在复杂的噪声环境中识别的问题,提出了一种基于小波包分析和小波特征能谱系数分析的煤岩声发射信号识别方法。选取Symlets小波作为煤岩声发射信号分析的小波基函数,采用混合阈值算法对该信号进行去噪处理,提取出有用声发射信号,并采用Matlab软件分别对有用声发射信号和噪声信号的小波包分解进行仿真,得到两者的小波特征能谱系数和小波包特征向量。仿真结果表明,有用声发射信号特征向量的各级能量变化程度较大,噪声信号特征向量的能量变化较为稳定,从而可实现煤岩声发射信号的识别。     

木材缺陷声发射信号的小波包分析处理

在简要介绍小波包分析的分解和重构算法基础上,通过木材声发射实验采集声发射信号;利用小波包分析技术对三种不同缺陷类型的木材试件的原始数据进行消噪预处理,然后对信号进行分解,并对分解的信号进行小波包重构;运用“小波包-能量”法提取木材声发射信号特征值,实现了木材缺陷状态和声发射信号特征向量之间的映射关系。结果表明：用小波包分析确定木材缺陷程度是一种有效的方法。     

单向阀的小波包核主元分析故障检测

高压活塞隔膜泵是管道输送的最重要动力源,为了解决其内部单向阀故障的在线监测问题,提出一种基于声发射信号的小波包时频及核主元分析(KPCA)的检测方法。首先采用小波包对声发射数据进行处理,求出信号各频率段的能量值;然后采用KPCA方法对能量值在高维空间进行分解建立特征模型,利用特征模型中的SPE和T2统计量对故障信号进行检测;最后对GEHO型隔膜泵单向阀的声发射数据进行实验验证。通过与主元分析方法的比对,表明所提方法能够快速、准确地对单向阀故障进行在线检测,在高压活塞隔膜泵无损故障检测领域具有良好的应用前景。     

基于小波分解的磨床声发射特征信号提取方法

磨床磨削加工环境复杂,传统的信号分析方法难以对其进行有效的特征信号提取,提出了一种基于小波分解与能量谱相结合的特征信号提取方法.利用小波多尺度、多分辨率的特性,对磨床磨削的声发射信号进行多尺度分解;根据金属磨削的声发射信号的特性,选取最优频率段进行频谱分析,再结合能量谱提取特征信号.通过对自行研发的磨削监测系统工程试验分析表明:该方法能够有效、准确地诊断出磨削的每个状态,误判率为0.02％,相比单一的频谱分析诊断,精度更高、可靠性更好,具有一定的工程实用价值.     

基于CEEMD和改进小波阈值的机械密封声发射信号降噪方法

声发射作为一种无损检测结束被广泛应用于多个领域,针对声发射信号难以从背景噪声种分离的问题,提出了一种基于互补集合经验模分解（CEEMD）与改进小波阈值相结合的降噪方法。首先对声发射信号进行CEEMD分解,通过峰宽占比确定信噪分量分界点,对噪声分量进行改进的小波阈值降噪,将降噪后的分量与其余分量进行信号重构得到最终降噪结果。通过仿真信号和机械密封声发射实验信号论证了本文方法相较于传统小波降噪和CEEMD强制降噪更有效。     

基于小波包多尺度信息熵的鱼类识别方法

提出一种基于小波包多尺度信息熵的鱼类识别方法。该方法首先对鱼体的回波包络信号进行小波包分解,得到分布在不同频段内的分解信号,并提取各个频带内信号的信息熵作为识别特征量。对三种常见的不同形状的鱼类进行了水池试验,提取多尺度信息熵,并使用BP神经网络分类器成功进行了分类。结果表明:利用小波包多尺度信息熵作为特征量,可对不同形状的鱼类进行识别,且具有较高的识别率。     

基于小波分析的声发射刀具状态判析

提出了一种基于小波分析的声发射刀具状态判析方法,该方法通过多层小波分解对信号主能量所处频段进行局部特性刻画,利用小波分解系数2——范数表征信号的奇异性,在统计量与刀具状态间建立物理联系。实例表明:该方法能有效地判断刀具状态,并具有较好理论基础与操作性。     

小波分析在数控刀具磨损状态监测中的应用

研究了数控刀具切削过程中声发射(AE)信号的产生机理和特点,提出了利用小波分解和小波包分解技术提取AE信号特征参数的方法监测刀具的磨损状态,并通过实例验证了该方法在刀具磨损监测中的可行性.     

声发射技术在高压输电塔锚杆腐蚀检测中的应用

在高压输电塔的锚杆顶端施加一瞬态激振力,由布设在锚杆顶端的声发射传感器接收反射的信号.对接收的声发射信号进行了时频分析和小波分析.通过对比可以看出,声发射信号的特征频率、能量与腐蚀的状况有很好的相关性.因此,声发射技术是一种可靠有效的检测高压输电塔锚杆腐蚀的方法.     

On-line tool condition monitoring system with wavelet fuzzy neural network

In manufacturing systems such as flexible manufacturing systems (FMS), one of the most important issues is accurate detection of the tool conditions under given cutting conditions. An investigation is presented of a tool condition monitoring system (TCMS), which consists of a wavelet transform preprocessor for generating features from acoustic emission (AE) signals, followed by a high speed neural network with fuzzy inference for associating the preprocessor outputs with the appropriate decisions. A wavelet transform can decompose AE signals into different frequency bands in the time domain. The root mean square (RMS) values extracted from the decomposed signal for each frequency band were used as the monitoring feature. A fuzzy neural network (FNN) is proposed to describe the relationship between the tool conditions and the monitoring features; this requires less computation than a back propagation neural network (BPNN). The experimental results indicate the monitoring features have a low sensitivity to changes of the cutting conditions and FNN has a high monitoring success rate in a wide range of cutting conditions; TCMS with a wavelet fuzzy neural network is feasible.     

基于多通道声发射检测系统的管道气体泄漏位置定位方法研究

为了自主开发基于声发射检测原理的管道气体泄漏位置定位系统,研制了基于四通道声发射检测系统的管道气体泄漏模拟实验装置。在测定声波沿管壁传播速度基础上开展了管道气体泄漏检测实验,通过改变声发射传感器与泄漏孔的在管道壁面的相对位置来模拟泄漏孔位置的变化。采用小波去噪和滑动平均滤波方法对所采集的泄漏信号进行了处理,利用互相关算法求取了各传感器之间的延迟时间,进而基于时间差提出了泄漏孔的定位算法。实验结果表明模拟管道上泄漏孔的定位结果相对误差低于4.0%,该系统对泄漏位置的定位精度满足行业标准和国家标准的要求。通过优化设计声发射信号的采样频率、管道材质、管道壁厚和传感器端面面积等能够进一步提高定位的准确度。     

改进PF算法在煤与瓦斯突出AE信号去噪中的研究

煤与瓦斯突出会产生声发射信号（acoustic emission,AE）,针对提取较纯净有效的AE信号问题,提出一种邻域动态调整（D）果蝇算法（fruit fly algorithm,FOA）智能优化粒子滤波（particle filter,PF）的去噪方法。利用果蝇个体表征PF中的每个信号点粒子,优化粒子滤波的重采样过程,并通过动态调整邻域粒子数量来改善果蝇算法的寻优能力和收敛速度。以均方根误差和信噪比为评价指标,对信号采集系统获取的煤与瓦斯突出AE信号分别用标准粒子滤波、果蝇优化粒子滤波、改进粒子滤波去噪,结果表明,改进粒子滤波法的信噪比提升了15.3 dB左右,且均方根误差最低。和其他两方法相比,改进粒子滤波去噪效果最优。     

Passive acoustic monitoring of head disc interface interactions

A hard disc drive (HDD) recording head thermal protrusion is monitored by the passive acoustic characterization technique where adaptive discrete wavelet (ADW) filtering has been introduced to declare the contact. A phenomenological model is built to demonstrate detectability of the passive acoustic monitoring. The model is based on the mechanical impedance approach where impedances of head disc interface (HDI) and acoustic emission (AE) sensor are compared for matching over air bearing/head gimble assembly frequency bandwidth. A synthesized HDI response signal derived from the HDI mechanical impedance function is compared to the real AE signal obtained during the thermal protrusion based contact detection. A methodology of HDD level AE signal characterization presented in this work consists of the ADW filtering technique where the fifth order DB7 wavelet base function is used in AE signal decomposition. The signal decomposition order is selected by the AE signal entropy minimization.