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.     

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。     

基于混合智能计算的铣刀状态监测

提出了一种基于混合智能融合技术进行铣刀磨损量监测和预测方法。利用多传感器对切削力和振动信号进行监测,通过频率变换提取切削力特征量,采用小波包分解技术提取振动信号特征量。通过信号特征值的组合,分别探讨了几种混合智能数据融合技术-小波神经网络,遗传神经网络,遗传小波神经网络对刀具磨损量的预测效果。实验分析表明,提出的几种基于多传感器的混合智能数据融合技术均能够有效地完成刀具磨损量监测和预测,同时对它们各自的特点进行了比较分析。     

基于计算智能算法的铣刀状态监测

本文提出了基于智能融合技术进行铣刀磨损量监测和预测方法。利用多传感器对切削力和振动信号进行监测,通过频率变换提取切削力特征量,采用小波包分解技术提取振动信号特征量。通过信号特征值的组合,分别探讨了几种计算智能数据融合技术-小波神经网络、遗传神经网络、遗传小波神经网络对刀具磨损量的预测效果。实验分析表明,本文提出的几种计算智能数据融合技术均能够有效地完成刀具磨损量预测。     

飞行器健康状态的灰色预测方法

针对飞行器健康状况难以准确预测的问题,提出了一种基于小波包变换与自适应多变量灰色预测模型对飞行器健康状况进行预测的新方法。采用先进的声发射技术监测飞行器关键部件的健康状态,运用小波包对由声发射监测系统募集到的飞行器关键部件原始声发射信号进行三级小波包分解,分别提取其第三级小波包分解中八个频段分解系数的能量最大值、方差最大值和范数最大值作为特征向量,并以此构建三变量MVGFM（1,n,β）模型。运用该模型对飞行器关键部件的健康状态进行预测研究,并通过该模型预测值与特征真实值之间的相对偏差来修正模型中参数β,以提高模型的下一步预测精度。实验结果表明,提出的自适应MVGFM方法可以动态实现对飞行器关键部件裂纹故障的准确预测,其预测准确度明显高于GM（1,1）模型,从而证实了该方法的有效性。     

多传感器数据融合技术在刀具状态监测中的应用

提出了一种基于混合智能融合技术进行铣刀磨损量监测和预测方法。利用多传感器对切削力和振动信号进行监测,通过频率变换提取切削力特征量,采用小波包分解技术提取振动信号特征量。通过信号特征值的组合,分别探讨了几种混合智能数据融合技术——小波神经网络、遗传神经网络、遗传小波神经网络对刀具磨损量的预测效果。试验分析表明:提出的几种基于多传感器的混合智能数据融合技术均能够有效地完成刀具磨损量监测和预测,同时,对这几种数据融合技术各自的特点进行了比较分析。     

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。     

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。     

基于小波包的EMD分析在车削刀具监控中的应用

针对车削刀具振动信号在经验模态分析(EMD)时产生的模态混叠现象,采用小波包和EMD分析相结合的方法来提取刀具磨损时振动信号的敏感特征.首先利用EMD分析将采集的磨损信号分解为数个固有模态分量(IMF),然后采用小波包方法对与刀具磨损状态相关性大的IMF进行分解并重构.计算重构后的IMF与刀具磨损的相关系数,将相关系数大的IMF所包含的敏感特征作为支持向量机(SVM)的输入,进而对刀具的磨损状态进行识别.研究结果表明该方法能有效地提高对刀具磨损状态的识别精度.     

管道阀门泄漏信号仿真分析

研究管道阀门泄漏检测的技术,针对复杂背景噪声影响,管道泄漏信号不能准确识别及时频特性精确提取.提出了一种基于小波包和时频能量分布的管道阀门声发射泄漏检测的方法,利用小波包重构还原管道阀门泄漏声发射信号,通过计算Choi-Williams时频分布,提取时频特征,实现了泄漏信号识别和时频特性分析.采用PVC管道搭建了管道阀门泄漏声发射检测的实验模型,泄漏状态通过阀门开启度调节.在严重的背景噪声环境下,实时采集泄漏信号,并进行仿真.结果表明,采用小波包和时频能量分布的分析方法可以准确识别严重背景噪声下的泄漏信号,证明了该方法的可行性.     

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.     

基于小波神经网络监测刀具状态的研究

针对切削过程中振动信号和AE信号的特点，提出一种基于小波分析和BP神经网络的刀具磨损监测系统。该系统能融合振动和AE信号的特征，描述信号特征与刀具状态的非线性关系，以此识别刀具状态。试验表明基于小波神经网络的刀具磨损状态监剩系统是有效的。     

基于小波与ART2网络的实时状态识别

构造出一类用递推公式进行小波变换的小波基，提出此类小波的优化方法，对其时频特性进行了分析。针对传统ART2网络只利用了模式的相位信息而丢失了幅度信息和网络的性能依赖于样本的学习顺序等不足，提出了改进型ART2网络。对刀具AE信号进行递归小波分解，提取特征并应用于改进的ART2网络识别刀具状态。实验结果表明，递归小波能反映刀具状态信号的特征，且实时性好。改进的ART2网络更具鲁棒性，识别率为100%，训练耗时仅占传统ART2网络的3.79%。     

基于多传感器的刀具状态监测系统

以铣削加工为对象,研究了多刃切削加工过程的刀具状态监测问题,从系统的角度分析了刀具状态的多传感器监测原理,并以此为依据确定了采用声发射（ＡＥ）传感器和动态切削力传感器可有效地监测加工过程。文中提出了一种多传感器信号的特征提取方法,该方法利用偏最小二乘法计算样本矩阵的本征值,根据置信因子确定特征维数。为验证该方法的有效性,建立了一个铣削加工实验系统,实验结果表明,该方法可在多种切削条件下获得较高的识别率。     

一种新型谐振式非接触流体声发射传感器的研制

研制高灵敏度、安装使用方便、抗干扰能力强的传感器是刀具磨破损监测研究需要解决的关键技术 .本文根据刀具磨、破损监测的特点 ,研制了既可用于刀具磨损状态监测 ,也可用于刀具破损监测的谐振式高灵敏度流体声发射传感器 .对研制的流体声发射传感器性能进行了实验研究 ,结果表明传感器对刀具磨损产生的声发射信号具有较高的灵敏度 .