共查询到15条相似文献,搜索用时 312 毫秒
1.
2.
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。 相似文献
3.
郑金兴 《计算机工程与应用》2007,43(32):233-236
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。 相似文献
4.
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。 相似文献
5.
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。 相似文献
6.
多传感器数据融合技术在刀具状态监测中的应用 总被引:1,自引:0,他引:1
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。 相似文献
7.
8.
9.
10.
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. 相似文献
11.
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. 相似文献
12.
13.
14.