共查询到18条相似文献,搜索用时 125 毫秒
1.
2.
3.
4.
5.
6.
选取能够充分反映刀具磨损状态的振动信号和功率信号作为研究对象,采用正交小波变换技术,提取刀具磨损特征信号,利用该特征信号建立了振动幅值变化与刀具磨损量间的关系,计算出基于振动信号的刀具状态特征值,定性地识别出刀具磨损状态;对功率信号,采用统计分析方法,通过均方根处理提取出刀具磨损特征信号,并以信号强度的变化来表征刀具的磨损情况;为了避免单一特征信号提供刀具状态信息的局限性,采用模糊数据融合方法对振动、功率特征信号进行融合,获得更加全面、准确的刀具磨损状态;实验结果表明,基于模糊数据融合的刀具磨损状态识别比单一传感器系统对刀具磨损状态识别更为可靠. 相似文献
7.
Hilbert-小波变换的齿轮箱故障诊断* 总被引:1,自引:0,他引:1
采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。 相似文献
8.
基于奇异值分解和小波包分析的液压泵振动信号特征提取方法 总被引:1,自引:0,他引:1
针对液压泵故障特征提取问题,提出了一种基于奇异值分解和小波包变换的液压泵振动信号特征提取方法.通过奇异值分解将噪声非均匀分布的液压泵振动信号正交分解为噪声分布相对均匀的分量,对各分量进行小波包阈值去噪,重构去噪后分量,对去噪后信号进行小波包分解,提取各频带能量特征.以齿轮泵为例,将该方法对齿轮泵的气穴故障、齿轮磨损和侧板磨损3种常见故障和正常状态的振动信号进行特征提取分析,结果表明,该方法可有效提取齿轮泵故障特征. 相似文献
9.
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
10.
提出一种基于小波包分解和马氏距离的IGBT状态识别方法,并应用于地铁车辆辅助逆变电路。首先建立Matlab电路模型,分别对该电路的不同故障临界状态和正常状态进行仿真分析,提取输出电流信号进行小波包分解得到信号特征向量,作为特征样本。利用特征样本计算各临界故障与正常情况下的马氏距离,作为识别阈值。实际应用时,将待测电路与正常状态做马氏距离,对比阈值区间完成电路状态识别。实验表明,此方法能简单有效检测区分软硬故障,实现IGBT状态识别。 相似文献
11.
针对常用的电动机稳态傅里叶分析方法存在不能分析局部时域信号的局部频谱特性的缺点,提出了一种改进的小波包分析方法,并将其运用到异步电动机转子断条故障诊断实验中。通过对电动机故障信号进行小波包分解与重构,可以有效地检测出故障信号的频率,从而确定故障的类型和可能发生故障的部位。实验结果证明了该分析方法的有效性。 相似文献
12.
基于非线性小波与形态学相结合的边缘检测方法 总被引:6,自引:0,他引:6
小波分析是图像与信号处理研究领域的一个重要工具,现有的小波分析方法大多集中于对线性小波的研究。智能交通中车型识别的基础是精确获取图像中汽车边缘和汽车特性,而图像中汽车边缘特性多表现为非线性性,采用非线性方法进行研究更为适合。文章在描述了非线性小波变换框架后,提出了一种用数学形态学实现非线性小波分解的方法来获取汽车边缘信息。为了正确识别车型,再进一步用修正后的数学形态学检测算子提取汽车边缘,得到了较为清晰的连续汽车边缘,为以后车型进一步分类提供了条件。经过实验检验该方法具有一定的可行性和稳定性。 相似文献
13.
针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性. 相似文献
14.
Wavelet decomposition reconstructs a signal by a series of scaled and translated wavelets. Incorporating discrete wavelet decomposition theory with neural network techniques, wavelet networks have recently emerged as a powerful tool for many applications in the field of signal processing, such as data compression and function approximation. In this paper, four contributions are claimed: (1) From the point of view of machine learning, we analyse and construct wavelet network to achieve the compact representation of a signal. (2) A new algorithm of constructing wavelet network is proposed. The orthogonal least square (OLS) is employed to prune the wavelet network. (3) Our experiments on speech signal processing results show that the wavelet network pruned by OLS achieves the best approximation and prediction capabilities among the representative speech processing techniques. (4) Our proposed methodology has been successfully applied to speech synthesis for a talking head to read web texts. 相似文献
15.
Xu Yang 《国际自动化与计算杂志》2010,7(3)
Drill wear not only affects the surface smoothness of the hole, but also influences the life of the drill. Drill wear state recognition is important in the manufacturing process, which consists of two steps: first, decomposing cutting torque components from the original signals by wavelet packet decomposition (WPD); second, extracting wavelet coefficients of different wear states (i. e. , slight, normal, or severe wear) with signal features adapting to Welch spectrum. Finally, monitoring and recognition of the feature vectors of cutting torque signal are performed by using the K-means cluster and radial basis function neural network (RBFNN). The experiments on different tool wears of the multivariable features reveal that the results of monitoring and recognition are significant and effective. 相似文献
16.
17.
Xu Yang 《国际自动化与计算杂志》2010,7(3):271-276
Drill wear not only affects the surface smoothness of the hole, but also influences the life of the drill. Drill wear state
recognition is important in the manufacturing process, which consists of two steps: first, decomposing cutting torque components
from the original signals by wavelet packet decomposition (WPD); second, extracting wavelet coefficients of different wear
states (i.e., slight, normal, or severe wear) with signal features adapting to Welch spectrum. Finally, monitoring and recognition
of the feature vectors of cutting torque signal are performed by using the K-means cluster and radial basis function neural network (RBFNN). The experiments on different tool wears of the multivariable
features reveal that the results of monitoring and recognition are significant and effective. 相似文献