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.     

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.     

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.     

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%。     

基于模糊数据融合的刀具磨损状态辩识

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.     

Hilbert-小波变换的齿轮箱故障诊断*

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。     

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

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.     

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。     

城轨车辆辅助逆变器IGBT状态识别研究

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。     

基于小波分析的异步电动机转子断条故障诊断研究

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。     

基于非线性小波与形态学相结合的边缘检测方法

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。     

轴承早期故障特征提取方法研究

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.     

The construction of wavelet network for speech signal processing

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.     

Wear State Recognition of Drills Based on K-means Cluster and Radial Basis Function Neural Network

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.     

基于小波分析的海底石油管道缺陷超声检测信号去噪处理

针对海底石油管道超声检测信号的噪声消除问题,本文研究了基于小波分析的噪声消除方法.文中首先介绍了基于小波分析的噪声消除方法的基本原理,然后运用小波方法对实测超声信号进行了具体的处理.在信号处理中考虑了小波基以及小波分解层数对噪声消除效果的影响.信号处理结果表明:合理选择小波基和小波分解的层数,能有效去除超声信号中的噪声.     

Wear State Recognition of Drills Based on/（-means Cluster and Radial Basis Function Neural Network

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.     

基于自适应滑动均值和小波阈值的叶尖间隙信号降噪方法

动叶片与发动机机匣之间的叶尖间隙参数是反映航空发动机工作性能和运行安全的关键状态参数之一.提高叶尖间隙信号信噪比是实现高精度叶尖间隙测量的关键,为此提出基于自适应滑动均值和小波阈值的混合叶尖间隙信号实时降噪方法.首先根据叶片转速等信息,估算叶尖间隙信号带宽大小,然后通过动态改变滑动均值滤波的滑动点数来实现自适应低通滤波...