基于多尺度排列熵的铣削颤振在线监测方法

排列熵是系统复杂性和规则性的一种测度,具有概念简单、稳健和计算速度快等优点。考虑到单尺度排列熵在反映铣削力信号特征方面的不足,通过试验分析提出基于单尺度排列熵和尺度4排列熵作指标的铣削颤振在线检测方法。通过试验验证,所提出的方法能有效地检测铣削颤振。同时基于多尺度排列熵的方法对于铣削力信号采集过程中的噪声、工艺参数变化等不敏感,因此这种方法适用于实际工业生产中的在线铣削颤振监测。     

铣削颤振识别的小波包和分形分析方法

如何用振动信号来监控加工过程,这里通过对信号的小波包和分形的机理研究,提出了一种基于熵能量的颤振特征小波包提取方法和基于盒维数的颤振分形特征提取方法。为二者的结合构造了理论框架,且进一步通过信号的分形行为和小波包分解相结合,有效地分辨出了颤振信号的频率结构。     

采用小波包能量熵的铣削振动状态分析方法研究

颤振是影响机床加工质量的重要原因之一。为实现切削颤振的实时在线识别与评价,采用加速度传感器,获取主轴振动信号,以小波包能量熵值为指标,对铣削加工的稳定状态及振动形式进行识别。通过多传感器对加工过程进行监测,确定加工的稳定性;对主轴振动信号进行频谱分析,了解不同加工状态下的信号频谱特点,分析其振动形式。对信号进行小波包分解,发现在不同的振动状态下,信号的能量分布有显著规律。试验表明,切削从稳定状态到不稳定状态,本质上是强迫振动和颤振的能量强度和分布发生了变化。能量熵描述能量分布的变化,是识别切削状态和振动状态变化的有效方法。     

基于小波包及Hilbert-Huang变换的数控铣削颤振诊断技术

为了提高产品加工质量,根据试验测得铣削系统颤振稳定域,制定并采集数控铣削振动信号,以保证采集信号的准确性;融合小波包变换与希尔伯特黄变换,从能量频域分布与幅值概率统计分布两方面提取信号特征值,其中小波包降噪作为信号前置处理能有效降低环境噪声干扰的影响,提高经验模式分解的精度;建立基于模糊支持向量机的颤振诊断模型,将振动信号分为平稳铣削信号、微弱颤振铣削信号、颤振铣削信号及刀具磨损铣削信号。实验结果表明,该模型具有良好的铣削振动信号辨识与诊断能力,预测准确率达97.3%,为数控铣削加工振动信号的准确辨识与诊断提供了一种新方法。     

基于小波包敏感频带选择的复材铣边颤振监测研究

针对航空蒙皮类复合材料零件铣边颤振初期频率淹没问题,提出了一种基于小波包敏感频带选择的能量熵颤振监测方法.首先使用频率消除算法(Frequency elimination algorithm,FEA)对铣边采集信号进行去主轴转频、刀齿齿频及其倍频处理.其次对去频后的信号进行小波包分解(Wavelet packet de...     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

切削颤振监测的小波参数估计法

金属切削时产生的振动信号具有独立于尺度和随机的特征,与1/f过程相似,用1/f过程功率谱中的指数γ作为 特征量,可以用来检测切削颤振的发生。试验表明,切削颤振的产生伴随着参数γ的急剧改变。提出一种新的用于估计 γ的基于小波的最小二乘算法。与极大似然估计法相比,它具有更广的适用性。     

切削颤振监测的小波参数估计法

金属切削时的振动信号具有独立于尺度和随机的特征,与1／f过程相似。用1／f过程功率谱中的指数γ作为特征量可以用来检测颤振的发生。实验表明,切削颤振的产生伴随着参数γ的急剧的改变。本文提出了一种新的用于估计γ的基于小波的最小二乘算法。与极大似然估计法相比,它具有更广的适用性。通过实验结果对比可以看出,用γ的相对变化量作为特征量更为合适。     

立式铣削切削颤振的监测方法研究

立铣加工过程中的颤振会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。由于颤振产生速度较快,常规的信号采样、特征提取及分类方法难于满足实际应用。本文通过稀疏表示的数学理论实现对高频信号的低采样率获取,并在保持高频信号本质特征同时实现特征提取,简化状态监测的模块,并通过冗余词典的高识别度原子辨识加工状态。研究结果表明,该方法可以有效识别立铣加工过程的稳定、过渡和颤振状态。     

基于小波包熵的机床导轨润滑状态监测

存在于机床工作台和导轨之间的滑动摩擦直接影响刀具的速度和位置,进而影响加工工件的表面质量。对机床传动链分解,分别提取电机负荷电流,对电流信号做5层小波包分解,利用小波包熵值提取能反映摩擦信息的特征量D值。对机床导轨加润滑油之后采集四个半小时之内55组电流信号数据,提取电流信号D值做趋势分析,通过D值随时间的变化曲线可以观察出润滑状态经历过的三个时期。实验表明,利用小波包熵值在电流信号中提取的特征量能反映润滑状态的变化情况。     

基于占能比的铣削加工颤振在线监测研究

薄壁件的精加工阶段,由于刀具悬伸长,工件刚度低,加工中容易发生变形进而引起颤振。因此需要可靠的标准监测加工状态,判断加工参数是否合理。首先,采集加工中包含颤振现象的声压数据,分析颤振发生时域有效值及频域功率谱的特点,对比在不同状态的特征,并以这些特征作为监测的依据;然后,在颤振发生时能量集中频段转移,通过小波包分解后构造出反映这一特征的特征量;最后,以小波变换时频图作为状态判断依据,通过离线分析设定相关阈值,设置多重标准,满足时域有效值和频域占能比阈值要求后计算特征值,判断加工状态。验证结果表明,笔者所提出的方法可以准确识别颤振现象,同时表明声压信号可以反映颤振特征。阈值设定后,即可为后续加工在线监测提供判断标准,避免因加工参数选择不合理时对工件或机床造成损害。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

小波包熵在设备性能退化评估中的应用

开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化过程中振动信号的小波包熵的变化规律,使用裂纹转子动力学模型模拟了转子裂纹逐渐增加的过程,并使用仿真数据计算了各个状态下的小波包能量熵和小波包奇异值熵值。分析结果表明,随着转子性能退化程度的加深,小波包熵值逐渐增加,且对于性能恶化的突变较为敏感。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于小波包能量法的冲击脉冲信号检测

研究了基于小波包分析的冲击脉冲信号检测方法。在Coifman最佳基搜索算法的基础上，提出了以小波包分解后节点的能量代替香农熵值，做为寻找最佳分解节点的方法：对滚动轴承故障脉冲检测表明，此方法不但有效，而且计算简单。     

基于样本熵的改进小波包阈值去噪算法

为了更好地消除噪声对被测振动信号的干扰,分析了样本熵算法与噪声的关系,提出了一种基于样本熵的改进小波包阈值去噪算法。在阈值函数方面,该方法利用样本熵作为特征参数,对含噪信号小波包系数的噪声分布进行表征,且依据此特征参数值对阈值函数进行改进,使其能够根据信号的小波包系数受噪声影响的情况进行自适应的调整;在阈值选取方面,定义去噪后信号与原始信号之差作为噪声信号的估计,利用样本熵作为判别依据,选取使得噪声估计的样本熵值最大的阈值作为最优阈值。该方法与其他方法进行对比,结果表明,该方法能够有效地去除噪声且更好地还原信号的频率特征,是一种更为优越的去噪算法。     

基于小波包变换的油液磨损信号降噪研究

为提高油液分析对润滑系统磨损状态监测的准确性和可靠性,通过采用小波包变换(WPT)对光谱和直读铁谱检测信号进行降噪,得到反映稳态和奇异状态的近似系数、细节系数,为挖掘有效诊断特征作准备。结果表明,对于油液磨损信号的降噪,小波包变换有效,且Daubechies1小波基效果最好,噪声类型很可能是未知刻度白噪声。     

基于小波包样本熵的连续梁桥损伤识别

为了减少现行桥梁检测中所需布置传感器数量,将小波包分解和样本熵有机结合起来,对利用单点动力响应数据检测识别连续梁桥结构损伤的新方法进行了研究,笔者提出了连续梁桥结构的损伤识别指标和方法。利用小波包变换对移动荷载作用下桥梁的加速度响应进行分解和重构,计算重构信号的样本熵值,建立了对数加速度能量差小波包样本熵损伤识别指标;并通过三跨变截面连续梁桥的动力仿真分析,验证了指标和方法的适用性与噪声鲁棒性。研究结果表明,笔者所提出指标和方法仅利用桥上一个测点的加速度响应就能够很好地识别连续梁桥的损伤位置和损伤程度,且对噪声不敏感。