共查询到16条相似文献,搜索用时 343 毫秒
1.
正交车铣铝合金薄壁回转体振动信号的试验分析 总被引:2,自引:0,他引:2
在MAZAK机床上正交车铣薄壁铝合金试件,压电加速度传感器安装在内壁上,通过PCI-1712高速数据采集卡采集薄壁的振动信号。利用MATLAB强大的信号处理功能对采集的加速度信号进行分析,振动信号的时域标识了振动幅值大小,功率谱显示了薄壁振动信号的频率构成和能量分布。分析了自激振动的频率随刀具转速和壁厚变化的趋势,给出了工艺系统发生颤振时的主频率。然后利用小波包处理信号的优势将剧烈颤振加速度信号进行小波包分解,根据能量和频段分布进行节点信号重构,得到小波包滤波后的颤振信号。为了了解车铣切削力在剧烈颤振前后变化情况,应用小波包分解并重构出颤振前后3种不同刀具转速时强迫振动信号,对比发现剧烈颤振时强迫振动的当量电压幅值增大,振动加强,这从侧面反映了正交车钪切削力的大小和变化。此振动分析对正交车铣薄壁零件有一定的指导意义。 相似文献
2.
为从背景杂波中有效地提取出目标的特征信号,文中提出了一种将小波包分解和神经网络相结合的去噪方案。利用小波包对信号的低频和高频部分进行精细分解,得到信号在多尺度空间上的分解系数。根据信号和噪声在不同尺度小波包分解下的小波包特性,利用神经网络对分解系数进行处理,再用新的小波包分解系数对信号进行重构,以达到滤除噪声的目的。 相似文献
3.
4.
小波分析在信号消噪中的应用 总被引:9,自引:0,他引:9
用小波分析进行信号消噪常用多尺度小波变换和小波包变换.多尺度小波变换是将信号分解成高频和低频成分,低频包含信号的主要性能,高频含较多噪声,将高频平滑后再重建即可消噪.其消噪处理有强制、默认阈值和给定软/硬阈值3种方法.小波包变换消噪是将信号的小波包分解、计算最佳小波包基、分解系数的阈值化处理及重构原来信号实现消噪.并给出了几个Matlab消噪函数:多尺度一维小波分解和重构wavedec及waverec、消噪默认阈值ddencmp和消噪函数wdencmp;小波包变换的ddencmp 和wdencmp函数.试验表明,此方法具有较高的有效性和实用性. 相似文献
5.
6.
7.
滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析(PCA)方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。 相似文献
8.
9.
10.
11.
12.
针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性. 相似文献
13.
自动机射击动作时因激振力的作用会产生一定方向和频率的冲击振动,构件的裂纹或松动等故障会影响到其响应成分的频率能量特性;针对自动机实射动作冲击响应振动信号,利用小波分析快速进行信噪分离,频域范围内采用功率谱分析结合小波包分解对各频段能量谱分析。根据振动信号时域峰值和时刻,频域能量的变化和分布,给出故障诊断层使用的状态特征向量,并用比例梯度动量共轭算法训练的神经网络模型进行自动机状态定位与故障识别。 相似文献
14.
The non-linear dynamic theory brought a new method for recognizing and predicting complex non-linear dynamic behaviors. The non-linear behavior of vibration signals can be described by using fractal dimension quantitatively. In this paper, a fractal dimension calculation method for discrete signals in the fractal theory was applied to extract the fractal dimension feature vectors and classified various fault types. Based on the wavelet packet transform, the energy feature vectors were extracted after the vibration signal was decomposed and reconstructed. Then, a wavelet neural network was used to recognize the mechanical faults. Finally, the fault diagnosis for a wind power system was taken as an example to show the method’s feasibility. 相似文献
15.