共查询到18条相似文献,搜索用时 203 毫秒
1.
基于钻削工步质量波动与监测信号特征变化之间的耦合现象,提出一种基于监测信号双谱特征的高精度批量钻削工步质量一致性控制检测方法。认为正常钻削过程的声发射和三向加速度振动监测信号可视为随机过程,满足或近似高斯分布,信号偏离高斯分布的程度与各钻孔加工质量波动间存在对应关系;以各钻孔声发射和加速度振动监测信号为研究对象,提取各钻孔监测信号的双谱幅值平均值为特征,对不同钻削情况下信号偏离高斯分布的程度进行定量分析;采用基于ReliefF算法的特征加权模糊聚类分析,进行基于监测信号双谱幅值均值特征矩阵的钻孔质量分类,并与人工检测的工步质量一致性结果对比分析。计算和分析结果表明,监测信号双谱特征与各钻削工步质量之间存在有机联系,对信号双谱特征进行融合聚类可分析批量钻削工步质量的一致性。 相似文献
2.
针对深孔加工质量检测难、效率低和成本高等问题,提出一种基于振动监测信号分割的改进动态时间规整算法,实现深孔加工质量一致性快速无损检测。首先,以啄钻间歇进给式加工采集的振动信号为研究对象,利用抗噪性能优良的双窗双谱算法对其进行分割;其次,对分割信号在时域和频域内进行特征降维;然后,针对信号长度不等引起的特征不等情况,采用改进的动态时间规整算法(dynamic time warping,简称DTW)进行规整对齐,同时达到减小时间复杂度和防止病态规整的目的;最后,利用求得的累积最短距离评估啄钻阶段振动信号的相似性程度,从而判别啄钻加工质量的一致性。仿真和试验结果表明,该方法能快速有效完成对深孔加工质量一致性无损检测,振动信号分析结果与实际物理检测结果相吻合。 相似文献
3.
基于振动信号过程特征的批量钻削工序质量检测 总被引:1,自引:0,他引:1
为实现批量钻削质量的快速检测分析,采用振动传感器监控钻削过程,提出一种基于振动信号处理的批量钻削质量监测分析方法.基于钻刃与工件接触位置变化状况,在钻削过程中提炼出与钻削加工质量密切相关的三个阶段:引钻、钻孔和出钻三阶段.采用正交包络法求解振动信号的瞬时频率及瞬时幅值,定位这三个阶段初始时刻的瞬态时间点.利用这些瞬态时间点对振动信号进行分割,获得与每一个钻削过程中引钻、钻孔和出钻三阶段对应的钻削过程振动信号数据.采用主成分分析方法,综合此三个阶段内振动信号的统计特征对批量钻孔质量分布进行分析.计算和分析结果证明,可在3%的误差内提取瞬态特征点,分析和评估批量钻削质量准确度高. 相似文献
4.
基于经验模态分解和希尔伯特-黄变换的精密孔镗削颤振特征提取 总被引:2,自引:1,他引:2
针对精密孔镗削加工过程中容易出现颤振现象,影响精密孔的表面质量问题,建立了镗削加工的监测系统,对镗削颤振信号进行特征提取,以实现对镗削颤振的快速预报。首先,根据颤振信号的时频特点,将经验模态分解(EMD)和希尔伯特-黄变换(HHT)引入颤振特征提取过程,并介绍了其基本原理及具体实现过程。然后,在线拾取镗杆的振动信号,并对振动信号进行EMD分解和HHT变换。最后,通过对各本征模态函数分量的Hilbert谱分析,提取出了颤振发生的征兆特征。实验结果表明,利用EMD和HHT对镗削振动信号进行特征提取,可以在颤振形成之前0.5s得到颤振爆发的征兆,为后续的颤振抑制工作赢取时间,进而确保精密孔的表面加工质量。 相似文献
5.
6.
7.
针对在钻削加工噪声背景下振动信号微弱特征识别和提取困难的问题,提出了一种基于小波包分频谱减的钻削振动信号特征增强方法。首先,在经典谱减法原理的基础上,将钻削前机床空转信号视为监测信号的"加性噪声";其次,根据钻削过程振动信号的特点,采用小波包分解方法将"加性噪声"和监测信号分成多个子频带;最后,对每个子频带内"加性噪声"的相应频带进行谱减处理后,重构钻削振动信号。仿真和实验结果表明,该方法能有效降低环境噪声对钻削过程特征提取的影响,从而达到增强监测信号特征的目的,同时建立了钻削过程与监测信号之间很好的映射关系模型。 相似文献
8.
9.
轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。 相似文献
10.
为解决批量钻削工序质量检测问题,采集各工步加工过程声发射监测信号,提出一种基于声发射信号高阶谱分析的批量钻削质量检测方法。基于统计意义上正常钻削过程声发射信号符合高斯分布的假说,对采集的信号进行小波包消噪后,计算批量钻削工步信号的双谱切片,描述信号偏离高斯分布的程度,并分析其与钻削加工工步质量的映射关系,实现钻削加工工步质量检测。实验及分析结果表明:基于声发射信号双谱切片提取的信号特征可有效辨别批量钻削工步中的质量不合格品。 相似文献
11.
针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵(WPE)和ISODATA的集合型故障诊断方法(WPE-ISODATA)。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明:基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。 相似文献
12.
针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。 相似文献
13.
14.
采用小波包能量熵的铣削振动状态分析方法研究 总被引:1,自引:0,他引:1
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。 相似文献
15.
基于小波包能量谱的HMM钻头磨损监测 总被引:5,自引:0,他引:5
从工程应用的角度论述了小波包分解原理及其能量谱监测理论,并将该理论应用于钻削力信号特征提取中,针对钻削过程特征矢量与钻头磨损之间具有较强的随机性和不确定性的特点,提出一种基于隐马尔可夫模型(HMM)的钻头磨损监测方法。实验结果表明,通过对钻削力信号进行多层小波包分解,提取各频段能量谱作为特征矢量可准确刻画工艺系统随钻头磨损的演化规律,利用HMM建立的各钻头磨损状态小波包能量谱的统计模型可有效跟踪钻头磨损的发展趋势,实现钻头磨损状态和寿命的监测。 相似文献
16.
应用小波包和包络分析的滚动轴承故障诊断 总被引:10,自引:2,他引:10
提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性. 相似文献
17.
18.
In this work, an attempt has been made to develop a drill wear monitoring system which is independent to cutting conditions of the drilling process. A cost effective Hall-effect current sensor, which does not interfere with the process, has been used for acquiring motor current signature during drilling under different cutting conditions. An advanced signal processing technique, the wavelet packet transform has been used on the acquired current signature to extract features for indirect representation to the amount of drill wear. Experimental sensitivity analysis reveals that in comparison to time domain features, wavelet packet features are more sensitive to flank wear and less sensitive to the cutting conditions. A multilayer neural network model has then been developed to correlate the extracted wavelet packet features with drill flank wear. Experimental results show that the proposed drill wear monitoring system can successfully predict the flank wear with acceptable accuracy. 相似文献