基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。     

粒子滤波在机械密封端面接触状态声发射监测中的应用

机械密封端面运行过程中所产生的声发射信号在传递过程中容易受到环境噪声的干扰,难以有效地从背景噪声中分离出来。研究粒子滤波技术在机械密封端面膜厚及开启状态声发射监测中的应用。将声发射传感器安装在机械密封静环座上,对动静环端面开启状态进行外部间接检测;运用粒子滤波技术处理采集的声发射信号,提取信号时域、频域及小波包能量特征;建立BP神经网络模型,对机械密封端面开启状态及膜厚进行识别。结果表明：粒子滤波技术能够有效地将密封端面产生的信号从背景噪声中分离出来;通过BP神经网络对提取的特征值进行模式识别,实现了密封端面膜厚变化范围的间接测量。该方法分析结果与电涡流传感器直接测量所得到的结果完全一致。     

机械密封端面液膜厚度状态检测技术研究

利用电涡流技术和声发射技术对静压型机械密封的端面膜厚分别进行直接和间接测量,研究机械密封在不同转速和压力下的膜厚变化规律,并通过先进信号分析和人工智能,研究密封在不同膜厚区间的声发射特征,建立基于人工神经网络的机械密封端面的状态识别模型,以实现对密封流体膜厚的区间估计。研究结果表明:机械密封工作时压力主要影响膜厚的变化区间,而转速主要影响膜厚的瞬时波动;构造的基于BP神经网络的联级决策模型,对于密封膜厚的平均识别率达到了85%,从而实现了机械密封端面膜厚从有损检测到无损检测的转变。     

基于Elman神经网络与PSO算法的机械密封端面摩擦状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

基于QPSO-SVR和声发射信号的机械密封寿命预测

针对现有机械密封监测技术难以有效预测剩余使用寿命的问题,提出基于声发射特征融合的退化指标和QPSO-SVR寿命预测模型的机械密封剩余寿命预测方法。首先通过实验采集多组机械密封的全寿命数据,进行小波阈值降噪处理,从原始声发射信号中提取出能表征机械密封运行状态的特征,利用KPCA分析优化得到的声发射特征,然后通过马氏距离对得到的特征进行融合进而得到能够表征机械密封退化的指标,利用QPSO优化SVR模型参数,建立寿命预测模型。实验结果显示:基于退化指标和QPSO-SVR模型的寿命预测方法有着较好的泛化能力和较高的精度,具有良好的工业前景。     

基于DHMM和SVM的机械密封端面接触状态识别

搭建非接触式机械密封试验台,采用声发射传感器对机械密封接触状态进行监测,并采用离散隐马尔科夫模型和支持向量机方法对采集的信号进行模式分类识别。同时,采用电涡流传感器直接测量机械密封端面膜厚来验证发射传感器的测量结果。结果表明,离散隐马尔科夫模型和支持向量机方法均具有较高的识别准确率,其中支持向量机能更有效地实现机械密封接触状态的识别,从而能够实现机械密封性能的监测。     

基于声发射主轴机械密封开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

基于声发射主轴机械密封端面开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

离散隐马尔可夫模型在颤振预报中的应用研究

对于切削过程中颤振孕育的动态模式,提出了基于离散隐马尔可夫模型(DHMM)的模式识别理论预报颤振的新方法。首先对切削过程的振动信号进行FFT特征提取,然后利用自组织特征映射(SOM)神经网络对提取的特征矢量进行冗余信息压缩与预分类编码;再根据多变量DHMM建模理论,对切削颤振孕育的各种过程模式建立相应的DHMM,把矢量编码作为观测序列引入到DHMM中进行机器学习、训练;最后将观测序列引入到DHMM中进行颤振孕育的概率识别尝试。实验表明,该方法对颤振孕育过程识别是十分有效的,颤振预报正确率达93.3%。     

基于WOA-VMD-SVM数控机床刀具健康状态评价体系的建立

刀具的健康状态直接影响着数控机床的加工性能。对刀具的磨损、破损等健康状态因素进行前期预测和判断,可有效防止因刀具健康状态异常而导致加工质量不稳定等问题。根据刀具在机加工过程中因磨损状况而引起机床机械特性的变化展开分析与研究,即通过采集与刀具健康状态相关联的机床主轴振动信号,并对该信号进行处理和特征提取,建立基于WOA-VMD-SVM刀具健康状态预测识别模型。经实验分析与验证,所建立的模型具有很高的识别准确率,其准确率高达96.8%,高于SVM模型和GA-SVM模型,由此表明该模型能够高效、准确地对刀具磨损状态进行识别和分类。