声发射信号特征分析中的小波变换应用方法

对声发射信号进行分析与处理是目前获取声发射源信息的唯一有效途径,也是声发射技术发展的难点和瓶颈。针对声发射信号的特点,对小波变换用于声发射信号的特征分析问题进行了研究,总结出了适用于声发射信号的小波变换信号特征提取方法,并对未来小波变换在声发射领域的应用与研究方向进行了探讨。     

小波变换在声发射检测中的应用

在综合描述声发射信号特点和小波变换基本原理的基础上，结合实例介绍同时在时域和频域具有局部分析能力的信号处理方法-小波变换在声发射信号的特征提取、时频分析和噪声去除等方面的应用。     

基于小波神经网络的储罐声发射检测信号分析方法

声发射检测技术常用于常压立式储罐底板的腐蚀检测,但由于罐底声源种类复杂,常出现影响罐底评价结果的问题。提出了基于小波神经网络的储罐底板声发射信号处理方法。该方法运用小波变换,采用阈值去噪方法对检测信号进行去噪处理,以小波包分解后各节点的能量分布提取出底板腐蚀信号的特征向量作为网络输入,选取"紧致型"的小波神经网络,实现了不同类型储罐腐蚀声发射信号的有效识别。经漏磁检测验证,该方法提高了储罐底板腐蚀声发射信号的分析精度,从而实现对常压储罐腐蚀声发射信号的准确评价。     

基于声发射的铣刀破损信号特征的提取与优化

铣刀破损监测对实现加工自动化具有重要的意义.提出了基于小波变换的铣刀声发射破损特征提取与优化方法.首先,采用小波变换对铣刀声发射信号进行多分辨率分解,然后提取各频段子信号的能量比作为刀具破损监测的特征量.通过对正常切削、随机冲击和刀具破损这三类信号的比较分析,证明了该特征提取方法能够有效地反映刀具状态.最后,通过正交统计,分析了切削速度、进给速度和切削深度对特征量的影响,并对特征量进行优化.     

基于HHT的预应力钢筋混凝土梁断裂AE信号分析

针对混凝土材料损伤所产生的声发射信号复杂的特点,提出了基于Hilbert—Huang变换的分析混凝土声发射信号的新方法。利用全波形声发射技术记录了预应力混凝土梁在三点弯曲荷载试验下整个破坏过程的声发射信号,研究了声发射累计能量随时间变化的关系曲线,分析了梁在不同破坏阶段产生的实测声发射信号,获得了信号的Hilbert谱。通过与小波分析结果进行比较,显示出该方法具有处理精度高、自适应性强的特点,能有效地提取声发射信号中损伤的主要特征,为声发射信号处理提出了一种新的途径。     

铝合金腐蚀声发射信号小波剔噪技术研究

对利用小波变换剔除腐蚀声发射信号中的噪声成份进行研究,根据小波变换的原理建立小波剔噪的步骤,合理选择小波函数及分解层数,根据现场噪声水平确定小波分解高频层系数的阈值,结果证明小波变换对腐蚀声发射信号具有很好的剔噪效果。     

小波变换用于声发射波波达时间的研究

基于模态声发射和互相关技术,利用小波变换的方法,计算声发射波达时间,进而进行声发射源定位,提高了定位精度。     

基于HHT变换的声发射源平面定位方法

为了应对空间碎片的威胁,研制了一种基于声发射技术的用于实时监测空间碎片撞击航天器的在轨感知系统。对平面声发射源精确定位技术提出了需求。声发射信号属于非平稳随机信号,传统的小波变换无法充分获得其中携带的信息。利用HHT技术分析声发射信号波形,改进了AO模态到达时刻的确定算法,提高了线定位精度。在此基础上,将平面定位问题转化为求取函数最小值的优化问题,并利用单纯形法进行求解。在铝合金板上对铅芯折断波源进行了定位试验,结果表明,相对于小波变换,HHT更适于分析声发射信号;改进后的线定位方法和双时标法可有效应用于各向同性板的定位问题。研究结果为空间碎片在轨感知系统的研制提供了参考。     

金刚石滚轮修整时的径向圆跳动状态在线判别

金刚石滚轮修整砂轮时的性能受其径向圆跳动的影响,而其径向圆跳动状态判别的智能化程度较低。为此,对金刚石滚轮修整状态下的径向圆跳动磨削声发射信号,提出一种基于小波分解和SVM的在线检测方法。将磨削声发射信号通过小波变换并分解,提取小波分解系数的有效值、方差及能谱系数3种特征参数。结果表明:将3种特征参数彼此组合输入到SVM中进行状态识别时的准确率都在96.0%以上;3种特征参数同时输入时的准确率最高,达到了98.3%。该检测方法具有实际应用价值。      

小波包-AR谱在钛合金材料声发射监测技术中的应用

鉴于钛合金材料的声各向异性和高声波衰减系数使疲劳试验过程中的声发射监测十分困难。提出了小波包与AR谱相结合对钛合金材料声发射信号进行分析的方法。即对输出信号进行小波包分解,然后分频段对信号进行重构得到包含不同频率成分的时域信号,再进行AR谱分析,从而提取出频谱特征。分析表明,该方法对利用声发射信号分析钛合金材料部件的损伤和裂纹扩展是有效的。可为钛合金部件损伤和裂纹扩展的识别提供可靠的依据。     

Evaluation of pile defects using complex continuous wavelet transform analysis

In recent years, the technique of wavelet transform has been applied widely in signal processing in different fields, including non-destructive testing of pile foundations. However, it was used mostly in signal filtering and the analysis of time-frequency diagram. This paper successfully utilized complex continuous wavelet transform to determine pile length and locations of defects on pile foundations by analyzing the time-frequency-phase angle diagram in different frequency band. Six piles with different types of defects were installed and tested to verify the proposed approach in this study. The results shows that complex continuous wavelet transform not only is able to provide high resolution results in different frequency bands, which is similar to that of continuous wavelet transform, but also simplifies the identification of the reflection of defects using 3D phase spectrogram. The location of defects can then be easily determined using phase diagram under the corresponding specific frequency.     

面状缺陷超声B扫描检测图像增强研究

针对面状焊接缺陷超声B扫描检测图像受噪声污染造成的质量下降问题,利用多尺度小波分析方法,对超声B扫描图像进行了增强处理.分析了缺陷信号和噪声的小波变换特性,分别在软、硬阈值函数条件下,采用固定阈值、Stein无偏似然估计阈值、混合型阈值、极大极小准则阈值等方法进行了信号增强处理,比较了不同阈值方法小波变换的处理效果.结果表明:小波变换方法能有效地提高超声B扫描图像质量,硬阈值条件下固定阈值小波变换方法的图像增强处理效果较好.     

基于感兴趣区域和小波变换的图像融合算法

为了提高图像融合效率,保持良好的边缘支持度,以便更好完成图像重构,提出了基于小波变换的图像融合算法。利用小波变换对信号多方向特征提取的优势,将多维图像信号分析化繁为简,在融合规则制定中,权衡图像融合的清晰度和融合算法复杂度,对图像信号低频信号和高频信号分开处理,低频进行加权平均,而高频进行局部方差处理,最后进行小波逆变换得到重构图像。实验证明,该方法重构图像效果清晰,且信噪比高。     

A brief review: acoustic emission method for tool wear monitoring during turning

Research during the past several years has established the effectiveness of acoustic emission (AE)-based sensing methodologies for machine condition analysis and process monitoring. AE has been proposed and evaluated for a variety of sensing tasks as well as for use as a technique for quantitative studies of manufacturing processes. This paper reviews briefly the research on AE sensing of tool wear condition in turning. The main contents included are:

1. The AE generation in metal cutting processes, AE signal classification, and AE signal correction.

2. AE signal processing with various methodologies, including time series analysis, FFT, wavelet transform, etc.

3. Estimation of tool wear condition, including pattern classification, GMDH methodology, fuzzy classifier, neural network, and sensor and data fusion.

A review of AE-based tool wear monitoring in turning is an important step for improving and developing new tool wear monitoring methodology.     

Discrete wavelet transform for tool breakage monitoring

Detection of tool breakage is of vital importance in automated manufacturing. Various methods have been attempted, and it is considered that the use of discrete wavelet transform (DWT), which is much more efficient and just as accurate wavelet analysis, may provide a realistic solution to the detection of tool breakage in operation. The DWT uses an analyzing wavelet function which is localized in both time and frequency to detect a small change in the input signals. In addition, it requires less computation than Fast Fourier Transformation (FFT). This paper discusses a tool breakage monitoring system based on DWT of an acoustic emission (AE) and an electric feed current signal using an effective algorithm. The experiment results show overall 98.5% reliability and the good real-time monitoring capability of the proposed methodology for detecting tool breakage during drilling.     

小波变换在薄膜表面图像信号降噪中的应用

目的：当前,以原子力显微镜为代表的扫描探针显微镜设备可以获取纳米尺度薄膜样品的表面图像,但这些图像存在不同程度的噪声,影响图像质量和信息判断。为了更准确获取这些薄膜表面状态,需要对薄膜样品表面图像数据和信息进行降噪处理。方法结合AFM等设备成像特点以及小波变换的时频局域性特点,在介绍小波变换基本理论和噪声来源分析基础上,提出了一种多层小波分解去噪算法。传统的信号理论是建立在傅里叶变换基础上的,而傅里叶变换作为一种全局性的变化,其有一定的局限性,无法同时表述信号在时域和频域的局部性质,而这些局部特征恰恰是非平稳信号性质最关键的部分。小波变换保留了窗口傅里叶变换局部化的优点,改变了窗口傅里叶变换窗口函数大小固定的缺点。结果原始图像信号的频率在0 Hz到4000 Hz都有分布。通过小波变换后,信号波形更光滑,频谱在500 Hz到2000 Hz之间分布。结论将小波变换应用于薄膜表面图像信号降噪中,通过实验证明通过小波变换可以有效去除信号中的噪声部分。     

基于声发射信号的铝合金LSP弹塑性波传播规律探究

目的 为提高激光冲击强化(LSP)的声发射(AE)监测精度,结合AE监测技术与LSP弹塑性波理论,探究LSP过程中弹塑性波传播规律。方法 首先,基于弹塑性波理论设计LSP试验,采用AE监测技术实时获取冲击信号,并测量冲击后铝合金7075的塑性变形程度。然后,基于AE信号的时域波形,提出包络欧式距离法,确定对加工质量敏感的感兴趣片段(FOI)。进一步基于FOI,结合实际加工条件,定义了新的累积AE波形熵特征。最后,基于AE信号的多模态和非平稳信息,定义瞬时峰值能量曲线(IPEC),并进一步提取相关特征,从而探究弹塑性波传播规律、衡量传感器优劣。结果 仅包含弹性波的AE信号波形明显区别于弹塑性双波,塑性波传播速度明显落后于弹性波。包络欧式距离法确定的FOI能很好地定位弹塑性波。相较于AE波形熵,累积AE波形熵特征能很好地区分不同程度的弹塑性波。对比弹性波,塑性波主要集中在中低频段(200 kHz以下)。IPEC曲线精准确定31 kHz模态为塑性波的主要成分。进一步提取的峰值变化量 和峰值延迟时间 表明:相较于谐振传感器,宽频传感器对塑性波更加敏感。结论 所提方法和特征分别从时域和时频域上探究了弹塑性波的传播规律,所得的结论为规范和提高LSP的AE监测技术提供了理论支持与指导。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.