声发射熵分析刀具磨损故障预测研究

刀具在加工过程中不断磨损,直接影响构件的加工精度。根据采集的刀具声发射信号,分析声发射序列熵值在不同切削阶段的概率分布特征,建立一种基于刀具磨损状态的重心熵值的阈值检测方法。同时采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)建立声发射序列的熵值预测模型,结合熵值检测实现刀具磨损状态的高精度监测。仿真结果表明:采用最小二乘支持向量机预测熵值能够达到较高的预测精度;刀具的阈值检测,能够及时发现刀具的磨损故障,提高加工效率;二者结合,能够满足实际生产加工需要。     

基于声发射技术监测刀具磨损的研究

刀具磨损的研究方法很多,本文针对近些年发展的声发射技术(AE)在监测刀具磨损上的应用,采用理论分析和现场试验的方法进行可行性分析和验证,结果表明:在考察的几个影响声发射信号强度的因素之中,刀具主切削刃后刀面磨损量对其影响最为显著,这为利用AE技术研究刀具磨损提供了可行性依据;通过对铣刀AE信号进行时域振铃分析,清晰再现了刀具在不同时刻的磨损情况。     

用声发射在线监测颤振切削时的刀具磨损

本文研究了一种实现颤振切削自动化的刀具磨损检测方法。实际应用表明，这种方法收到了良好的效果。     

基于切削声信号与优化SVM的刀具磨损状态监测

提出了一种利用切削声实现刀具磨损状态多特征监测的方法。根据经验模态分解与Hilbert变换理论,提取切削声信号的内禀模态能量与不同频段的Hilbert谱能量作为监测信号的备选特征。采用支持向量机作为分类器,针对备选特征的有效筛选问题,利用多种群遗传算法对分类器的输入特征进行了优化,剔除备选特征中的干扰特征,利用多种群遗传算法对分类器的模型参数进行了优化。利用优化后的分类器对测试样本进行分类,并与优化前的分类结果进行了对比。结果表明,优化后分类器的分类性能得到了明显提升,该方法可以对刀具磨损状态进行有效识别。     

数控机床刀具磨损与破损的声发射监测法

数控切削加工过程中刀具的磨损与破损是数控机床常见的故障之一,而刀具的磨损与破损程度直接影响零件的加工质量.所以对刀具状态的实时监测就显得十分关键,阐述了用声发射法对其进行在线监测的方法.     

基于声发射检测技术的转炉耳轴轴承故障诊断

以转炉耳轴轴承为研究对象,将声发射技术应用于转炉耳轴轴承的故障诊断中,提出了应用主成分分析(PCA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。首先,对声发射信号的特征量进行主成分分析,得到更能反映设备状态的综合特征参数,然后将新的特征参数输入到最小二乘支持向量机中进行状态识别。利用在实际生产过程中采集到的转炉耳轴轴承声发射数据进行方法验证。结果表明,新方法能够有效区分出转炉耳轴轴承的故障模式,识别的总体正确率可达97.8%。     

基于小波分析和GA-SVM的金刚石 砂轮磨损的声发射监测研究

针对工程陶瓷磨削中金刚石砂轮磨损状态判别准确度不高的问题,在部分稳定氧化锆陶瓷金刚石砂轮精密磨削的声发射智能监测实验中,在深入研究部分稳定氧化锆陶瓷磨削机理的基础上,对磨削声发射信号进行了5层离散小波分解。研究结果表明:金刚石砂轮磨损后,磨削声发射信号小波分解系数的有效值和方差,以及声发射信号小波能谱系数在低频率段都有所增大;利用部分稳定氧化锆磨削声发射信号的小波能谱系数或小波分解系数的有效值和方差值的组合,作为判别金刚石砂轮磨损状态的特征值,采用基于遗传算法支持向量机对金刚石砂轮的磨损状态判别准确度达100%,判别准确度明显优于BP神经网络方法。     

基于声发射的带锯条磨损在线监测试验研究

通过实时监测带锯条锯齿的工作状态,可以预防锯齿磨损带来的斜切、切削效率降低等问题。本文采用声发射在线监测系统采集和分析锯切过程的声信号,基于时域和频域特征分析提取带锯条全生命周期的磨损信号特征,实时判断带锯条的初始剧烈磨损时间。研究表明:通过分析时域信号可知,在剧烈磨损的临界阶段会出现声发射信号峰值和均值突变的情况;通过分析频域信号可知,初始剧烈磨损会导致峰值信号频率发生突变,初始剧烈磨损前声发射峰值信号频率稳定在30000Hz左右,初始剧烈磨损后声发射峰值信号频率稳定在15000Hz左右。因此,可基于信号突变的特征判断带锯条的初始剧烈磨损时间,避免斜切现象的发生,为带锯条锯齿磨损提供有效的在线监测技术思路。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于最佳小波基小波特征的神经网络刀具磨损状态监测方法

以小波分析理论为基础,提出了以对数熵理论确定最佳小波包分解树结构的方法,提出了基于声发射信号最佳小波基最佳小波分量频段能量的声发射信号小波特征,开发了基于最佳小波基小波特征的神经网络刀具磨损状态在线监测系统,实验结果表明,该系统具有较高的监测精度,能满足工业现场对刀具磨损状态实时在线监测的要求.     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于声发射技术飞机关键部件健康监测方法

为解决飞机关键结构部件疲劳损伤的有效监测,及时发现潜在的安全隐患,避免灾难性事故的发生.对于采用先进声发射技术所监测到的某飞机水平尾翼的原始声发射信息,提出采用小波包分析与支持向量机相结合的方法对匕机水平尾翼的健康状况进行识别与诊断.该方法将飞机水平尾翼产乍的原始声发射信号进行多级小波包分解,提取其频带能量作为特征向量,输入到由支持向量机构建的健康监测器对其进行健康识别与诊断.实验结果表明,该方法可以有效、准确地识别并诊断出飞机水平尾翼的疲劳裂纹,为飞机结构部件健康状态的有效监测提供了新途径.     

基于光纤声发射传感技术的刀具健康监测系统研究

基于光学原理设计了一种非接触式光纤法-珀声发射传感系统,建立非接触式光纤法-珀声发射实验装置,用于刀具的健康监测.实验结果表明,该传感器制作简单,加工成本低,安装容易,能有效实现刀具健康状态的非接触式监测.     

基于声发射信号的砂轮钝化在线检测方法

提出了一种基于声发射信号的砂轮钝化在线检测方法,该方法利用BP神经网络建立磨削声发射(AE)信号幅值变化特征量与砂轮钝化状况之间的非线性关系模型,并利用实验数据对该模型进行训练测试,训练获得的模型可用于在线检测小批量、多品种磨削条件下砂轮的钝化状况.实验结果表明,该方法能够准确地在线检测砂轮的钝化程度,具有很高的实用价值.     

基于声发射技术的螺栓状态监测研究

利用声发射技术监测螺栓工作过程中的状态变化,对声发射检测信号进行时域、频域及小波分析。结果表明,螺栓由于塑性变形和断裂引起的声发射频率明显区别于振动、撞击、摩擦等所产生的频率,验证了声发射技术用于连接螺栓状态辨识的可行性。     

基于独立分量分析的切削声发射源信号分离

针对切削声发射(Acoustic Emission,AE)信号的多目标状态源并行分离问题和同频干扰源分离问题,引入独立分量分析(Independent Component Analysis,ICA)技术作为研究工具,用刀具破损、切屑折断和环境噪声三个AE源的线性混合模拟切削AE信号,尝试用FastICA算法分离目标状态...     

基于遗传算法优化的支持向量机在齿轮故障声发射检测中的应用

支持向量机能够在训练样本较小的情况下,避免过学习现象,使泛化能力最大化。研究了支持向量机的参数无法自适应进行选取的问题,利用遗传算法具有全局搜索的性质,对支持向量机的参数选取进行最优化处理,得到支持向量机的最优参数。应用此法对齿轮故障声发射检测进行了研究,实验系统由PCI-2声发射系统和旋转机械振动故障模拟试验台组成,齿轮故障分类的精度比优化之前提高了10%,对齿轮故障诊断具有重要意义。     

基于PSO改进KPCA-SVM的故障监测和诊断方法研究

针对传统故障监测与诊断算法在船舶柴油发动机燃油系统应用中精度较低的问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)算法优化核主成分分析(Kernel Principal Component Analysis,KPCA)和支持向量机(Support Vector Machine,SVM)的故障监测和诊断新方法。首先采用KPCA提取样本数据中的非线性特征,获取其高维信息,同时在特征空间中构建T~2和SPE统计量,实时监测故障的发生;对于监测到的故障样本,通过KPCA提取其非线性主成分,作为多分类SVM的输入样本进行故障模式识别,采用PSO算法分别对KPCA与多分类SVM的核函数参数、多分类SVM的惩罚因子进行优化,以提高故障监测和诊断模型的精度。船舶燃油系统故障监测和诊断试验结果表明,经过PSO优化后的KPCA-SVM故障监测和诊断模型的精度明显提高,验证了所提方法的优势和有效性。