基于多重分形的摩擦振动信号研究

为提取摩擦振动的特征信号和实现摩擦振动特征信号的表征,在摩擦磨损试验机上进行船用柴油机缸套-活塞环摩擦副摩擦磨损模拟试验,应用总体经验模式分解对缸套-活塞环摩擦副的非线性、非平稳的摩擦振动信号进行降噪,并应用多重分形对摩擦振动信号进行分析,得到多重分形谱图及其参数。研究结果表明,随着摩擦磨损试验的进行,缸套-活塞环摩擦副摩擦振动信号振幅分布多重分形谱和频率分布多重分形谱呈现一定的变化规律;多重分形谱图及其参数能够实现摩擦振动信号特征的表征,可以用于摩擦副摩擦振动状态的识别。     

基于CWT二次图像的缸套-活塞环摩擦振动分析研究

为通过摩擦振动分析缸套-活塞环的磨损状态,提出利用连续小波变换(CWT)时频谱和图像处理技术相结合提取摩擦振动信号特征的新方法。首先运用CWT变换获取摩擦振动信号的时频谱二次图像,然后运用图像分割技术提取摩擦振动特征体,根据特征体定义特征参数V、Gmean、HV、Mtf、N和e,探讨特征参数与磨损状态的内在联系。结果表明,特征参数V、Gmean、HV和N刻画了磨损行为的复杂和剧烈程度,特征参数Mtf和e反映了磨损表面状态。利用CWT二次图像和图像分割技术可对缸套-活塞环摩擦振动进行定量表征。     

滚动轴承振动诊断的SOM神经网络方法

归纳和总结了SOM神经网络多参数诊断法的实施步骤,阐述了轴承故障与振动信号之间的关系以及SOM神经网络的工作原理和实现过程,通过试验研究,提取了反映滚动轴承故障类型的振动信号的特征参数,以构建训练神经网络的特征向量,利用MATLAB 7.0人工神经网络工具箱(ANN)模拟和仿真SOM神经网络,然后用训练后的SOM神经网络对故障模式进行识别。     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

基于BP神经网络的超声振动钻削钻头磨损状态监测试验研究

搭建了超声轴向振动钻削钻头磨损状态的钻削力和声发射信号采集系统,采集不同磨损状态下钻中区域的钻削力和声发射信号进行小波分解,得到与钻头磨损状态相关的特征量作为识别钻头磨损状态的特征参数,输入到建立的6-13-3的三层BP神经网络模型中进行融合,识别钻头磨损状态。试验结果表明,通过BP神经网络技术将钻削力和声发射信号融合识别钻头磨损的准确率约88.9%,能够有效监测钻头磨损状态。     

切向和法向摩擦振动向量合成方法

为了实现切向和法向摩振动的融合,提出应用向量理论对切向和法向摩擦振动进行合成的方法,通过摩擦副磨合磨损试验分析合成摩擦振动的变化规律。结果表明:合成摩擦振动在摩擦副磨合过程中经历了由大到小并趋于平稳的变化过程;摩擦副磨合开始时,合成摩擦振动的幅值较大,随着磨合过程的进行,合成摩擦振动的幅值逐渐减小;摩擦副达到磨合后,合成摩擦振动的幅值处于平稳波动;提出的向量合成方法可实现切向和法向摩擦振动的融合,合成的摩擦振动能够反映摩擦副磨合磨损状态的变化。     

基于振动和声发射信号的截齿磨损程度识别研究

为实现采煤机截齿截割过程中磨损程度的在线监测和识别,提出一种基于RBF(Radical Basis Function)神经网络的截齿磨损程度多特征信号监测方法。提取截割过程中不同磨损程度截齿的振动和声发射特征信号,分别分析振动和声发射信号的峰值、时域图方差和频域图均方根值这6个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对RBF神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:随着截齿磨损程度的加剧,截齿振动和声发射时域信号中信号峰值和方差均呈增大的趋势;振动和声发射的频域信号中频谱图均方根也呈现逐渐增大的趋势;基于RBF神经网络的截齿磨损程度监测系统的网络判别结果和测试样本的实际磨损程度类别相符,该RBF神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

摩擦过程多源信息采集系统设计研究

为获取摩擦过程中产生的多源信息,基于环境设计理论分析摩擦学试验研究的现状和需求,构建摩擦过程多源信息采集系统的递归对象模型,通过识别关键冲突并寻求解决方案,实现系统的整体方案设计。通过多传感器部署和LabVIEW软件开发,研制一种基于通用摩擦磨损试验机的摩擦过程多源信息采集系统,实现摩擦过程中的振动、声音、声压等多源信息的实时采集、存储和展示。将系统进一步集成化并基于Unity 3D构建摩擦磨损试验机的数字孪生虚拟实体,同时为便于多源信息的后续利用,提出相应的信号预处理方法。通过试验验证该系统满足摩擦试验中多源信息的采集需求,能够为后续开展多源信息融合、多学科信息关联映射提供数据基础,也为实现基于摩擦学衍生量的摩擦学状态监测提供数据基础。     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于EEMD_BP网络的滚珠丝杠副故障模式识别

针对在机械故障诊断领域,对信号的时频域处理分析提取特征值往往不能准确判断机械故障状态的问题。在对数控机床滚珠丝杠副振动信号研究中,提出了利用集合经验模态(EEMD)方法分析受到噪声干扰的3种不同状态的滚珠丝杠副振动信号。利用BP神经网络理论,以振动信号的时频域特征值及EEMD分解得到内禀模态函数(IFM)特征值作为输入,建立BP神经网络模型,并通过实验验证诊断网络模型的可靠性。     

基于云理论与LS-SVM的刀具磨损识别方法

针对刀具磨损过程中产生声发射信号的不确定性以及神经网络学习算法收敛速度慢、易陷入局部极小值、对特征要求较高等问题,提出了基于云理论和最小二乘支持向量机的刀具磨损状态识别方法。首先,对声发射信号进行小波包分解与重构,滤除干扰频段对求取特征参数的影响;其次,对重构后的信号利用逆向云算法提取云特征参数:期望、熵、超熵,分析刀具磨损声发射信号的云特性及磨损状态与云特征参数之间的关系;最后,将云特征参数组成特征向量送入最小二乘支持向量机进行识别。研究结果表明:所提取的特征可以很好地反映刀具的磨损状态,云-支持向量机方法可以有效地实现刀具磨损状态的识别,与传统神经网络识别方法相比具有更高的识别率,识别率达到96.67%。     

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。     

基于振动信号的数控机床丝杠副性能退化研究

为研究数控机床丝杠副性能退化机理,对丝杠副性能进行评估。首先采用小波包对丝杠副螺母座、轴承座的振动信号进行分解,提取小波包分解后的各阶功率谱作为特征参数,分析丝杠进给速度、切削深度对丝杠副振动特性的影响。利用BP神经网络建立丝杠副性能退化评估模型。通过振动信号、电机驱动电流信号、进给速度、切削深度以及加工方案等评估丝杠副性能退化状态,实验证明该性能退化评估模型准确率较高。     

基于UHMWPE基复合材料摩擦性能研究试验机的设计

基于UHMWPE基复合材料在特殊条件下摩擦磨损性能设计了一台摩擦磨损试验机.试验机主要包括电气控制、数据采集和机械装置3部分.系统结构紧凑,操作方便,克服了传统摩擦磨损试验机体积大、质量大、成本高、试件结构尺寸单一的缺点,同时可研究UHMWPE基复合材料在摩擦条件下的温度场变化规律.摩擦试验结果表明:试验机运转稳定,数据检测方便.     

基于频谱分析和神经网络的电子封装机械运动系统工况监测

针对直线电动机系统驱动的电子封装机械运动系统的运行特点,利用振动信号的频谱分析方法,对电动机系统的特征信号进行频谱分析,提取信号的特征参数,并结合神经网络方法对直线电动机系统的工作状态进行识别。介绍了改进的BP学习方法,仿真测试结果证明,用频谱分析与神经网络相结合的方法进行电子封装机械的工况识别具有简单、有效等优点。     

发动机铁谱磨粒分析与磨粒识别研究

从发动机摩擦副及其摩擦磨损特点着手，提出了用于发动机磨损状态监测与诊断的主要10类磨粒，依据其识别特征提出了用于磨粒识别的14个磨粒形状、表面纹理与颜色特征；最后应用BP网络分层识别策略进行了磨粒识别。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

炭黑及丙烯腈含量对丁腈橡胶磨损机理的影响

丁腈橡胶是一种重要的螺杆泵定子材料.以不同炭黑及丙烯腈含量的丁腈橡胶与45#钢组成的摩擦副为研究对象,采用MPV-600型环-块摩擦磨损试验机,在干摩擦和原油润滑条件下进行摩擦磨损试验,对丁腈橡胶磨损量及摩擦系数进行分析,初步探讨了其磨损机理.从试验结果可以看出,干摩擦条件下丁腈橡胶的磨损量随着载荷的增大而增大,炭黑和丙烯腈含量的增加使丁腈橡胶的耐磨性增强.原油介质下的磨损规律与干摩擦基本相同,丁腈橡胶磨损表面平整,磨损量很小,且原油介质的润滑和冷却作用使橡胶的摩擦系数降低.