基于最大熵的磨削状态判别方法

针对磨削进给量反馈控制速度要求以及均方差计算样本数大的问题,基于最大熵理论,提出了一种利用少样本进行磨削状态判别的方法.在磨削试验基础上,研究了不同样本数对于磨削状态概率分布估计的均方差,给出了磨削状态识别合理的样本数,验证了最大熵方法的有效性.     

基于最大熵的磨削状态判别方法

根据声发射磨削状态检测技术,基于最大熵理论,提出一种利用少样本进行磨削深度识别的方法。该项研究对于实现高精度曲线磨削提供了理论方法。通过磨削试验,证明了所提方法的有效性。     

基于最大熵的近红外光谱仪调制器工作状态判别方法

近红外光谱仪调制器误差源对调制光频率和波形产生干扰,影响最终测量结果.提出一种基于最大熵原理的调制器工作状态判别方法.选取调制光带限能量为合成不确定度随机变量,给出了带限能量的推算方法,并拟合了调制光带限能量区间概率分布,利用不同分布特征判别调制器不同工作状态.实验用对偶规划方法计算了不同样本数下某型自行研制调制器工作状态的区间概率分布,给出工作状态识别合理的样本数,验证了其在调制器工作状态判别上的有效性.     

基于Shannon熵与声发射信号的CBN砂轮性能监测方法研究

为了在磨削加工过程中能够有效判别CBN(Cubic Boron Nitride)砂轮的磨削性能,提出了一种基于Shannon熵理论与声发射信号的CBN砂轮性能监测方法。首先,利用声发射传感器采集CBN砂轮磨削加工过程中的声发射信号,基于最大信息熵对CBN砂轮磨削加工过程中的声发射信号进行概率密度估计,获得磨削加工过程中声发射信号的最大熵概率密度分布。然后,通过分析研究CBN砂轮在修整过后循环磨削以及不同直径剩余磨削时的声发射信号特征,根据交叉熵原理分析CBN砂轮不同磨削性能时声发射信号最大熵概率密度分布,并通过设定交叉熵阈值来辨别磨削加工过程中CBN砂轮的磨削性能。最后,为验证该方法的实用性,在某工厂CBN砂轮磨削产品生产线上进行大量实验研究,结果表明,该方法对CBN砂轮磨损状态及CBN砂轮剩余寿命进行有效监测,验证了该方法监测CBN砂轮在磨削加工过程中磨削性能的有效性。     

基于小波熵的空化状态检测与识别

空化是广泛存在且对流体机械危害很大的物理现象.文中将小波熵方法引入空化噪声分析,探讨基于小波熵的空化初生检测和空化状态识别方法,并对小波基的选取和计算窗口宽度及滑动步长对小波熵状态检测和识别性能的影响进行详细讨论.通过数值实验和空化噪声实例表明,小波熵能十分敏感地检测到空化初生及空化状态的改变,可为空化状态的检测和识别提供一种有效识别手段.     

基于平均局部熵的显微立体匹配算法

本文在特征提取和立体匹配研究中引入熵的概念,建立了一种基于平均局部熵最大单元立体匹配算法.由于采用了目标识别与栅格化,提高了匹配准确度,减少了时间消耗.实验结果表明,基于本算法的结果数据可以重建出微观对象的表面.     

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models, HSMM)的设备退化状态识别新方法.对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念.构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别.以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态.     

基于Lyapunov指数能谱熵的转子—机匣系统故障诊断研究

提出基于Lyapunov指数能谱熵的航空发动机转子-机匣系统状态识别和故障诊断新方法.基于Lyapunov指数谱,提出并定义系统Lyapunov指数能谱熵;在基于实测的航空发动机机匣振动时间序列求解系统不同故障状态的Lyapunov指数谱的基础上,获得系统不同故障状态下的Lyapunov指数能谱熵,并将其应用于航空发动机转子-机匣系统的故障诊断.研究结果表明,航空发动机机匣振动时间序列在不同单一故障状态下具有不同的Lyapunov指数能谱熵,此时可以Lyapunov指数能谱熵作为识别其状态的新特征量.     

基于时间常数外圆切入磨削砂轮钝化的监测方法

基于外圆切入磨削力模型研究,提出了一种在线监测功率信号的时间常数算法,并利用时间常数对外圆切入磨削砂轮钝化状态进行识别。为提高计算准确性,选取了进给阶段稳定功率信号和驻留阶段功率信号变化率对时间常数进行计算。通过不同磨削工艺参数和不同修整工艺参数实验,验证了利用功率信号的时间常数方法对砂轮钝化监测的有效性。     

基于LMD近似熵和FCM聚类的机械故障诊断研究

提出一种基于局部均值分解(local mean decomposition,LMD)近似熵和模糊C均值聚类(fuzzy C-means clustering,FCM)相结合的机械故障诊断方法.首先对机械振动信号进行LMD分解,得到若干具有物理意义的乘积函数(product function,PF)分量,再通过相关性分析,筛选出与原始信号相关性最大的3个分量作为数据源,求取其近似熵作为特征向量,最后通过FCM模糊聚类对特征向量进行识别分类.实验表明,基于LMD近似熵和FCM模糊聚类相结合的方法对机械故障信号能够有效准确地进行识别分类,此外,将该方法与基于EMD近似熵和FCM结合的方法进行对比,结果表明该方法具有更好的故障识别效果.