基于自校正Kalman滤波的液膜密封端面摩擦状态监测技术

声发射技术是液膜密封端面摩擦状态的有效检测方法,但是受工业背景噪声的影响,难以分离出声发射信号中所需信息。针对此问题,采用基于ARMA模型的自校正Kalman滤波技术处理声发射信号。该滤波器能在系统模型参数和噪声特性未知的情况下,收敛于稳态最优卡尔曼滤波器,因此滤波后的声发射信号的所需特征信号更突出,有利于液膜密封端面摩擦状态的检测。建立RBF神经网络,以时域、频域和时频域特征值作为输入进行网络训练,实现密封端面摩擦状态模式识别。实验结果证明,该监测方法能实时有效地识别端面摩擦状态,识别结果与电涡流直接测量得到的结果一致。     

特征声发射信号的时频能量分析

由于声发射信号多频率多模式的特点，不同频率的声发射信号表现声发射源特性的能力有所不同，这在应用中给声发射信号的处理带来了很大的困难，文章将信号引入到时频域，利用时频联合分布的能量特性，在时频域中计算信号的能量，以能量为依据选取声发射信号中的特征声发射信号，得到了满意结果。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

声发射在密封监测领域的研究进展

将声发射无损检测技术应用到机械密封监测中是密封领域新的发展方向。从实验研究和理论研究两方面综述声发射在密封领域的研究进展;从早期的实验探索到后期的信号降噪、信号分析和信号识别等方面总结各阶段的研究成果,并且介绍机械密封相变实验研究;展望基于声发射的机械密封监测技术的未来发展方向,如将大数据技术应用到声发射信号的处理分析,探索声发射技术在机械密封不同方向监测的应用,如液膜相变的监测等。     

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。     

基于声发射和小波神经网络的机械密封状态分类新方法

采用声发射方法监测得到的复杂机械密封的声发射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和小波神经网络的机械密封工作状态分类的方法。该方法将小波与神经网络结合,基于声发射信号时域和小波包能量分析的特征提取方法,充分利用声发射信号中的有用信息,能很好地表征机械密封的工作状态。以旋转轴用动密封装置为例,采用上述方法对其工作状态进行监测。实验证明,该方法能够有效地对复杂机械密封的工作状态或故障类型进行分类。     

基于卷积神经网络对磨削表面粗糙度声发射智能预测

表面粗糙度是衡量加工零件表面质量的主要指标,为提高球墨铸铁磨削表面粗糙度预测的精度,在球墨铸铁磨削表面粗糙度声发射预测实验基础上,使用深度学习卷积神经网络CNN自动提取磨削声发射信号特征值,使用卷积神经网络对球墨铸铁磨削的表面粗糙度声发射智能预测,准确度较BP神经网络高。     

采用一维卷积神经网络的铣削振动状态识别

由于铣削加工中发生颤振会极大地降低工件的加工质量,铣削振动状态的高效与精准辨识一直是颤振研究的热点问题之一。基于LetNet-5经典卷积网络提出一维卷积网络模型,直接对时域铣削力信号进行处理与识别,针对信号量较少与数据不均衡等问题,采用重叠-随机协同采样的方法对数据进行处理。应用T-分布随机邻域嵌入技术可视化模型在训练集上的学习进程并对端到端的学习目标进行验证。对比基于支持向量机与卷积神经网络识别策略,所提方案在测试集上取得了最高的96.17%准确率,识别结果表明：该方法相较于对比方法过程简单、识别快速且辨识准确率高。     

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。     

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SOM神经网络的摩擦状态识别研究

为提取摩擦振动的特征和实现摩擦副摩擦状态的识别,在往复摩擦磨损试验机进行摩擦副混合摩擦和干摩擦状态的摩擦磨损试验。应用谱减法对试验采集的摩擦振动信号进行降噪,计算降噪后的摩擦振动15个特征参数。应用自组织映射(Self-organizing map, SOM)神经网络对摩擦副不同摩擦状态的摩擦振动特征参数进行分析,得到摩擦振动的SOM神经网络神经元分类。研究结果表明,谱减法能消除摩擦磨损试验机的背景噪声,SOM神经网络算法能够有效分析摩擦振动信号的特征,实现摩擦副摩擦状态的识别。     

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。     

基于声发射信号的铝合金点焊裂纹神经网络监测

铝合金热加工过程的冶金行为比较复杂,在电阻点焊快速加热和冷却条件下,极易产生裂纹缺陷。基于虚拟仪器技术,以Lab VIEW为软件平台,结合Matlab数值分析软件,构建了电阻点焊过程声发射信号采集分析及铝合金点焊裂纹监测系统。以2A12铝合金电阻点焊熔核冷却结晶过程,即点焊焊接循环维持阶段的声发射信号为研究对象,提取与声发射信号强度相关的振铃计数、能量、有效电压及5层小波分解125~250 k Hz频带能量系数4个特征参数作为输入矢量,裂纹作为输出矢量,建立3层BP神经网络铝合金点焊裂纹的监测模型,并利用测试样本对该模型进行验证。结果表明,裂纹监测的正确率达到89.1%,为监测铝合金电阻点焊裂纹提供了一种有效的方法。     

基于FBG和BP神经网络的声发射定位方法

针对传统基于神经网络的声发射定位选择的样本不具有广泛代表性的问题,提出了基于光纤布拉格光栅(fiber Bragg grating,简称FBG)传感和反向传播(back propagation,简称BP)神经网络的声发射定位技术。该方法使用提取的窄带信号间时差作为样本,无需考虑损伤特性及波速对定位的影响,同时使用Levenberg-Marquardt(简称LM)算法训练样本,提高了BP神经网络的训练速度。在500mm×500mm的铝合金板上进行实验,声发射定位的平均误差为6.65mm,验证了该方法的有效性和准确性。     

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。     

基于概率神经网络的液压缸故障状态的识别

设计液压缸泄漏的模拟实验,分别提取压力、位移信号的时域频域组合特征,利用概率神经网络作为故障分类器,对＂无泄漏＂、＂轻微泄漏＂、＂严重泄漏＂三种故障状态进行识别与分类。采用Matlab仿真的方法测试了径向基传播率和训练样本变化时模型的训练效果。     

基于时频分析的移频轨道交通信号检测方法

针对传统方法对交通信号检测时,由于未能提取交通信号的时频特征,导致信号检测时存在检测精度低、检测误差大和噪声频率不稳定等问题,提出基于时频分析的移频轨道交通信号检测方法。首先利用时频分析法对移频轨道交通信号的时频特征进行提取;再基于提取的信号时频特征,利用信号的概率密度函数获取交通信号的信号双谱;最后利用卷积神经网络分类处理有双谱的交通信号,实现信号检测。实验结果表明,该方法检测信号时,检测精度高、检测误差小,以及噪声频率稳定。     

基于模糊神经网络的气体密封故障诊断

针对传统的依靠单一参数对密封状态监测的不足,利用模糊神经网络处理问题的能力,综合多种密封参数的信息,建立针对密封状态监测的模糊神经网络系统,提出基于模糊神经网络的故障诊断的方法。该方法确定泄漏量、端面温度、气膜厚度、阻封气泄漏量作为密封的监测参数,并确定各个参数的隶属函数;通过大量的历史数据、MAT-LAB模拟数据和专家知识分析得到各个特征参数值和修正值,建立5种密封状态的输出模式;通过隶属函数实现输入样本的模糊化;通过MATLAB编程来设计、优化神经网络结构,利用历史数据训练神经网络。通过实例分析验证了建立的模糊神经网络的实效性。     

基于多分量卷积神经网络的多晶硅晶片颜色差异检测

具有复杂纹理的多晶硅晶片颜色差异检测是太阳能电池片制造过程中的一个挑战.针对传统的色差检测算法不适用于颜色差异类别变化大的场合,且分类结果不精确的问题,基于不同分量的颜色特征提出了一种多分量卷积神经网络的检测算法.通过分析多晶硅晶片图像在H SV颜色空间的特征分布,发现颜色特征在H、S和V分量中表现不同;基于全卷积神经...