共查询到18条相似文献,搜索用时 62 毫秒
1.
2.
3.
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. 相似文献
4.
滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。 相似文献
5.
针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。 相似文献
6.
7.
8.
小波包变换和能量分析在声发射信号降噪中的应用 总被引:1,自引:0,他引:1
材料或结构受外力或内力作用下产生的声发射信号,其频率成分复杂,包括一些能量相对微弱的高频信号和低频干扰信号,而研究中往往只针对某些频率段信号进行分析。小波包变化可以将复杂频率成分的信号分解到不同的频率段,通过频率和能量筛选,可以将感兴趣的相对高能量的频率段信号提取分离出来。以Q235试件拉伸试验中采集到的声发射为例进行小波分析,证实了小波分析方法在声发射信号降噪中的实用价值。 相似文献
9.
Teager能量算子追踪并计算信号的瞬时能量,在检测信号冲击特征方面具有独特优势,已广泛运用于轴承的故障检测,但尚未见其在列车轮对轴承声音信号分析中的运用。为此,提出一种基于Teager能量算子解调的轮对轴承故障检测方案,首先介绍Teager能量算子的概念及解调原理,利用该方法对型号为197726TN的轮对故障轴承服役过程中采集的声音信号进行分析,通过Teager能量算子解调得到信号的瞬时能量波形,再对其进行包络谱分析得到包络谱,进行轴承故障识别。与常规的Hilbert解调方法对比,可知Teager能量算子解调法能更加有效地突显故障信号特征并确定故障类型,其在轮对轴承声音信号故障检测上的优势得到验证。 相似文献
10.
11.
针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。 相似文献
12.
13.
14.
陆爽 《组合机床与自动化加工技术》2005,(6):56-58
文章利用现代信号分析理论从非线性时频分析(伪Wigner-Ville时频分布)和高阶谱(三阶谱)两方面对滚动轴承故障信号特征的提取加以研究.研究结果表明,伪Wigner-Ville时频分布图能有效地建立故障信息图谱,直观性更强;高阶谱可以很好的检测出非高斯故障信号的信息. 相似文献
15.
针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。 相似文献
16.
为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明:与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。 相似文献
17.
针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。 相似文献