随着我国航空工业领域的蓬勃发展,航空发动机叶片的制造和维修成为研究重点。航发叶片有多种维修方式,相比于人工磨削及机床磨削,高柔性化、低成本、应用场景广泛的机器人智能加工更受青睐。目前,航发叶片的机器人磨削阶段仍然无法避免颤振的发生,而且现有的磨削颤振检测方法大多只能在颤振已经明显发生后识别出颤振,所以快速检测出颤振的发生并为后续采取抑制操作提供更多反应时间是十分必要的。针对以上问题,本文采用小波包熵和排列熵作为颤振检测特征,并对小波包熵和排列熵的提取算法进行改进,提高了磨削颤振检测的响应速度。为了提高小波包熵特征计算效率,采用小波包变换矩阵算法对颤振原始信号进行小波包熵提取。该方法根据信号长度、分解层数以及选用的小波基函数三个参数可预先计算出转换矩阵,然后将原始信号转变为一维矩阵与转换矩阵相乘,便可以快速求得小波包分解系数,进而计算颤振特征小波包熵。该方法利用转换矩阵乘法运算极大的提高了小波包熵提取效率,而且该方法的计算时间相较于Mallat算法减小了一个数量级。针对传统排列熵提取方法效率低的问题,采用基于序数模式的排列熵算法对颤振原始信号进行排列熵提取。该方法通过将颤振信号数据进行序数模式分类,可以大大减少计算量。利用序数模式类型分布规律表可快速获得所有的序数模式以及其连续序数模式分布情况,最后由连续序数模式可求得连续的排列熵。相较于传统的排列熵提取算法,基于序数模式排列熵算法的计算时间减小了一个数量级,很大程度上提高了排列熵提取效率。模拟出多个过渡时间不同、最大幅值不同且从稳定阶段到不稳定阶段逐步发展的颤振信号,并利用颤振仿真信号进行时域特征及熵特征的提取,验证了小波包变换矩阵算法及基于序数模式排列熵算法的适用性和有效性。搭建航发叶片机器人磨削实验平台,采集机器人磨削末端颤振信号,利用所提出的改进算法分别对小波包熵和排列熵特征完成提取并进行颤振检测分析。实验结果表明,与方差、均方根、峭度、裕度因子特征相比,本文提出的基于小波包熵和排列熵的磨削颤振检测方法能够在颤振形成的早期阶段将其检测出来,并及时向系统发出警告,为后续采取措施提供更多的反应时间。