【摘 要】
：
针对刀具损伤状态的识别问题,以提高刀具故障状态的识别精度为目标,结合信号处理和统计分析技术,提出了一种KPCA-Chi2数控铣床刀具损伤状态识别方法.首先,采用激光测振仪提取数控铣床运行状态下的振动时域信号.然后,选取振动信号时域和频域分布的8个统计特征参数,基于核主成分分析对特征参数进行降维融合,获得反映铣床刀具故障特征的时频主成分.在此基础上,构建时频主成分的Chi-2统计量,建立刀具损伤特征
【机 构】
：
温州大学机电工程学院,浙江温州325035
【出 处】
：
2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016
论文部分内容阅读
针对刀具损伤状态的识别问题,以提高刀具故障状态的识别精度为目标,结合信号处理和统计分析技术,提出了一种KPCA-Chi2数控铣床刀具损伤状态识别方法.首先,采用激光测振仪提取数控铣床运行状态下的振动时域信号.然后,选取振动信号时域和频域分布的8个统计特征参数,基于核主成分分析对特征参数进行降维融合,获得反映铣床刀具故障特征的时频主成分.在此基础上,构建时频主成分的Chi-2统计量,建立刀具损伤特征分布图,为刀具损伤状态的识别提供图形化参考.实验表明,本文提出的方法能够直观有效地识别刀具不同故障状态.
其他文献
齿轮箱作为大型机电设备的重要传动装置,故障频发.而由于其复杂的内部结构与恶劣运行环境的影响,有效振动信息被噪声淹没.因此,针对强背景噪声下齿轮故障特征的提取问题,提出了一种基于自适应级联增强随机共振的齿轮故障特征提取方法.该方法利用级联随机共振系统对信号的重复"消噪"能力,提高信号微弱特征的提取精度;选用共振系统响应的相关峭度构造遗传算法的适应度函数,利用其对周期性冲击分量良好的定量刻画能力实现系
针对经验模态分解(Empirical Mode Decomposition,EMD)中的端点效应问题,在研究和总结了现有端点效应处理方法的基础上,提出了一种抑制端点效应的新方法——基于支持向量机(SVM)延拓和窗函数相结合的方法,该方法弥补了SVM延拓依然找不到端点以及窗函数会改变原始信号的缺点.首先SVM对原始信号两端进行延拓,然后对延拓后的数据中间加矩形窗,延拓数据加海明窗处理,对加窗后的数据
在实际的工程应用当中,轴承某一元件表面出现局部损伤时产生的周期性脉冲信号通常包含强烈的噪声干扰.为了更有效的提取轴承故障特征,提出了基于非局部均值的振动信号降噪方法,并与小波阀值去噪、平移不变量小波和第二代小波的去噪效果对比,结果表明其可以应用到振动信号处理当中并且在去噪的同时可以保护较小的冲击信号不被滤除.通过对滚动轴承外圈表面的损伤产生的振动信号进行故障特征提取,验证该方法是可行有效的.
传统的基于EMD的轴承故障诊断存在模式混淆、端点效应等问题.为此提出一种基于VMD的时频分析方法提取滚动轴承故障特征.该方法利用VMD将信号分解成一系列有限带宽的本征模态函数(BLIMFs),通过对各个本征模态函数进行Hilbert变换,得到瞬时频率和VMD时频谱,有效的提取出信号的时频信息,诊断出轴承故障.通过仿真试验以及轴承故障诊断的工程实例,验证了该方法的有效性.
为了在无诊断专家的情况下,仍然可以准确地对故障类别进行区分,提出了一种基于快速搜索密度峰值聚类(Clustering by fast search and find of density peaks)的智能故障诊断模型.该模型分别采用小波包变换(WPT)和变分模态分解(VMD)方法对原始振动信号进行分解,提取各分解信号的时域指标和频域指标组成联合特征,然后利用距离评估技术对联合特征进行评估,并选取
随着机械设备日趋大型化、高速化、集成化和自动化,在长时间运转在变工况条件下,机械设备的轴承、齿轮等关键部件容易产生摩擦磨损和润滑失效故障.因此,开展机械设备的油液磨粒监测将具有极其重要的科学意义和实用价值.本文采用三线圈油液磨粒传感器对设备润滑油液中的金属磨粒信号检测,并研究了该传感器电路系统的性能,特别是三线圈油液磨粒传感器两路激励源相位差对该传感器检测金属磨粒灵敏度及输出电压波形的影响.实验分
叶片是离心式压缩机的核心部件.在压缩机高速运转的过程中,叶片承受离心力,气流脉动压力和摩擦力等的交互作用,容易产生裂纹出现疲劳失效,严重影响离心式压缩机的正常工作.因此针对压缩机叶片早期裂纹的检测工作显得尤为重要.由于离心式压缩机工作在封闭的管道内,对其叶片进行裂纹检测较轴流式压缩机更加困难.采用一种无损检测的方式,在某离心式压缩机上进行测试.通过安装在压缩机机壳上的压力传感器对叶片附近的压力脉动
主流形识别降噪方法中约简维数随意选取可能导致相空间的主流形畸变,使得降噪效果降低.针对此问题,提出了一种基于包数方法与局部切空间重构的故障特征提取方法.首先,利用相空间重构技术将一维信号重构到高维相空间,运用包数方法估计高维相空间的本征维数;其次,采用局部切空间排列算法(Local Tangent Space Alignment,LTSA)将含噪信号从高维相空间投影到本征维空间中,剔除分布于高维相
针对滚动轴承故障成分周期性强且易被强烈的背景噪声所湮没的特点,提出了基于EEMD自适应形态学滤波的滚动轴承故障诊断方法.首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息:然后,对重构信号进行基于峭度准则的自适应形态滤波;最后,将滤波后的信号进行包络解调分析.通过轮对跑合实验台实测数据的研究分析,验证了该方法的有效性和可行性.
在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法.分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态