排序方式: 共有3条查询结果,搜索用时 31 毫秒
1
1.
针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,该文提出了基于云理论的信号特征提取方法。首先,采用小波包分析对声发射信号进行信号分解和重构,滤除噪声对提取特征参数的影响;其次根据重构信号的统计分布特性,利用逆向云算法提取信号敏感频带的期望值、熵及超熵云特征参数,定量分析刀具在不同切削条件下3种云特征参数随磨损量增大所呈现的变化规律;最后,通过散点图分析3种特征参数表征刀具磨损声发射信号的有效性。结果表明:刀具磨损声发射信号具有明显的云特性,3种云特征参数与刀具磨损状态具有明显的对应关系,可作为刀具磨损状态监测、磨损量预测的特征参数;云理论在刀具磨损监测领域的应用,扩大了知识的表示范围。 相似文献
2.
鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。 相似文献
3.
1