基于声振融合的二次EWT-CNN刀具磨损监测

为了实现加工过程中对刀具磨损状态的监测,提出一种基于协同过滤融合的方法。首先,对工作刀具振动信号和声音信号进行特征相关性分析后进行数据层融合;然后,将得到的声振融合信号进行二次经验小波变换(EWT)后去噪重构;最后,将重构信号进行信号增强并送入CNN实现特征提取及刀具故障识别。通过对不同故障类型的麻花钻头进行故障识别实验,在声音、振动以及声振融合信号和不同信号去噪重构方法的对比下,该方法对不同故障类型的钻头作出了98.96%的高识别率。验证了所提方法在刀具故障识别方面的优越性。

基于声振信号融合的IRCMMDE离心泵损伤检测方法

离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。