基于小波包与CEEMDAN的MC主轴振动信号降噪方法

针对采集到的加工中心(Machining Center, MC)主轴振动信号中包含大量噪声,导致无法准确地识别MC主轴故障的问题,提出能对高低频的噪声都能分析处理的小波包与具有自适应噪声的完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)相结合的降噪方法,对MC主轴振动信号进行降噪处理。使用小波包算法对主轴振动信号进行预处理,通过CEEMDAN方法对预处理的主轴振动信号进行分解,得到多个本征模态函数(Intrinsic Mode Function,IMF)分量和残余分量;计算预处理的主轴振动信号与IMF之间的相关系数,并对高相关系数的IMF分量进行阈值降噪处理;把处理后的IMF分量、未处理的IMF分量和残余分量叠加以获得重建信号。最后,采用仿真信号和真实MC主轴振动信号进行测试,证明该降噪方法能有效去除噪声,使得信号特征的可分离性更高,提高了MC主轴故障识别能力。

改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用

针对目前加工中心(Machining Center,MC)主轴故障诊断多为人工经验完成,且故障诊断精度和识别率低等问题,提出基于改进的动态搜索烟花算法(dynamic search fireworks algorithm,dynFWA)优化BP神经网络(Neural Network,NN)的加工中心主轴故障诊断方法。将改进的动态搜索烟花算法优化BP神经网络的初始权值和阈值,建立改进dynFWA-BP神经网络模式分类方法。将提出的模式分类方法应用于MC主轴故障诊断中,使得提取的主轴故障特征与主轴工作状况有着非线性映射关系。最后,采用VMC650E主轴故障数据进行验证,证明所提出的故障诊断方法在故障诊断精度、故障识别率方面明显优于BP神经网络、GA-BP神经网络和PSO-BP神经网络。