CN102692450B - 基于模糊综合评判的金属拉深件成形裂纹状态识别方法 - Google Patents

基于模糊综合评判的金属拉深件成形裂纹状态识别方法 Download PDF

Info

Publication number
CN102692450B
CN102692450B CN201210131075.4A CN201210131075A CN102692450B CN 102692450 B CN102692450 B CN 102692450B CN 201210131075 A CN201210131075 A CN 201210131075A CN 102692450 B CN102692450 B CN 102692450B
Authority
CN
China
Prior art keywords
drawing part
crack
acoustic emission
emission signal
crackle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201210131075.4A
Other languages
English (en)
Other versions
CN102692450A (zh
Inventor
骆志高
叶红英
范祥伟
张保刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Gu Chuang Technology Co.,Ltd.
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201210131075.4A priority Critical patent/CN102692450B/zh
Publication of CN102692450A publication Critical patent/CN102692450A/zh
Application granted granted Critical
Publication of CN102692450B publication Critical patent/CN102692450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开一种基于模糊综合评判的金属拉深件成形过程中裂纹状态识别方法，将提取的拉深件裂纹声发射信号的能量值作为反应拉深件裂纹状态的特征参数，将此能量均匀分成四部分，以每部分能量值作为因素集；将拉深件裂纹状态分为无裂纹、小裂纹和大裂纹三种，以此为评价集；取能量值的归一化值作为权重集；同时根据能量值来建立隶属函数，按照最大隶属原则来进行综合评判，从而识别其裂纹状态，实现对拉深件的在线监测和裂纹状态识别，提高了产品的质量，避免了材料浪费。

Description

基于模糊综合评判的金属拉深件成形裂纹状态识别方法
技术领域
本发明涉及一种金属拉深件成形裂纹状态的识别方法。
背景技术
由于拉深件在成形过程中要承受高接触压力和剧烈的摩擦等因素的影响，使制件产生裂纹，并且有些微小裂纹肉眼难以察觉。目前，在拉深件质量的现场检测中，应用最为普遍的是目测。但利用目测只能判断制件明显的质量问题，如表面受破坏，变形严重等问题。然而制件在成形过程中由于变形程度、受力情况等所产生的裂纹在所难免，由于这些裂纹是在材料内部产生，肉眼难以察觉，为此，一旦制件内部产生裂纹，将导致大量次品的出现，不仅造成资源的浪费，危及安全，同时带来重大损失。
在已有的技术中，对裂纹状态的识别常用的方法有三种：第一种是采用有限元分析，该方法通常由于裂纹引起的奇异性给求解带来了困难，从而影响裂纹求解和诊断的精度。第二种是采用遗传算法，该方法的计算量比较大，计算精度不高。第三种是采用BP神经网络法，该方法收敛速度缓慢，容易陷入局部极小值，难以确定隐层数和隐层节点个数。
发明内容
本发明的目的是为了克服上述裂纹识别状态方法所存在的缺陷，提供了一种基于模糊综合评判的金属拉深件成形裂纹识别方法，在金属拉深件成型过程中，能对裂纹的产生进行及时在线检测，提高金属拉深件产品的质量。
本发明采用的技术方案是包括如下步骤：采用如下步骤：
（1）将整个拉深成形过程中所采集的裂纹声发射信号按时间的先后均匀分成四段，每一段的拉深件裂纹声发射信号的能量值构成因素集                                                
Figure 2012101310754100002DEST_PATH_IMAGE001
，
Figure 228237DEST_PATH_IMAGE002
、、
Figure 207695DEST_PATH_IMAGE004
、
Figure 2012101310754100002DEST_PATH_IMAGE005
分别是第一、第二、第三、第四段拉深件裂纹声发射信号的能量值。 
（2）将拉深成形过程中的无裂纹、小裂纹和大裂纹状态构成评价集
Figure 49749DEST_PATH_IMAGE006
，
Figure 2012101310754100002DEST_PATH_IMAGE007
是无裂纹故障状态，是小裂纹故障状态，
Figure 2012101310754100002DEST_PATH_IMAGE009
是大裂纹故障状态。
（3）对评价集
Figure 383964DEST_PATH_IMAGE010
中的一个故障
Figure 2012101310754100002DEST_PATH_IMAGE011
作单故障模糊评判，确定被评判对象对因素集元素
Figure 268743DEST_PATH_IMAGE012
的隶属度
Figure 2012101310754100002DEST_PATH_IMAGE013
，得出因素集
Figure 598094DEST_PATH_IMAGE014
上的第
Figure 796994DEST_PATH_IMAGE016
个故障
Figure 2012101310754100002DEST_PATH_IMAGE017
的单故障模糊子集
Figure 528189DEST_PATH_IMAGE018
，构造一个总的评价模糊矩阵
Figure 2012101310754100002DEST_PATH_IMAGE019
，
Figure 521553DEST_PATH_IMAGE020
是单故障模糊评集中的评价集元素的个数，
Figure 2012101310754100002DEST_PATH_IMAGE021
是单故障模糊评集中的因素集元素的个数。
（4）将四段拉深件裂纹声发射信号的能量值的归一化值作为权重集， 
Figure 2012101310754100002DEST_PATH_IMAGE023
、、
Figure 2012101310754100002DEST_PATH_IMAGE025
、
Figure 723230DEST_PATH_IMAGE026
分别是第一段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度。 
（5）确定无裂纹故障状态时的隶属函数 
Figure 2012101310754100002DEST_PATH_IMAGE027
，确定小裂纹故障状态时的隶属函数
Figure 215392DEST_PATH_IMAGE028
，确定大裂纹故障状态时的隶属函数 ，
Figure 457017DEST_PATH_IMAGE030
是拉深件为无裂纹、小裂纹或大裂纹状态时能量值的理论值，
Figure DEST_PATH_IMAGE031
是拉深件裂纹声发射信号的能量值； 
Figure 794457DEST_PATH_IMAGE032
表示拉深件为小裂纹状态时能量值的理论范围值。
 （6）根据
Figure DEST_PATH_IMAGE033
得出因素集集
Figure 500245DEST_PATH_IMAGE014
上的模糊子集
Figure 897729DEST_PATH_IMAGE034
，是因素集元素对模糊子集
Figure DEST_PATH_IMAGE037
的隶属度。
（7）用最大隶属度法评判结果，若
Figure 767781DEST_PATH_IMAGE038
，则综合评判结果为第
Figure DEST_PATH_IMAGE039
个等级，即拉深件成形状态所对应的故障状态为
Figure 328076DEST_PATH_IMAGE017
。
本发明所提供的基于模糊综合评判的拉深件质量状态识别的方法有如下优点：将模糊理论与经典综合评价方法相结合，根据各故障原因与故障征兆之间的不同程度的因果关系，在综合考虑所有征兆的基础上进行综合评判，使得结果更加客观，从而取得更好的实际效果；同时利用最大隶属度原则来对评价结果进行解释或者得出一个确切的评价，简便易行，利于实施，实现了对拉深件的在线监测和裂纹状态识别，提高了产品的质量，避免了材料浪费。
以下结合附图和具体实施方式对本发明作进一步详细说明。
附图说明
图1是提取拉深件成形过程中声发射信号的结构连接示意图；
图2是提取拉深件裂纹声发射信号特征参数的流程图；
图3是基于模糊综合评判的拉深件成形状态识别流程图。
具体实施方式
如图1所示，首先建立一个完整的声发射检测平台，将声发射传感器4与凹模2相接触，拉深件3的声发射信号通过凹模2传递到传感器4。将声发射传感器4连接到前置放大器5，将前置放大器5、声发射信号处理模块6和计算机7顺序连接。声发射信号通过声发射传感器4传到前置放大器5，经前置放大器5放大后传到声发射信号处理模块6，声发射信号处理模块6对放大后的声发射信号进行滤波和提取，去除部分环境噪音，提取声发射信号能率这个特征参数输入计算机7中，计算机7通过FastICA法对能率进行处理。通过声发射处理模块6提取一次拉深过程中所产生的声发射信号，构成观测信号；并根据形成的观测信号，利用独立分量分析（ICA）法进行预处理，包括去均值和球化处理；然后在所述的去均值和球化处理的基础上，采用负熵的FastICA法进行运算，分离处源信号，并利用负熵最大化来判别是摩擦声发射信号还是裂纹声发射信号；接着利用时序分析法对分离出的拉深件裂纹声发射信号进行处理，由于各个时间段的能率都能反映拉深件成形状态，因此将整个拉深过程中的声发射信号按时间均匀分成四段，分别提取各段的能量值作为反映拉深件裂纹声发射信号的特征参数。
如图2所示，本发明采用负熵最大化的FastICA法对拉深件3成形过程中的声发射信号进行去噪处理，先采用图1中所获得的声发射信号作为FastICA法的观测信号，再对获得的拉深件声发射信号进行预处理，最后采用FastICA算法对预处理后的信号进行计算，分离出拉深件声发射信号中的裂纹声发射信号和摩擦声发射信号，并根据负熵最大化来判别出拉深件的裂纹声发射信号。接着根据时序分析法来对拉深件裂纹声发射信号进行处理，首先对裂纹声发射信号进行相应的预处理，达到平稳性要求；然后通过时序信号的偏、自相关系数性质来确定时序模型类型，并采用AIC准则来计算模型的阶数，进而对时序模型进行模型参数估计，并验证其正确性；最后提取反映拉深件裂纹声发射信号的能量值作为特征参数。
如图3所示，本发明采用模糊综合评判对拉深件成形状态进行识别，先对拉深件故障因素和征兆进行确定，取反映拉深件裂纹声发射信号的能量值作为因素集，拉深件成形的三种状态：无裂纹、小裂纹和大裂纹作为评价集，能量值的归一化值为权重集；接着根据所提取的拉深件裂纹声发射信号特征参数-能量值来建立相应的隶属函数，在基于模糊综合评判的基础上，确定拉深件成形状态识别的因素集、评价集、权重集和隶属函数，当能量值小于某一确定值时，拉深件成形状态为无裂纹状态，当能量值大于某一确定值时，拉深件成形状态为大裂纹状态，当能量值在某一确定值范围内时，拉深件成形状态为小裂纹状态；然后根据模糊综合评判模型计算其评判结果；最后根据最大隶属度法来对结果进行评判，进而达到成功识别拉深件成形状态的目的。具体步骤为：
（1）确定因素集
在设备故障诊断中，对设备的每一种故障，根据设备的各种资料和维修经验可统计出该种故障发生时所可能表现出的各种征兆。本发明提取能够反映金属拉深件裂纹声发射信号的特征参数，在金属拉深成形过程中，每个时间段的裂纹声发射信号均可作为拉深件产生裂纹的因素集。将整个拉深成形过程中所采集的裂纹声发射信号按时间的先后均匀分成四段，作为影响拉深件成形状态的因素集，则可知共有四种不同的因素，它们一起构成的集合便是因素集，可表示为
Figure 162040DEST_PATH_IMAGE001
。其中，
Figure 112678DEST_PATH_IMAGE002
表示第一段拉深件裂纹声发射信号的能量值，
Figure 80938DEST_PATH_IMAGE003
表示第二段拉深件裂纹声发射信号的能量值，
Figure 433422DEST_PATH_IMAGE004
表示第三段拉深件裂纹声发射信号的能量值，
Figure 375970DEST_PATH_IMAGE005
表示第四段拉深件裂纹声发射信号的能量值。
（2）确定评价集
在设备故障诊断中，根据设备的各种资料和实际的经验可统计出各种故障状态。主要考虑金属拉深成形过程中可能发生的三种故障状态，即无裂纹、小裂纹和大裂纹，它们一起构成了拉深件成形状态识别的评价集，可表示为：
Figure 876221DEST_PATH_IMAGE006
。其中，
Figure 296839DEST_PATH_IMAGE007
代表无裂纹故障状态，
Figure 831725DEST_PATH_IMAGE008
代表小裂纹故障状态，
Figure 945175DEST_PATH_IMAGE009
代表大裂纹故障状态，且这些故障状态具有不同程度的模糊性。
（3）构造模糊评判矩阵
只从单个故障原因出发进行评判，确定被评判对象对因素集元素的隶属程度，为单故障模糊评判。
首先对评价集
Figure 870405DEST_PATH_IMAGE010
中的一个故障
Figure 157030DEST_PATH_IMAGE011
作单故障模糊评判，
Figure 218527DEST_PATH_IMAGE020
代表单故障模糊评集中的评价集元素的个数，确定被评判对象对因素集元素
Figure 565195DEST_PATH_IMAGE012
的隶属度
Figure 977722DEST_PATH_IMAGE013
，这样就得出第
Figure 68037DEST_PATH_IMAGE016
个故障
Figure 249620DEST_PATH_IMAGE017
的单故障模糊子集，
Figure 439293DEST_PATH_IMAGE021
代表单故障模糊评集中的因素集元素的个数，
Figure 401433DEST_PATH_IMAGE018
其中
Figure 967543DEST_PATH_IMAGE040
是因素集
Figure 331528DEST_PATH_IMAGE014
上的模糊子集，这样就可将拉深件成形状态的三个故障评价集综合，从而构造一个总的评价模糊矩阵
Figure DEST_PATH_IMAGE041
Figure 141538DEST_PATH_IMAGE041
即是到
Figure 464252DEST_PATH_IMAGE042
的一个模糊关系，
Figure DEST_PATH_IMAGE043
表示
Figure 323624DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
之间隶属关系的程度，即评判对象按评判时取
Figure 168269DEST_PATH_IMAGE045
的亲疏程度。
（4）确定权重集
由于拉深件裂纹声发射信号各段能量值的重要程度各不相同，因此，为了说明各个因素在故障中所起作用的重要程度，用
Figure 241267DEST_PATH_IMAGE046
表示各因素在总评价中重要程度的权数，因此各权数组成的集合便是权重集
Figure 271540DEST_PATH_IMAGE048
,本发明取四段拉深件裂纹声发射信号能量值的归一化值为权重集，即
Figure 367672DEST_PATH_IMAGE022
。其中，
Figure 79276DEST_PATH_IMAGE023
表示第一段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度；
Figure 6781DEST_PATH_IMAGE024
表示第二段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度；
Figure 145638DEST_PATH_IMAGE025
表示第三段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度；
Figure 791383DEST_PATH_IMAGE026
表示第四段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度。
（5）确定隶属函数
对于无裂纹故障状态来说，当能量值小于某一确定值时，拉深件无裂纹；随着能量值的增大，则拉深件属于无裂纹的可能性减小，所以取无裂纹时的隶属函数为降半
Figure DEST_PATH_IMAGE049
形分布，即
             
Figure 103416DEST_PATH_IMAGE027
，
表示拉深件为无裂纹状态时能量值的理论值，
Figure 460765DEST_PATH_IMAGE031
表示拉深件裂纹声发射信号的能量值。
对于小裂纹来说，能量值在某一范围内存在小裂纹，且在某一确定值时拉深件一定存在小裂纹，所以取小裂纹的隶属函数为梯形分布，即
             
Figure 531489DEST_PATH_IMAGE028
，
Figure 584896DEST_PATH_IMAGE032
表示拉深件为小裂纹状态时能量值的理论范围值，
Figure 486993DEST_PATH_IMAGE031
表示拉深件裂纹声发射信号的能量值。
对于大裂纹来说，当能量值小于某一确定值时，拉深件可能有大裂纹，随着能量值的增大，则拉深件有大裂纹的可能性增大，所以取大裂纹的隶属函数为升半正态形分布，即
             ，
Figure 322411DEST_PATH_IMAGE030
表示拉深件为大裂纹状态时能量值的理论值，
Figure 179508DEST_PATH_IMAGE031
表示拉深件裂纹声发射信号的能量值。
（6）模糊评判
根据第（3）步和第（4）步，可得出拉深件裂纹状态识别的模糊评判为：
，
其中：称为因素集
Figure 695306DEST_PATH_IMAGE014
上的模糊子集，
Figure 90515DEST_PATH_IMAGE035
为因素集元素
Figure 639308DEST_PATH_IMAGE036
对综合评判所得模糊子集
Figure 789667DEST_PATH_IMAGE037
的隶属度。
最后利用最大隶属度法来评判其结果，若
Figure 56700DEST_PATH_IMAGE038
，则综合评判结果为第
Figure 317917DEST_PATH_IMAGE039
个等级，即拉深件成形状态所对应的故障状态为
Figure 721217DEST_PATH_IMAGE017
。
上面对本发明所述的基于模糊综合评判法的拉深件成形状态识别过程进行了详细的说明，且利用该方法所提供的模糊综合评判模型进行拉深件成形状态识别，能够成功的识别出拉深件的成形状态。

Claims (1)

1.一种基于模糊综合评判的金属拉深件成形裂纹状态识别方法，其特征是采用如下步骤：
（1）将整个拉深成形过程中所采集的裂纹声发射信号按时间的先后均匀分成四段，每一段的拉深件裂纹声发射信号的能量值构成因素集                                               
Figure 2012101310754100001DEST_PATH_IMAGE002
，
Figure 2012101310754100001DEST_PATH_IMAGE004
、
Figure 2012101310754100001DEST_PATH_IMAGE006
、
Figure 2012101310754100001DEST_PATH_IMAGE008
、
Figure 2012101310754100001DEST_PATH_IMAGE010
分别是第一、第二、第三、第四段拉深件裂纹声发射信号的能量值； 
（2）将拉深成形过程中的无裂纹、小裂纹和大裂纹状态构成评价集
Figure 2012101310754100001DEST_PATH_IMAGE012
，
Figure 2012101310754100001DEST_PATH_IMAGE014
是无裂纹故障状态，
Figure 2012101310754100001DEST_PATH_IMAGE016
是小裂纹故障状态，
Figure 2012101310754100001DEST_PATH_IMAGE018
是大裂纹故障状态；
（3）对评价集中的一个故障
Figure 2012101310754100001DEST_PATH_IMAGE022
作单故障模糊评判，确定被评判对象对因素集元素
Figure 2012101310754100001DEST_PATH_IMAGE024
的隶属度
Figure 2012101310754100001DEST_PATH_IMAGE026
，得出因素集
Figure 2012101310754100001DEST_PATH_IMAGE028
上的第
Figure DEST_PATH_IMAGE030
个故障
Figure DEST_PATH_IMAGE032
的单故障模糊子集，构造一个总的评价模糊矩阵
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE038
是单故障模糊评集中的评价集元素的个数，
Figure DEST_PATH_IMAGE040
是单故障模糊评集中的因素集元素的个数；
（4）将四段拉深件裂纹声发射信号的能量值的归一化值作为权重集
Figure DEST_PATH_IMAGE042
， 
Figure DEST_PATH_IMAGE044
、
Figure DEST_PATH_IMAGE046
、
Figure DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE050
分别是第一段至第四段拉深件裂纹声发射信号能量值在裂纹故障中所起作用的重要程度； 
（5）确定无裂纹故障状态时的隶属函数 
Figure DEST_PATH_IMAGE052
 ，确定小裂纹故障状态时的隶属函数
Figure DEST_PATH_IMAGE054
，确定大裂纹故障状态时的隶属函数 
Figure DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE058
是拉深件为无裂纹、小裂纹或大裂纹状态时能量值的理论值，是拉深件裂纹声发射信号的能量值； 
Figure DEST_PATH_IMAGE062
表示拉深件为小裂纹状态时能量值的理论范围值， 
 （6）根据
Figure DEST_PATH_IMAGE064
得出因素集
Figure 404939DEST_PATH_IMAGE028
上的模糊子集
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE068
是因素集元素
Figure DEST_PATH_IMAGE070
对模糊子集
Figure DEST_PATH_IMAGE072
的隶属度；
（7）用最大隶属度法评判结果，若
Figure DEST_PATH_IMAGE074
，则综合评判结果为第
Figure DEST_PATH_IMAGE076
个等级，即拉深件成形状态所对应的故障状态为。
CN201210131075.4A 2012-05-02 2012-05-02 基于模糊综合评判的金属拉深件成形裂纹状态识别方法 Active CN102692450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210131075.4A CN102692450B (zh) 2012-05-02 2012-05-02 基于模糊综合评判的金属拉深件成形裂纹状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210131075.4A CN102692450B (zh) 2012-05-02 2012-05-02 基于模糊综合评判的金属拉深件成形裂纹状态识别方法

Publications (2)

Publication Number Publication Date
CN102692450A CN102692450A (zh) 2012-09-26
CN102692450B true CN102692450B (zh) 2014-05-28

Family

ID=46858046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210131075.4A Active CN102692450B (zh) 2012-05-02 2012-05-02 基于模糊综合评判的金属拉深件成形裂纹状态识别方法

Country Status (1)

Country Link
CN (1) CN102692450B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743821B (zh) * 2013-12-20 2016-09-14 江苏大学 超薄板微成形模具的ae信号检测系统装置及方法
CN103868985B (zh) * 2014-03-20 2017-01-18 西南石油大学 一种在役压力容器缺陷量化综合安全评判方法
CN104123452B (zh) * 2014-07-18 2017-10-10 西北工业大学 基于模糊决策的gpu负载综合评判方法
CN105866250B (zh) * 2016-03-17 2018-12-18 北京工业大学 基于振动的通风机叶片裂纹识别方法
CN111812211B (zh) * 2020-07-09 2021-09-24 武汉理工大学 一种基于声发射参数的ra–af–e岩石类材料脆性破坏裂纹分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0332553A (ja) * 1989-06-29 1991-02-13 Omron Corp 工具折損検出装置
EP0697586A2 (en) * 1994-08-18 1996-02-21 General Electric Company Integrated acoustic leak detection processing system
CN101949895A (zh) * 2010-08-20 2011-01-19 江苏大学 一种金属拉深件微小裂纹冲击性信号的识别方法
CN101996316A (zh) * 2010-10-26 2011-03-30 江苏大学 一种用于辨别拉深件裂纹的模糊识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0332553A (ja) * 1989-06-29 1991-02-13 Omron Corp 工具折損検出装置
EP0697586A2 (en) * 1994-08-18 1996-02-21 General Electric Company Integrated acoustic leak detection processing system
CN101949895A (zh) * 2010-08-20 2011-01-19 江苏大学 一种金属拉深件微小裂纹冲击性信号的识别方法
CN101996316A (zh) * 2010-10-26 2011-03-30 江苏大学 一种用于辨别拉深件裂纹的模糊识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Application Of BP Neural Network To Extract AE Characteristic Parameters Of The Crack In The Drawing Parts;Luo Zhigao等;《Advanced Materials Research》;20111231;全文 *
Luo Zhigao等.Application Of BP Neural Network To Extract AE Characteristic Parameters Of The Crack In The Drawing Parts.《Advanced Materials Research》.2011,
声发射技术在疲劳裂纹检测中的应用;骆志高等;《制造技术与机床》;20081031;全文 *
骆志高等.声发射技术在疲劳裂纹检测中的应用.《制造技术与机床》.2008,

Also Published As

Publication number Publication date
CN102692450A (zh) 2012-09-26

Similar Documents

Publication Publication Date Title
De Moura et al. Evaluation of principal component analysis and neural network performance for bearing fault diagnosis from vibration signal processed by RS and DF analyses
CN102692450B (zh) 基于模糊综合评判的金属拉深件成形裂纹状态识别方法
CN103955750B (zh) 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法
CN105279365B (zh) 用于学习异常检测的样本的方法
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN102788696B (zh) 基于改进bp神经网络和模糊集理论的轴承健康度评价方法
CN104766175A (zh) 一种基于时间序列分析的电力系统异常数据辨识与修正方法
CN105095238A (zh) 用于检测欺诈交易的决策树生成方法
CN102789545A (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN101975825B (zh) 一种提取拉深件裂纹声发射信号特征参数的方法
CN104392071A (zh) 一种基于复杂网络的高速列车系统安全评估方法
CN103810328A (zh) 一种基于混合模型的变压器维修决策方法
CN103776480A (zh) 基于多次移动平均的微小故障检测方法和装置
CN106441896A (zh) 滚动轴承故障模式识别及状态监测的特征向量提取方法
CN102589884A (zh) 一种基于GentleBoost的飞机发电机轴承故障诊断方法
CN104598734A (zh) 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
CN105300692A (zh) 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法
CN107782551B (zh) 一种机械部件损伤程度的评估方法
CN103103570B (zh) 基于主元相似性测度的铝电解槽况诊断方法
CN106649755A (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
CN111721834A (zh) 一种电缆局部放电在线监测缺陷辨识方法
CN103678869A (zh) 一种飞行参数缺失数据的预测估计方法
CN105675274A (zh) 基于时域参数与d-s证据理论的转子运行状态监测方法
CN117407827B (zh) 一种净化工程废气净化设备异常运行数据检测方法
CN105160359A (zh) 一种基于超声导波的复杂结构损伤协同识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20220107

Address after: 212001 No. 4, beiguwan, Jingkou District, Zhenjiang City, Jiangsu Province

Patentee after: Jiangsu Gu Chuang Technology Co.,Ltd.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

TR01 Transfer of patent right