轴类零件校直过程裂纹声发射检测方法研究

摘要

轴类零件经过热处理后易产生弯曲变形，为了保证零件直线度误差在允许的范围内，必须要对其进行校直处理以保证零件各个部位的径向跳动。轴类零件在校直过程中受校直压力大小以及打压次数的影响，材料内部会发生变形产生裂纹或出现断裂。因此针对轴类零件在校直过程中进行状态检测，对于减少不合格零件装配于机械部件上可能产生的隐患具有显著的实际意义。　　目前零件的裂纹检测大多是对已成形的裂纹进行检测且只能检测外表面裂纹，对于零件内表面裂纹和零件校直过程中产生的裂纹，常规的裂纹检测方法却很难检测出来。声发射检测方法是一种被动的裂纹检测手段与传统的检测方法不同，它只需接收来自零件在校直过程中产生的信号并对信号进行分析即可达到裂纹检测的目的。因此，本文的主要研究内容主要分为以下三个部分：　　1.裂纹检测试验台的搭建与信号采集，包括传感器的选型，数据采集装置的选择。通过硬件设施对轴类零件校直过程中的信号进行采集，将采集到的信号进行去噪处理，小波变换对含噪信号具有较好的去噪效果，通过设置合适的阈值可以提高去噪效果，本文通过改进的阈值函数的小波变换对采集到的信号进行去噪，经分析可以更有效的除去信号中的噪声干扰，保留裂纹信号。　　2.采用经验模态分解（EMD）方法对经去噪预处理过的信号进行分解并计算分解后各固有模态分量（IMF）的归一化能量、各IMF的总能量以及能量熵，将各归一化能量、总能量和能量熵作为信号的特征进一步对零件进行裂纹识别。　　3.将支持向量机（SVM）的模式识别的方法应用到轴类零件校直过程的故障诊断中，克服了传统的统计模式识别方法和人工神经网络需要获得大量典型样本的问题，SVM在有限样本的前提下也能够取得较好的分类效果。以经特征提取得到的归一化能量以及信号总能量作为向量机的输入，设计合适的分类器，以有裂纹零件和无裂纹零件作为向量机的输出便能将裂纹零件与合格零件分类出来且可提高裂纹判别准确率。　　本文采用小波变换、经验模态分解与支持向量的模式识别方法，通过信号处理，特征提取和状态识别完成了轴类零件校直过程中的裂纹检测，在经验模态分解的过程中还引入信号总能量和固有模态分量归一化能量的概念做为信号的特征，提高了支持向量机的分类准确率，降低了轴类零件在校直过程中的漏报和误报率。

目录

声明

1 绪论

1.1 选题背景及意义

1.2 国内外研究现状

1.2.1 轴类零件裂纹检测发展现状

1.2.2 声发射检测技术研究现状

1.3 本课题主要研究内容

2 声发射检测方法及实验采集平台搭建

2.1 引言

2.2 声发射裂纹检测信号处理方法

2.2.1 参数分析法

2.2.2 波形分析法

2.2.3 声发射信号新型处理方法

2.3 声发射采集系统元器件的选型

2.3.1 传感器的选型

2.3.2 前置放大器与数据采集卡选型

2.4 实验采集平台搭建

2.5 本章小结

3 一种改进小波阈值函数的信号去噪方法

3.1 引言

3.2 小波降噪原理

3.2.1 小波变换方法

3.2.2 阈值选取原则与阈值函数

3.3 改进小波阈值算法

3.4 改进阈值函数信号去噪验证

3.4.1 改进阈值函数信号仿真实验

3.4.2 轴类零件裂纹信号去噪实验

3.5 本章小结

4 基于EMD声发射裂纹信号特征提取方法研究

4.1 引言

4.2 声发射信号经验模态分解

4.3 经验模态分解的特征提取

4.3.1 EMD方法的边际谱特征提取

4.3.2 EMD方法的HHT分析

4.3.3 固有模态分量能量分析

4.3.4 EMD方法能量熵分析

4.4 本章小结

5 多特征向量SVM轴类零件裂纹识别

5.1 引言

5.2 支持向量机

5.2.1 统计学习理论

5.2.2 支持向量机分类器

5.2.3 核函数

5.3 基于IMF归一化能量和信号总能量的SVM裂纹检测

5.3.1 支持向量机模型的建立

5.3.2 支持向量机裂纹识别模型训练

5.4 多特征向量裂纹识别方法验证

5.5 本章小结

6 结论与展望

6.1 研究结论

6.2 研究展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果