基于自适应频率窗经验小波变换的列车轮对轴承多故障诊断

针对列车轮对轴承故障信号复杂,尤其是在多故障并发情况下难以准确诊断的问题,提出了基于频率窗经验小波变换(EWT)的轮对轴承多故障诊断方法。首先对轴承多故障振动信号进行Fourier变换,引入一个带宽可变的滑动频率窗分割信号频谱;然后利用水循环优化算法(WCA),通过所提出的幅值包络谱相关峭度(ESCK)指标,自适应地确定轴承多故障中各单一故障所对应的最优频率窗位置;最后通过经验小波变换分解出单一故障信号,采用包络解调分析实现轴承复合故障准确诊断。轮对轴承多故障仿真和实际应用结果表明,所提方法能有效分离列车轮对轴承复合故障中的典型故障,有效降低轮对轴承多故障诊断的误诊率,具有一定的应用价值。     

基于小波的轨道不平顺和车体振动响应分析

通过选择合适的小波基函数,对轨道不平顺和车体振动加速度信号进行连续小波变换,以小波系数作为平顺状态评价指标进行轨道不平顺时频分析;同时,将小波尺度系数与车体振动加速度时程曲线进行相关性分析,可以提取对车体振动影响较大的特征频率(段)。研究结果表明:以上方法直观有效,可以很好地提取及定位轨道不平顺时频特征,并对车体振动加速度响应进行分析。     

基于自适应形态滤波和FSWT的轨道表面凹陷长度检测

为了对轨道表面凹陷长度进行检测,提出一种基于自适应形态滤波(Adaptive Morphological Filtering,AMF)和频率切片小波变换(Frequency Slice Wavelet Transform,FSWT)的轨道表面凹陷长度检测方法。首先,建立轮轨动力学模型,研究轴箱加速度频率与轨道不平顺频率之间的关系;其次,研究AMF和FSWT的基本原理,并对FSWT中切片函数进行改进,提高FSWT对不同信号的适应性;最后,对某地铁列车的轴箱实测信号进行分析,估算轨道表面凹陷长度。结果表明该方法具有工程可行性。     

基于小波脊的轨道电路FSK瞬时特征提取

小波脊线技术能对信号特征进行有效的提取.利用连续Morlet小波变换后的相位进行迭代计算,对轨道电路移频信号的脊进行提取;利用该变换算法,对实际FSK信号的瞬时特征进行提取,验证了该算法能有效地提取瞬时频率和低频控制信号.文中同时给出了算法详细的计算步骤,提供了一种有效、简单的分析和判断轨道电路移频信号的方法.     

基于时频分析的高速铁路路基局部变形识别方法

基于短时傅里叶变换的时频分析模型,提出一种高速铁路路基局部变形的识别方法。利用高速综合检测列车采集的高低不平顺数据,对其做短时傅里叶变换得到时频图。通过时频分析,得到路基局部变形区域在时频图上的特征,即路基局部变形区域在特定频率范围内能量显著增强。基于这一特征,在时频图上采用谱残差模型提取能量显著区域,从而识别出路基局部变形区域。研究结果表明:该方法能利用轨道高低不平顺数据有效识别出路基局部变形区域,同时能反映出该变形区域的时频域特性。     

基于小波和Wigner-Hough变换的轨道特征不平顺联合分析

轨道不平顺时频域分析和引起车体振动的不利波长的准确提取对运营线路的养护维修具有重要的工程意义。本文提出轨道不平顺特征(不利)波长自动提取算法:通过离散小波变换自适应提取轨道不平顺和车体振动响应各频段信号,对各信号进行Wigner-Ville和互'Wigner-Ville时频能量分析,利用Hough变换抑制多分量信号Wigner-Ville变换中的交叉干扰项,导出了轨道不平顺特征(不利)波长提取公式。以朔黄重载铁路2011年7月~2012年10月的轨检数据进行验算,证明了方法的有效性,得出的朔黄重载铁路特征波长统计值对我国重载铁路线路的运营管理和养护维修具有参考价值。     

经验小波在机车轴承故障诊断中的应用

针对机车轴承故障诊断中故障特征提取的难题,将经验小波变换(EWT)引入机车轴承振动信号分析。经验小波通过构造紧支撑自适应滤波器将信号分解为多个固有模态分量,能有效抑制模态混叠。针对轴承振动特征对经验小波变换进行改进,提出了首先利用改进经验小波变换分解机车轴承振动信号,然后以峭度为指标筛选敏感分量,进而对敏感分量进行希尔伯特包络解调提取轴承故障特征的诊断方法。机车运行试验表明,文章所提出的方法划分机车轴承振动信号频带合理,能有效提取轴承故障特征频率,准确诊断各种类型的轴承故障。     

基于WATV去噪的冲击特征提取方法在高速列车轴承故障诊断中的应用

提取高速列车轴承故障振动信号中的冲击特征,可以有效地对其进行故障诊断。利用"小波-全变差(Wavelet-Total Variation,WATV)"算法能够对信号进行稀疏引导的特点,提出了基于WATV去噪的冲击特征提取方法。该算法针对含噪声冲击特征的提取问题构建了目标优化函数,该函数融合了冲击特征的保真度度量算子以及惩罚因子。利用凸优化理论可对目标函数进行求解,从而增强信号在小波域和时域的稀疏性,使得特征提取结果最优化。通过构造一仿真信号对WATV算法的有效性进行了验证,并将该方法应用于高速列车齿轮箱轴承故障诊断中。结果表明,该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地应用于高速列车轴承故障诊断中。     

基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断

针对轨道车辆的滚动轴承故障诊断问题,提出了一种小波包与RBF神经网络相结合的故障诊断方法.首先对采集到的振动数据进行小波消噪,然后利用小波包分解提取故障信号的能量特征向量,最后利用提取的能量特征训练RBF神经网络,进行故障诊断.诊断结果表明,基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断方法能够较好的诊断出轨道车辆的轴承故障类型,具有一定的实际应用价值.     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

基于车辆响应的高速铁路周期性轨道短波病害时频特性分析

对基于同步压缩小波变换提取瞬时频率的方法进行改进,使之可完整、准确地提取振动信号的瞬时频率曲线,避免因时频聚集性较差以及交叉项的干扰带来的问题。采用该方法对高速综合检测列车轴箱加速度数据进行时频分析,提取钢轨短波不平顺的瞬时频率,根据其变化特性精确定位钢轨疑似波磨和打磨痕迹区段。结果表明:轴箱加速度波形均呈现周期性;分析区段的振动数据中包含150和75mm 2种波长呈现倍数关系的强振动数据,现场测试发现该处存在较强的钢轨波磨现象,波磨波长为150mm,同时现场还存在波长为75mm的钢轨周期性打磨痕迹;75mm的钢轨周期性打磨痕迹引起轮轨系统的非线性振动,振动频率达到1 125Hz,与扣件固有频率562Hz呈倍频关系,导致扣件产生强烈的共振,从而引发轮-轨接触共振,造成钢轨表面产生塑性变形,形成塑流性波磨,在列车的反复作用下,该处产生150mm波长的波磨。     

一种针对无键相铁道车辆的旋转部件阶次跟踪方法

针对车轮、轴承等旋转部件故障特征信号在车轮转频不断变化下非平稳的特点,以及我国部分车型无法提供车轮转速键相信号接口的实际情况,利用列车网中周期发送的列车运行速度对振动信号的瞬时频率进行有约束的峰值提取以实现转速估计,运用得出的转速对振动信号进行等角度间隔重采样,以消除转频不断变化下故障特征非平稳带来的影响.通过对多段重...     

基于小波系数提取及离散余弦包络分析的机车牵引齿轮故障诊断方法

机车走行部故障是危及列车运行安全的重要因素,其故障程度的实时监测与诊断是高速重载列车需要解决的关键问题之一.本文以机车走行部的牵引齿轮为例,在分析总结大量实际振动信号的基础上,探讨了运用小波分解和离散余弦变换相结合来提取机车牵引齿轮故障特征信息的方法,即首先采用小波基将牵引齿轮故障引起的振动信号变换到时间-尺度域,再对高频段的小波系数采用离散余弦变换进行包络分析;阐述了该方法在机车走行部在线故障诊断系统中的应用,不仅能满足在线状态监测与故障诊断的实时性和可靠性要求,而且具有很强的抗干扰能力.实际应用表明,该方法能可靠提取牵引齿轮的故障特征信息,系统能快速、准确地诊断出故障类型及程度,可有效用于机车走行部故障的在线监测与诊断.     

基于同步压缩变换的阶比分析法在城市轨道交通车辆轴承故障诊断中的应用

针对城市轨道交通车辆轴承在变速过程中的振动信号呈现非平稳性特征的情况,提出了基于SST(同步压缩变换)的阶比分析方法.首先对强噪声环境下轴承振动信号进行SST时频分析处理,对振动信号中的瞬时频率进行估计,并提取瞬时转频;然后利用得到的瞬时转频计算鉴相时标,对时域信号进行重采样,得到准稳态的角域信号;最终完成车辆变速过程中轴承的故障诊断.试验表明,该方法能够有效地提取变转速轴承振动信号中的转频成分,实现基于瞬时频率估计的阶比分析,成功进行变速过程中轴承的故障诊断.     

基于优化递归小波与改进型ART2网络的内燃机故障诊断

曲轴角振动信号是内燃机故障诊断的有效依据。针对传统小波变换存在数据窗长、实时性差的局限性,构造出一类用递推公式进行小波变换的小波基。基于该类小波基的小波变换不受分析窗的制约,能够实时地提取暂态特征。同时提出此类小波时频特性的优化方法,对内燃机曲轴角振动信号进行递归小波分解,并提取特征。针对传统ART2网络只利用模式的相位信息而丢失幅度信息和网络性能依赖于样本顺序等不足,在网络权值更新时引入平均滤波和关联函数,以便提高网络稳定性和收敛速度,同时降低其对样本输入顺序的敏感性。最后,将改进型ART2网络应用于内燃机故障诊断。实验结果表明,递归小波能反映内燃机状态信号的特征;改进型ART2网络训练耗时小于传统ART2网络的3%,识别率为100%。     

基于自适应STFT的货车滚动轴承故障诊断

带故障的铁路货车滚动轴承振动信号表现为低频平稳信号与高频的周期性冲击信号的叠加。采用以三阶B样条函数作为窗函数的自适应短时傅立叶变换(STFT)对货车滚动轴承振动信号进行时频分析和故障信息提取。与传统的固定带宽的STFT相比,自适应STFT在不同频段自适应选取窗长,大大提高了振动信号的时频分辨率。应用该方法对197726型货车滚动轴承在内圈剥离、外圈剥离两种故障状态下的振动信号做了分析,求得故障频率分别为61.32 Hz和46.36 Hz,与内外圈的理论故障频率相符,可以有效地诊断出铁路货车滚动轴承内外圈故障。     

高速列车监测数据处理及故障诊断

车体性能好坏直接影响列车的行车安全,文章利用安装在车体上的传感器所采集到的振动信号,选取合适的信号特征提取方法进行评估,达到列车故障早期预警的目的。试验数据表明,车体的振动信号具有非线性、非平稳的特点,先对振动信号提取小波包能量矩特征进行时频域分析,发现该特征提取方法可以直观地反映车辆横向和垂向振动情况。引入基于局部分析的拉普拉斯特征映射算法(LE),对故障工况的小波包能量矩熵特征所构造的高维特征向量空间进行降维,发现能够从垂向加速度信号识别出空气弹簧失气工况,从横向加速度信号识别出抗蛇行减振器故障和横向减振器故障。这与车辆动力学分析结果一致,同时也证实了流形学习方法对列车性能评估具有一定的作用。     

基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型以单源信息输入为主，这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题，文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图；然后搭建1个具有双输入通道的CNN网络模型，通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征；最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中，较之于单输入通道的CNN模型，该模型具有更高的诊断准确性和鲁棒性。     

基于多小波包排列熵和流形学习的故障特征提取方法

针对振动信号非线性、非平稳性导致的故障特征难以准确提取的问题,提出了一种基于多小波包排列熵和流形学习的故障特征提取方法。首先,利用多小波包分解方法得到故障信号的多维多小波系数,通过计算排列熵初步提取了各个小波系数中的故障特征信息;然后利用局部切空间排列(LTSA)流形学习方法对多维特征信息进行处理,在有效降低信息冗余度的同时,提取了其中主要的故障特征;最后利用支持向量机(SVM)对滚动轴承正常、外圈、内圈和滚动体故障实测信号进行故障模式识别试验。结果表明,该方法可以准确地识别出轴承不同的故障类型,并且在提取故障特征准确性方面要优于传统的单小波包方法和主成分分析(PCA)方法。     

改进经验小波变换在滚动轴承故障特征提取中的应用

针对高速列车齿轮箱滚动轴承故障特征提取困难的情况,提出了基于改进经验小波变换(Empirical Wavelet Transform,EWT)的轴承故障诊断方法。首先,对轴承振动信号进行EWT变换得到多阶固有模态分量,通过计算峭度值筛选出包含故障信息的固有模态分量,采用经验小波逆变换的方式对筛选分量进行重构,最后计算Hilbert包络解调谱对重构信号进行分析。研究表明,结合EWT,峭度系数和经验小波逆变换的方法可以准确的提取轴承的故障特征,为轴承监测和维修提供准确信息。