基于EMD和包络分析的城轨列车滚动轴承故障诊断

为了准确识别城轨列车滚动轴承故障类型,研究了一种基于经验模态分解（EMD,Empirical Mode Decomposition）和包络分析的滚动轴承故障诊断方法。对滚动轴承的振动信号进行EMD分解,得到若干个本征模态函数（IMF,Intrinsic Mode Function）之和,对包含主要信息成分的IMF分量作包络分析,根据包络谱的故障特征频率判断滚动轴承故障类型。实验结果表明,该方法能够准确有效地识别城轨列车滚动轴承的故障类型。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

基于EMD和随机减量技术的大型桥梁模态参数识别

结合南京长江大桥结构健康监测信号,提出将经验模态分解(EMD)与随机减量技术(RDT)相结合进行结构模态参数识别的方法。对于环境随机激励,经EMD分解后的结构模态响应,实际上由自由振动响应和外荷载引起的强迫振动响应2部分组成,可应用RDT得到对应模态的自由振动响应,从而识别结构的频率及阻尼。通过与有限元及谱分析结果相比较,证明了将EMD与RDT相结合的方法识别非平稳振动信号模态参数的有效性和合理性,适合于大型桥梁结构的模态参数识别。     

基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

针对城轨列车运行过程中轴箱轴承故障难以发现的问题，提出一种利用蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)对变分模态分解(Variational Mode Decomposition,VMD）参数进行优化的轴承故障特征提取方法。首先构建基于轴承-车辆刚柔耦合的轴承故障动力学模型，提取轮轨激扰和轴承故障情况下的轴箱振动信号；然后利用蝴蝶优化算法对轴箱振动信号的VMD模态分量数和二次惩罚系数进行寻优，确定最佳参数组合；最后利用已确定的最佳参数对轴承振动信号进行VMD分解，得到不同本征模态分量(Intrinsic Mode Function,IMF)，并对最佳模态分量信号进行包络分析，识别到轴承故障时的特征频率。试验分析表明，基于优化参数的VMD分析方法能够有效提取轴承故障特征频率，通过经验模态分解(Empirical Mode Decomposition,EMD)分析方法对比，可以发现文章提出的分析方法效果更加有效。     

V/x型牵引变压器匝间短路识别方法研究

V/x型牵引变压器匝间短路是威胁重载货运专线牵引供电系统运行安全的重要因素,欲实现匝间故障的快速、准确识别,必须建立高效的模态特征提取方法。组合经验模态分解(EMD)和能量权重原理的多尺度能量熵识别方法,可从差动电流信号中准确提取牵引变压器匝间的动态特征信息。该方法首先对差动电流信号进行EMD分解,以获得若干固有模态函数(IMF)分量;然后计算差动电流信号和各个IMF分量的能量权重;最后构建基于能量权重的多尺度能量熵,并以熵值作为识别匝间短路的特征矢量。实验案例证明,该方法不仅能快速准确识别出变压器匝间短路,而且具有原理清晰、模式空间划分简单的优点。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition, EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解，得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function, IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象，从而产生了一些虚假IMF分量，影响轴承故障诊断的准确性。此外，EMD类算法分解得到的IMF通常是噪声或干扰信号，只有少数分量能够反映轴承故障特征。因此，如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法，然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则，并阐述了其优缺点。     

基于形态分量分析的高速列车轴箱轴承故障诊断方法

高速列车在运行过程中,由于车轮不圆、钢轨波磨、轨道焊缝等激扰的影响,很容易激起轮轨之间的高频振动。当高速列车轴箱轴承同时出现故障和冲击激扰的情况下,现有的高速列车轴箱轴承故障诊断方法很难从中提取出轴承故障脉冲信号。针对这种情况,文中将形态分量分析应用到轴箱轴承故障特征提取,为了便于将其进一步用于在线监测,对该方法中稀疏表示的字典进行了改进。仿真和试验表明,该方法明显优于经验模态分解方法,能够有效地分离出轴承故障周期性脉冲信号,并能将其他随机冲击剔除。     

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HHT方法的电气化铁道谐波检测与分析

将希尔伯特-黄变换(HHT)方法用于电气化铁道谐波检测中.由于电气化铁道谐波电压、电流信号中基波能量很大,其它次数的谐波能量相对较小,使得经验模态分解 (EMD)方法在应用中出现模态混叠现象,不能准确地提取任意频率的谐波信号.为改善经验模态分解过程中产生的模态混叠现象,本文采用Yang提出的基于Fourier变换的EMD方法对电气化铁道谐波信号进行筛分.通过该方法可以有效地提取出任意频率的谐波分量,进而计算其Hilbert谱.通过对电气化铁道牵引变电所实测谐波电压、电流数据进行分析,结果表明:利用改进的HHT方法可以得到电气化铁道各次谐波准确的时频分布.最后通过HHT方法计算出各次谐波电压、电流含有率及总谐波电压、电流畸变率,并对计算结果进行分析.HHT 方法为电气化铁道谐波检测与分析提供了一种新的途径.     

弓网燃弧电流扰动的HHT(希尔伯特黄变换)分析

地铁线路接触网的弓网具有良好的受流质量是保障列车运营安全的前提,弓网燃弧则是评价弓网受流质量最直接的指标,而不同的燃弧强度会伴随着不同程度的牵引电流扰动。改进了HHT(希尔伯特-黄变换)中的EMD(经验模态分解)算法及EMD能量熵,并用于牵引电流扰动分析。通过对广州地铁2号线、3号线的数据分析发现,EMD能量熵能有效提取到牵引电流的扰动特征,且牵引电流扰动越严重,信号就越复杂,能量就越分散,对应的EMD能量熵也越大。     

基于改进经验模态分解法的地铁列车轮轨应变信号降噪

地铁列车轮轨应变信号的采集受到诸多因素影响,存在随机白噪声,准确性较差。对此,提出一种改进的经验模态分解法用以降噪,可提高局部均值求解精度,抑制模态混叠现象。运用该法对地铁列车轮轨应变实测信号进行分析,结果表明:改进经验模态分解法能有效消除轮轨应变信号中随机白噪声的干扰和影响,对有效识别轮轨力真实信号具有重要意义。     

基于模糊控制的高速铁路车轮的智能监测系统

针对目前中国高速铁路的速度越来越快,车轮的滚动速度也就随之越来越快,为保障列车行驶的安全性,设计一种高速铁路车轮的实时监测系统。利用模糊控制器这种智能的方法,来处理车轮的机械磨损数据。改变传统的监测方法中,采用先进的控制器来处理数据,使得控制更加智能,满足高速铁路车轮的实时监测需要,提前排除安全隐患,提高列车行驶的安全性。     

轮/轨几何学(待续)——轨道车辆与线路的共同课题

对车轮和轨道的一般性测量早就做出过定义,但两者的生产制造精度存在很大的差别.只有掌握了车轮和轨道的轮廓型面,并将两者相结合,才可能掌握几何接触状况对铁路运营车辆的运行性能所产生的影响.为了保证运营的安全、经济和舒适,应当在较长周期内对轮/轨系统确定新的条件,因此,需要独立的车辆和线路监测系统.     

2轮／轨几何学（待续）——轨道车辆与线路的共同课题

对车轮和轨道的一般性测量早就做出过定义，但两者的生产制造精度存在很大的差别。只有掌握了车轮和轨道的轮廓型面，并将两者相结合，才可能掌握几何接触状况对铁路运营车辆的运行性能所产生的影响。为了保证运营的安全、经济和舒适，应当在较长周期内对轮／轨系统确定新的条件，因此，需要独立的车辆和线路监测系统。     

简析高速重载工况对车轮轮辋疲劳裂纹萌生的影响

研究了在重载列车和高速列车车轮实际使用工况下,轮轨接触应力提高后车轮轮辋内部应力增加对轮辋疲劳裂纹萌生的影响。对普通列车、重载列车、高速列车上实际运用过程中发生辋裂的车轮进行失效分析和研究,结果表明:列车轴重增加和运行速度提高,导致车轮轮辋内部萌生裂纹的"临界夹杂物尺寸"减小,使车轮轮辋中原本处于安全尺寸范围的脆性夹杂物越过"临界夹杂物尺寸"成为疲劳裂纹萌生的主要发源点,最终导致车轮轮辋疲劳裂纹的形成。     

高速列车车轮非圆化与振动噪声关系跟踪试验研究

选定某型号新运营的高速列车进行长期跟踪试验,研究不同运行时期内,车轮非圆化与振动噪声的发展变化规律及两者间的相互影响关系。研究发现:现有的车轮镟修加工手段,不能完全消除车轮非圆化磨耗的再次形成和发展,镟修后车轮会继承部分或者全部镟修前的非圆化特性;部分初始无高阶非圆化特性的车轮,镟修后至列车再运行一定里程时会出现车轮高阶非圆化特征,同时期的振动噪声频谱会对高阶非圆化阶次所在的频率有所反映。在考虑车轮镟修及车辆固有特性两种因素下,分析了车轮高阶非圆化的可能成因,并提出了缓解车轮高阶非圆化、降低车内振动噪声的方法。