一种改进的地铁车辆转向架轴承故障诊断方法

转向架轴承故障特征极容易受到轮轨激扰和环境随机噪声的影响。现有地铁车辆转向架轴承故障诊断方法存在故障特征提取困难、诊断准确率低等不足。为此,提出一种故障诊断方法。该方法首先对采集的振动信号进行降噪预处理,并利用小波包分析法将其分解为多个频带,基于峭度指标自适应调整各频带包络分析和故障搜索的顺序,快速、充分地提取轴承故障特征。建立轴承测试台,使用广州地铁公司提供的转向架轴承对所提出的方法进行实验验证。测试结果表明,经过预处理后,轴承的故障特征更加明显,提出的转向架轴承故障诊断方法能够准确、快速地诊断轴承的故障状态。     

地铁车辆转向架轴承故障诊断方法研究

地铁车辆转向架轴承状态对车辆的安全运行至关重要。现有地铁车辆转向架轴承的监测与诊断存在智能化程度低、准确性差等不足。针对此不足,对地铁车辆转向架轴承故障模型进行推导,提出一种地铁车辆转向架轴承故障智能诊断方法。该方法根据转向架轴承径向振动加速度信号,采用小波包-包络分析和故障识别搜索算法,诊断轴承故障及故障类型。为了验证所提出方法的有效性,设计并搭建了轴承故障诊断试验台,基于此试验台对广州地铁车辆转向架故障轴承进行了测试。试验结果表明:所提出的转向架轴承故障诊断方法能够准确识别轴承故障,为地铁车辆转向架轴承故障诊断的自动化、智能化提供了新思路。     

基于深度学习的高速列车转向架故障识别

为提取高速列车转向架关键部件振动信号的特征,提出基于深度学习(Deep Learning)的高速列车转向架故障识别新方法。以转向架关键部件非全拆单工况故障信号为研究对象,对故障信号进行离散傅里叶变换,然后依据深度学习的降噪自动编解码过程对故障的频域信号进行特征学习,并以此特征作为BP神经网络的输入实现转向架故障信号的识别。实验结果表明:在不同速度下,所提方法对转向架关键部件非全拆故障识别正确率能达到100%,表明了该方法的有效性。     

信号自适应分解对比研究及其在机车轴承故障诊断中的应用

为有效提取机车轴承故障特征,开展信号自适应分解方法对比研究。分析了经验模态分解、局域均值分解和局部特征尺度分解3种常用方法的局部均值计算、分解成分和分解能力。针对局域均值分解存在的问题,提出了改进方案并有效验证。进一步提出了先做改进局域均值分解,再采用1(1/2)维谱处理得到的乘积分量的机车轴承诊断的方法,成功用于DF_4型机车的故障诊断。     

基于SVD-MOMEDA的高速列车齿轮箱轴承故障诊断

针对强背景噪声环境下高速列车齿轮箱轴承故障信号难以检测的问题以及多点优化最小熵解卷积修正(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)方法受滤波器阶数、故障周期影响的问题,提出了基于奇异值分解(singular value decomposition, SVD)改进的MOMEDA的轴承故障诊断方法。首先采用SVD作为MOMEDA的前置滤波器滤除部分噪声,然后通过MOMEDA多点峭度谱追踪故障周期成分,采用变步长搜索法迭代求解MOMEDA滤波器最优阶数,最后利用最优参数相对应的MOMEDA增强信号中的周期性脉冲,并通过包络谱提取故障特征。仿真信号和试验数据分析表明:该方法能实现高速列车齿轮箱轴承故障的精确诊断,且故障诊断效果优于互补经验模态分解方法。     

列车轴箱轴承在途鲁棒可视化故障诊断方法

为使列车轴箱轴承在非平稳工况下的故障识别更加有效,本文提出基于融合相关熵特征的鲁棒可视化滚动轴承故障诊断方法。通过快速集成经验模态分解FEEMD对轴承振动信号进行时频分解,提取本征模函数IMF矩阵;计算IMF与原始信号的线性相关系LCC作为相关熵的调幅系数,进而通过相关统计计算获得样本集的多维相关熵矩阵CM;利用主元分析PCA对CM进行数据空间变换,通过提取变换后的融合相关熵矩阵ICM,实现相关熵矩阵的可视化。通过实验分别提取匀加速、匀速及匀减速3种运行工况下的滚动轴承ICM特征,通过对比EMD、EEMD和FEEMD 3种信号分解方法,发现FEEMD的信号分解效率更高,且ICM比传统特征对非平稳工况下轴承故障辨识的鲁棒性更好。FEEMD-ICM为轴箱轴承快速、客观且稳定的故障诊断实现提供了可靠的理论依据和技术支持。     

基于EEMD和RBFNN的列车滚动轴承故障诊断研究

针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。     

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EEMD能量熵-LPP的高速列车转子系统故障特征提取方法

针对高速列车轴承转子系统微弱故障特征提取难的问题,提出了一种基于EEMD能量熵-LPP的高速列车转子系统故障特征提取方法。该方法结合EEMD、能量熵和LPP,首先对振动信号进行EEMD自适应分解,计算高频IMF分量的能量熵获得高维特征向量集完成初步特征提取;然后通过LPP算法将高维特征向量集投影到低维空间对特征进一步提取形成低维样本集,在保留故障特征的局部几何结构信息的同时降低特征数据的复杂度,提高故障模式识别的分类性能;最后将低维样本集输入到KNN分类器中进行故障识别。通过比较初次提取特征和再次提取特征,结果表明该模型具有优越的聚类性能,可准确地识别几种常见的高速列车转子系统故障类型。     

BSO-MCKD在高速列车齿轮箱轴承早期故障诊断中的应用

齿轮箱轴承是高速列车传动系统中的重要零件之一,其故障检测对保障列车的正常运行具有重要意义。针对强背景噪声环境下高速列车齿轮箱轴承早期故障信号微弱难以检测的问题以及最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)方法受滤波器阶数、冲击信号周期和移位数影响的问题,提出了基于天牛群优化算法(Beetle Swarm Optimization Algorithm,BSO)改进的自适应MCKD的轴承早期故障诊断方法。该方法首先采用天牛群优化算法自适应的确定MCKD的影响参数,实现最佳反褶积,然后利用最优参数相对应的MCKD对振动信号进行滤波处理,消除信号中的噪声,突出由轴承故障激发的连续脉冲,最后依据连续脉冲的周期来诊断轴承。根据轴承外圈和滚动体故障试验数据分析表明:该方法能实现高速列车齿轮箱轴承早期故障的精确诊断,且故障诊断效果优于互补经验模态分解方法和最小熵解卷积方法。