基于近似熵和平方解调分析的滚动轴承故障特征提取

提出了一种基于近似熵和平方解调分析的故障特征提取新方法。这种方法的核心是首先使用平方解调分析把调制的振动信号进行解调,然后计算并比较这些经平方解调后的信号的近似熵,从而实现故障的特征提取。研究表明,用这种方法提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚子故障的信号区分。     

基于VMD的地铁车辆平轮状态监测和诊断

针对地铁车辆轮轨振动信号信噪比低、非线性、不平稳等特点,为更好地提取地铁平轮的故障特征,提出一种基于变分模态分解(VMD,variationl mode decomposition)和包络谱熵的地铁平轮故障诊断方法。首先,构建虚拟仿真信号做变分模态分解,并与经验模态分解进行对比分析,说明VMD方法的有效性,再对实测4种工况的轮轨振动信号进行变分模态分解,求出不同分解模态的包络谱熵值,最后采用支持向量机分析故障诊断效果。试验结果表明:提出的方法能够有效地提取平轮故障特征,对地铁车辆平轮故障状态具有良好的诊断效果。     

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。     

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。     

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。     

基于自适应Morlet小波变换滚动轴承声学故障诊断的研究

基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法。首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取。结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障。     

城市轨道交通车辆轴承故障诊断方法研究

基于谐波小波和加速度包络技术对轨道交通车辆滚动轴承的故障诊断方法进行研究。首先运用小波滤波对轴承的振动信号进行降噪;其次通过谐波小波包分解实现了对滚动轴承故障信号的特定频带选择;最后用加速度包络技术对分解后的信号进行包络解调,进行故障诊断。在轴承试验平台上对内圈故障轴承进行了试验,通过分析加速度包络谱,提取轴承故障特征频率,与理论值接近,验证了方法的有效性。     

基于EWT-SVD方法的高速列车滚动轴承故障诊断

针对高速列车齿轮箱滚动轴承早期故障特征提取困难的情况,提出了基于经验小波变换(Empirical Wavelet Transform,EWT)和奇异值分解(Singular value decomposition,SVD)的轴承故障诊断方法。首先对信号进行EWT变换得到各阶固有模态分量,然后计算各阶固有模态分量的峭度值并选取较大峭度值对应的分量。将选取的分量构造矩阵进行正交化奇异值分解,选择合适的阶数重构信号,最后对重构信号进行Hilbert包络解调分析。分别对仿真信号和滚动轴承发生外环故障进行分析,可以较为清晰地看到滚动轴承故障特征。研究结果表明,结合EWT、峭度系数和SVD的诊断方法可以准确、快速地提取轴承故障信息,从而可以对滚动轴承进行有效诊断。     

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。     

模糊熵在地铁车辆平轮故障诊断中的应用研究

为实现地铁车辆走行部关键部件的不解体检测诊断,采用过车轨道振动来分析车辆平轮故障。试验采集了正常情况、剥离故障及擦伤故障等3种工况下的振动信号。首先对信号进行集合经验模态分解;然后,用相关系数法筛选分解产生的本征模态函数分量,再计算主分量的模糊熵熵值作为故障特征向量;最后,输入到由遗传算法优化的支持向量机分类器进行故障识别。试验结果表明,该方法可以实现地铁车辆平轮故障的准确识别。     

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。     

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。     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。     

基于MSE与PSO-SVM的机车轮对轴承智能诊断方法

针对DF4型内燃机车轮对轴承单一和复合故障在内的7种不同健康状态的识别问题,提出了一种基于多尺度熵(Multiscale Entropy,MSE)和粒子群优化支持向量机(PSO-SVM)的机车轮对轴承故障识别方法.计算轴承不同健康状态下振动信号在多个尺度上的样本熵构成MSE特征向量,利用PSO-SVM识别轴承所属故障类型及故障程度.收集了DF4型内燃机车包含单一和复合故障在内的7种不同健康状态的轮对轴承试件,在南昌机务段的JL-501机车轴承检测台上采集了各轴承试件的振动信号样本.实验数据分析结果表明,MSE的特征提取效果优于多尺度近似熵(Multiscale Approximate Entropy,MAE)和小波包分解,PSO-SVM的故障识别效果优于参数不经优化的SVM和参数网格寻优法的Grid-SVM.本文方法能够有效诊断机车轮对轴承的不同故障,为提高机务段检测机车轮对轴承故障的精度提供了一种有效的方法.     

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。     

基于Morlet小波与尺度空间的滚动轴承故障诊断研究

针对滚动轴承早期故障特征提取困难的问题,提出了一种基于Morlet小波与尺度空间的滚动轴承故障诊断方法。该方法先用尺度空间划分频带边界,得到共振频带,再把频带边界信息代入Morlet小波中构造滤波器组对信号进行滤波。由于尺度空间划分频带边界存在过分割的问题,引入了包络相关峭度作为指标,提出采用尺度空间优化谱的方法来识别故障的最优共振频带,用仿真信号和台架试验获得的轴承故障信号验证了该方法的有效性,并与快速谱峭度进行了对比。结果表明,基于Morlet小波与尺度空间的滚动轴承故障诊断方法可以准确地识别最优共振频带,实现轴承故障诊断,同时诊断效果明显优于快速谱峭度指标。     

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。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

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。