共查询到20条相似文献,搜索用时 15 毫秒
1.
针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。 相似文献
2.
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。 相似文献
3.
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。 相似文献
4.
5.
6.
在分析地铁车辆激扰源特征和影响的基础上,针对车辆振动信号非线性、非平稳性的特点,提出一种地铁车辆故障综合诊断方法:时频法(短时傅里叶变换、希尔伯特-黄变换)和基于集总经验模式分解(EEMD)的Hilbert包络谱分析法。对某异常地铁车辆进行测试,并运用该方法进行诊断分析。综合分析表明,该车辆转向架构架异常振动并开裂的故障源为车轮。这与车轮检测结果一致,说明此综合诊断方法准确有效。 相似文献
7.
8.
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。 相似文献
9.
《铁道学报》2018,(12)
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。 相似文献
10.
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。 相似文献
11.
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。 相似文献
12.
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。 相似文献
13.
14.
15.
《石家庄铁道大学学报(自然科学版)》2014,(3)
在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。 相似文献
16.
《铁道标准设计通讯》2017,(1):133-138
针对列车车轮故障诊断,研究基于经验模态分解(EMD)广义能量法诊断技术。首先对钢轨振动信号进行经验模态分解,选取出有效本征模函数分量并赋予权重系数,然后求出各分量的能量加权和作为该信号的EMD广义能量值,最后确定出正常车轮的EMD广义能量安全域阈值,判断车轮的故障状态。采用仿真的正常及故障车轮的钢轨振动信号进行实验,验证提出的方法对正常和故障车轮的识别准确率达到90%以上。 相似文献
17.
针对滚动轴承故障信号在初期特征频率微弱而且难以提取的问题,提出一种基于局部特征尺度分解(LCD)和奇异值分解相结合的故障诊断方式。首先对采集到的目标信号进行LCD分解,得到一系列内禀模态分量(ISC),然后再通过峭度—相关系数筛选用来重构真实的ISC分量,利用奇异值分解对重构分量进行分解。接着求出所对应的差分谱,根据差分谱理论再次进行重构,最后再对重构信号进行能量算子包络解调。通过实验验证,相比于传统包络解调,所提的方法能够有效地提取出故障轴承的特征频率。 相似文献
18.
高速列车轴承的故障特征提取较为困难,针对这一问题,在经验小波变换(Empirical Wavelet Transform,EWT)的基础上,提出了一种基于频谱趋势与频带合并的改进EWT方法,并将其应用于高速列车轴承的故障诊断。该方法首先利用经验模态分解,根据IMF分量判断准则,提取故障信号的频谱趋势,从而得到初始的频谱分界点;然后计算各初始频带的故障信息判断指标,得到自适应阈值,判断初始频带的有效性,通过对无效频带的合并完成频谱的重新划分;最后进行经验小波变换,将各频带通过正交滤波器组,对得到的各分量信号进行Hilbert变换,得到轴承的故障特征频率。通过仿真和试验验证,改进后的EWT方法可以准确地提取出轴承故障特征频率的基频和倍频成分,有效地确定轴承故障。 相似文献
19.
为保证高速客运机车的行车安全,开发基于车辆总线的机车轴承故障诊断系统,通过车辆总线监测温度和振动信号对机车走行部轴承进行早期诊断和预警。给出诊断系统的硬件结构、软件功能与特点。分析机车轴承振动信号特征,针对故障轴承冲击响应由一系列单边衰减振荡信号组成,轴承故障特征频率包含的能量少且受到噪声干扰的特点,将Laplace小波引入轴承振动信号分析,提出基于Laplace小波相关滤波和包络谱分析提取故障特征频率的机车轴承诊断方法。试验表明,所开发的系统有很强的鲁棒性,能有效诊断机车走行部各种类型的故障。 相似文献
20.
Hilbert-Huang变换在桥梁振动分析中的应用 总被引:2,自引:0,他引:2
提出将Hilbert Huang 变换的信号处理方法应用于桥梁振动分析中。此方法是通过经验模态分解(EMD)将一复杂的原始数据序列分解成一组本征模函数(IMF)和一个残余项,然后再对每一个IMF进行Hil bert变换。这样所得到的信号幅度和瞬时频率都是时间的函数,即获得了幅度的频率时间分布,称为Hilbert Huang幅度谱,进而得到Hilbert边界谱。文中利用Hilbert Huang变换对南京桥有列车通过时的实测加速度响应进行了处理与分析,结果表明该方法可行、有效。 相似文献