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。     

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。     

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。     

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。     

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。     

非平稳机械振动噪声中瞬态故障信号的检测

结合非平稳机械运行状态,分析了非平稳振动信号中瞬态故障信号和平稳振动信号的特点,介绍了应用小波包理论进行故障信号检测的基本原理.通过小波包变换后,平稳振动信号和瞬态故障信号的小波包-能量谱表现出不同的特性.本文运用统计信号处理的理论,构造了相应统计量进行假设检验判决,判断平稳振动信号中是否存在瞬态故障信号。针对变速箱故障声压信号的非平稳时变特点,给出了小波包分析处理变速箱故障声压信号的原理和方法,并分析了一个变速箱齿根裂纹故障的诊断实例.实验结果表明,该方法可以有效地提取淹没在平稳振动噪声信号中的瞬态故障信号的特征,准确判断出故障,验证了该方法对机械设备进行故障诊断的有效性,对其它类型的机械故障诊断也具有一定的参考价值。     

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.     

基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法

提取故障特征不理想、诊断速度慢等是目前现有列车转向架轴承故障诊断方法存在的主要不足。本文提出了一种列车转向架轴承故障的智能诊断方法。该方法将小波包分解和集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)结合在一起,充分提取信号故障特征,并利用能量判别法和故障识别搜索算法进行故障模式识别,进一步提高了故障诊断速度。为了验证该方法的有效性,构建了轴承实验台,测试分析了广州地铁列车3种故障状态的转向架轴承。实验结果表明,该方法能够充分提取故障特征,迅速锁定搜索频段,准确识别轴承故障,提高了列车转向架轴承故障的诊断速度和准确性。     

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。     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

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.     

提速道岔小波包能量熵故障诊断方法

将小波包变换应用于S700K型提速道岔转辙机故障诊断中,以微机监测系统采集的S700K型转辙机三相交流电流为信号源,基于小波包多尺度分析对道岔转辙机正常工作状态和各故障状态下的三相交流电流进行分解,并通过小波包能量熵提取故障特征,然后根据能量熵定义故障诊断指标,并对每相电流的故障诊断指标设定2个阈值,来定量划分故障类型。实验结果表明:道岔不同故障情况下,三相电流小波包能量熵分布有一定的规律,故障诊断指标阈值的设定能有效划分道岔故障类型,待测样本测试结果与现场诊断结果一致。     

基于频率切片小波变换的轨道列车轮对振动信号分析

为了提取轨道列车轮对振动特征信息,提出一种基于频率切片小波变换的故障特征提取方法。首先,利用频率切片小波变换获取振动信号在全频带的时频分布;然后,依据得到的振动信号能量分布特点选择时频目标区域;接着,分割出含有故障特征的时频区域;最后,通过逆变换对目标区域的信号分量进行重构,分离出有效的信号时频特征。仿真结果表明,利用频率切片小波变换分离轮对振动信号时频特征效果较好,为轨道列车轮对振动信号时频特征精确提取提供一种新的方法。     

基于改进多尺度排列熵的列车轴箱轴承诊断方法研究

多尺度排列熵作为非线性方法,被广泛应用于时间序列复杂性和随机性的评估之中。由于粗粒化过程中的缺陷会导致熵值精度低、稳定性差,提出了改进多尺度排列熵。通过仿真信号与传统多尺度排列熵方法比较发现,在不同尺度下改进多尺度排列熵方法估计的熵值结果更加稳定,且误差减小。结合马氏距离特征选择与遗传算法优化的支持矢量机模式识别算法,提出了一种智能化的轴承故障诊断方法。通过列车轴箱轴承实验数据进行验证,结果表明该方法可准确识别出不同类型的故障轴承。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

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。     

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。     

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。     

小波包变换频率混淆的消除及其在桥梁健康监测中的应用

在分析离散小波包Mallat算法引起频率混淆的原因基础上,提出消除频率混淆的改进算法.运用改进算法对斜拉桥的加速度信号进行分析,结果表明:小波包能量分布同结构的固有频率一样能够表征结构的固有特征,而且还能够反映结构的局部特性.利用损伤前后结构信号的小波能量互熵,并引入相应的权重,在一定的置信水平下能够准确识别损伤的位置.损伤识别结果表明:对于单一损伤状态,小波能量互熵能够较好地定性和定量描述损伤程度;对于复杂的多处损伤状态,小波能量互熵只能识别出损伤的位置,难以定量描述各处的损伤程度.该方法具有较强的抗噪能力.     

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.