复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

利用声发射诊断滑动轴承接触摩擦故障的研究

利用声发射信号的特点,在滑动轴承试验台上模拟故障并进行诊断,取得了较好的效果,实验结果表明,声发射有对轴承工作状态的变化敏感,响应时间短,抗干扰性能好,及传感器安装方便等优点,可以对机械设备的滑动轴承进行在线状态监测和故障诊断。     

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

Feature Extraction of Bearing Vibration Signals Using Second Generation Wavelet and Spline-Based Local Mean Decomposition

In order to extract the fault feature frequency of weak bearing signals,we put forward a local mean decomposition(LMD)method combining with the second generation wavelet transform.After performing the second generation wavelet denoising,the spline-based LMD is used to decompose the high-frequency detail signals of the second generation wavelet signals into a number of production functions(PFs).Power spectrum analysis is applied to the PFs to detect bearing fault information and identify the fault patterns.Application in inner and outer race fault diagnosis of rolling bearing shows that the method can extract the vibration features of rolling bearing fault.This method is suitable for extracting the fault characteristics of the weak fault signals in strong noise.     

基于EMD分解和共振解调的滚动轴承故障诊断研究

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。     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题，提出了一种基于深度时频特征的机车轴承故障诊断新方法；利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取；为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征，上通道使用一维CNN，为使输入的二维时频域信号能多角度地反映出信号的细微局部变化，下通道使用二维CNN；在融合层中将上下通道特征自动融合成一个新的深度时频特征，并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别；在此基础上，分析了某局机务段实测的7种机车轴承数据，验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%，与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比，平均诊断精度分别提高了0.7%、1.9%和2.2%；本文方法提取的深度时频特征中每类故障分布间隔规则有序，类内间距很小，而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则，类内间距较大，说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越，是一种解决机车轴承故障诊断问题的有效模型。      

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

State inspection for transmission lines based on independent component analysis

Monitoring transmission towers is of great importance to prevent severe thefts on them and ensure the reliability and safety of the power grid operation. Independent component analysis (ICA) is a method for finding underlying factors or components from multivariate statistical data based on dimension reduction methods, and it is applicable to extract the non-stationary signals. FastICA based on negentropy is presented to effectively extract and separate the vibration signals caused by human activity in this paper. A new method combined empirical mode decomposition (EMD) technique with the adaptive threshold method is applied to extract the vibration pulses, and suppress the interference signals. The practical tests demonstrate that the method proposed in the paper is effective in separating and extracting the vibration signals.     

基于小波能谱系数的声发射源特征提取方法研究

研究了基于小波能谱系数的声发射源特征提取方法,利用小波变换对典型声发射源的波形信号进行了分析,获取其频域特征.采用小波能谱系数描述信号能量在每个频率范围的分布情况,以区别各种不同的声发射源.利用该方法对港口链斗卸船机现场测试获取的裂纹声发射信号进行了小波分析和特征提取,结果表明,该方法能合理地描述缺陷的声发射特征.     

The Modified Ensemble Empirical Mode Decomposition Method and Extraction of Oceanic Internal Wave from Synthetic Aperture Radar Image

In this paper a modified ensemble empirical mode decomposition(EEMD) method is presented, which is named winning-EEMD(W-EEMD). Two aspects of the EEMD, the amplitude of added white noise and the number of intrinsic mode functions(IMFs), are discussed in this method. The signal-to-noise ratio(SNR) is used to measure the amplitude of added noise and the winning number of IMFs(which results most frequency) is used to unify the number of IMFs. By this method, the calculation speed of decomposition is improved, and the relative error between original data and sum of decompositions is reduced. In addition, the feasibility and effectiveness of this method are proved by the example of the oceanic internal solitary wave.     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络,研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题,并与传统信号时频分解方法进行了对比研究;采用不同小波参数对振动信号进行连续小波变换,提取了每组参数下中央尺度上的小波包络;采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络,构造了高维小波包络矩阵;采用局部切空间排列算法对高维小波包络进行流形融合,获得了反映故障瞬态脉冲包络本质结构的小波包络流形;为了验证所提方法的有效性和优越性,采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时,所提方法基尼指数比传统信号时频分解方法提高27.32%以上;在分析齿轮磨损故障信号时,所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见,所提方法通过综合具有不同形态的变参小波包络,可以在无需优化小波参数情况下,对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性,提取的故障脉冲包络中的带内噪声少,故障脉冲特性明显,容易识别其频谱中的故障特征频率,是检测车辆传动系统故障的一种有效方法。      

基于本征模函数的高速磁浮线路不平顺检测

为了评估磁浮线路的不平顺程度,对实测加速度信号进行分析,发现导向系统纵向振动加速度信号对磁浮线路不平顺长波最敏感.通过对导向系统纵向振动加速度信号进行Hilbert-Huang变换,提取对应长波频率的本征模函数,求得频率族的包络瞬时幅值和瞬时频率,提取了不平顺长波.用该方法分析磁浮列车以430 km/h运行时的实测数据,得到的磁浮线路长波不平顺信号与采用大地测量法测得的结果一致.     

基于Copula函数的高速列车转向架故障特征提取

为了实时监测高速列车转向架关键部件的工作状态,提出了一种基于Copula函数的特征提取方法.以某型高速列车转向架正常、抗蛇形减振器失效、空气弹簧失效、横向减振器失效4种工况的振动信号为研究对象,将信号进行聚合经验模态分解,针对得到的本征模态函数,使用Gaussian Copula函数构建它们的联合概率密度函数.提取边缘分布的Kullback-Leibler Distance值,及联合概率密度函数的均值和方差作为特征,采用支持向量机进行识别.实验结果表明,在200 km/h速度下,故障平均识别率在95%以上,表明了该特征提取方法的有效性.      

环境激励下钢筋混凝土拱桥模态参数识别

为正确选择模态参数识别方法,对某钢筋混凝土拱桥进行了环境振动试验,采用频域、时域和时频分析方法——峰值拾取法(PP)、随机子空间识别(SSI)以及基于经验模态分解(EMD)和随机减量技术(RDT)的方法——识别其模态参数;比较了3种模态参数识别方法的特点和识别结果,并与有限元法计算结果进行了比较.研究结果表明:峰值拾取法的识别速度快,识别的频率较可靠,但识别过程需要较多人工干预;随机子空间识别的理论体系完备,适合程序实现,识别过程能较好地抵消测试过程中噪声等的影响;由于模态混叠的影响,EMD-RDT识别结果具有一定随机性.     

一种改进时域同步平均的滚动轴承故障诊断方法研究

复杂结构设备的滚动轴承其振动信号成分复杂,故障信号微弱,信噪比很小,常规诊断方法难以有效消除背景噪声,有效提取故障信息.文中研究了基于相位补偿时域同步平均的滚动轴承故障诊断方法,并根据轴承故障信号存在调制的特点,探讨了同步周期的合理选取.通过对轴承内圈故障的仿真研究,验证了相位补偿时域同步平均方法的有效性,它能够同时提取故障特征频率与调制频率,为精确诊断轴承故障提供了新的途径.经进一步实验研究,证明该方法是有效的.     

DSP技术及其在高速列车转向架滚动轴承测振仪上的应用

目前对列车转向架滚动轴承的状态进行监测常常表现出有错报，漏报和监测效率低等问题，针对这一问题，提出了一种基于DSP的滚动轴承故障在线诊断的电路设计，有效地解决了以往监测方法中由于电路问题所出现的不可避免的响应延迟时间及过多的相位噪声等问题。     

Fault Diagnosis of Rolling Element Bearing Using Multi-Scale Lempel-Ziv Complexity and Mahalanobis Distance Criterion

A new fault diagnosis technique for rolling element bearing using multi-scale Lempel-Ziv complexity (LZC) and Mahalanobis distance (MD) criterion is proposed in this study. A multi-scale coarse-graining process is used to extract fault features for various bearing fault conditions to overcome the limitation of the single stage coarse-graining process in the LZC algorithm. This is followed by the application of MD criterion to calculate the accuracy rate of LZC at different scales, and the best scale corresponding to the maximum accuracy rate is identified for fault pattern recognition. A comparison analysis with Euclidean distance (ED) criterion is also presented to verify the superiority of the proposed method. The result confirms that the fault diagnosis technique using a multi-scale LZC and MD criterion is more effective in distinguishing various fault conditions of rolling element bearings.     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于物元-阴性选择算法的轴箱轴承故障检测

针对高速列车轴箱轴承故障数据获取困难的问题，提出了一种无需先验知识的利用物元和阴性选择算法进行轴承故障检测的方法. 首先利用多维物元构建阴性选择算法的检测器模型，以检测器与训练样本之间的综合关联度作为匹配规则，并在综合关联度约束范围内引入控制参数，实现检测器对非己空间的更大覆盖；其次，根据匹配规则和控制参数构建适应度函数，采用粒子群优化算法生成候选检测器，分析控制参数对检测器生成和粒子群优化算法收敛速度的影响；此外，为降低候选检测器集合的冗余度，基于关联度提出了检测器特征参数区间的合并规则，将成熟检测器个数降低至18个；最后，通过信号模拟方法生成轴箱轴承的各类故障信号，建立100组测试样本，并利用18个成熟检测器进行故障检测. 研究结果表明:成熟检测器对不同类轴承故障均具有较好的检测性能，正常样本的检测器激活率为1.11%，故障样本的检测器激活率不低于96.67%.