基于自适应频率窗经验小波变换的列车轮对轴承多故障诊断

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。     

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。     

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。     

改进的EWT方法在高速列车轴承故障诊断中的应用

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。     

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。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

一种改进的EEMD算法及其在滚动轴承故障诊断中的应用

总体经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于EMD-Kurtosis的牵引电机轴承故障特征识别

文章利用经验模态分解的方法将牵引电机轴承振动信号分解成各阶本征模态函数IMF,并将各阶IMF进行傅里叶变换得到各阶IMF的频率,根据故障轴承频率特征和本征模态函数的频率对应关系,对该本征模态函数进行峭度分析,进而能够更加精确识别轴承故障特征。     

基于改进LMD和MED的滚动轴承故障诊断研究

针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。