基于改进VMD的高速动车组轴箱轴承故障识别方法

针对高速动车组运行工况复杂、轴箱轴承故障率较高、背底噪声强和故障识别难度大的情况，提出基于改进变分模态分解（VMD）的动车组轴箱轴承故障识别方法。首先，运用能量差法和合成谱峭度法计算最优的变分模态分解关键参数；其次，基于相关系数、谱峭度及奇异值构建的评价参数，选取用于重构故障信号的本征模态分量；最后，对重构后的信号进行傅里叶变换，实现在强背底噪声情况下的故障特征频率识别，并通过模拟数据和真实动车组轴箱轴承试验数据对提出的方法进行验证。结果表明：提出的方法能够有效地在强背底噪声情况下重构带有预设的40或200 Hz故障特征频率的信号，重构后的信号最大程度保留了轴承的故障信息；故障特征频率识别效果好，能够为保障高速动车组的安全运行提供技术支撑。     

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。     

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

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。     

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。     

基于参数优化VMD和SPWVD的轨道波磨辨识方法

为了有效检测轨道波磨故障,提出一种基于参数优化变分模态分解(VMD,Variable Mode Decomposition)和平滑伪维格纳分布(SPWVD,Smooth Pseudo Wigner Ville Distribution)的轨道波磨辨识方法。采用变步长最小均方(VSSLMS,Variable Step Size Least Mean Square)算法对列车轴箱振动加速度原始信号滤波;对滤波后的信号进行变分模态分解,将分解信号包络熵作为轨道波磨辨识的指标;采用平滑伪维格纳分布对分解后的信号进行时频分析,确定波磨发生的位置及波长;通过仿真信号与实例验证方法的有效性。验证结果表明,该方法可提高轨道波磨辨识的准确性,辅助轨道维修和养护。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。     

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。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

基于EEMD和RBFNN的列车滚动轴承故障诊断研究

针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。     

基于IMF熵价值的轮对轴承故障自适应诊断

针对集成经验模态分解(EEMD)方法中本征模态函数(IMF)不能自主筛选的问题,提出IMF价值评价方法,以此评价IMF价值高低。将IMF能量熵作为IMF价值高低的核心评价标准,并基于此建立轮对轴承故障自适应诊断模型。该模型将轴承振动信号进行EEMD分解得到不同尺度的IMF,依据IMF熵价值算法,筛选出价值更高的IMF进行信号重构,对重构信号进行希尔伯特变换,应用其边际谱提取轮对轴承振动特性频率。应用无故障轴承及三种不同故障轴承对本模型进行试验验证。结果表明,该方法能凸显轴承特性频率,能够有效提取轴承旋转频率倍频、故障特征频率及其倍频,并且轴承垂向和横向振动对轴承故障特征频率的检测在谱分辨率及故障表征上都有较好的表现力。     

基于LCD和奇异值分解的轴承故障诊断

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。     

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。     

基于形态分量分析的高速列车轴箱轴承故障诊断方法

高速列车在运行过程中,由于车轮不圆、钢轨波磨、轨道焊缝等激扰的影响,很容易激起轮轨之间的高频振动。当高速列车轴箱轴承同时出现故障和冲击激扰的情况下,现有的高速列车轴箱轴承故障诊断方法很难从中提取出轴承故障脉冲信号。针对这种情况,文中将形态分量分析应用到轴箱轴承故障特征提取,为了便于将其进一步用于在线监测,对该方法中稀疏表示的字典进行了改进。仿真和试验表明,该方法明显优于经验模态分解方法,能够有效地分离出轴承故障周期性脉冲信号,并能将其他随机冲击剔除。     

基于改进VMD和APSO-SVM的高速列车轴承故障诊断

针对高速列车轮对轴承故障信息微弱难以提取的问题,提出一种结合变分模态分解(Variational mode decomposition,VMD)和粒子群算法参数优化支持向量机(Adaptive Particle Swarm Optimization-Support Vector Machine,APSO-SVM)的高速...     

基于经验模式分解和11/2维谱的客车轴承故障诊断

为了保证高速客车的行车安全,开展了25型客车轴承故障检测诊断方法研究,使用振动信号对客车车轴轴承进行早期诊断和预警.分析了客车轴承振动信号特征,针对轴承故障特征频率包含的能量少且受到噪声干扰的特点,将经验模式分解和11/2维谱引入轴承振动信号分析,提出了基于经验模式分解和11/2维谱提取故障特征频率的客车轴承诊断方法....     

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。     

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。     

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。