基于仿真试验和BOA-VMD的轴箱轴承故障特征提取算法研究

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。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

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。     

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。     

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。     

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。     

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。     

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EMD广义能量的列车车轮故障诊断技术

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。     

基于三阶Teager能量算子的轴承诊断技术研究

周期性的冲击信号是诊断滚动轴承缺陷的关键指标,有效地提取缺陷的冲量对精确检测轴承故障非常重要。受到噪声的影响,滚动轴承故障信号的冲击特征始终处于被淹没状况。为了将周期性冲击信号自低信噪比信号内提取出来,可通过一类三阶Teager能量算子对滚动轴承故障进行诊断。通过三阶Teager能量算子对故障振动信号的瞬时总能量进行求解,借助傅里叶变换开展频谱分析,自三阶Teager能量算子谱内进行故障特征的提取。结果表明,三阶Teager能量算子谱能够突出地显示出故障特征,效果明显优于传统的频谱分析法、包络谱分析法与二阶Teager能量算子谱法。     

模糊熵在地铁车辆平轮故障诊断中的应用研究

为实现地铁车辆走行部关键部件的不解体检测诊断,采用过车轨道振动来分析车辆平轮故障。试验采集了正常情况、剥离故障及擦伤故障等3种工况下的振动信号。首先对信号进行集合经验模态分解;然后,用相关系数法筛选分解产生的本征模态函数分量,再计算主分量的模糊熵熵值作为故障特征向量;最后,输入到由遗传算法优化的支持向量机分类器进行故障识别。试验结果表明,该方法可以实现地铁车辆平轮故障的准确识别。     

基于EMD和ARMA模型桥梁振动信号降噪的处理方法

在桥梁振动信号的采集和传输过程中,针对外界环境的影响可能会在信号中形成局部强噪声干扰,从而造成分析结果的失真以及由于桥梁振动信号通常具有较宽的频谱成分,致使传统的滤波降噪方法存在很大的局限性等问题,基于经验模态分解(EMD)和自回归滑动平均(ARMA)模型提出了一种信号降噪方法。首先,利用EMD把有强噪声干扰的信号分解成不同时间尺度的本征模函数(IMF)和残余项;然后,分别对每个IMF无干扰区段建立ARMA模型,利用各个模型对有干扰区段进行滤波,用滤波后的数据代替原来的数据,对于残余项,拟合为多项式;最后,将所有的IMF及拟合后的残余项叠加,即得到降噪后的信号。通过对实测南京长江大桥有对讲机干扰的应变信号进行分析,结果表明了该方法的可行性及有效性。     

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.     

基于支持向量机的机车轴承故障诊断方法

通过对机车轴承振动信号的分析处理,提出基于支持向量机(SVM)的故障诊断方法,提取反映轴承运行状态的无量纲系数作为故障的特征向量,并以此作为输入来建立支持向量机分类器,利用SVM网络的智能性来判断机车轴承的工作状态和故障类型.实验结果表明,提出的方法在小样本的情况下仍能准确、有效地对机车轴承的工作状态和故障类型进行分类,实现机车轴承故障的智能诊断.     

基于SVD-MOMEDA的高速列车齿轮箱轴承故障诊断

针对强背景噪声环境下高速列车齿轮箱轴承故障信号难以检测的问题以及多点优化最小熵解卷积修正(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)方法受滤波器阶数、故障周期影响的问题,提出了基于奇异值分解(singular value decomposition, SVD)改进的MOMEDA的轴承故障诊断方法。首先采用SVD作为MOMEDA的前置滤波器滤除部分噪声,然后通过MOMEDA多点峭度谱追踪故障周期成分,采用变步长搜索法迭代求解MOMEDA滤波器最优阶数,最后利用最优参数相对应的MOMEDA增强信号中的周期性脉冲,并通过包络谱提取故障特征。仿真信号和试验数据分析表明:该方法能实现高速列车齿轮箱轴承故障的精确诊断,且故障诊断效果优于互补经验模态分解方法。     

基于自适应STFT的货车滚动轴承故障诊断

带故障的铁路货车滚动轴承振动信号表现为低频平稳信号与高频的周期性冲击信号的叠加。采用以三阶B样条函数作为窗函数的自适应短时傅立叶变换(STFT)对货车滚动轴承振动信号进行时频分析和故障信息提取。与传统的固定带宽的STFT相比,自适应STFT在不同频段自适应选取窗长,大大提高了振动信号的时频分辨率。应用该方法对197726型货车滚动轴承在内圈剥离、外圈剥离两种故障状态下的振动信号做了分析,求得故障频率分别为61.32 Hz和46.36 Hz,与内外圈的理论故障频率相符,可以有效地诊断出铁路货车滚动轴承内外圈故障。     

基于EMD和随机减量技术的大型桥梁模态参数识别

结合南京长江大桥结构健康监测信号,提出将经验模态分解(EMD)与随机减量技术(RDT)相结合进行结构模态参数识别的方法。对于环境随机激励,经EMD分解后的结构模态响应,实际上由自由振动响应和外荷载引起的强迫振动响应2部分组成,可应用RDT得到对应模态的自由振动响应,从而识别结构的频率及阻尼。通过与有限元及谱分析结果相比较,证明了将EMD与RDT相结合的方法识别非平稳振动信号模态参数的有效性和合理性,适合于大型桥梁结构的模态参数识别。