基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法.将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承...     

基于小波包和贝叶斯分类的机车走行部滚动轴承故障诊断研究

机车走行部滚动轴承的状况直接关系到机车的性能和列车的运行安全。针对目前机车走行部滚动轴承故障诊断准确率不高、模型构建时间较长的问题,提出一种基于小波包和贝叶斯分类的故障诊断方法。通过小波包变换构造故障特征集,利用粗糙集和主成分分析进行降维,将未降维和降维之后的故障特征集输入到贝叶斯分类模型中实现故障诊断,最后将贝叶斯分类方法和神经网络及最小二乘支持向量机方法进行比较。仿真结果表明,朴素贝叶斯分类方法构建模型的时间更短,分类准确率更高。     

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。     

基于PHM的高速铁路牵引电机滚动轴承健康状态预测

针对高速铁路牵引电机滚动轴承健康状态预测问题,提出了基于深度堆叠去噪自编码器累积(DSDAE)和时滞最小二乘支持向量机(TDLSSVM)的预测方法。在提取高速铁路牵引电机滚动轴承健康状态的多种特征后,用深度堆叠去噪自编码器进行特征降维,并累积计算得到相关的健康指标。将健康指标作为训练数据用以构建时滞最小二乘支持向量机(TDSVR)模型,通过对健康指标的预测实现对健康状态进行评估。在公开数据集上做了DSDAE与TDSVR、累积马氏距离(MDCUSUM)与TDSVR、DSDAE与TDLSSVM和MDCUSUM与TDLSSVM四种方案的对比实验;在高速铁路某型号的牵引电机滚动轴承数据集上做了DSDAE与TDLSSVM方案的实验。通过对预测指标的分析可知,DSDAE与TDLSSVM方案可以很好地预测滚动轴承的健康状态变化趋势。     

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求，结合声音信号非接触、易采集等优势，提出一种基于声音信号的非接触式故障诊断方法。首先，基于小波包分解与多尺度排列熵，实现对声音样本的特征提取；其次，提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法，得到最佳特征集合，实现对声音样本的特征选择；最后，基于支持向量机算法对最佳特征集进行训练和测试，完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验，结果表明：该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个，故障诊断准确率分别为99.67%和100%；相比于单一特征选择方法，采用的2阶特征选择方法能够大大降低特征维度，提高故障诊断准确率；相比于k近邻和线性判别分析这2种分类器，支持向量机分类器在转辙机故障诊断中更具优势。     

基于声-振联合特征分析的配电变压器运行状态辨识方法研究

高速铁路供电箱式变电站长期工作在高温潮湿环境，针对箱变内部变压器等关键设备运行安全问题，提出一种利用声波和振动信号联合特征进行变压器运行状态辨识方法。首先，通过非侵入式传感器获取伴随配电变压器运行的声波和振动信号，再经过滤波消噪处理声波信号提取其时频谱图纹理特征，并与振动信号变模态分解后的排列熵联合形成联合特征向量；通过概率分布特征构造最优分类超平面，由支持向量机分类算法实现联合特征向量的变压器典型状态的辨识。实验证明，声振联合特征分析方法对变压器正常、轻载、重载和三相不平衡等各运行状态下判别准确率均达96%以上。通过对辨识发现的变压器异常工况进行预警，及时实施设备状态检修可大大提高铁路供电可靠性。     

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.     

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。     

基于特征融合的牵引电机轴承声学故障诊断

滚动轴承作为高速列车牵引电机的重要部件，其故障情况严重影响列车运行安全。声学轴承故障诊断方式具有无安装侵入性、运维成本低的优点，但也具有信噪比低、故障特征难以提取的缺点，机器学习则具有克服噪声影响的鲁棒性。针对应用机器学习进行声学故障诊断时，少量特征无法全面表征轴承故障的难题，文章提出将格拉姆角场（GAF）与小波时频图进行叠加融合，构成6通道融合特征图用以有效表征轴承的故障。首先，建立牵引电机轴承声学故障试验台获取故障声学信号；其次，建立基于GAF的声学信号融合特征图，然后使用残差网络（ResNET）模型针对融合特征图特征训练并验证故障分类模型，并与以单种特征图作为特征的故障分类方法进行准确率对比。结果表明，基于GAF的融合特征图的声学故障分类模型具有99.89%的准确率，融合特征图能更有效地映射轴承故障。     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

基于双通道特征融合的轴承故障诊断方法

基于卷积神经网络（Convolution Neural Network,CNN）的智能诊断方法在轴承故障诊断中应用广泛，但是大多数诊断模型以单源信息输入为主，这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题，文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换（Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT）和快速谱相干（Fast Spectral Coherence,Fast-SC）分别构造滚动轴承振动信号的时频分析图；然后搭建1个具有双输入通道的CNN网络模型，通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征；最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中，较之于单输入通道的CNN模型，该模型具有更高的诊断准确性和鲁棒性。     

基于深度高斯过程的永磁牵引电机匝间短路分级评估方法

定子绕组匝间短路是影响永磁牵引电机安全稳定运行的主要故障之一,受运行工况、供电与电机本体不平衡的影响,现有方法难以实现永磁牵引电机匝间短路在线精准评估,这成为永磁电机推广应用迫切需要解决的关键技术难题。因此,文章提出一种基于多特征融合的深度高斯过程永磁牵引电机匝间短路分级评估方法：首先通过建立永磁牵引电机匝间短路故障模型,提取电流不平衡、电流三次谐波与dq电流的二次谐波特征;然后采用一种双随机变分推断深度高斯过程（Doubly Stochastic Deep Gaussian Processes,DSDGP）方法对提取特征进行融合训练建模,实现永磁牵引电机匝间短路劣化状态在线分级评估;最后通过永磁电机匝间短路试验与现场案例进行算法验证。结果表明,文章所提方法在多特征融合条件下的评估准确率达到95%以上,相较于支持向量机（support vector machine, SVM）和反向传播神经网络（back-propagation neural, BPN）等分类方法,具有准确率高,适用于变工况、小样本的工程实际应用环境等优点,解决了永磁牵引电机匝间短路早期故障检测及故障严重程度评估的行业难...     

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。     

基于随机森林的动车组牵引电机故障特征选择方法

动车组车载数据具有维度高、数据量大的特点,从高维度的数据中提取出牵引电机相关的有效特征是进行数据驱动模型构建的基础。文章以基尼指数为例,介绍了基于基尼指数的CART分类树构建步骤、基于CART分类树的随机森林构建方式以及基于随机森林分类算法的基尼指数平均不纯度减少和袋外误差平均准确度减少2种特征选择方法,并对2种特征选择方法进行了试验验证。基于UCI机器学习样本库,通过Dry Bean Dataset和Wine Dataset 2种典型案例验证了2种特征选择方法在特征选择和模型分类方面的有效性;基于动车组车载实测数据,通过对动车组牵引电机的特征选择,验证了2种方法都能有效筛选出牵引电机故障特征,同时基于所选故障特征建立的牵引电机故障诊断模型具有较高准确率和召回率,可用于动车组牵引电机故障特征选择。     

基于ICEEMDAN-FE和支持向量机的三电平逆变器的故障诊断技术

为了提高三电平逆变器复杂开路故障诊断的准确率，提出了一种应用“改进自适应噪声完备集合经验模态分解-模糊熵（ICEEMDAN-FE）”和“支持向量机（SVM）”结合的三电平逆变器故障诊断方法。首先，检测信号选取三相负载电压，为降低特征向量的维数，对三相负载电压进行Concordia变换，转换为α-β相电压；然后，通过ICEEMDAN算法提取α-β相电压的特征，得到不同尺度的内禀模态函数（IMF），再利用主成分分析（PCA）降维剔除IMF虚假分量；最后，计算优选的IMF的模糊熵均值作为特征向量，输入到多分类SVM中进行训练分类，进而实现对二极管中点箝位型（NPC）三电平逆变器的故障诊断。仿真试验结果表明，该方法能够有效识别多种开路故障模式，具有抗噪性能强，诊断速度快，诊断精度高等优点。     

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。     

基于隐马尔科夫模型的道岔故障诊断方法

针对国内外高速铁路的快速发展,道岔故障严重影响行车安全及运输效率,本文提出一种基于隐马尔科夫模型的道岔故障诊断方法,通过增加道岔设备的潜在故障状态,将道岔设备的状态进行多状态细分。采用基于Fisher准则函数和主成分分析的方法进行特征提取,矢量量化处理后,建立不同故障模式下的HMM模型,通过比较测试数据与训练得到的不同HMM模型的匹配值进行故障诊断。利用京广铁路长沙南某型号道岔连续动作功率数据,对模型的性能进行测试,完成了故障诊断的实现与验证。仿真结果表明,采用四维特征信息时,其训练时间相对于其他机器学习方法有了较大提高,正确率达到90%以上,且该方法将道岔状态进行细分,通过分析每种状态之间的状态转移,可以预测道岔故障,从而进行道岔设备健康状态监测。     

基于谐波小波的轴承故障诊断方法的研究

提出了一种基于谐波小波的轴承故障诊断方法,并就滚动轴承内圈损伤、外圈损伤和滚动体损伤三类常见的运行故障,运用谐波小波变换提取了它们的故障特征。在武昌南机务段轴承检测的应用表明,该方法能有效提取滚动轴承振动信号的故障特征频率,具有良好的应用前景。     

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。