基于CEEMDAN-SVM的高铁轴承故障诊断研究

高铁轴承在高铁运行中起着重要作用,对其进行状态检测和故障诊断有着十分重要的作用和意义.总结出一种基于自适应辅助噪声的完备集合经验模态分解(CEEMDAN)和样本熵(SampEn)相结合的高铁轴承故障诊断方法.振动信号经过分解获得诸多的本征模态分量(IMF),计算其样本熵特征参数来表征不同故障状态下的轴承信号的相关特征,...     

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Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

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。     

信号自适应分解对比研究及其在机车轴承故障诊断中的应用

为有效提取机车轴承故障特征,开展信号自适应分解方法对比研究。分析了经验模态分解、局域均值分解和局部特征尺度分解3种常用方法的局部均值计算、分解成分和分解能力。针对局域均值分解存在的问题,提出了改进方案并有效验证。进一步提出了先做改进局域均值分解,再采用1(1/2)维谱处理得到的乘积分量的机车轴承诊断的方法,成功用于DF_4型机车的故障诊断。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

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。     

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。