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。     

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。     

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。     

一种改进的地铁车辆转向架轴承故障诊断方法

转向架轴承故障特征极容易受到轮轨激扰和环境随机噪声的影响。现有地铁车辆转向架轴承故障诊断方法存在故障特征提取困难、诊断准确率低等不足。为此,提出一种故障诊断方法。该方法首先对采集的振动信号进行降噪预处理,并利用小波包分析法将其分解为多个频带,基于峭度指标自适应调整各频带包络分析和故障搜索的顺序,快速、充分地提取轴承故障特征。建立轴承测试台,使用广州地铁公司提供的转向架轴承对所提出的方法进行实验验证。测试结果表明,经过预处理后,轴承的故障特征更加明显,提出的转向架轴承故障诊断方法能够准确、快速地诊断轴承的故障状态。     

基于自适应变分模态分解的桥梁振动信号降噪

针对实际桥梁结构振动响应信号易受环境噪声的影响,而降噪效果较好的VMD方法存在本征模态函数分解数量难以确定的问题,提出了一种改进的变分模态分解(Variational Mode Decomposition)方法——自适应变分模态分解方法(Adaptive VMD,AVMD),实现了桥梁振动响应信号的自适应降噪。在传统VMD方法的基础上,通过结合EMD方法和主成分分析,解决了VMD方法中本征模态函数分解数量难以确定的问题,并引入多尺度小波分解技术,对受噪声污染的信号进行多尺度分解、优选与重构,进而实现复杂桥梁结构振动信号的降噪。以一座大型悬索桥为工程背景,对桥梁实测振动响应数据进行了降噪与模态参数提取。结果表明,AVMD方法解决了传统VMD方法中本征模态函数分量难以确定的问题,降噪信号所识别出的桥梁结构虚假频率比原始信号所识别出的虚假频率减少了58.82%。     

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。     

城市轨道交通车辆轴承故障诊断方法研究

基于谐波小波和加速度包络技术对轨道交通车辆滚动轴承的故障诊断方法进行研究。首先运用小波滤波对轴承的振动信号进行降噪;其次通过谐波小波包分解实现了对滚动轴承故障信号的特定频带选择;最后用加速度包络技术对分解后的信号进行包络解调,进行故障诊断。在轴承试验平台上对内圈故障轴承进行了试验,通过分析加速度包络谱,提取轴承故障特征频率,与理论值接近,验证了方法的有效性。     

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。