机车车辆滚动轴承故障BP网络诊断方法

神经网络故障诊断技术已成功的应用于航空航天领域，但在铁路系统应用极少。文中介绍了神经网络故障诊断理论方法，并以ＢＰ网络为基础，实现了机车车辆滚动轴承的多故障诊断。     

基于小波包变换和BP网络的铁道车辆滚动轴承故障诊断方法

针对铁道车辆滚动轴承故障诊断,提出1种改进的小波包与BP神经网络相结合的故障诊断方法,并开发出基于该方法的铁道车辆滚动轴承故障诊断系统。用压电加速度传感器采集轴承试验台的模拟故障轴承振动信号,对采集到的信号先进行小波降噪,再通过小波包分解,构造特征向量,以此作为故障样本对改进的BP网络进行训练,实现智能化故障诊断。实验结果表明,基于该方法的故障诊断系统能够很好地诊断出铁道车辆滚动轴承内圈、外圈及滚动体表面出现的疲劳、剥落、磨损和裂纹等故障,具有实际工程应用价值。     

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

货车滚动轴承故障诊断装置

货车滚动轴承故障诊断装置是车辆段和车轮厂轮对检修生产线上的关键设备之一。本文介绍了该装置的基本结构、诊断原理、专家系统和应用试验结果。     

BP神经网络方法在机车轴承故障诊断中的应用

应用BP神经网络理论对机车轴承的故障进行诊断，同时结合VISUAL BASIC开发出基于用户界面的应用程序。     

优化参数VMD和MED在列车齿轮箱滚动轴承故障诊断中的应用

针对强噪声情况下列车齿轮箱滚动轴承早期故障特征提取困难的问题,提出基于最小熵解卷积(minimum entropy deconvolution,MED)与参数优化变分模态分解(variational mode decomposition,VMD)相结合的故障诊断方法.首先利用MED对轴承振动信号进行降噪;其次,采用离散...     

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。     

最优解调频带识别及其在滚动轴承故障诊断中的应用

针对在低信噪比和强非高斯噪声存在的情况下滚动轴承故障信号难以有效提取的问题,提出一种新的最优解调频带识别方法并应用于滚动轴承的故障诊断。该方法利用特定频带信号的包络谱幅值的稀疏度来度量故障脉冲,按照稀疏度最大原则自动识别最优解调频带;根据最优解调频带获得带通滤波后的最优解调信号,对最优解调信号的包络谱进行分析来识别滚动轴承故障及其类型。采用振动信号仿真模型和滚动轴承试验台获得的轴承故障信号来测试该方法的有效性,并把测试结果与快速峭度图方法进行对比。结果表明：该方法比快速峭度图方法能够更加准确地识别共振频带,并且在低信噪比和强非高斯噪声存在的情况下也能准确提取轴承故障特征。     

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 WaveletTransform,EWT)和奇异值分解(Singularvaluedecomposition,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。     

滚动轴承故障诊断装置应用分析

目前,在车辆段使用的滚动轴承故障诊断装置主要有电脑轴承分析仪、轮对轴承自动诊断机等.这些设备的投入使用,提高了轴承故障诊断的科学性和先进性,在现场生产中起到积极的作用.但在使用过程中存在的一些问题,需待进一步解决及完善. 1现场使用情况 1.1电脑轴承分析仪 该分析仪用于诊断红外线轴温探测点预报轴温超高而甩车的滚动轴承故障,具有轻便、使用简单的优点,但在使用过程中发现有如下几个问题:     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

电力要车牵引电机滚动轴承的故障诊断

讨论了电力机车牵引电机滚动轴承振动法故障诊断方案，介绍了ＪＤＺ－１型机车轴承检测仪中采用的信号处理，数据分析、诊断参数选择以及轴承状态判别等关键技术，并介绍了该仪器用于ＳＳ３电力机车的现场诊断实例。     

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,输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析,结果表明,本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路,具有较强的抗噪性和泛化性能力。     

电力机车牵引电机滚动轴承的故障诊断

讨论了电力机车牵引电机滚动轴承振动法故障诊断方案，介绍了ＪＤＺ－１型机车轴承检测仪中采用的信号处理、数据分析、诊断参数选择以及轴承状态判别等关键技术，并介绍了该仪器用于ＳＳ３型电力机车的现场诊断实例．     

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（ConvolutionNeuralNetwork,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（MultipleQ-factorContinuousGaborWaveletTransform,CMQGWT）和快速谱相干（FastSpectralCoherence,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.     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件,设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对,利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理,振动信号包含滚动轴承故障信息。因此,运用小波变换函数,对振动信号进行时频域分析处理,获取有用的故障特征信息,进而确定故障类型。从实验结果可以看出,该方法能准确地找到故障频率,对于机车滚动轴承故障诊断有很好的指导意义