基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题,提出了一种基于深度时频特征的机车轴承故障诊断新方法;利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取;为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征,上通道使用一维CNN,为使输入的二维时频域信号能多角度地反映出信号的细微局部变化,下通道使用二维CNN;在融合层中将上下通道特征自动融合成一个新的深度时频特征,并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别;在此基础上,分析了某局机务段实测的7种机车轴承数据,验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%,与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比,平均诊断精度分别提高了0.7%、1.9%和2.2%;本文方法提取的深度时频特征中每类故障分布间隔规则有序,类内间距很小,而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则,类内间距较大,说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越,是一种解决机车轴承故障诊断问题的有效模型。      

基于时频分析的柴油机活塞环故障振动诊断研究

活塞环是柴油机的关键部件之一，如果出现故障将严重影响柴油机的性能．文中介绍了时频分析理论，利用时频分析方法对柴油机正常和活塞环故障状态下的机体表面振动信号进行了分析，提取了特征信息，两种状态下结果区别明显，说明时频分析方法能够作为柴油机的故障诊断和状态监测的有效工具和方法．     

改进奇异值分解技术在齿轮故障信号降噪中的应用

改进了奇异值分解技术,利用仿真信号验证了改进的奇异值分解技术对齿轮故障信号提取的有效性,并从实测齿轮裂纹信号和齿轮断齿信号中提取出了故障特征信号.研究表明该方法能在强噪声背景下提取出齿轮故障信号,但强噪声对提取效果有一定影响.     

基于TVAR的非平稳工况转子故障诊断技术研究

分析比较了基于时变参数自回归模型(TVAR)时频分析方法与基于非参数模型的典型传统时频分析方法--STFT、CWD对非平稳信号进行分析时的时频性能和特点,TVAR方法得出的时频图具有分辨率高、无交叉干扰项以及计算速度快等优点.基于TVAR分析了从转子实验台上采集的加速过程无故障及故障状态下的振动信号,分析结果有效地揭示了变速非平稳过程转子振动信号的特性和故障特征.仿真和实验都证明TVAR非常适用于旋转机械非平稳振动信号分析.     

基于奇异值分解技术的轮边减速器故障信号降噪研究

利用改进的奇异值分解技术,用仿真信号验证了该技术对轮边减速器齿轮故障特征提取的有效性,并从模拟信号中提取出了故障特征频率。研究发现,噪声的奇异值分布趋于直线,凸显出了有用信号的奇异值,有利于特征信号提取。仿真结果表明,该方法能在强噪声背景下提取行星系统齿轮故障特征,为轮边减速器故障诊断提供了一个新的思路。     

基于盲源分离的共振解调技术在齿轮齿面接触故障诊断中的应用

提出一种运用基于盲源分离的共振解调技术对齿轮齿面接触故障进行诊断的方法.该方法利用盲源分离算法对传感器采集的混合信号进行分离,获取纯粹的故障源信号;采用共振解调技术对分离后的故障源信号进行频谱分析,成功地提取了齿轮齿面直接接触的故障特征.     

基于联合近似对角化的盲源分离在齿轮箱故障诊断中的应用

提出一种采用盲源分离技术对齿轮箱混合故障进行诊断的方法．该方法利用白化信号自相关矩阵的联合近似对角化算法，从观测信号中分离故障特征源信号，并根据分离信号的频谱成功地提取了混合故障的特征信息，有效地诊断出齿轮箱所处的故障状态．     

基于倒阶比谱的滚动轴承故障诊断

为从变速滚动轴承振动信号中提取轴承故障特征,利用了基于倒阶比分析的诊断方法.该方法利用计算阶比跟踪算法,采集转速信号和振动信号,并对振动信号进行角度域重采样,获得角度增量恒定的角度域周期平稳信号,再进行倒谱分析,最后依据倒阶比谱分析结果进行故障识别和诊断.由于阶比分析能将非平稳时域信号转换为平稳的角度域信号,而倒谱分析能很好的抑制频率模糊,所以将阶比分析和倒谱分析相结合,充分利用二者优点,能从干扰中准确识别故障特征,适合于变速滚动轴承信号的故障特征提取.实验证明该方法有效,能够提取变转速滚动轴承故障特征,具有一定的工程应用价值.     

航空发动机转子碰摩故障信号广义S变换方法

为了有效提取航空发动机转子碰摩故障信号,提高碰摩故障诊断的准确性,采用广义S变换方法,把碰摩信号变换到相空间中,在相空间检测和提取故障特征,并与连续小波变换的结果进行了比较。变换分析结果表明:在广义S变换域可以更清楚地反映出信号的时频局域化特性和奇异点位置,易于检测出碰摩点的位置,广义S变换有较好的抗干扰能力,在变换域易于信号与噪声的分离。     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。     

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络,研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题,并与传统信号时频分解方法进行了对比研究;采用不同小波参数对振动信号进行连续小波变换,提取了每组参数下中央尺度上的小波包络;采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络,构造了高维小波包络矩阵;采用局部切空间排列算法对高维小波包络进行流形融合,获得了反映故障瞬态脉冲包络本质结构的小波包络流形;为了验证所提方法的有效性和优越性,采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时,所提方法基尼指数比传统信号时频分解方法提高27.32%以上;在分析齿轮磨损故障信号时,所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见,所提方法通过综合具有不同形态的变参小波包络,可以在无需优化小波参数情况下,对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性,提取的故障脉冲包络中的带内噪声少,故障脉冲特性明显,容易识别其频谱中的故障特征频率,是检测车辆传动系统故障的一种有效方法。      

Feature Extraction of Bearing Vibration Signals Using Second Generation Wavelet and Spline-Based Local Mean Decomposition

In order to extract the fault feature frequency of weak bearing signals,we put forward a local mean decomposition(LMD)method combining with the second generation wavelet transform.After performing the second generation wavelet denoising,the spline-based LMD is used to decompose the high-frequency detail signals of the second generation wavelet signals into a number of production functions(PFs).Power spectrum analysis is applied to the PFs to detect bearing fault information and identify the fault patterns.Application in inner and outer race fault diagnosis of rolling bearing shows that the method can extract the vibration features of rolling bearing fault.This method is suitable for extracting the fault characteristics of the weak fault signals in strong noise.     

基于Copula函数的高速列车转向架故障特征提取

为了实时监测高速列车转向架关键部件的工作状态,提出了一种基于Copula函数的特征提取方法.以某型高速列车转向架正常、抗蛇形减振器失效、空气弹簧失效、横向减振器失效4种工况的振动信号为研究对象,将信号进行聚合经验模态分解,针对得到的本征模态函数,使用Gaussian Copula函数构建它们的联合概率密度函数.提取边缘分布的Kullback-Leibler Distance值,及联合概率密度函数的均值和方差作为特征,采用支持向量机进行识别.实验结果表明,在200 km/h速度下,故障平均识别率在95%以上,表明了该特征提取方法的有效性.      

Simulation Study on Multi-Rate Time-Frequency Analysis of Non-Stationary Signals

A new time-frequency analysis method is proposed in this study using a multi-rate signal decomposition technique for the analysis of non-stationary signals. The method uses a multi-rate filter bank for an improved non-stationary signal decomposition treatment, and uses the Wigner-Ville distribution (WVD) analysis for signal reconstruction. The method presented in this study can effectively resolves the time and frequency resolution issue for non-stationary signal analysis and the cross-term issue typically encountered in time-frequency analysis. The feasibility and accuracy of the proposed method are evaluated and verified in a numerical simulation.     

工程爆破振动信号分析中的小波方法

应用小波 富里叶综合分析方法对爆破振动信号进行时频域分析, 从爆破振动测试信号中分离出真实的振动信号, 并对爆破振动信号的频率特征进行精细地分析． 从而为在爆破振动安全规程中引入速度 频率准则提供了一种可行的技术手段     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

基于盲分离的轮边减速器故障诊断

研究矿用汽车轮边减速器中太阳轮、行星轮和齿圈局部故障振动信号的频潜结构，对于轮边减速器故障诊断具有重要意义。文中模拟了太阳轮、行星轮和齿圈局部故障振动信号，利用盲分离算法将含噪声的混合信号分离，从信号分离结果来看，达到了预期效果，并应用频谱分析方法分别诊断出了太阳轮、行星轮和齿圈局部故障。为矿用汽车轮边减速器故障诊断提供了行之有效的方法。