基于改进峭度图法的滚动轴承故障诊断

针对在强烈背景噪声和随机脉冲干扰下滚动轴承故障信号难以提取的问题,提出了一种改进的峭度图方法进行滚动轴承的故障诊断。该方法先通过计算特定频带信号包络的功率谱幅值的峭度,再按照峭度最大原则确定最优解调频带,然后根据最优解调频带获得带通滤波后的解调信号,通过对解调信号进行频谱分析来识别滚动轴承的故障及其类型。通过仿真和试验两种方式,对比分析了改进峭度图法和快速峭度图法诊断滚动轴承故障的效果,验证了改进峭度图法的有效性。分析结果表明:改进峭度图法比快速峭度图法能够更加准确地确定共振频带,并且在强烈背景噪声干扰下也能准确识别轴承故障。     

基于Morlet小波与尺度空间的滚动轴承故障诊断研究

针对滚动轴承早期故障特征提取困难的问题,提出了一种基于Morlet小波与尺度空间的滚动轴承故障诊断方法.该方法先用尺度空间划分频带边界,得到共振频带,再把频带边界信息代入Morlet小波中构造滤波器组对信号进行滤波.由于尺度空间划分频带边界存在过分割的问题,引入了包络相关峭度作为指标,提出采用尺度空间优化谱的方法来识别...     

基于小波包分析的货车滚动轴承故障诊断

铁路车辆滚动轴承故障的不解体诊断，对于提高轴承诊断效率，减轻操作人员的劳动强度和保证铁路运输的安全是至关重要。结合小波包分解和加权K近邻法提出了一种新的货车滚动轴承不解体故障诊断方法。首先利用小波包对滚动轴承的振动加速度信号进行分解，得到滚动轴承动态信号在不同频带的能量，并以此作为滚动轴承的特征向量；然后采用加权K近邻法对滚动轴承进行故障诊断。对197726型货车滚动轴承在轮对不解体条件下进行了诊断实验，结果表明该方法能准确地检测出滚动轴承外圈、内圈及滚子的局部缺陷，并且诊断速度快，完全满足实时诊断要求。     

基于AFD算法的滚动轴承故障诊断方法

基于自适应傅里叶分解(AFD)算法,将滚动轴承的振动信号分解为一系列单一分量信号并计算它们的峭度;将峭度由大到小顺序排列,自适应寻找峭度趋于稳定的拐点,对拐点前的单一分量信号求和并取包络作共振解调;根据解调得到的频谱判断滚动轴承是否发生故障及发生故障的部位。以N205EM型滚动轴承为例进行试验验证,结果表明:在不预先确定滤波频带,不出现无物理意义的"负频"情形下,能够准确有效地提取出比传统共振解调方法有更好频谱特征的滚动轴承故障信息,从而有效地诊断出滚动轴承的故障。     

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。     

基于改进的数据融合滚动轴承故障诊断

针对滚动轴承单一诊断方法造成误诊率高、可靠性低的缺陷,提出一种基于变分模态分解(VMD)-支持向量机(SVM)和数学形态学(MM)-相关性分析(CA)的复合诊断算法。该算法采用双通道并行诊断,通道1使用VMD在频域分解故障信号,并结合贝叶斯SVM分类器获取诊断结果的后验概率,具有诊断准确性高的优点;通道2使用MM方法在时域中提取故障特征,通过CA方法获得诊断结果的相关性系数,具有较强的泛化能力。通过改进的加权平均证据理论方法将两通道判定结果有机融合,发挥两种单一方法的优势互补,实现复合式故障诊断。使用轴承故障试验台对复合算法进行验证,与单一方法进行对比。结果表明：该复合算法可有效提取非平稳信号中的故障特征,提高诊断结果的可靠性。     

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。     

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。     

地铁车辆转向架轴承故障诊断方法研究

地铁车辆转向架轴承状态对车辆的安全运行至关重要。现有地铁车辆转向架轴承的监测与诊断存在智能化程度低、准确性差等不足。针对此不足,对地铁车辆转向架轴承故障模型进行推导,提出一种地铁车辆转向架轴承故障智能诊断方法。该方法根据转向架轴承径向振动加速度信号,采用小波包-包络分析和故障识别搜索算法,诊断轴承故障及故障类型。为了验证所提出方法的有效性,设计并搭建了轴承故障诊断试验台,基于此试验台对广州地铁车辆转向架故障轴承进行了测试。试验结果表明:所提出的转向架轴承故障诊断方法能够准确识别轴承故障,为地铁车辆转向架轴承故障诊断的自动化、智能化提供了新思路。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

基于车辆总线和Laplace小波的机车轴承诊断系统

为保证高速客运机车的行车安全,开发基于车辆总线的机车轴承故障诊断系统,通过车辆总线监测温度和振动信号对机车走行部轴承进行早期诊断和预警。给出诊断系统的硬件结构、软件功能与特点。分析机车轴承振动信号特征,针对故障轴承冲击响应由一系列单边衰减振荡信号组成,轴承故障特征频率包含的能量少且受到噪声干扰的特点,将Laplace小波引入轴承振动信号分析,提出基于Laplace小波相关滤波和包络谱分析提取故障特征频率的机车轴承诊断方法。试验表明,所开发的系统有很强的鲁棒性,能有效诊断机车走行部各种类型的故障。     

小波分析与Hilbert变换在25T型客车故障诊断中的应用

小波具有多分辨特性,可以对信号进行多尺度变换,从而更精细地分析信号。Hilbert变换可以提取信号的包络。使用小波分析与Hilbert变换结合的方法,对采集的25T型客车轮对擦伤和动不平衡数据进行分析,小波分析可以滤去其噪声,得到近似和细节数据,Hilbert变换可以提取小波分解信号的包络。对处理后的数据计算功率谱和能量分布。通过对轮对擦伤数据、动不平衡和正常数据进行处理,处理结果显示了此方法可以有效地进行25T型客车的故障诊断。     

基于概率包络的轮对轴承故障诊断方法

信号不确定性的正确表达是故障诊断的先决条件。然而,在实际情况中,轮对轴承的信号存在各种不确定性,采用传统方法处理这类不确定性,存在信息丢失问题。提出一种基于概率包络的轮对轴承故障诊断方法。对原始信号进行分布类型检验,针对不同分布特点使用不同方法进行概率包络建模。提取概率包络模型的几何形状作为故障特征,并将其输入支持向量机(SVM)训练获得故障诊断模型。以公共数据集及实测数据进行诊断测试,并对诊断结果进行比对验证。实验结果表明,该方法合理有效,提高了诊断精度和效率。     

基于长短期记忆网络的动车组轴箱轴承故障诊断预测模型研究

动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明...     

基于小波分析和SVM的主变流器故障诊断

针对电力机车主变流器的故障,提出基于小波分析和支持向量机(SVM)的故障诊断方法.首先,运用小波包对特征信号进行分解和重构,然后提取各频带的能量,将得到的能量值构造为特征向量,最后把特征向量输入到支持向量机,进行故障诊断.MATLAB仿真结果表明,该方法能够准确地对故障进行诊断.     

基于小波分析的光伏并网逆变器故障诊断

针对光伏并网逆变器的故障检测与智能在线诊断问题,提出了一种C3C3逆变器故障特征提取方法。该方法以逆变器输出三相电流的小波分析结果作为判断依据,将故障信号的近似分量和细节分量相结合作为故障特征向量,利用神经网络的分类功能,实现对光伏并网逆变器的故障诊断。该方法无需电压信号和人工参与,硬件实现简单,且抗干扰性强。仿真实验结果证明了该方法的有效性。