非平稳机械振动噪声中瞬态故障信号的检测

结合非平稳机械运行状态,分析了非平稳振动信号中瞬态故障信号和平稳振动信号的特点,介绍了应用小波包理论进行故障信号检测的基本原理.通过小波包变换后,平稳振动信号和瞬态故障信号的小波包-能量谱表现出不同的特性.本文运用统计信号处理的理论,构造了相应统计量进行假设检验判决,判断平稳振动信号中是否存在瞬态故障信号。针对变速箱故障声压信号的非平稳时变特点,给出了小波包分析处理变速箱故障声压信号的原理和方法,并分析了一个变速箱齿根裂纹故障的诊断实例.实验结果表明,该方法可以有效地提取淹没在平稳振动噪声信号中的瞬态故障信号的特征,准确判断出故障,验证了该方法对机械设备进行故障诊断的有效性,对其它类型的机械故障诊断也具有一定的参考价值。     

基于同步压缩变换的阶比分析法在城市轨道交通车辆轴承故障诊断中的应用

针对城市轨道交通车辆轴承在变速过程中的振动信号呈现非平稳性特征的情况,提出了基于SST(同步压缩变换)的阶比分析方法.首先对强噪声环境下轴承振动信号进行SST时频分析处理,对振动信号中的瞬时频率进行估计,并提取瞬时转频;然后利用得到的瞬时转频计算鉴相时标,对时域信号进行重采样,得到准稳态的角域信号;最终完成车辆变速过程...     

基于ICEEMDAN-MPE-RF和SVM的齿轮箱特征提取与故障诊断

针对齿轮箱非平稳振动信号特征提取难、特征向量冗余度高和故障识别率低的问题，提出基于改进的自适应噪声完备集成经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）、多尺度排列熵（Multi-scale permutation entropy,MPE）、随机森林（Random forest,RF）特征重要性排序和支持向量机（Support vector machine,SVM）的齿轮箱特征提取与故障诊断方法。首先，通过ICEEMDAN将各种故障状态的齿轮振动信号分解为一系列不同频率分布的本征模态分量（Intrinsic mode functions,IMF）；然后，计算各阶IMF的MPE值获得非平稳信号时频分布下的非线性动力学特征；最后，通过RF算法评估特征重要性，选择高重要性敏感特征组成最优特征子集输入SVM进行故障模式识别。试验结果表明，该方法特征提取和表征能力强，在不同工况下的平均识别率可达99.79%，在多工况和小样本数据集上比其他方法更具稳健性。     

基于频率切片小波变换的轨道列车轮对振动信号分析

为了提取轨道列车轮对振动特征信息,提出一种基于频率切片小波变换的故障特征提取方法。首先,利用频率切片小波变换获取振动信号在全频带的时频分布;然后,依据得到的振动信号能量分布特点选择时频目标区域;接着,分割出含有故障特征的时频区域;最后,通过逆变换对目标区域的信号分量进行重构,分离出有效的信号时频特征。仿真结果表明,利用频率切片小波变换分离轮对振动信号时频特征效果较好,为轨道列车轮对振动信号时频特征精确提取提供一种新的方法。     

基于自适应STFT的货车滚动轴承故障诊断

带故障的铁路货车滚动轴承振动信号表现为低频平稳信号与高频的周期性冲击信号的叠加。采用以三阶B样条函数作为窗函数的自适应短时傅立叶变换(STFT)对货车滚动轴承振动信号进行时频分析和故障信息提取。与传统的固定带宽的STFT相比,自适应STFT在不同频段自适应选取窗长,大大提高了振动信号的时频分辨率。应用该方法对197726型货车滚动轴承在内圈剥离、外圈剥离两种故障状态下的振动信号做了分析,求得故障频率分别为61.32 Hz和46.36 Hz,与内外圈的理论故障频率相符,可以有效地诊断出铁路货车滚动轴承内外圈故障。     

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。     

基于时频谱和集总经验模式分解(EEMD)包络谱分析的地铁车辆故障分析

在分析地铁车辆激扰源特征和影响的基础上,针对车辆振动信号非线性、非平稳性的特点,提出一种地铁车辆故障综合诊断方法:时频法(短时傅里叶变换、希尔伯特-黄变换)和基于集总经验模式分解(EEMD)的Hilbert包络谱分析法。对某异常地铁车辆进行测试,并运用该方法进行诊断分析。综合分析表明,该车辆转向架构架异常振动并开裂的故障源为车轮。这与车轮检测结果一致,说明此综合诊断方法准确有效。     

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。     

车轮踏面擦伤的冲击振动特性及其在车轮擦伤检测中的应用

在单轮对1∶1滚动试验台上,试验研究了0~200 km/h速度下车轮踏面擦伤引起的冲击振动特性。试验中同时测量了轮对每个轴箱的垂向振动加速度并对其进行了时域和频域分析。试验结果发现,低速时车轮擦伤引起的冲击振动特征明显,但随着速度的增大,擦伤振动信号的信噪比会逐步降低。在一侧的车轮擦伤会影响另一侧轴箱的振动,车轮擦伤振动信号具有丰富的频率成分,可以用来进行车轮擦伤信号的检测。     

基于深度学习的高速列车转向架故障识别

为提取高速列车转向架关键部件振动信号的特征,提出基于深度学习(Deep Learning)的高速列车转向架故障识别新方法。以转向架关键部件非全拆单工况故障信号为研究对象,对故障信号进行离散傅里叶变换,然后依据深度学习的降噪自动编解码过程对故障的频域信号进行特征学习,并以此特征作为BP神经网络的输入实现转向架故障信号的识别。实验结果表明:在不同速度下,所提方法对转向架关键部件非全拆故障识别正确率能达到100%,表明了该方法的有效性。     

基于多尺度时频图与卷积神经网络的车轮故障智能诊断

铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的...     

高速列车监测数据处理及故障诊断

车体性能好坏直接影响列车的行车安全,文章利用安装在车体上的传感器所采集到的振动信号,选取合适的信号特征提取方法进行评估,达到列车故障早期预警的目的。试验数据表明,车体的振动信号具有非线性、非平稳的特点,先对振动信号提取小波包能量矩特征进行时频域分析,发现该特征提取方法可以直观地反映车辆横向和垂向振动情况。引入基于局部分析的拉普拉斯特征映射算法(LE),对故障工况的小波包能量矩熵特征所构造的高维特征向量空间进行降维,发现能够从垂向加速度信号识别出空气弹簧失气工况,从横向加速度信号识别出抗蛇行减振器故障和横向减振器故障。这与车辆动力学分析结果一致,同时也证实了流形学习方法对列车性能评估具有一定的作用。     

基于CNN-LSTM的车辆悬挂系统故障识别方法研究

高速铁路车辆（简称：车辆）运行条件恶劣多变,车辆悬挂系统的可靠性关系到行车安全和乘坐舒适性。当车辆的悬挂系统发生故障时,振动信号呈现非线性、非平稳的特征。为此,提出了一种基于卷积神经网络（CNN,Convolutional Neural Network）-长短时记忆（LSTM,Long Short-Term Memory）模型的车辆悬挂系统故障识别方法。通过SIMPACK平台建立了包含悬挂系统的车辆-轨道耦合动力学模型,获得了车辆系统各部件在健康状态及各类故障状态下的振动信号;以与故障元件关联部件的振动加速度信号作为模型输入,通过构建的CNN-LSTM模型对时序信号进行特征提取和分类预测,进而实现对车辆悬挂系统的故障识别;通过构建不同工况的故障数据集对该方法进行评估。试验结果表明,该方法在速度等级相同的情况下,故障识别准确率可达98%;在速度等级不同的情况下,故障识别准确率可达99%,验证了该方法的有效性。     

动车组万向轴振动监控装置报警阈值分析

针对动车组万向轴运用过程中出现的轴承润滑不良导致的动平衡超标及传动系统异常振动而影响行车安全的问题,研制了车载万向轴振动监控装置。通过在齿轮箱体和电机上安装振动传感器,以齿轮箱和电机测点的万向轴转频频段的振动信号为特征量,实时监测万向轴的健康状态;根据不同动平衡量级万向轴在不同转速下测点加速度响应的仿真分析、台架试验验证以及不同线路运行动车组万向轴现车振动数据统计分析,制定并优化车载报警阈值,并根据故障分级提供车载预警和报警信息。     

CRH5型动车组万向轴传动系统监控装置研制

经车辆长期运用统计发现,若CRH5型动车组万向轴系统发生万向轴轴承磨损、十字节单元包润滑不良、万向轴平衡块松脱等故障,则最终表现为万向轴动平衡指标超出线路运用标准,即万向轴产生动不平衡附加力矩和传动系统产生异常振动。针对此问题,开发研制了车载万向轴传动系统监控装置,用以实时监测万向轴状态,并可提供故障分级的预警、报警信息。该监控装置在齿轮箱体和电机上安装振动传感器,通过检测万向轴动不平衡引起的振动信号的时频特性,诊断故障信息。通过不同动不平衡万向轴在不同转速下测点加速度响应的仿真分析,以及不同动不平衡万向轴装车线路的验证试验表明,以齿轮箱和电机测点的万向轴转频频段的振动信号为特征量,能较好地反映万向轴的振动状态。     

基于EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

高速列车车轮非圆化与振动噪声关系跟踪试验研究

选定某型号新运营的高速列车进行长期跟踪试验,研究不同运行时期内,车轮非圆化与振动噪声的发展变化规律及两者间的相互影响关系。研究发现:现有的车轮镟修加工手段,不能完全消除车轮非圆化磨耗的再次形成和发展,镟修后车轮会继承部分或者全部镟修前的非圆化特性;部分初始无高阶非圆化特性的车轮,镟修后至列车再运行一定里程时会出现车轮高阶非圆化特征,同时期的振动噪声频谱会对高阶非圆化阶次所在的频率有所反映。在考虑车轮镟修及车辆固有特性两种因素下,分析了车轮高阶非圆化的可能成因,并提出了缓解车轮高阶非圆化、降低车内振动噪声的方法。     

基于LSTM网络高速列车悬挂系统故障预测方法研究

高速列车悬挂系统安全性对于整车安全运行非常重要,对悬挂系统进行全生命周期状态监测以预测其故障成为不可忽略的研究内容.当高速列车悬挂系统发生机械故障时,产生振动加速度,信号呈现非线性、非平稳特征.文章提出一种基于LSTM网络的高速列车悬挂系统故障预测方法,通过SIMPACK建立某型号高速列车整车模型,获得重要部件在各健康...     

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。