基于能量分析的列车轴承故障声发射信号研究

货车轴承早期微弱故障的声发射信号由于背景噪声干扰引起故障特征不明显,提出一种基于能量分析的故障声发射信号特征提取方法。采用铁路货车轮对轴承故障实验台进行测试,利用能量算子在检测信号瞬态冲击成分方面的优势,增强故障声发射信号中的瞬态冲击特征,通过信号瞬时能量的频谱识别特征频率,从而判断故障原因。实验结果验证了能量方法用于货车轴承声发射故障诊断的有效性。     

基于双通道Teager能量重组的滚动轴承故障诊断方法研究

针对在列车轴箱采集到的故障信号伴随有较强背景噪声干扰这一问题,提出了一种基于双通道IMF(Intrinsic Mode Function)相关重组的滚动轴承故障诊断方法,其依据峭度选取最优共振带,通过EMD(Empirical Mode Decomposition)与相关系数求取合理的IMF分量,以Teager能量算子实现解调并基于相关函数对信号进行重组,削弱噪声干扰的同时强化故障信息。通过铁路轴承综合实验台验证,该方法可有效降噪并提取故障特征频率。     

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.      

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

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。     

基于互相关奇异值分解的滚动轴承故障诊断

滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。     

小波变换在轴承故障声发射信号降噪中的应用

噪声消除是小波变换最成功的应用之一，其基本思想是将信号的小波变换系数通过阈值处理，然后进行小波重构得到降躁的信号。根据故障轴承声发射信号的脉冲特性选取Morlet小波．以“小波熵最小”原则确定Morlet小波的波形参数，然后进行连续小波变换。采用软阈值方法处理小波东数，通过小波重构得到降噪后的故障声发射信号，噪声得到了很好的抑制，故障脉冲特征明显增强。采用实验数据，通过与离散小波变换的比较，得到了用连续小波变换可以有效降低噪声、提取故障声发射信号特征的结论。     

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MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

基于机器学习的轴承故障分类方法研究

针对传统轴承故障诊断方法需要人为提取故障特征及依赖专家经验的问题,提出一种端到端的轴承故障诊断方法。将归一化的振动信号转换为二维图片,对图片分别进行均值滤波、高斯滤波、中值滤波和双边滤波的降噪预处理对比,最后选定中值滤波降噪方法。在改进LeNet-5模型的基础上,通过超参数设置,对全寿命轴承数据进行分类试验,平均精度达到97%,交叉熵损失达到0.06,分类效果明显。     

基于小波变换的频谱检测算法分析

文章分析了认知无线电频谱检测中匹配滤波检测、能量检测、周期平稳过程特征检测的性能,指出了噪声对各自检测性能的影响,给出了一种基于小波变换的信号频谱检测算法,着重对含噪2FSK、2PSK信号进行分离仿真。仿真结果表明,该算法可以有效地进行信号的成分分离,降低了噪声的频谱检测的影响。     

野外植物波谱中噪声分布规律研究

基于空间相关算法和小波方差估计法,进行了噪声检测.实验表明,野外波谱噪声总体方差数量级介于10-2～10.之间,在350～1 300 nm.野外波谱曲线的噪声方差略高于JPL光谱库中的Conifers,1450 nm和1800 nm附近则噪声相当显著.野外波谱曲线的小波系数能量分布与加性仿真信号不同.在1450 nm和1800 nm附近,噪声在高分解尺度上表现为尖锐毛刺的减少,噪声能量减弱同时在这2个区段的信号总体能量逐渐增大,证明有波谱特征信号存在.野外波谱数据中这种尖锐噪声与2个污噪信号相除得到的复合信号表现出相似的特征,其能量传播特征也相似.     

基于自适应多尺度形态学分析的车轮扁疤故障诊断方法

建立了56自由度车辆动力学模型与车轮扁疤模型,计算了车辆的动态响应。车辆的振动信息往往受到轨道不平顺和车速波动等因素的影响,为了能在强噪声背景下有效提取轮轨冲击特征,提出了自适应多尺度形态学滤波分析方法,研究了车轮扁疤引起的轴箱振动特征,分析了轨道激扰和车辆运行速度对车轮扁疤故障诊断效果的影响。仿真结果表明:在100、150、200km·h-1的车速和美国五级谱、三级谱的激扰下,分别使用7个和9个尺度的结构元素进行形态学滤波,正确地识别出10、15、20Hz车轮扁疤故障频率。实测结果表明:当车速为40km·h-1时,使用7个尺度的结构元素进行形态学滤波,提取出了2 Hz的故障频率,此频率与理论故障频率相对应,诊断结果可靠。     

柴油机缸盖振动信号的时间特征和循环波动性

充分利用柴油机缸盖和喷油器、气门摇臂座、螺栓等部件的振动信号，对柴油机的工作过程、喷油系统和气门机构等进行故障诊断有着重要意义。文中着重分析柴油机缸盖振动信号的时间特征信号的时间特征和循环波动性，并提出消除波动性的一些措施，提高了故障 怕的准确性。     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

声强选通分析技术在柴油机故障诊断中的应用与研究

本文根据柴油机气缸盖的噪声与振动特性,论述了在缸盖上用声、振信号诊断喷、供油系统和配气机构故障的可行性;利用缸盖上的声强信号对290QN型柴油机的喷,供油系统和配气机构的几种典型故障进行了诊断,提出了相应的判别准则。本文将声强选通频谱分析技术引进柴油机故障诊断,对声强在机械故障诊断中的应用做了比较深入的探索。     

基于深度迁移学习的车辆悬架高频异常振动故障诊断

在车辆悬架故障诊断过程中,深度学习故障诊断模型在面对少量样本数据时模型训练效果不佳,导致诊断模型的接收者操作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under curve, AUC)较小的问题,利用经验模态分解(empirical mode decomposition, EMD)方法,对采集的车辆悬架高频振动信号进行分解处理,根据每个经验模态分量(intrinsic mode functions, IMF)的能量,提取高频异常振动故障特征,构建了基于深度迁移学习的诊断模型;以深度卷积神经网络算法为基础,对小样本特征矢量信息进行故障知识迁移处理,通过参数微调更新权值,优化故障诊断模型。实验结果表明：优化后模型的AUC值为0.89,模型故障诊断结果具有较高准确性。     

小半径曲线钢轨波磨激扰下列车车内振动噪声特性

为探究小半径曲线钢轨波磨与车内振动噪声的关系,以高铁站区线路中出现的钢轨波磨为对象,开展了实车试验与轨面平直度现场测试;采用同步压缩小波变换提取了车厢内部振动与噪声信号的时频特征,并引入全局小波功率谱和小波能量比对信号进行量化分析;建立了波磨严重程度与车厢内振动噪声水平的关联关系,对比了车体与走行部构件之间动力响应的差异,探讨了波磨所在曲线半径对车内振动噪声的影响。研究结果表明：在小半径曲线地段,车厢内振动与噪声信号的优势频率为500～550 Hz,与钢轨波磨引起的轮轨冲击频率一致,且该频段的能量在波磨严重区段愈加显著;轴箱与转向架构架振动信号在500～550 Hz频带也存在能量峰值,而轴箱振动信号中出现的330、1 046 Hz等峰值频率被一系悬挂有效过滤,使得构架振动响应中未见此频率成分;在车厢内采集的各项信号中,车体垂向振动响应与钢轨波磨沿线路里程的分布特征最为相关,而车内噪声、纵/横向振动、侧滚运动的相关性次之,摇头运动的相关性最低;与直线和大半径曲线相比,小半径曲线区段的车体振动与噪声水平受钢轨波磨的影响更为显著。     

基于SPIN算法的异步电机转子断条故障信号分离

目前采用通信技术对异步电动机状态进行监测及故障诊断过程中,常需要加大信息采集量来确保诊断结果的可靠性,造成数据传输占用带宽变大、数据存储占用空间增多的问题.由于考虑到在故障诊断系统中正常信号并不具有故障分析的意义,若将故障信号进行分离提取后作为系统的输入,则数据传输和处理过程可节省出更多时间与空间.因此,提出将SPIN算法应用到异步电机转子断条故障诊断中提取故障信号的过程中,运用MCSA方法将异步电机定子电流信号建模为故障分量与正常分量信号的总和,对原始信号进行梯度投影将分量信号分别恢复出来,进而达到分离故障特征信号的目的.