改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。     

基于代理模型的高速列车齿轮箱裂纹识别

为建立裂纹结构动力响应与裂纹参数之间的解析关系从而对齿轮箱裂纹进行有效识别,提出一种可替代原有高精度分析模型的计算量小且计算精度较高的基于代理模型的裂纹识别方法。利用初始样本通过有限元与插值算法建立裂纹结构参数与动力响应之间的Kriging代理模型对应关系,从而代替原有的物理参数模型与结构响应关系,有效减少有限元计算次数,并通过随机粒子群优化方法对建立的代理模型进行全局裂纹参数寻优。通过一个悬臂梁结构的数值算例,对所提方法进行有效验证,并将该方法应用到某高速列车齿轮箱的裂纹识别中,结果表明该方法能够有效地对结构裂纹进行识别。     

基于IMF重构-SLLE的高速列车转向架故障特征提取

在故障特征提取方面,传统的典型特征提取方法往往需要深入理解信号特性、结合工程实践经验提取故障特征,从而极大程度上孤立了特征提取和智能诊断两个环节,导致在针对复杂多变的机械设备海量信号时,提取反映信号特性的典型特征往往效果不理想。针对该问题,提出一种基于IMF重构-SLLE的新的特征提取方法,该方法首先把EEMD分解得到的IMF分量重构成高维向量,并利用SLLE优良的非线性维数约简能力对信号进行降维。实验表明:IMF重构-SLLE特征提取方法优于传统的EEMD典型特征提取方法,并把此方法应用到高速列车转向架故障状态识别中,识别率高达97.78%,具有重要的工程应用价值。