时频能量谱与VGG16结合的车轮扁疤损伤程度估计方法

为了实现对运营中车辆车轮扁疤损伤程度的实时精准监测，提出了一种时频能量谱与VGG16卷积神经网络相结合的车轮扁疤损伤程度估计方法，该方法通过对车辆运营中轴箱振动加速度信号的分析处理来实时定量估计车轮扁疤的损伤程度。建立了车辆轨道刚柔耦合系统动力学模型和车轮扁疤数学模型，仿真计算不同扁疤损伤工况下的车辆轴箱振动响应。运用形态学滤波器以及完全噪声辅助集合经验模态分解结合Wigner-Ville分布的时频分析方法，将轴箱振动加速度信号滤波降噪后表达在时频能量谱中。构造了VGG16卷积神经网络模型，通过大量车轮扁疤故障数据的时频能量谱构造的训练集来训练VGG16模型。随机仿真若干车轮扁疤工况，对训练完善的VGG16模型进行测试验证。仿真试验表明，运用时频能量谱与VGG16模型结合的方法能准确地估计运营中车辆的车轮扁疤损伤程度，估计误差在1.6 mm内。     

基于尺度优化形态学滤波的滚动轴承故障诊断

为高效提取轴承振动信号中的冲击故障特征,提出了一种改进形态学帽乘积算子(IMHPO);同时,提出了一种新的结构元素长度选择策略,根据振动信号的极值点确定结构元素的长度范围并采用Hoyer测度评估形态滤波信号中的故障特征信息来选择最优结构元素长度。此外,将对角切片谱(DSS)应用于形态学帽乘积算子的滤波信号,以解决宽带噪声污染并进一步消除故障无关分量。仿真分析和轴箱轴承试验结果表明,所提出的IMHPO-DSS方法能够增强故障相关冲击特征并有效诊断轴承故障。     

基于EEMD的列车车轮多边形故障诊断方法

多边形故障作为车轮常见的故障形式之一,不仅会增大列车的振动和噪声、降低列车乘坐舒适性,还会加剧轮轨相互作用力,导致车辆和轨道部件过早出现疲劳失效,对列车安全稳定运行造成不良影响,因此对车轮多边形故障进行诊断具有重要意义.本文根据多边形故障轴箱振动响应提出了基于总体经验模态分解(EEMD)的车轮多边形故障诊断方法.其核心...     

基于轴箱加速度时频域特征的车轮多边形故障识别

机车车轮的多边形化会在轮轨接触的位置引起异常振动,通过轴箱振动加速度的时频特征可以检测出这种异常振动,从而实现对车轮多边形的故障识别.本文首先构建了考虑轮对柔性的刚柔耦合动力学模型,拟合了不同主导阶次的随机多边形车轮多边形样本,样本径跳值均为0.2 mm.其次在频域内对不同阶次的多边形的频谱进行了分析,在时域内对轴箱加速度的均方根值和时域包络谱的峭度值进行了统计,得出了车轮多边形激励下的轴箱加速度时域特征与频域特征.最后在时频与频域特征的基础上提出了一种车轮多边形故障识别流程.经实测轴箱加速度数据验证,该故障识别流程可以有效检测出车轮多边形的阶次,并能有效识别出车轮多边形化的发展程度.     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。     

广义形态差值滤波器的构造及其在轴承故障中的应用

针对传统形态学结构元素选择的不确定性和广义形态学结构元素间相互影响的缺点,提出一种根据局部极值步长确定形态学结构元素尺寸的方法,充分利用信号的局部信息和局部极值步长,达到自适应选取最优结构元素尺寸的效果,解决了形态学结构元素选取时存在的不足。针对数学形态学在强噪声下滤波效果不理想这一不足,构造了广义形态学差值滤波器,将其与传统形态学滤波器进行仿真对比,结果显示广义差值滤波器的降噪和故障特征提取的效果明显优于传统形态滤波器,并将其应用到滚动轴承故障信号的特征提取中,结果表明该方法能够有效的抑制噪声,明显的提取滚动轴承的故障信息特征,实现滚动轴承的故障诊断。     

基于Gabor变换的轮边减速器特征提取技术

研究矿用自卸车轮边减速器中部件局部故障振动信号的频谱结构,对于轮边减速器故障诊断具有重要意义.模拟内齿圈局部故障振动信号,利用Gabor变换提取方法对含噪声的故障振动信号进行降噪,并应用频谱分析方法诊断出了内齿圈故障,显示了该方法在信号提取和压制噪声的效果,为矿用自卸车轮边减速器故障诊断提供了有效的诊断方法.     

基于MED和峭度准则形态滤波的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于最小熵解卷积(Minimum entropy deconvolution,MED)和峭度准则形态滤波的滚动轴承故障诊断方法。该方法首先通过MED对滚动轴承故障信号进行降噪处理,然后设计不同长度结构元素的形态滤波器对降噪后的信号进行差值形态滤波,最后利用峭度准则筛选出峭度值最大的最佳形态滤波分量,进行幅值谱分析提取轴承故障特征频率。应用该方法分析了滚动轴承内圈故障模拟信号和实验测试信号,取得良好的分析效果,证明了该方法的有效性。     

基于Hilbert-Huang变换的列车车轮失圆故障诊断

研究列车车轮失圆的检测与诊断问题,采用基于改进的希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)的处理方法,首先,针对HHT方法固有的模态混叠现象,提出一种形态滤波-能量原则算法;然后,建立车辆轨道耦合动力学模型和典型的车轮故障模型,计算轴箱垂向振动的动态响应;最后,运用改进的HHT分析方法提取正常车轮、多边形化车轮和擦伤车轮引起的轴箱垂向振动的特征。研究结果表明,正常车轮与故障车轮之间以及不同类型故障的车轮之间Hilbert谱差异显著,可见该方法能够有效诊断车轮失圆故障。     

齿轮箱振动信号降噪方法的研究

通过对小波变换及齿轮箱振动信号特点的分析，提出了利用小波变换对齿轮箱振动信号降噪的方法，通过仿真计算验证了该降噪方法对于齿轮箱振动信号降噪的有效性。     

基于形态学滤波和EEMD方法的风力发电系统滚动轴承故障诊断

将形态学滤波方法与EEMD方法相结合,提出一种新的滚动轴承故障诊断策略。设计开-闭、闭-开级联而成的组合形态滤波器对轴承故障振动信号进行消噪处理,然后利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法消除EEMD分解结果中的虚假分量后,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。通过轴承故障诊断实例证明了该方法的有效性。     

基于CEEMD与MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号中冲击成分能量低,背景噪声干扰严重的问题,提出了基于CEEMD与MCKD的故障诊断方法。首先,应用CEEMD方法对故障振动信号进行分解,依据相关系数准则从分解结果中选取敏感分量;然后,采用MCKD算法对所选取分量信号进行降噪并应用Hilbert算法对降噪后信号进行解调处理,从包络谱中提取故障特征信息;最后,通过仿真信号和轴承试验数据进行诊断分析验证了该方法的有效性。     

基于平移不变多小波变换的齿轮故障诊断

机械设备发生故障时,反映设备故障特征的振动信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。将平移不变多小波降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于齿轮箱试验台信号分析中,试验结果表明,平移不变多小波降噪方法能够有效地提取出齿轮箱断齿故障的冲击特征频率,诊断出齿轮箱的断齿故障,为故障诊断提供了准确的依据。仿真与试验分析验证了平移不变多小波降噪方法在故障诊断中的有效性。     

基于粒子滤波和自回归谱的液压泵故障诊断

针对飞机轴向柱塞式液压泵的工作状态监控问题,提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模,利用粒子数优化后的粒子滤波算法进行降噪;根据滤波后信号的自回归谱提取特征值,结合液压泵的故障机理分析其工作状态,实现对液压泵的故障分析和诊断。实验及仿真结果表明,粒子滤波可有效跟随原始信号并滤除噪声干扰,基于粒子滤波和自回归谱的液压泵故障诊断方法能有效地提取故障特征值,实现故障诊断和识别。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

基于集合经验模式分解能量分布与灰色相似关联度的齿轮故障诊断

针对齿轮发生故障时,其不同频带能量分布与其故障状态间存在一定的映射关系,提出一种基于集合经验模式分解与灰色相似关联度相结合的故障诊断方法。引入循环统计学的思想对传统形态滤波方法进行改进,定义顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮原始加速度振动信号进行顺序形态滤波降噪预处理。采用集合经验模式分解方法将降噪后的齿轮非平稳加速度振动信号分解为有限个平稳的本征模态函数,从中选取包含故障主要信息的前几个本征模态函数分量并计算其能量分布。由于灰色相似关联度分析对小样本模式识别具有良好的分类效果,以能量分布为元素构造特征矢量,通过计算不同振动信号的灰色相似关联度来判断齿轮的工作状态和故障类型。实例分析结果表明,提出的方法能够有效地应用于齿轮系统的故障诊断。     

基于参数化功率谱估计的车轮多边形动态识别

由于传统频谱估计方法存在固有缺陷,对车轮多边形振动频率的识别容易产生较大误差,尤其对于初期车轮多边形的识别更是困难。为解决上述问题,基于参数化功率谱估计理论,提出一种车轮多边形动态识别方法。首先,根据车轮多边形的动态特性,建立了谐波频率恢复模型;其次,基于奇异值分解法与归一化误差分析对谐波恢复模型的阶数进行确定;然后,采用总体最小二乘法对谐波恢复模型的参数进行计算;最后,根据Cadzow估计理论对异常磨耗信号进行功率谱估计,并以某地铁车辆的轴箱垂向振动加速度实测信号为例,对该方法的可行性与正确性进行了验证。结果表明：该方法可基于短时序列数据实现高精度频域估计,且对谐波信号敏感,尤其适用于早期车轮多边形异常磨耗信号的识别。     

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解（variational mode decomposition,简称VMD）的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法（Harris hawks optimization,简称HHO）优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明：该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。     

基于SVD-LCD与1.5维谱的滚动轴承故障诊断

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比、非线性、非平稳的特征,提出了奇异值分解降噪、局部特征尺度分解和1.5维谱相结合的故障诊断方法。该方法首先运用奇异值分解降噪技术降低信号中的噪声,然后对降噪信号进行局部特征尺度分解,得到若干个内禀尺度分量,并进行Hilbert变换求取包络信号,最后求取包络信号的1.5维谱提取故障特征。通过轴承内圈故障数据分析,验证了该方法的有效性。     

一种改进的转子振动信号消噪方法研究

为提高转子振动信号消噪方法的性能,通过分析噪声成分和对应消噪方法的特点,提出了一种基于改进中值滤波与小波包消噪技术相结合的信号降噪新方法.该方法首先根据信号采样频率计算中值滤波器的窗口宽度,从而可以有效滤除含噪信号中的脉冲噪声和部分白噪声;然后再用阈值及其处理函数都经过改进的自适应小波包消噪方法去除残留在信号中的白噪声,最终得到信噪比提高的振动信号.通过仿真信号和转子实验振动信号的降噪处理,对新方法的性能进行了验证.降噪结果表明,该方法在有效消除混合复杂噪声对振动信号干扰的同时,保留了故障信号的细节特征,比一般的小波域中值滤波降噪方法更为有效.