DTCWPT-TV在高速列车齿轮箱轴承故障诊断中的应用

齿轮箱轴承作为高速列车转向架上的关键部件,其故障特征主要体现在其振动信号中,但是列车运行过程中存在强电磁噪声。针对强背景噪声下信号中故障特征频率的提取,提出双树复小波包变换(Dual Tree Complex Wavelet Package Transform,DTCWPT)和全变差(Total Variation,TV)结合的算法。该算法利用DTCWPT将齿轮箱轴承振动信号分解为不同尺度的信号分量,通过峭度指标选择冲击特征最显著的一个信号分量;针对含噪声的冲击特征,通过对该信号分量的全变差进行稀疏追踪从而得到信号的稀疏优化表示,使得振动信号中的冲击特征得到显著增强。通过构造一仿真信号对稀疏追踪算法的有效性进行了验证,并将该方法与DTCWPT结合并应用于齿轮箱轴承故障诊断中,结果表明:该方法能够很好地提取出信号中的冲击特征,并且频谱中的故障表征明显,能够有效地指导故障诊断。     

EWT-SVD在高速列车万向轴动不平衡检测中的应用

万向轴是高速列车传动系统的核心部件,其动不平衡检测对保障列车运行安全具有重要意义。万向轴动不平衡特征主要体现在特征频率中,针对该信号的故障特征频率提取,引入经验小波变换(empirical wavelet transform,EWT)与奇异值分解(singular value decomposition,SVD)算法。该算法利用EWT构造一组小波滤波器组提取信号的固有模态分量,并通过Hilbert变换得到每个单分量信号的瞬时频率与瞬时幅值,使用SVD结合奇异熵增量谱确定重构阶数并对每个单信号进行重构消噪。通过构造一仿真信号对算法的有效性与可行性进行验证,并将该方法运用于万向轴动不平衡检测中,结果表明:该方法能准确地提取信号的特征频率,使得谱线分辨力得到提高,可有效地应用于万向轴动不平衡检测中。