动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况,容易产生裂纹、点蚀等故障,且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障,保证动车组的安全行驶,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点,提出了一种融合时频分析算法,该算法能够提高变转速信号分析时的时频矩阵精度;然后,针对动态路径规划方法无法处理归一化时频矩阵的局限性,对其进行了改进,并提取出融合时频矩阵中的转速曲线;此外,进一步提出了一种插值重采样的阶次分析方法,根据转速对采集到的原始信号进行插值重采样,在角域对信号进行重构,并得到对应的阶次谱,实现滚动轴承的故障诊断;最后,通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明:本文所提出的方法在动车组转速变化的情况下,能够有效提取出滚动轴承的变转速曲线,并且准确识别出齿轮箱中滚动轴承发生的故障类型。

强噪声背景下动车组轴承微弱故障信号检测

动车在高速行驶中,齿轮箱轴承易发生裂纹、点蚀等故障.为了在故障发生的初期检测出微弱的故障频率成分,本文提出了一种基于小波降噪预处理的周期势振动共振的轴承故障诊断方法.利用小波包提取轴承的固有共振频带,重构提取出的信号,滤除其中的强噪声干扰,随后将信号输入周期势振动共振系统,增强了故障特征.同时,本文建立了考虑振动共振系统中高频激励信号幅值的优化模型,并采用蚁群算法实现了其参数的自适应优化,得到输出信号后将其转化到频域分析,从而检测出轴承早期故障.实例分析表明,所提方法的数据处理结果相比单独采用随机共振的结果更精确,误差缩减至0.3%.

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征,导致对轴承的故障诊断准确率不高,针对这一问题,提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先,采用小波降噪对滚动轴承的原始信号进行了初始降噪,消除了部分的随机噪声;然后,主要通过改进相空间矩阵重构方式,对该信号进行了改进奇异值分解二次降噪,并提出了新的奇异值有效秩阶次确定方法,利用峭度对一维信号提取方案进行了优化,并对其完成了降噪;最后,通过提取了10个有效特征,结合支持向量机在MATLAB中进行了仿真实验,分析了不同特征对轴承的故障诊断结果的影响,并将方法与其他方法进行了对比分析。研究结果表明:采用多级降噪算法降低了轴承工作状态下的背景噪声,使其故障特征频率更为明显;支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。