基于多普勒调制时移Laplace小波的列车轴承故障声信号瞬态成分快速提取方法

提出了一种基于多普勒调制时移Laplace小波的列车轴承故障声信号瞬态成分快速提取方法,包含“先粗后精”两个步骤:1)瞬态参数粗估计,利用现有的多普勒调制等周期Laplace小波模型粗略估计瞬态参数;2)参数精确估计与瞬态成分提取,构造多普勒调制时移Laplace小波模型,使用逐个匹配的策略进行瞬态参数精确估计和瞬态成分的提取。所提方法具有以下优点:1)更高的精度,使用的多普勒调制时移Laplace小波模型在时域内仅有一个时延参数定位的小波成分,能够解决周期瞬态模型在提取伪周期瞬态成分时匹配误差问题;2)高效率,由于使用了周期瞬态模型粗略估计瞬态成分参数,因此在瞬态成分逐个提取的过程中小波参数的范围可以设的很小,实验对比分析结果显示,与直接提取方式相比效率提高了71.46%。本研究提供了一种从含有多普勒畸变的列车轴承故障声信号中精确地、高效率地提取瞬态成分的方法。

运动声源多普勒畸变信号自适应校正方法

提出了一种自适应多普勒畸变校正方法,以声源移动速度v、初始时刻麦克风与声源横向距离x两个运动学参数为优化变量,以最大化重采样信号的频域统计指标为优化目标,通过参数寻优进行v和x的估计,通过幅值还原和时域插值拟合进行畸变校正。仿真分析结果表明,频谱峭度、频谱偏度、频谱脉冲因子和频谱峰值因子4种统计指标均能准确识别运动学参数,且频谱峭度的抗噪能力最好,临界信噪比达到-3.1 dB。实验分析结果表明,列车故障轴承多普勒畸变声音信号校正后,包络谱故障频率成分及其倍频成分清晰准确,说明多普勒畸变得到有效校正。该方法可基于信号本身实现多普勒畸变信号时频结构的全面校正。

考虑多普勒效应的列车轴承参数驱动声学故障诊断模型

在轨边声学检测过程中,列车轴承信号由于受到多普勒效应的影响,会导致其轴承故障诊断准确性下降,针对这一问题,提出了一种基于参数驱动学习模型的列车轴承声学智能故障诊断方法。首先,对列车轴承振动信号受多普勒效应影响导致失真的因素进行了分析,提出了故障诊断方法,即在前期样本不平衡情况下,利用运动学参数驱动的安全域模型(KPD-SRM)进行诊断;在后期样本平衡情况下,利用运动学参数驱动的一维卷积神经网络(KPD-CNN)进行诊断;然后,在仿真情况下,利用该方法分别对样本不平衡和样本平衡的10种不同故障类型的轴承样本进行了故障诊断,计算了其故障诊断的准确率;最后,在实验情况下,利用该方法分别对样本不平衡和样本平衡的4种不同故障类型的轴承样本进行了故障诊断,并计算了其故障诊断的准确率。研究结果表明:在样本不平衡和样本平衡两种情况下,仿真案例的诊断准确率分别达到97.5%和96%,实验案例的诊断准确率分别达到93.5%和97%;参数驱动学习模型可以在不经过复杂的信号校正情况下,有效利用历史数据提高其故障诊断的准确率,且其诊断的准确率随着监测样本的增加而不断提高。