高阶频率加权能量算子在列车轴箱轴承故障诊断中的应用

针对轴箱轴承振动信号中微弱故障冲击难以识别的问题,提出了高阶频率加权能量算子的信号解调方法,进而完成轴箱轴承的故障诊断。频率加权能量算子(FWEO)通过在解调时加入信号中瞬时频率的权重,从而提高了干扰情况下解调的鲁棒性,但是当干扰信号能量较大时,FWEO依然无法有效解调轴承的故障冲击信息。因此,在FWEO基础上通过高阶的导数运算,形成了高阶频率加权能量算子(HFWEO)。HFWEO通过高阶导数运算提高了瞬时频率的权重,从而有效提高了HFWEO对干扰信号的抑制作用;使用相关峭度准则确定合适的阶次,保证HFWEO在提高抗干扰性的同时又引入较少的高频噪声,从而实现更可靠的轴箱轴承故障诊断。使用所提出的解调方法对仿真信号与轴箱轴承振动信号进行解调,并与传统解调方法进行对比,结果表明,提出的HFWEO能量算子对干扰具有很好的抑制作用,可以在较低信号干扰比情况下具有良好的解调效果,同时所提的相关峭度准则可以准确地确定最佳的HFWEO阶次,在复杂干扰情况下依然可以有效提取轴承故障冲击,克服了传统解调方法在干扰严重时的局限性,抑制了干扰的影响,对信号中故障冲击识别更加有效,为更准确、快速判断轴承故障类型提供了可靠保证。

基于Ginigram和CHMR的列车轴箱轴承早期故障自主识别方法

为解决列车轴箱轴承故障诊断技术面临的多信号源混叠和早期故障程度无法量化的问题,首先,将经典Kurtogram方法采用的峭度改用基尼系数(Gini Coefficient),并将1/3-二叉树滤波方法与基尼系数结合形成Ginigram信号预处理方法,从多源混叠的轴承振动信号中快速提取微弱故障特征;然后,基于预处理信号的平方包络谱,提出一种新的统计指标循环谐波中值比(Cyclic Harmonic-to-Median Ratio,CHMR),有效量化轴承故障部位和程度的信息,并根据西格玛原则完成轴承故障程度的自主分级。为验证方法的有效性,通过列车轴箱轴承试验台进行正常轴承与自然磨损轴承的对比试验。结果表明:相比于采用峭度的经典Kurtogram方法,采用Ginigram对多信号源混叠的故障信号处理效果更优;在故障部位识别方面,CHMR能够精准诊断轴承故障部位;在故障程度量化方面,CHMR相较于现有的循环分量比、二阶循环平稳指标和故障出现率,能更清晰地量化区分轴承的故障程度。