一种基于最优频带的走行部故障检测方法

基于振动信号的走行部故障诊断是目前列车健康监测的重要途径之一,选择准确的解调频带是故障识别的先决条件。由于列车走行部结构复杂、运行环境恶劣,早期故障信号容易被各种干扰信号遮蔽。针对走行部复杂的振动环境,结合故障识别(fault diagnosis,FD)算法在三分法的基础上引入了循环分量占比(ratio of cyclic content, RCC),提出了RCCFD算法。通过对仿真信号、滚动台振动信号、列车轴箱振动信号的对比分析,结果表明:RCC-FD算法能够在强循环脉冲干扰、随机脉冲干扰的工况下提取出以目标故障特征信息为主导的最优频带,同时具有更高的计算效率,更加适用于列车走行部实时故障诊断。

基于增强熵权峭度图的滚动轴承最优频带解调的故障诊断

针对采用峭度指标选取滚动轴承最优共振解调频带时存在精确性差和易受随机冲击干扰的不足,提出了基于增强熵权峭度图的滚动轴承最优频带解调的故障诊断。首先,选取峭度指标、变异系数、裕度指标和平滑因子等评价指标分别从不同角度表征故障轴承瞬态冲击特征,增强在实际监测的运行环境中单指标抗干扰鲁棒性差的缺陷;其次,采用熵权法对多个评价指标计算综合属性客观权重,为了增强轴承瞬态冲击表征和抑制其它信息干扰,对评价指标值进行增强处理并融合形成新评价指标,以精确选取共振解调中心和带宽;最后,采用1/3-二叉树策略生成的增强熵权峭度图自适应识别故障轴承最优解调频带。通过实测信号和仿真信号测试分析,并与快速峭度图在不同干扰下对比表明,该方法可以更为精准的识别轴承共振频带及具有更高的鲁棒性。

一种选取最优解调频带新方法——Multigram

针对Fast-Kurtogram易受非高斯噪声干扰的不足,提出一种基于多层滑动滤波器组,找寻最优解调频带的新方法——Multigram。首先,借鉴Protrugram滑动分割频带思想,构建多层、多滤波中心和带宽的滤波组。然后,根据各层不同滤波中心和带宽依次进行带通滤波,对滤波信号进行包络自相关谱分析,在容差范围内计算谱峭度,以选取最优解调频带。最后,采用最优滤波中心和带宽进行带通滤波和包络谱分析。将方法应用于滚动轴承故障诊断,基于机匣测点的模拟故障轴承试验和自然故障轴承试验结果表明:该方法可有效选取适宜的解调频带,相比于Fast-Kurtogram,Protrugram,Autogram和Infogram,诊断结果更具优势。

最优解调频带识别及其在滚动轴承故障诊断中的应用

针对在低信噪比和强非高斯噪声存在的情况下滚动轴承故障信号难以有效提取的问题,提出一种新的最优解调频带识别方法并应用于滚动轴承的故障诊断。该方法利用特定频带信号的包络谱幅值的稀疏度来度量故障脉冲,按照稀疏度最大原则自动识别最优解调频带;根据最优解调频带获得带通滤波后的最优解调信号,对最优解调信号的包络谱进行分析来识别滚动轴承故障及其类型。采用振动信号仿真模型和滚动轴承试验台获得的轴承故障信号来测试该方法的有效性,并把测试结果与快速峭度图方法进行对比。结果表明:该方法比快速峭度图方法能够更加准确地识别共振频带,并且在低信噪比和强非高斯噪声存在的情况下也能准确提取轴承故障特征。

基于空-频域联合滤波的列车轴承轨旁声学诊断

现有的列车轴承轨旁声学诊断方法多集中在多普勒效应去除、空间滤波器优化等方面,忽视了轨旁环境中存在的大量冲击性噪声及循环平稳性噪声的影响。针对此问题,文中提出了一种波束形成和目标频带选择结合的列车轴箱轴承轨旁声学诊断方法。该方法采用传声器阵列采集列车轴承阵列声信号,通过时域插值重采样方法校正信号畸变,使用波束形成空间域滤波器提取目标轴承方向信号,利用ICS2gram选取最优解调频带并提取带通信号,对带通信号进行包络分析实现轴承诊断。实验结果表明,该方法能够在轨旁声场环境下有效避免冲击性噪声和循环平稳性噪声带来的影响,准确提取目标轴承信号并诊断出轴承故障,相较于现有方法表现出了更好的效果。

基于改进Autogram的滚动轴承故障诊断

针对Autogram以无偏自相关峭度指标选取解调频带时易出现不准确、故障诊断困难的问题,将平方包络负熵引入Autogram中,结合平方包络负熵受噪声影响小且能衡量周期冲击成分的优点,提出一种采用平方包络负熵指标选取最优解调频带的改进Autogram方法.首先采用最大重叠离散小波包变换(MODWPT)对轴承振动信号进行频带分解,再计算每个频带信号的平方包络负熵,将平方包络负熵最大的频带作为最优解调频带,最后通过分析最优解调频带平方包络谱的频率成分来诊断轴承故障类型.将轴承故障实验信号分析结果与Autogram、快速谱峭度方法对比,结果表明,改进Autogram方法在解调频带的选取上更为合理,所提取的故障特征频率更明显,轴承故障诊断更准确.