变转速工况下基于快速谱平均峭度图的列车轮对轴承故障诊断

由于受到轮轨激励的干扰,轮对轴承故障特征易被背景噪声所淹没,且在变转速模式下故障特征具有时变性,进一步加剧了提取难度。为此,提出一种基于快速谱平均峭度图的列车轮对轴承故障特征提取方法。根据频谱趋势将频谱划分为若干子带,采用Meyer小波构造带通滤波器,计算每个窄带滤波信号的平均峭度并构造快速谱平均峭度图;选取最优频带进行解调,消除背景噪声的影响;通过相位函数对滤波信号进行迭代广义解调,解决时变故障冲击间隔带来的频谱模糊问题。仿真和试验分析结果表明所提方法有效克服了强背景噪声和时变故障特征的干扰,为变转速工况下轮对轴承故障特征提取提供了新的解决策略。

基于卷积与Transformer融合框架的列车轮对轴承损伤识别方法

针对传统机器视觉方法在列车轮对轴承损伤检测中存在的图像特征提取不敏感、专家经验要求高以及识别准确率偏低等问题,本文提出了一种基于卷积与Transformer融合框架的列车轮对轴承损伤识别方法.首先,发展了一种图像增强类别重组的预处理方法,消除不同类别数据样本不均衡的影响,提高图像数据集质量;其次,基于卷积与自注意力融合思想,设计了VGG与Transformer双分支并行融合网络(VGG and Transformer parallel fusion network,VTPF-Net),综合获取图像全局轮廓特征与局部细节特征信息;再次,构建了多尺度膨胀空间金字塔卷积(Multiscale dilation spatial pyramid convolution,MDSPC)模块,利用多尺度膨胀卷积递进融合充分挖掘特征图中多尺度语义特征;最后,基于NEU-DET图像缺陷数据集与自建列车轮对轴承图像数据集进行了实验分析.结果表明,所提模型对NEU-DET数据中6类缺陷图像与轮对轴承4类故障图像的识别准确率分别为99.44%与98%,能够较为准确识别不同损伤类型图像样本,在不明显增加模型复杂度基础上各项评价指标要显著优于当前CNN模型、自注意力机制ViT模型以及CNN-Transformer融合模型.

铁路客车轮对轴承故障检测系统研制

铁路客车轮对跑合作业时轴承故障检测主要依靠作业人员采用传音棒“耳听”判断,该方式需要将轴承拆卸,且严重依赖作业人员专业经验,难以发现早期轴承故障。针对上述轴承检测方式的缺陷,设计一套铁路客车轮对轴承故障检测系统应用于轮对跑合作业的轴承故障检测,降低人为干预,实现早期轴承故障准确判别。首先,研究滚动轴承故障诊断算法,使用包络谱谱峰因子优化Morlet小波进行滤波,结合PCA算法融合特征构建异常检测指标Pf,通过3σ法则对前期采集的大量数据分析确定Pf阈值,并与Pf值对比得到诊断结果。然后,选择系统硬件设备以及设计系统软件界面,搭建系统整体框架。最后,将诊断算法编译并嵌入系统中,实现滚动轴承故障诊断及结果可视化。本系统在南昌车辆段进行现场测试,测试结果表明,本系统能够对早期轴承故障及时报警,具有很好的实用性。

基于WPT-ESCDE的电气设备运输车轮对轴承故障特征提取方法

变压器等电气设备的吊装、转运环节是疏于监控的薄弱环节,极易发生机械冲击引起的二次损伤,而轨道运输车的轮对承载特性及轮对轴承运行状态关乎运输安全。综合考虑轨道运输车轮对轴承运输环境,分析振动信号中存在的主要成分及特征,提出一种基于小波包-包络谱相关散布熵(WPT-ESCDE)的故障特征提取方法。首先,对振动信号的离散时间序列进行小波包分解,并对小波包子带系数进行重构;其次,对每个小波包子带计算平方包络谱,得到离散频率序列,将得到的小波包子带包络谱离散序列看作广义时间序列进行相关分析,得到包络谱相关函数;最后,计算包络谱相关函数的散布熵,筛选最优小波包子带序列进行特征提取。通过仿真分析和QPZZ-Ⅱ旋转机械故障模拟实验台实测信号验证了所提方法的有效性。

CMWPE结合SaE-ELM的轮对轴承故障诊断方法

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明:CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。

基于时延自相关ICA的列车轮对轴承复合故障诊断方法

列车轮对轴承故障振动(特别是轮对轴承存在复合故障时)一般是由多个相互独立的振动信号源和噪声混叠而成,常见方法在诊断轮对轴承复合故障时易出现误诊。独立分量分析(ICA)方法能对各个独立源进行估计,可实现列车轴承复合故障的精确诊断;但很多ICA算法是在未考虑噪声的模型下推导出来的,且列车轮对状态监测信号受诸多干扰因素的影响;为此,本文提出将时延自相关降噪与ICA相结合提取并分离列车轮对轴承复合故障特征信息的方法。仿真与实际应用结果表明,该方法能有效分离出轮对轴承复合故障信号中的典型故障,可进一步降低列车轮对轴承故障诊断的误诊率。

基于自适应频率窗经验小波变换的列车轮对轴承多故障诊断

针对列车轮对轴承故障信号复杂,尤其是在多故障并发情况下难以准确诊断的问题,提出了基于频率窗经验小波变换(EWT)的轮对轴承多故障诊断方法。首先对轴承多故障振动信号进行Fourier变换,引入一个带宽可变的滑动频率窗分割信号频谱;然后利用水循环优化算法(WCA),通过所提出的幅值包络谱相关峭度(ESCK)指标,自适应地确定轴承多故障中各单一故障所对应的最优频率窗位置;最后通过经验小波变换分解出单一故障信号,采用包络解调分析实现轴承复合故障准确诊断。轮对轴承多故障仿真和实际应用结果表明,所提方法能有效分离列车轮对轴承复合故障中的典型故障,有效降低轮对轴承多故障诊断的误诊率,具有一定的应用价值。

铁路车辆轮对轴承不解体检测系统

介绍了一套以铁路车辆轮对轴承为对象的不解体检测系统。该系统根据轮对轴承在段修检测中的实际要求 ,构建了模拟运行的检测工作台 ,通过对振动信号的小波消噪与解调 ,对称点图以及主分量分析处理 ,融合温度量信息 ,实现了轮对轴承的自动诊断 ,为铁路车辆轮对轴承的事故预防及维修成本降低提供了帮助。

基于频谱细化的列车轮对轴承故障在线检测

列车轮对轴承故障是危及列车运行安全的重要因素之一,对其准确检测是高速重载列车需要解决的关键问题。当轮对轴承出现异常时,其振动信号中的幅值就会出现突变点,据此提出了利用频谱细化技术对轮对轴承的振动加速度信号进行分析的方法。实验结果表明,该方法实现了轮对轴承异常的高精度检测,说明这种方法比常规的方法能更有效地检测出轮对轴承的异常状态。

延伸奇异值分解包及其在高速列车轮对轴承故障诊断中的应用

结合多分辨奇异值分解包的分解结构和对滚动轴承故障信号的Hankel矩阵的奇异值分布特性研究,提出了延伸奇异值分解包。该算法的核心包括矩阵递推构造和矩阵重构。以分量信号能量为指标,提出了有效分量信号的筛选准则,并基于该准则,进一步提出了延伸奇异值分解包的快速算法。仿真结果表明,延伸奇异值分解包对信号中共振频带分量信号具有很好的分解能力,方法具有强鲁棒性,同时极大地改善了奇异值分解包中出现的模态混叠。应用高速列车轮对轴承试验数据对该方法进行试验验证,结果表明,该方法能有效分离高速列车轮对轴承复合故障信号的不同共振频带信号,对筛选的有效分量信号进行包络分析,可有效提取不同类型的故障特征频率及其谐波,对共振频带的聚集性和故障的表征力相比奇异值分解包均有显著提高。

有轨电车轮对轴承失效原因的分析及优化改进

以某型有轨电车轮对轴承为研究对象,针对轴承在使用过程中出现的早期失效,利用理论计算、形貌及金相检验等技术手段,分析导致轴承失效的原因为轴承与车轮、车轴安装配合尺寸链设计不当,使轴承产生过大的负游隙,增加了轴承附加载荷,导致轴承疲劳剥落。依据分析结果,提出轴承游隙优化方案,经装车使用验证,解决了轮对轴承早期疲劳剥落问题。

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。

基于负熵与多目标优化的轮对轴承故障诊断方法

最优小波解调是一种常用的滚动轴承故障诊断方法,针对如何选择最优中心频率和带宽的问题,从故障振动信号的冲击性和循环平稳性出发,提出了一种基于负熵和多目标优化的复Morlet小波解调方法.利用遗传算法的泛优化能力,分别以窄带信号包络的负熵和包络谱的负熵设计两个目标函数,通过非支配排序和拥挤距离排序,结合选择、交叉和变异遗传操作对复Morlet小波参数进行优化,自适应地确定富含故障信息的最优共振频带进行包络解调.试验表明,该方法通过多目标优化可以统一表征轴承故障的冲击性和循环平稳性,可以准确识别轮对轴承的局部故障.

基于概率包络的轮对轴承故障诊断方法

信号不确定性的正确表达是故障诊断的先决条件。然而,在实际情况中,轮对轴承的信号存在各种不确定性,采用传统方法处理这类不确定性,存在信息丢失问题。提出一种基于概率包络的轮对轴承故障诊断方法。对原始信号进行分布类型检验,针对不同分布特点使用不同方法进行概率包络建模。提取概率包络模型的几何形状作为故障特征,并将其输入支持向量机(SVM)训练获得故障诊断模型。以公共数据集及实测数据进行诊断测试,并对诊断结果进行比对验证。实验结果表明,该方法合理有效,提高了诊断精度和效率。

基于IMF-SVD包络谱法的轮对轴承故障检测方法研究

针对经验模态分解(empirical model decomposition,EMD)所得的本质特征函数(intrinsic model function,IMF)之间存在相互耦合、难以清晰提取高速列车轮对轴承的故障特征问题,提出一种轮对轴承故障检测的新方法。该方法的核心是应用EMD自适应地分解轴承振动信号,得到多尺度的IMF,应用单尺度的IMF信号构造Hankel矩阵,对该矩阵进行奇异值分解(singular value decomposition,SVD),应用奇异值的差分谱来选择其关键奇异值,对关键奇异值进行奇异值重构,通过重构信号的包络谱分析来检测轮对轴承的故障。利用高速列车轮对轴承故障数据对该检测方法和模型进行验证,结果表明:该方法能够清晰地提取表征轴承故障特性的基频、倍频成分,突显故障频率特征,具有一定工程应用前景。

一种基于轻量级神经网络的高铁轮对轴承故障诊断方法

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力,但繁重复杂的计算量对计算机硬件提出了严苛的要求,严重限制了其在实际工程中的应用.基于此提出一种新型的轻量级神经网络ShuffleNet,用于高速列车轮对轴承故障诊断研究.该网络模型基于模块化设计思想,包含多个高效率的ShuffleNet单元,通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率;同时使用通道混洗方法克服了通道分组带来的约束,改进了网络的损失精度.实验分析表明,所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断,相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型,在保证诊断精度的同时,运行效率得到大幅提升.这为深度神经网络技术应用于工程实际,克服计算机硬件条件限制提供了一条新的途径.

联合快速峭度图与变带宽包络谱峭度图的轮对轴承复合故障检测研究

轮对轴承是铁路车辆的关键动力部件,其健康状态严重影响车辆的运行安全,因此开展轮对轴承的故障检测研究对保障车辆的安全运行具有重要意义。快速峭度图是最为著名的定位故障频带的方法之一。然而,快速峭度图仅对复合故障中低密度冲击故障敏感,无法定位高密度冲击的故障频带。针对这一缺陷,将最新发展的冲击性测量指标,变带宽包络谱峭度引入到快速峭度图中,依据快速峭度图的滤波结构计算每一个滤波频带的变带宽包络谱峭度,建立变带宽包络谱峭度图。将快速峭度图和变带宽包络谱峭度值相结合,分别实现复合故障中低密度和高密度冲击故障的频带定位。通过对定位频带的包络解调实现复合故障的检测与判定。最后利用仿真信号和试验测试信号对所提出方法的有效性进行了验证。

基于LabVIEW的货车轮对轴承测试系统设计

基于LabVIEW软件技术,开发了货车轮对轴承的检测系统。它能够进行各种谱分析,并且能够实现数据的存储。

货车轮对轴承压装机监控系统的设计与开发

介绍了货车轮对轴承压装机的工作原理,根据压装工序设计了压装机液压系统,采用PLC为下位机、PC为上位机的模式实现了压装机监控系统的设计,详细介绍了压装机PLC控制系统及监控系统组态界面。现场压装试验表明,该监控系统能很好地满足压装工作要求。

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)预处理的改进参数自适应VMD方法。首先利用EEMD对采集到的振动信号进行分解,计算原始信号以及各分量的包络峭度值,选取峭度值大于原始信号峭度值的分量进行重构,生成新的振动信号;其次以局部最大包络谱峭度为目标函数,利用基于粒子群的参数自适应VMD方法分析新信号,从而确定最佳参数;最后将优化后的VMD用于新信号的分解,选取包络谱峭度值最大的分量进行包络解调分析。通过仿真和试验数据分析,证明了该方法在强噪声干扰下仍具有优良的故障特征提取效果。研究结果对提高列车轮对轴承故障诊断效果有一定的理论意义和应用价值。