CN105424388A - 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 - Google Patents
一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 Download PDFInfo
- Publication number
- CN105424388A CN105424388A CN201510789876.3A CN201510789876A CN105424388A CN 105424388 A CN105424388 A CN 105424388A CN 201510789876 A CN201510789876 A CN 201510789876A CN 105424388 A CN105424388 A CN 105424388A
- Authority
- CN
- China
- Prior art keywords
- doppler
- transient
- model
- signal
- bearing fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Abstract
本发明公开了一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,该方法包括以下步骤:建立基于单边Laplace小波的参数化周期模型;根据多普勒效应,建立参数化多普勒瞬态模型;将参数化多普勒瞬态模型和列车轴承故障检测信号进行相关匹配,计算相关系数;由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去最优化周期参数T,阻尼系数ζ和离散频率f,建立最优化的周期性瞬态模型及其多普勒瞬态模型,最后结合模型最优参数及轴承运动参数判断出故障类型。本发明方法能够处理受多普勒效应影响的列车轴承信号,精确诊断轴承的故障。
Description
技术领域
本发明涉及信号的分析检测领域,具体涉及一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法。
背景技术
由于社会经济的迅速发展,对运输技术的需求也在不断加强。作为一个主要的交通工具,列车具有很强的运输能力和很高的速度,在当今社会发挥着很大的作用。但是,突发故障可能会令列车运输系统产生严重的事故,而轴承支撑着高速运动火车的所有重量,他们的故障是导致铁路交通工具事故的主要原因,因此非常有必要去发展一种能够精确且自动诊断轴承故障的关键技术。
轴承故障信号的检测涉及到对运动中的信号的处理,难度大,是信号检测领域的一大难点。大量的方法已经被研究用于安装在静止机械上的轴承故障诊断。时频分析是一种有效提取包含非平稳信号在内的机械健康信息的方式,并且它可以识别信号频率分量,揭示他们的时变特征。作为一个自适应分解方法,整体平均经验模态分解方法(EnsembleEmpiricalModeDecomposition,EEMD)可以将非线性非平稳的信号按照他们本身的振动模态分解成一组本征模态函数,已经被广泛运用在轴承故障诊断领域中。此外,在轴承故障信号诊断中,随机共振也作为一种可以利用噪声来增加输出信噪比的方法被采用。匹配追踪是另一种通过迭代来挑选最优原子粗略估计信号的自适应方法。然而,由于多普勒效应的存在,运动轴承的信号中会出现频移,频带扩展以及振幅调制现象。总而言之,上述方法都不能有效解决该问题。
有鉴于上述的缺陷,本设计人,积极加以研究创新,以期创设一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,使其更具有产业上的利用价值。
发明内容
为解决上述技术问题,本发明的目的是提供一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,该方法能够处理受多普勒效应影响的列车轴承信号,精确诊断轴承的故障。
本发明提出的一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:包括以下步骤:
步骤1:建立基于单边Laplace小波的参数化周期模型,以此模拟轴承故障信号的波形特征;
步骤2:根据多普勒效应声学理论,基于单边Laplace小波的周期模型,建立其对应的参数化多普勒瞬态模型;
步骤3:将参数化多普勒瞬态模型和列车轴承故障信号进行时域相关匹配,计算不同参数下模型与实际信号的相关系数;
步骤4:由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期参数T,阻尼系数ζ和离散频率f,建立周期性瞬态模型及其多普勒瞬态模型,最后根据模型最优参数及轴承运动参数判断出故障类型。
进一步的,所述步骤1具体包括以下步骤:
步骤1.1:建立基于单边Laplace小波的参数化模型,将轴承故障信号的理论值记为所述轴承故障信号可表示为:
其中:为轴承故障信号的理论值,U是信号的时间长度,τ是延迟时间,ζ是阻尼系数,f是频率。记τ、ζ和f所属范围为Td、Z和F,那么:
公式(1)中的t、τ、ζ和f均表示变量;
步骤1.2:通过引入参数T来建立一个周期性模型,以此模拟轴承故障信号的波形特征,可以构造函数:
进一步的,所述步骤2具体包括以下步骤:
步骤2.1:修改基于单边Laplace小波的周期模型,具体包括:
将传感器接收到声信号的时刻记为{tR},接受时刻可以表示为:
{tR}={t0,t0+1/fs,t0+2/fs,t0+(N-1)/fs}(4)
其中,fs是频率,t0是声信号的初始时刻,N是数据长度;
由位置关系,tR还可以表示为:
其中,R是声源和传感器之间的距离,Vsw是空气中的音速,te是声信号的发出时刻,r是接收器和声源运行方向之间的距离。L是声源的瞬时位移。
对于式(5)中的L,还可以由下式获得:
公式(3)中的ψperiodic(t)中的t即式(5)中的te,ψperiodic(t)可改为{ψe(te)};
步骤2.2:对基于单边Laplace小波的周期模型施加多普勒效应,得出对应的参数化多普勒瞬态模型,具体包括:
在声信号从声源传播到接收器时,接收到的声信号被调制了,由Morse声学理论,当声源以次音速移动时(M=Vs/Vsw<0.2),就默认声源是一个单极点声源,接收到的声信号表示为:
其中q是总质量流量,t是声音的传播时间,M=Vs/Vsw是声源速度的马赫数。θ是声源运行方向和声源到传感器所在直线的夹角,在公式(7)中,PA表示接收到的声压P是和参数R成反比,PB表示近场效应。当M<0.2时,PB就可以被忽略,因此,接收到的声压可以表示为:
也可以写成:
其中,r/(R(1-Mcosθ)2)起振幅调制的作用,q′[t-(R/Vsw)]/(4πr)是声源和接收器之间没有相对移动时接收到的声压。
接收到的信号可以被写为:
进一步的,步骤3中计算不同参数下模型与实际信号的相关系数具体包括:将记为相关系数,相关系数可以表示为:
其中a(n),b(n)为有相同长度的两组数据,n是他们的数据长度,ηa(n),b(n)是他们的相关系数,<a(n),b(n)>的计算方式为:
相关系数ηa(n),b(n)的值域为:
-1≤ηa(n),b(n)≤1(13)
且当ηa(n),b(n)接近于0时,可认为a(n),b(n)是线性相关。
进一步的,所述步骤4具体包括:由不同周期参数T,阻尼系数ζ和离散频率f建立的多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期性瞬态模型及其多普勒瞬态模型;
相关性分析的公式可表示为:
其中,y(t)是列车轴承故障信号的幅值;
在最优化的过程中,当参数化多普勒瞬态模型和列车轴承故障信号的检测值具有最大相关系数的时候,就认为模型已经最优化,认为此时的多普勒瞬态模型对应的周期瞬态模型揭示了真实的列车轴承故障瞬态成分。
借由上述方案,本发明至少具有以下优点:本发明提供了一种结合基于Laplace小波的参数化多普勒瞬态模型和相关匹配为基础的列车轴承故障诊断方法。首先考虑多普勒效应声学原理基于Laplace小波的周期性瞬态模型构造其对应的多普勒瞬态模型。多普勒瞬态模型参数,尤其是周期,可以由建立的多普勒模型与实际运动轴承故障信号之间的相关性参数进行优化。最终,运动轴承故障可以通过最优多普勒瞬态相关匹配模型对应的初始周期模型参数来诊断。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1为本发明一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法的流程图;
图2为多普勒效应的原理图;
图3为本发明实施例中轴承外圈故障状态下的采集到的信号时域图;
图4为本发明实施例中轴承外圈故障状态下的采集到的频谱图;
图5为本发明实施例中轴承外圈故障状态下,根据本发明方法建立的多普勒瞬态相关匹配模型图;
图6为本发明实施例中列车轴承外圈故障信号的检测图;
图7为本发明实施例中轴承外圈故障状态下,根据本发明方法建立的与多普勒瞬态相关匹配模型相关的基于Laplace小波的周期瞬态模型图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法可应用于列车轮对轴承故障的检测中,首先需要在铁轨边合适的位置上安装传感器,检测到的列车轴承信号为y(t),将建立的多普勒瞬态模型参数进行优化,当多普勒瞬态模型与实际故障信号达到最大相关系数的时候,可以由最优多普勒瞬态模型对应的周期瞬态模型的周期参数与计算出的运动轴承故障特征周期相比较,得出故障类型。
为了更好地理解本发明计算方案,以下以外圈故障检测作为例子,对所述基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法的应用进行详细讲述:
实施例:运动轴承外圈故障检测
运动中的列车轴承外圈发生故障时,由于多普勒效应的影响,会导致检测信号被调制,可用本发明所述的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法。
实验一的实验对象主要为故障轴承,试验台主要由发动机、用于测试的故障轴承。加载装置,传感器等组成。此外,还采用了由NationalInstruments(NI)提供的高级数据采集系统(DAS)来完成数据采集。轴承的工作参数可参考表1,其余实验参数可参考表2。试验故障轴承NJ(P)3226XI型轴承,轴承外圈表面有一个0.18mm宽的贯穿裂痕故障。
表1轴承工作参数
表2第一个实验中用到的其余参数
实验二是根据多普勒的理论模型来实施的。实验参数为Vsw=340m/s,r=2m,Vs=30m/s,S=3.5m。在运行的汽车上播放第一个实验中录制下的声信号,路边的传感器接收信号。实验二和实验一用了相同传感器和DAS。
理论上,当采用表一和表二的参数时,外圈的故障特征是138.74Hz,因此,外圈故障相关的周期性冲击信号间隔为0.007s。
图3和图4分别为外圈故障信号的检测值的时域图和频谱图,可以看出,在多普勒效应的影响下,故障信号发生频移,振幅也被调制了。通过传统的方式,无法从失真的信息中得出故障频率。
如图5-7所示,首先建立一个基于Laplace小波的参数化周期模型,然后将多普勒效应加在模型上,得到多普勒瞬态模型,最后根据相关性分析,优化参数,当周期模型的瞬态间隔被选择为0.007s时,其对应的多普勒瞬态模型与实际故障信号的相关系数达到最大值,此时,最优周期性瞬态模型的周期参数和真实的轴承外圈故障冲击间隔符合。结果显示,基于参数化多普勒瞬态相关匹配模型准确显示了外圈故障信号中的故障相关脉冲成分。
从分析过程和应用实例可以看出,本发明提供的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,能够在列车轴承信号受多普勒效应影响下对其故障相关瞬态脉冲成分进行有效识别,从而诊断出故障,其特点决定了该方法能有效应用于列车轮对轴承故障诊断。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:包括以下步骤:
步骤1:建立基于单边Laplace小波的参数化周期模型,以此模拟轴承故障信号的波形特征;
步骤2:根据多普勒效应声学理论,基于单边Laplace小波的周期模型,建立其对应的参数化多普勒瞬态模型;
步骤3:将参数化多普勒瞬态模型和列车轴承故障信号进行时域相关匹配,计算不同参数下模型与实际信号的相关系数;
步骤4:由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期参数T,阻尼系数ζ和离散频率f,建立周期性瞬态模型及其多普勒瞬态模型,最后根据模型最优参数及轴承运动参数判断出故障类型。
2.根据权利要求1所述的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:所述步骤1具体包括以下步骤:
步骤1.1:建立基于单边Laplace小波的参数化模型,将轴承故障信号的理论值记为所述轴承故障信号可表示为:
其中:为轴承故障信号的理论值,U是信号的时间长度,τ是延迟时间,ζ是阻尼系数,f是频率。记τ、ζ和f所属范围为Td、Z和F,那么:
公式(1)中的t、τ、ζ和f均表示变量;
步骤1.2:通过引入参数T来建立一个周期性模型,以此模拟轴承故障信号的波形特征,可以构造函数:
3.根据权利要求1所述的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:所述步骤2具体包括以下步骤:
步骤2.1:修改基于单边Laplace小波的周期模型,具体包括:
将传感器接收到声信号的时刻记为{tR},接受时刻可以表示为:
{tR}={t0,t0+1/fs,t0+2/fs,t0+(N-1)/fs}(4)
其中,fs是频率,t0是声信号的初始时刻,N是数据长度;
由位置关系,tR还可以表示为:
其中,R是声源和传感器之间的距离,Vsw是空气中的音速,te是声信号的发出时刻,r是接收器和声源运行方向之间的距离。L是声源的瞬时位移。
对于式(5)中的L,还可以由下式获得:
公式(3)中的ψperiodic(t)中的t即式(5)中的te,ψperiodic(t)可改为{ψe(te)};
步骤2.2:对基于单边Laplace小波的周期模型施加多普勒效应,得出对应的参数化多普勒瞬态模型,具体包括:
在声信号从声源传播到接收器时,接收到的声信号被调制了,由Morse声学理论,当声源以次音速移动时(M=Vs/Vsw<0.2),就默认声源是一个单极点声源,接收到的声信号表示为:
其中q是总质量流量,t是声音的传播时间,M=Vs/Vsw是声源速度的马赫数。θ是声源运行方向和声源到传感器所在直线的夹角,在公式(7)中,PA表示接收到的声压P是和参数R成反比,PB表示近场效应。当M<0.2时,PB就可以被忽略,因此,接收到的声压可以表示为:
也可以写成:
其中,r/(R(1-Mcosθ)2)起振幅调制的作用,q′[t-(R/Vsw)]/(4πr)是声源和接收器之间没有相对移动时接收到的声压。
接收到的信号可以被写为:
4.根据权利要求1所述的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:步骤3中计算不同参数下模型与实际信号的相关系数具体包括:将记为相关系数,相关系数可以表示为:
其中a(n),b(n)为有相同长度的两组数据,n是他们的数据长度,ηa(n),b(n)是他们的相关系数,<a(n),b(n)>的计算方式为:
相关系数ηa(n),b(n)的值域为:
-1≤ηa(n),b(n)≤1(13)
且当ηa(n),b(n)接近于0时,可认为a(n),b(n)是线性相关。
5.根据权利要求1所述的基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法,其特征在于:所述步骤4具体包括:由不同周期参数T,阻尼系数ζ和离散频率f建立的多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期性瞬态模型及其多普勒瞬态模型;
相关性分析的公式可表示为:
其中,y(t)是列车轴承故障信号的幅值;
在最优化的过程中,当参数化多普勒瞬态模型和列车轴承故障信号的检测值具有最大相关系数的时候,就认为模型已经最优化,认为此时的多普勒瞬态模型对应的周期瞬态模型揭示了真实的列车轴承故障瞬态成分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789876.3A CN105424388B (zh) | 2015-11-17 | 2015-11-17 | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789876.3A CN105424388B (zh) | 2015-11-17 | 2015-11-17 | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105424388A true CN105424388A (zh) | 2016-03-23 |
CN105424388B CN105424388B (zh) | 2018-11-02 |
Family
ID=55502742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510789876.3A Active CN105424388B (zh) | 2015-11-17 | 2015-11-17 | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105424388B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226078A (zh) * | 2016-07-01 | 2016-12-14 | 中国科学技术大学 | 一种基于麦克风阵列的多普勒畸变声学信号的校正方法 |
CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测系统及方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN106441895A (zh) * | 2016-10-09 | 2017-02-22 | 安徽大学 | 一种列车轴承轨边信号冲击成分提取方法 |
CN106872171A (zh) * | 2017-04-10 | 2017-06-20 | 中国科学技术大学 | 一种多普勒声学信号的自适应学习校正方法 |
CN107328578A (zh) * | 2017-07-10 | 2017-11-07 | 安徽大学 | 一种用于列车轴承轨边声学故障检测的声源分离方法 |
CN107345858A (zh) * | 2017-07-25 | 2017-11-14 | 安徽大学 | 一种列车轴承轨边信号冲击成分快速提取方法 |
CN108061653A (zh) * | 2017-12-05 | 2018-05-22 | 安徽大学 | 基于谐波-冲击多普勒调制复合字典的列车轮对轴承轨边声信号分离方法 |
CN109784305A (zh) * | 2019-01-29 | 2019-05-21 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN116252820A (zh) * | 2023-05-12 | 2023-06-13 | 西南交通大学 | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792000A (zh) * | 2014-02-20 | 2014-05-14 | 苏州大学 | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 |
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN204405328U (zh) * | 2015-01-20 | 2015-06-17 | 苏州大学 | 轨道车辆轴承故障模拟试验装置 |
-
2015
- 2015-11-17 CN CN201510789876.3A patent/CN105424388B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792000A (zh) * | 2014-02-20 | 2014-05-14 | 苏州大学 | 一种基于稀疏表示的信号中瞬态成分检测方法及装置 |
CN103954353A (zh) * | 2014-05-12 | 2014-07-30 | 苏州大学 | 信号中瞬态成分稀疏表示检测方法及装置、故障检测方法 |
CN204405328U (zh) * | 2015-01-20 | 2015-06-17 | 苏州大学 | 轨道车辆轴承故障模拟试验装置 |
Non-Patent Citations (4)
Title |
---|
刘方: ""非平稳运行时列车轮对轴承道旁声学故障诊断方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨柳松: ""基于小波分析与神经网络滚动轴承故障诊断方法的研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
沈长青: ""旋转机械设备关键部件故障诊断与预测方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
赵志宏: ""基于振动信号的机械故障特征提取与诊断研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226078B (zh) * | 2016-07-01 | 2018-08-21 | 中国科学技术大学 | 一种基于麦克风阵列的多普勒畸变声学信号的校正方法 |
CN106226078A (zh) * | 2016-07-01 | 2016-12-14 | 中国科学技术大学 | 一种基于麦克风阵列的多普勒畸变声学信号的校正方法 |
CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测系统及方法 |
CN106441889A (zh) * | 2016-09-14 | 2017-02-22 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN106441889B (zh) * | 2016-09-14 | 2018-09-21 | 安徽大学 | 一种基于自适应随机共振滤波器的微弱信号检测方法 |
CN106441895A (zh) * | 2016-10-09 | 2017-02-22 | 安徽大学 | 一种列车轴承轨边信号冲击成分提取方法 |
CN106872171B (zh) * | 2017-04-10 | 2019-04-26 | 中国科学技术大学 | 一种多普勒声学信号的自适应学习校正方法 |
CN106872171A (zh) * | 2017-04-10 | 2017-06-20 | 中国科学技术大学 | 一种多普勒声学信号的自适应学习校正方法 |
CN107328578B (zh) * | 2017-07-10 | 2018-06-12 | 安徽大学 | 一种用于列车轴承轨边声学故障检测的声源分离方法 |
CN107328578A (zh) * | 2017-07-10 | 2017-11-07 | 安徽大学 | 一种用于列车轴承轨边声学故障检测的声源分离方法 |
CN107345858B (zh) * | 2017-07-25 | 2018-08-14 | 安徽大学 | 一种列车轴承轨边信号冲击成分快速提取方法 |
CN107345858A (zh) * | 2017-07-25 | 2017-11-14 | 安徽大学 | 一种列车轴承轨边信号冲击成分快速提取方法 |
CN108061653A (zh) * | 2017-12-05 | 2018-05-22 | 安徽大学 | 基于谐波-冲击多普勒调制复合字典的列车轮对轴承轨边声信号分离方法 |
CN109784305A (zh) * | 2019-01-29 | 2019-05-21 | 石家庄铁道大学 | 基于波形冲击匹配的Lapalce小波基稀疏表示字典构造方法 |
CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN110132554B (zh) * | 2019-04-17 | 2020-10-09 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
CN116252820A (zh) * | 2023-05-12 | 2023-06-13 | 西南交通大学 | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 |
CN116252820B (zh) * | 2023-05-12 | 2023-09-05 | 西南交通大学 | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105424388B (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105424388A (zh) | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 | |
CN103335617B (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
CN104776908A (zh) | 基于emd广义能量的轮轨振动信号故障特征提取方法 | |
CN105092239B (zh) | 一种齿轮早期故障检测方法 | |
CN105092467A (zh) | 一种高速铁路车轮踏面擦伤快速监测装置及方法 | |
CN103018044B (zh) | 一种改进冲击字典匹配追踪算法的轴承复合故障诊断方法 | |
CN104833534A (zh) | 一种基于多源信息融合的列车走行系故障诊断装置及方法 | |
CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 | |
CN106441895A (zh) | 一种列车轴承轨边信号冲击成分提取方法 | |
CN102072789B (zh) | 一种地面测试铁道车辆轮轨力的连续化处理方法 | |
CN104374939A (zh) | 基于振动信号同步压缩变换的旋转机械瞬时转速估测方法 | |
CN105651504A (zh) | 基于自适应小波能量的旋转机械故障特征提取方法 | |
Li et al. | Time-varying parameter identification of bridges subject to moving vehicles using ridge extraction based on empirical wavelet transform | |
CN106092015A (zh) | 一种轨道表面凹陷长度检测方法 | |
CN205262744U (zh) | 基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测装置 | |
CN103115668A (zh) | 轧机振痕振动信号的故障特征提取方法及识别方法 | |
CN103020430B (zh) | 谱互相关系数的弓网匹配性能评估方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN104833535A (zh) | 一种铁道车辆车轮踏面擦伤的检测方法 | |
CN114169422A (zh) | 基于车辆振噪联合测试的地铁钢轨波磨识别方法及系统 | |
CN105923014A (zh) | 一种基于证据推理规则的轨道高低不平顺幅值估计方法 | |
CN104732097B (zh) | 强信号干扰下铁路桥梁模态频率识别中功率谱的修正方法 | |
CN104949848A (zh) | 基于频域峭度的蛇行失稳检测算法 | |
CN106289500A (zh) | 一种船闸人字门安全状况的远程监测系统及其监测方法 | |
CN113654699B (zh) | 轮轨垂向力检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |