CN106441893B - 火车滚动轴承故障与杂质振动区分方法 - Google Patents
火车滚动轴承故障与杂质振动区分方法 Download PDFInfo
- Publication number
- CN106441893B CN106441893B CN201610842496.6A CN201610842496A CN106441893B CN 106441893 B CN106441893 B CN 106441893B CN 201610842496 A CN201610842496 A CN 201610842496A CN 106441893 B CN106441893 B CN 106441893B
- Authority
- CN
- China
- Prior art keywords
- signal
- rolling bearing
- vibration
- stft
- impurity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000012535 impurity Substances 0.000 title claims abstract description 26
- 238000005096 rolling process Methods 0.000 title claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000002405 diagnostic procedure Methods 0.000 abstract 1
- 230000000977 initiatory effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 239000004519 grease Substances 0.000 description 3
- 230000001050 lubricating effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004901 spalling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种火车滚动轴承故障与杂质振动区分方法,包括:利用时谱峭度对原始轴承振动信号进行滤波处理,采用经验模态分解技术对预处理后振动信号进行逐层分解,得到各个本征模态分量;通过对各个本征模态分量进行频谱及统计特性分析,提取由频谱重心和特征频率能量比构成的特征向量作为输入,训练建立基于支持向量机的分类器模型,实时区分异音滚动轴承发生故障还是含有杂质。本发明提供了一种基于振动信号分析的火车滚动轴承故障与含杂质状态的区分方法,该方法有效提高了轴承故障识别的准确率,解决了杂质引发的轴承振动诊断方法存在的虚警率过高的问题,为振动诊断方法的工程应用提供了较好的技术支撑。
Description
技术领域
本发明涉及设备故障诊断技术领域,特别是火车滚动轴承故障与含杂质运行状态的区分方法。
背景技术
安全是铁路运输永恒的主题。滚动轴承是铁路货车的重要零部件之一,由于长期高速重载运行,极易发生剥离等故障,对其进行故障检测至关重要。据笔者从北京、徐州、荆州等车辆段的调研结果来看,国内检修过程主要由经验工人通过手工转动轴承外圈,以人耳听的方式判断是否有异音或故障,该方法受主观因素影响大,不利于标准化的检测管理,且工人为了降低自己的责任风险,往往采取宁可误判绝不漏判方式,导致虚警率过高、检修效率低下,亟需发展高度自动化的轴承状态检测设备。
针对滚动轴承故障问题,发展了多种诊断方法,如轴温检测法、振动法、声学检测法、油液分析法等。红外测温法具有简单、易于实现的特点,已被应用于货车列检,但温升属于滚动轴承故障晚期特征,对于早期点蚀、剥落等轻微故障则难以发现,存在较大是检测风险,预警能力较弱。油液分析技术通过分析润滑油脂本身的理化性能以及所含金属磨粒大小、形貌和浓度判断轴承工作状态,可用于早期诊断,但存在取样不便、实时性差的缺点。油膜厚度分析通过测量油膜电阻来判断润滑状态,对表面剥落、裂纹等故障的检测能力较弱,且不适用于低速、旋转轴不外露等情况。振动或声学诊断法相对比较成熟,已得到广泛研究和应用,成熟的商用系统有美国的滚动轴承轨边声学诊断系统(Trackside AcousticDetection System,TADS),该系统对于严重的剥离等故障具有较高的检测准确率,但是,对于早期故障则难以发现,且价格昂贵,单个测点需要约60万美元(共部署60个测点),还不包括后期维护以及几年之后设备更新费用。
考虑到实际的轴承振动信号中故障成分可能较为微弱,往往采用共振解调的信号处理技术,即采用带通滤波器将微弱的低频故障冲击成分调制到高频的共振频带,再通过包络解调和频谱分析可以得到不同部件的故障特征频率,并定位出轴承发生内圈、外圈还是滚子故障。专利CN201410140890公开了一种滚动轴承故障特征提取方法,对共振解调频带进行了优化选取,一定程度上提高了故障特征提取的质量。
然而,从车辆段采集的大量轴承样本分析结果来看,某些异音轴承的振动信号经过共振解调之后发现有明显的外圈故障特征频率出现,但拆解清洗之后并无故障,从而导致虚警或误判。经过大量实验分析发现,产生该现象的原因在于润滑油脂中含有杂质,产生疑似的故障脉冲信号。针对杂质引起误判问题的研究鲜有文献报道,但却是制约振动诊断方法工程应用的瓶颈问题。为此,本发明引入时谱峭度、经验模式分解(Empirical ModeDecomposition,EMD)和支持向量机(Support Vector Machine,SVM)等信号处理技术,从振动信号分析层面上给出区分异音轴承发生故障还是含有杂质的方法,该方法可用于滚动轴承在线检测,具有较好的应用前景。
发明内容
本发明的目的是提供一种基于“时谱峭度+EMD+SVM”的火车滚动轴承故障与杂质振动区分方法。利用时谱峭度对原始振动信号进行滤波处理,采用EMD技术对预处理后振动信号进行逐层模式分解,通过对各个本征模态分量分别进行频谱及统计特性分析,提取由频谱重心和高低频能量比构成的特征向量作为输入,训练建立基于支持向量机的分类器模型,区分异音滚动轴承发生故障还是含有杂质。
一种火车滚动轴承故障与杂质振动区分方法,具体包括以下步骤:
1、采用时谱峭度自适应确定火车滚动轴承的共振频带,对原始振动信号进行滤波处理;
101)对原始振动信号做STFT变换,获得信号在不同时刻、不同频率的STFT幅值序列;
102)采用信息熵估计和去除STFT幅值序列中异常值,具体方法是:首先计算频率f处时间序列的概率密度函数,据此计算整个序列的信息熵,并对不同频率做归一化处理;若所得信息熵下降幅度低于设定的阈值,则说明信号中存在有用信息,反之则是需要被滤除的干扰成分,从而获得有效的STFT幅值序列YSTFT(k,f),k表示帧序号,f表示频率;
103)计算整个幅值序列的均值,保留幅度小于L(L取1-5的整数)倍均值的数据点组成新序列,从而估计每个频点处STFT幅度序列的高斯成分m表示时间序列,f表示频率;
104)依据频点f处第k帧信号STFT幅度值,计算时谱峭度TSK(k,f),具体方法为:
其中,<·>n表示基于下标n做时间平均;
105)根据时谱峭度值设计滤波器H(k,f),若某帧的时谱峭度值大于门限,则对应的STFT就保留下来,否则对STFT做衰减处理,具体方法为:
106)用STFT结果与滤波器H(k,f)相乘,重建振动信号。
2、采用经验模态分解技术对预处理后振动信号进行分解,得到各个IMF分量,具体包括以下步骤:
201)确定预处理后振动信号x(t)的所有局部极大值和极小值点,通过三次样条插值对所有极值点进行拟合,得到信号的上包络和下包络线,并计算出上下包络线的平均值m1(t);
202)将信号x(t)减去平均值m1(t)得到信号h1(t),若h1(t)满足条件F:在整个数据段内极值点的个数和过零点的个数相等或最多相差一个,并且在任意时刻由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为0,则h1(t)为IMF分量;
203)如果不满足条件F,则将h1(t)作为原始数据重复步骤201)、步骤202)直到满足条件F为止,此时得到第一个IMF,记为
204)计算信号的残差r1(t),即将残差信号作为原始数据,重复步骤201)、202)和203),当残差信号rn成为一个单调函数,不能再从中提取满足IMF条件的分量时,循环结束,得到振动信号的第n个IMF分量其中,停止的标准可以通过限制两个连续处理结果之间的标准差来实现;
3、对IMF分量进行频谱分析和特征提取,训练建立基于支持向量机的分类模型,具体包括以下步骤:
301)对分解得到的IMF分量做频谱分析,当轴承运行于故障和含有杂质状态时,分解得到的IMF分量的功率谱在整个频带上分布具有一定差异性,据此,提取所有IMF的频谱重心和特征频率能量比特征,组合构成特征向量,其中,特征频率能量比是指振动信号特征频率处幅值与所属窄带内信号总能量之比;
302)以提取特征向量作为输入,利用实验获取的有限样本集训练建立基于支持向量机的分类器模型,区分异音滚动轴承发生故障还是含杂质。
本发明的优点在于:
(1)利用时谱峭度对原始振动信号进行滤波处理,可剔除原始振动信号中可能存在的一些异常点,增强了故障或杂质状态的信噪比,更加有利于后续的异音轴承状态分类识别;
(2)通过EMD分解和IMF分量的频谱统计特性分析,可提取出能够敏感描述异音轴承发生故障还是含有杂质的特征向量,极大提高了分类识别的准确率,解决了杂质引发的误判断问题,为振动诊断方法的工程应用提供了较好的技术支撑。
附图说明
图1为本发明实施中火车轮对模拟实验台及传感器部署图,图中:
1-左侧车轮 2-右侧车轮 3-转轴 4-右侧轴承 5-左侧轴承
6-电机(含变频器) 7-液压泵 8-摩擦轮 9-支撑座 10(11,12,13)-加速度传感器
图2为为火车滚动轴承的结构图,图中:
14-外圈 15-内圈 16-滚子 17-保持架
图3为本发明的方法流程图。
具体实施方式
下面将结合附图对本发明作进一步的详细说明。
图1给出了火车轮对模拟试验台的结构,主要包括车轮(1,2)、转轴(3)、轴承(4,5)、电机(6)、液压泵(7)、摩擦轮(8)、支撑座(9);在每个滚动轴承外侧部署Lance 2052加速度传感器(10-13);轴承由电机驱动摩擦轮作旋转运动,外圈相对静止不动;图2给出了实验采用的外圈剥离故障的双列圆锥滚子轴承(197726型号),由外圈(14)、内圈(15)、滚子(16)、保持架(17)等几部分构成,其中,滚子数目N=20,滚子直径d=23.7mm,轴承节径D=180mm,接触角a=10度,通过调节变频器控制轴承运转到245rpm,系统采样率16384Hz;实验过程中,通过往润滑油脂中添加细沙来模拟轴承含杂质运行状态;
本发明是一种火车滚动轴承故障与杂质振动区分方法,流程图如图3所示,具体包括以下步骤:
1、采集加速度传感器的振动信号,利用时谱峭度进行滤波处理,具体方法为:
(1)对信号做STFT分析,取1秒的振动信号,窗宽1024,获得信号在不同时刻、不同频率处STFT幅值序列Y(ti,fj),i=1,2,...,M,j=1,2,...,L,M表示帧序号,L表示频率点序号;
(2)采用信息熵对估计和去除STFT幅值序列中异常值,首先计算在频率f处时间序列的概率密度函数:
则序列的信息熵为
然后对不同频率做归一化处理;若所得信息熵下降幅度低于设定的阈值,则说明信号中存在有用信息,反之则是需要被滤除的干扰成分,从而获得有效的STFT幅值序列YSTFT(k,f);
(3)计算出序列的均值,保留幅度小于L=3倍均值的点组成新的序列,估计每个频点处STFT幅度序列的高斯成分
(4)依据频点f处第k帧信号STFT幅度值,计算该帧信号的时谱峭度TSK(k,f),具体方法为:
其中,<·>n表示基于下标n做时间平均;考虑到可能出现的偏差,同时为了使TSK在低信噪比条件下也能敏感反映轻微的变化,在上式中去掉成分;
(4)根据TSK值设计滤波器H(k,f)获得重建信号,此处,阈值取0.5,其中:
(5)将STFT结果乘以H(k,f),重建振动信号。
2、采用经验模态分解技术对预处理后振动信号进行分解,得到各个IMF分量,具体步骤为:
(1)计算预处理后振动信号x(t)的上下包络线的平均值m1(t);
(2)将信号x(t)减去平均值m1(t)得到信号h1(t),若h1(t)满足条件F:在整个数据段内极值点的个数和过零点的个数相等或最多相差一个,并且在任意时刻由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为0,则h1(t)为IMF分量;
(3)如果不满足条件F,则将h1(t)作为原始数据重复步骤(1)、(2)直到满足条件F为止,此时得到第一个IMF,记为
(4)计算信号的残差将残差信号作为原始数据,重复(1)-(3),直到残差信号rn(t)成为一个单调函数,不能再从中提取满足IMF条件的分量时,循环结束;停止标准为限制两个连续处理结果之间的标准差Sd(取值为0.2),信号的时间长度为T,具体计算方法为:
最终分解得到Z个IMF分量,信号可以表示为:
3、对IMF分量进行频谱分析和特征提取,训练建立基于支持向量机的分类模型,具体包括以下步骤:
(1)对分解得到的各个IMF分量做频谱分析,通过实验数据统计分析发现,当异音轴承运行于故障或含有杂质状态时,分解得到的IMF分量的功率谱在整个频带上分布具有一定差异性,提取频谱重心作为特征,具体计算方法为:
N表示信号的数据点数,F(i)表示信号在坐标i点处的频谱幅值;
此外,在轴承外圈故障特征频率(理论值为36Hz)处频谱幅值要远高于含杂质轴承,并且在非特征频率处能量较低,因此,提取信号特征频率处频谱幅值与窄带(取值范围为[34Hz-38Hz])内总能量之比作为特征;
(2)以所有IMF的频谱重心和特征频率能量比作为输入特征向量,利用实验获取的样本集,其中,剥离故障类100个,含杂质100个,随机选取其中的70%样本训练建立基于支持向量机的分类器模型,具体数学模型为:
其中,min表示求函数F(w,b)的最小值,s.t表示约束条件,w为最优分类超球面的法向量,xi、yi分别表示第i个样本点的特征向量值与输出标签;
用剩余的其它30%样本进行测试,识别准确率可达100%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非限制,可参照本发明的技术方案进行修改或者等同替换。
Claims (2)
1.一种火车滚动轴承故障与杂质振动区分方法,其特征在于包括以下步骤:
步骤1)采用时谱峭度自适应确定火车滚动轴承的共振频带,对原始振动信号进行滤波处理;
步骤2)采用经验模态分解技术对预处理后振动信号进行分解,得到各个本征模态函数(Intrinsic Mode Function,IMF)分量,具体包括以下步骤:
步骤201)确定预处理后振动信号的所有局部极大值和极小值点,通过三次样条插值对所有极值点进行拟合,得到信号的上包络和下包络线,并计算出上下包络线的平均值;
步骤202)将振动信号减去上下包络线的平均值,所得信号h(t)若满足条件F:在整个数据段内极值点的个数和过零点的个数相等或最多相差一个,并且在任意时刻由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为0,则为IMF分量;
步骤203)若h(t)不满足条件F,则将其作为原始数据重复步骤201)、202)直到满足条件F为止,此时得到第一个IMF分量;
步骤204)计算信号的残差并将其作为原始数据,重复步骤201)、202)和203),当残差信号成为一个单调函数,不能再从中提取满足IMF条件的分量时,则循环结束,其中停止的标准可以通过限制两个连续处理结果之间的标准差来实现;通过分解,信号可以由各个IMF分量和残差信号来表示;
步骤3)对IMF分量进行频谱分析和特征提取,训练建立基于支持向量机的分类器模型,具体包括以下步骤:
步骤301)对分解得到的IMF分量做频谱分析,当轴承运行于故障或含有杂质状态时,分解得到的IMF分量的功率谱在整个频带上分布具有一定差异性,据此,提取所有IMF的频谱重心和特征频率能量比构造特征向量,其中,特征频率能量比是指振动信号特征频率处幅值与所属窄带内信号总能量之比;
步骤302)以步骤301)提取的特征向量作为输入,利用实验获取的有限样本集训练建立基于支持向量机的分类器模型,区分异音滚动轴承发生故障还是含有杂质。
2.根据权利要求1所述的一种火车滚动轴承故障与杂质振动区分方法,其特征在于:所述步骤1)中采用时谱峭度自适应确定火车滚动轴承的共振频带,对原始振动信号进行滤波处理,具体方法为:
(1)对原始振动信号做短时傅立叶变换(Short Time Fourier Transform,STFT),获得信号在不同时刻、不同频率处STFT幅值序列;
(2)采用信息熵估计和去除STFT幅值序列中异常值,首先计算在频率f处时间序列的概率密度函数,然后计算整个序列的信息熵,并对不同频率做归一化处理;若所得信息熵下降幅度低于设定的阈值,则说明信号中存在有用信息,反之则是需要被滤除的干扰成分,从而获得有效的STFT幅值序列YSTFT(k,f),k表示帧序号,f表示频率;
(3)计算出整个幅值序列的均值,并保留幅度小于L倍均值的数据点组成新序列,L取整数,估计每个频点处STFT幅值序列的高斯成分m表示时间序列,f表示频率;
(4)计算时谱峭度TSK(k,f),具体方法为:
其中,<·>n表示基于下标n做时间平均;
(5)根据时谱峭度值设计滤波器H(k,f),若某帧的时谱峭度值大于门限Threshold,则对应的STFT就保留下来,否则对STFT做衰减处理,具体方法为:
(6)用STFT结果与滤波器H(k,f)相乘,重建振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610842496.6A CN106441893B (zh) | 2016-09-22 | 2016-09-22 | 火车滚动轴承故障与杂质振动区分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610842496.6A CN106441893B (zh) | 2016-09-22 | 2016-09-22 | 火车滚动轴承故障与杂质振动区分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106441893A CN106441893A (zh) | 2017-02-22 |
CN106441893B true CN106441893B (zh) | 2018-08-10 |
Family
ID=58166770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610842496.6A Active CN106441893B (zh) | 2016-09-22 | 2016-09-22 | 火车滚动轴承故障与杂质振动区分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106441893B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194068B (zh) * | 2017-05-22 | 2020-01-10 | 中国石油大学(北京) | 页岩气压裂过程井下异常工况实时预测预警方法及装置 |
CN107563403B (zh) * | 2017-07-17 | 2020-07-31 | 西南交通大学 | 一种高速列车运行的工况识别方法 |
CN107505135B (zh) * | 2017-08-15 | 2020-05-01 | 河北建设集团卓诚路桥工程有限公司 | 一种滚动轴承复合故障提取方法及系统 |
CN108151873A (zh) * | 2017-12-26 | 2018-06-12 | 广东石油化工学院 | 一种分离离心泵振动信号和循环水换热器振动信号的方法 |
CN109139443B (zh) * | 2018-06-07 | 2019-12-13 | 合肥通用机械研究院有限公司 | 一种基于位移信号的活塞杆故障诊断方法 |
CN109374299B (zh) * | 2018-12-13 | 2020-06-26 | 西安理工大学 | 一种用于印刷单元的滚动轴承故障诊断方法 |
CN110044623B (zh) * | 2019-04-15 | 2020-09-22 | 中国人民解放军海军工程大学 | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 |
CN110096998B (zh) * | 2019-04-29 | 2023-05-12 | 天津大学 | 一种用于机加工表面形貌特征提取的分解方法 |
CN110017991B (zh) * | 2019-05-13 | 2020-03-31 | 山东大学 | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 |
CN110987434A (zh) * | 2019-12-18 | 2020-04-10 | 中国民航大学 | 一种基于去噪技术的滚动轴承早期故障诊断方法 |
CN113074967B (zh) * | 2020-01-06 | 2022-12-16 | 北京谛声科技有限责任公司 | 一种异音检测的方法、装置、存储介质及电子设备 |
CN111721527B (zh) * | 2020-05-18 | 2022-04-08 | 浙江工业大学 | 基于cms系统大数据结合标准差及小波熵的风力发电机组齿轮箱故障定位方法 |
CN113295415B (zh) * | 2021-05-07 | 2022-06-10 | 湖北精瑞通流体控制技术有限公司 | 一种基于多尺度频谱感知技术的轴承故障检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607848A (zh) * | 2012-03-27 | 2012-07-25 | 天津市启轩电子有限公司 | 铁路列车轴承故障的检测方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN104677632A (zh) * | 2015-01-21 | 2015-06-03 | 大连理工大学 | 利用粒子滤波与谱峭度的滚动轴承故障诊断方法 |
CN105241665A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4504065B2 (ja) * | 2004-03-31 | 2010-07-14 | 中国電力株式会社 | 転がり軸受の余寿命診断方法 |
-
2016
- 2016-09-22 CN CN201610842496.6A patent/CN106441893B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102607848A (zh) * | 2012-03-27 | 2012-07-25 | 天津市启轩电子有限公司 | 铁路列车轴承故障的检测方法 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
CN104677632A (zh) * | 2015-01-21 | 2015-06-03 | 大连理工大学 | 利用粒子滤波与谱峭度的滚动轴承故障诊断方法 |
CN104568444A (zh) * | 2015-01-28 | 2015-04-29 | 北京邮电大学 | 变转速火车滚动轴承故障特征频率提取方法 |
CN105241665A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
滚动轴承振动_噪声和异音测试系统技术研究;李兴林 等;《试验技术与试验机》;20030430;第43卷(第4期);第38-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106441893A (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106441893B (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
CN104568444B (zh) | 变转速火车滚动轴承故障特征频率提取方法 | |
Hu et al. | An adaptive spectral kurtosis method and its application to fault detection of rolling element bearings | |
Wang et al. | Optimization of segmentation fragments in empirical wavelet transform and its applications to extracting industrial bearing fault features | |
Nguyen et al. | Robust condition monitoring of rolling element bearings using de-noising and envelope analysis with signal decomposition techniques | |
CN106645424B (zh) | 一种钢轨裂纹在线监测噪声滤除和裂纹判定方法 | |
CN104236911B (zh) | 一种列车转向架轴承服役过程监测与故障诊断系统及方法 | |
CN103115668B (zh) | 轧机振痕振动信号的故障特征提取方法及识别方法 | |
Liao et al. | An automatic filtering method based on an improved genetic algorithm—with application to rolling bearing fault signal extraction | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN113358380B (zh) | 一种轨道车辆蛇行运动稳定性检测和评定方法 | |
CN104931262A (zh) | 一种与轮对轴承磨合机联用的轴承故障诊断装置及其诊断方法 | |
CN113343928A (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN111055881A (zh) | 一种基于噪声信号的轮轨界面损伤演变监测方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
Liu et al. | A Rolling Bearing Fault Diagnosis‐Optimized Scale‐Space Representation for the Empirical Wavelet Transform | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN113281414A (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
CN114056381A (zh) | 一种铁道车辆车轮扁疤监测方法 | |
Wang et al. | An improved time-varying morphological filtering and its application to bearing fault diagnosis | |
CN116353660B (zh) | 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统 | |
CN112132069A (zh) | 一种基于深度学习的滚动轴承微弱故障智能诊断方法 | |
CN116252820B (zh) | 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 | |
Huang et al. | Fault diagnosis of low‐speed rolling bearing based on weighted reconstruction of vibration envelopes | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |