CN111307455B - 一种基于字典学习的列车转向架轴承故障监测方法及系统 - Google Patents
一种基于字典学习的列车转向架轴承故障监测方法及系统 Download PDFInfo
- Publication number
- CN111307455B CN111307455B CN202010150772.9A CN202010150772A CN111307455B CN 111307455 B CN111307455 B CN 111307455B CN 202010150772 A CN202010150772 A CN 202010150772A CN 111307455 B CN111307455 B CN 111307455B
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- bearing
- dictionary
- dictionary learning
- 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
Images
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
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于字典学习的列车转向架轴承故障监测方法及系统,涉及轨道列车安全运行技术领域,包括如下步骤:采集列车转向架轴承的振动信号和温度信号;通过温度信号判断轴承是否已经发生故障;基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;本发明的方法采用了基于字典学习算法对振动信号进行分析,字典学习算法更能匹配复杂信号的结构特征,能有效提取滚动轴承复合故障信号中的冲击成分,有效地解决了现有技术难以处理信号中混杂着大量背景噪声、谐波干涉以及故障特征识别混叠等问题,对轴承故障识别的准确性具有很大的提高,为列车运行的安全性提供了保障。
Description
技术领域
本发明涉及轨道列车安全运行技术领域,具体涉及一种基于字典学习的列车转向架轴承故障监测方法及系统。
背景技术
转向架作为列车的重要部件,可以支撑车体,增加车体载重,提高列车运行速度,保证车辆安全运行。而轴承作为转向架中最常见的零部件,往往处于高温和过载的环境中,容易发生故障。一旦列车转向架轴承发生故障,列车运行的安全性将无法得到保障,并且需要进行停车检修,花费大量的成本。因此,对列车转向架轴承进行故障监测具有很大的价值,并在过去几年得到了广泛的关注。目前对列车转向架轴承进行故障监测时往往通过采集轴承的振动信号和温度信号进行分析,但是由于轴承运行环境恶劣,采集到的信号中往往混杂着大量的背景噪声和谐波干涉,而现有的列车转向架轴承监测技术对于这样的非平稳信号难以进行有效的处理分析,从而难以提取故障特征,并且容易造成故障模式识别混叠等问题,这必然对列车转向架轴承的故障诊断造成了困难。因此,设计一种可以有效解决信号中存在的背景噪声和谐波干涉的列车转向架轴承故障监测系统具有很大的实际意义和价值。
发明内容
本发明的目的在于:针对现有的列车转向架轴承故障监测方法对轴承振动信号中存在大量的背景噪声和谐波干涉而无法对信号进行有效的分离、故障特征提取以及容易造成故障模式识别混叠的问题,本发明提供一种基于字典学习的列车转向架轴承故障监测方法。
本发明的技术方案如下:
一种基于字典学习的列车转向架轴承故障监测方法,包括如下步骤:
采集列车转向架轴承的振动信号和温度信号;
通过温度信号判断轴承是否已经发生故障;
基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;
所述基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的步骤包括:
将包含单个故障特征的信号作为训练样本,对样本进行字典学习,得到每种故障特征的基函数,再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量;
对各个信号分量作Hilbert变换得到相应的包络谱;
根据计算得出的各部位的故障频率,参照相应的包络谱,找出列车转向架轴承的故障。
进一步地,在所述通过温度信号判断轴承是否已经发生故障后,若监测出轴承温度高于阈值,则发出警报并停止列车运行。
具体地,所述字典学习算法具体包括如下步骤:
a.字典初始化;用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈Rm×k,并用ρ2范数将字典每一列单位标准化;式中,D∈Rm×k表示m×k的矩阵,m表示样本数,k表示样本中原子的个数;
b.稀疏编码;根据初始字典D,采用任意一种追踪算法,对每个列车转向架轴承监测信号样本yi的稀疏系数向量xi进行求解,即
式中,T0表示稀疏表示系数中非零元素的最大数量;
c.字典更新;固定向量xi更新字典D的每一列,设向量dk为要更新的字典的第k列原子,X的第k行表示即dk对应的稀疏系数矩阵X中的第k行向量,T表示向量的列数,Ek表示抽取原子dk后的误差矩阵,此时式(3)表示为
进一步地,所述信号分量的获取步骤包括:
所述振动信号为包含多中故障特征的信号分量,具体为:
式中,z表示振动信号,zi为第i个源信号,即信号分量,ai为混合系数,ai表示zi对混合信号的贡献,ε为噪声;
在稀疏约束的条件下,所述字典学习算法的目标函数为:
式中,ck表示基函数,即由字典中第k列原子组成,sk表示基函数ck中字典原子的稀疏表示系数;对于观测信号z,相当于上述训练样本Y,采用K-SVD字典学习算法,获得一系列基函数ck及对应的稀疏系数,对每个基函数ck重构得到其对应的潜在成分lk,对于某个源信号zi,其对应的时域特征即基函数的索引集为κi,通过其对应的全部潜在成分来重构,即:
具体地,所述对各个信号分量作Hilbert变换得到相应的包络谱具体为:
式中,t表示信号周期;
具体地,所述各部位的故障频率包括:
式中,n表示轴承转速,p表示滚珠个数,R表示轴承节径,r表示滚动体直径,α表示滚动体接触角。
同时,本发明提供一种基于字典学习的列车转向架轴承故障监测系统,包括:
信号采集模块,用于采集列车转向架轴承的振动信号和温度信号;
信号传输模块,用于将信号采集模块采集的数据传输到数据中转模块;
数据中转模块,用于中转振动信号,接收温度信号,并通过温度信号判断轴承是否已经发生故障;
信号处理终端,用于接收由数据中转模块转发的振动信号,再基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;
信号处理终端中,所述基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的步骤包括:
将包含单个故障特征的信号作为训练样本,对样本进行字典学习,得到每种故障特征的基函数,再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量;
对各个信号分量作Hilbert变换得到相应的包络谱;
根据计算得出的各部位的故障频率,参照相应的包络谱,找出列车转向架轴承的故障。
优选地,所述信号传输模块为WIFI无线传输模块,当列车停靠到站时,将列车运行时采集的信号通过WIFI无线通讯模块从信号采集模块中传输到数据中转站模块。
进一步地,所述数据中转模块还包括报警模块,当数据中转模块对温度信号处理后得出轴承温度高于一定阈值时,判断出轴承已经发生故障,同时报警模块发出警报,列车停止运行。
具体地,所述信号采集模块包括传感器、采集板卡、AD转换芯片和存储器,所述温度信号和振动信号存储在所述存储器中。
采用上述方案后,本发明的有益效果如下:
(1)当信号中夹杂着大量背景噪声时无法准确的进行判断,本发明的方法采用了基于字典学习算法对振动信号进行分析,字典学习算法更能匹配复杂信号的结构特征,能有效提取滚动轴承复合故障信号中的冲击成分,有效地解决了现有技术难以处理信号中混杂着大量背景噪声、谐波干涉以及故障特征识别混叠等问题,对轴承故障识别的准确性具有很大的提高,为列车运行的安全性提供了保障。
(2)本发明的系统将轴承信号采集、信号传输、信号中转、信号处理及轴承故障诊断结合,由于现有的列车转向架轴承故障监测技术需要在列车停车进库后进行诊断,无法在列车运行靠站时进行诊断,增加了列车在运行时的风险,故本发明系统采集了轴承的温度和振动信号,在数据中转站可先通过对温度信号进行分析,温度信号是针对轴承故障发生的后期进行检测,判断轴承是否已经受损严重,起到了提前预警的作用。
附图说明
图1为本发明的整体流程图;
图2为本发明中基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的流程图;
图3为本发明的系统结构图;
图4为本发明具体实施方式中的复合故障信号图;
图5为本发明具体实施方式中的各分量合成去噪后信号图;
图6为本发明具体实施方式中的分量信号1图;
图7为本发明具体实施方式中的分量信号2图;
图8为本发明具体实施方式中的分量信号1的包络谱图;
图9为本发明具体实施方式中的分量信号2的包络谱图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明公开一种基于字典学习的列车转向架轴承故障监测方法及系统,所述方法基于所述系统。
本具体实施方式中,如图3所示,基于字典学习的列车转向架轴承故障监测系统包括信号采集模块、信号传输模块、数据中转模块、终端信号处理模块;上述模块的具体如下:
信号采集模块,用于采集列车转向架轴承的振动信号和温度信号;信号采集模块包括传感器、采集板卡、AD转换芯片、存储器。传感器包括振动传感器和温度传感器,振动传感器和温度传感器分别对列车转向架轴承的振动信号和温度信号进行采集,经由带有集成放大、滤波功能电路的采集板卡得到模拟信号,AD转换芯片将模拟信号转换成数字信号,并保存到存储器中。
信号传输模块,用于将信号采集模块采集的数据传输到数据中转模块;本具体实施方式中,所述信号传输模块采用的是WIFI无线传输模块。具体地,当列车停靠到站时,将列车运行时采集的信号通过WIFI无线传输模块从信号采集模块中的存储器中传输到数据中转模块。
数据中转模块,用于中转振动信号,接收温度信号,并通过温度信号判断轴承是否已经发生故障,若发生故障,进行报警;具体地,数据中转模块包括信号接收模块、温度信号处理模块、报警模块。作为优选,数据中转模块设立在列车停靠的站点,能够快速接收信号传输模块传输的信号;温度信号处理模块对接收的温度信号进行处理分析;实际操作中,温度信号更多的是对轴承故障后期进行诊断,当温度信号处理模块对监测到的温度信号处理后发现轴承温度高于90℃或者轴承的温升达到55K时(实际操作中也可以设置其他阈值,具体阈值根据轴承的性能参数、环境参数等综合确定),可以判断出轴承已经发生故障了,报警模块发出警报,列车停止运行。
信号处理终端,用于接收由数据中转模块转发的振动信号,再基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;本发明的信号处理终端采用的是基于K-SVD字典学习的信号处理方法,字典学习算法可以解决信号中存在的大量背景噪声、谐波干涉以及故障模式识别混叠等问题,可以使列车转向架轴承的故障特征提取更加准确。
应当理解的,K-SVD字典学习算法的本质是范数稀疏约束追踪和奇异值分解算法交替应用,使字典和稀疏系数交替更新。矩阵D∈Rm×k表示由训练得到的超完备字典,向量y∈Rn,x∈Rn分别表示训练样本和其对应的稀疏表示向量系数,矩阵为N个训练样本的集合,矩阵为N个向量系数的集合,则字典学习过程可优化过程可以表示为
或
式中,T0表示稀疏表示系数中非零元素个数的最大值。
具体地,述字典学习算法具体包括如下步骤:
a.字典初始化;用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈Rm×k,并用ρ2范数将字典每一列单位标准化;式中,Rm×k表示m×k的矩阵,m表示样本数,k表示样本中原子的个数;
b.稀疏编码;根据初始字典D,采用任意一种追踪算法,对每个列车转向架轴承监测信号样本yi的稀疏系数向量xi进行求解,即
式中,T0表示稀疏表示系数中非零元素的最大数量;
c.字典更新;固定向量xi更新字典D的每一列,设向量dk为要更新的字典的第k列原子,X的第k行表示即dk对应的稀疏系数矩阵X中的第k行向量,T表示向量的列数,Ek表示抽取原子dk后的误差矩阵,此时式(3)表示为
基于上述的系统以及字典学习算法原理,本发明的基于字典学习的列车转向架轴承故障监测方法,如图1所示,包括如下步骤:
S1.在列车行使过程中,信号采集模块采集列车转向轴承的振动信号和温度信号;当列车停靠到站时,信号传输模块采用WIFI无线传输模块从信号采集模块中的存储器中传输到数据中转站模块;
S2.数据中转模块接收到温度信号和振动信号,将振动信号转发到信号处理终端;作为优选,本具体实施方式中,直接在数据中转站通过温度信号判断轴承是否已经发生故障,本具体实施方式中的通过温度信号更多的是对轴承故障后期进行诊断,当数据中转站对温度信号处理后得出轴承温度高于90℃或者轴承的温升达到55K时,可以判断出轴承已经发生故障,同时报警模块发出警报,列车停止运行。也可以设置其他的温度阈值,从而大致判别轴承已经处于何种损坏阶段。应当理解的是,也可以将温度信号发送到信号处理终端来进行判断,直接在数据中转站中对温度信号进行阈值分析,若超过阈值,能够更加迅速地发现异常,发出警报。
S3.信号处理终端在接收到数据中转模块的振动信号后,基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;
具体地,如图2所示所述基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的步骤包括:
S31.将包含单个故障特征的信号作为训练样本,对样本进行字典学习,得到每种故障特征的基函数,再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量;本发明中,所述振动信号为包含多中故障特征的信号分量,具体为:
式中,z表示振动信号,zi为第i个源信号,即信号分量,ai为混合系数,ai表示zi对混合信号的贡献,ε为噪声;
在稀疏约束的条件下,所述字典学习算法的目标函数为:
式中,ck表示基函数,即由字典中第k列原子组成,sk表示基函数ck中字典原子的稀疏表示系数;对于观测信号z,相当于上述训练样本Y,采用K-SVD字典学习算法,获得一系列基函数ck及对应的稀疏系数,对每个基函数ck重构得到其对应的潜在成分lk,对于某个源信号zi,其对应的时域特征即基函数的索引集为κi,通过其对应的全部潜在成分来重构,即:
S32.对各个信号分量作Hilbert变换得到相应的包络谱:
式中,t表示信号周期;
S33.根据计算得出的各部位的故障频率,参照相应的包络谱,找出列车转向架轴承的故障,所述各部位的故障频率包括:
式中,n表示轴承转速,p表示滚珠个数,R表示轴承节径,r表示滚动体直径,α表示滚动体接触角。
采用上述的具体实施方式,对型号为SKF6205滚动轴承的运行信号的分析结果如图所示,图4为强噪声背景下复合故障信号,图5为对信号进行去噪处理后的结果,图6和图7为复合信号分解重构后的结果,图8、图9分别为两个分量信号的包络谱;结果表明,基于字典学习的列车转向架轴承故障监测系统及方法可有效地去除信号中大量的背景噪声、谐波干涉等,并有效地分离出复合信号中的各个特征信号,寻找到轴承发生故障的部位,该图结果可得出轴承发生的故障为内圈故障和外圈故障。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于字典学习的列车转向架轴承故障监测方法,其特征在于,包括如下步骤:
采集列车转向架轴承的振动信号和温度信号;
通过温度信号判断轴承是否已经发生故障;
基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;
所述基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的步骤包括:
将包含单个故障特征的信号作为训练样本,对样本进行字典学习,得到每种故障特征的基函数,再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量;
对各个信号分量作Hilbert变换得到相应的包络谱;
根据计算得出的各部位的故障频率,参照相应的包络谱,找出列车转向架轴承的故障;
所述字典学习算法具体包括如下步骤:
a.字典初始化;用部分的原始数据即列车转向架轴承的故障信号组成初始字典矩阵D∈Rm×k,并用ρ2范数将字典每一列单位标准化;式中,D∈Rm×k表示m×k的矩阵,m表示样本数,k表示样本中原子的个数;
b.稀疏编码;根据初始字典D,采用任意一种追踪算法,对每个列车转向架轴承监测信号样本yi的稀疏系数向量xi进行求解,即
式中,T0表示稀疏表示系数中非零元素的最大数量;
c.字典更新;固定向量xi更新字典D的每一列,设向量dk为要更新的字典的第k列原子,X的第k行表示即dk对应的稀疏系数矩阵X中的第k行向量,T表示向量的列数,Ek表示抽取原子dk后的误差矩阵,此时式(3)表示为
所述信号分量的获取步骤包括:
所述振动信号为包含多中故障特征的信号分量,具体为:
式中,z表示振动信号,zi为第i个源信号,即信号分量,ai为混合系数,ai表示zi对混合信号的贡献,ε为噪声;
在稀疏约束的条件下,所述字典学习算法的目标函数为:
式中,ck表示基函数,即由字典中第k列原子组成,sk表示基函数ck中字典原子的稀疏表示系数;对于观测信号z,相当于上述训练样本Y,采用K-SVD字典学习算法,获得一系列基函数ck及对应的稀疏系数,对每个基函数ck重构得到其对应的潜在成分lk,对于某个源信号zi,其对应的时域特征即基函数的索引集为κi,通过其对应的全部潜在成分来重构,即:
2.根据权利要求1所述的一种基于字典学习的列车转向架轴承故障监测方法,其特征在于,在所述通过温度信号判断轴承是否已经发生故障后,若监测出轴承温度高于阈值,则发出警报并停止列车运行。
5.一种基于字典学习的列车转向架轴承故障监测系统,其特征在于,包括:
信号采集模块,用于采集列车转向架轴承的振动信号和温度信号;
信号传输模块,用于将信号采集模块采集的数据传输到数据中转模块;
数据中转模块,用于中转振动信号,接收温度信号,并通过温度信号判断轴承是否已经发生故障;
信号处理终端,用于接收由数据中转模块转发的振动信号,再基于字典学习技术,通过振动信号提取各个部位的轴承故障特征,判断轴承是否发生故障以及发生故障的部位;
信号处理终端中,所述基于字典学习算法,通过振动信号提取轴承故障特征,判断轴承是否发生故障以及发生故障的部位的步骤包括:
将包含单个故障特征的信号作为训练样本,对样本进行字典学习,得到每种故障特征的基函数,再根据每种故障特征的基函数得到包含轴承各个部位故障特征的信号分量;
对各个信号分量作Hilbert变换得到相应的包络谱;
根据计算得出的各部位的故障频率,参照相应的包络谱,找出列车转向架轴承的故障。
6.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统,其特征在于,所述信号传输模块为WIFI无线传输模块,当列车停靠到站时,将列车运行时采集的信号通过WIFI无线通讯模块从信号采集模块中传输到数据中转站模块。
7.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统,其特征在于,所述数据中转模块还包括报警模块,当数据中转模块对温度信号处理后得出轴承温度高于一定阈值时,判断出轴承已经发生故障,同时报警模块发出警报,列车停止运行。
8.根据权利要求5所述的一种基于字典学习的列车转向架轴承故障监测系统,其特征在于,所述信号采集模块包括传感器、采集板卡、AD转换芯片和存储器,所述温度信号和振动信号存储在所述存储器中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150772.9A CN111307455B (zh) | 2020-03-06 | 2020-03-06 | 一种基于字典学习的列车转向架轴承故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150772.9A CN111307455B (zh) | 2020-03-06 | 2020-03-06 | 一种基于字典学习的列车转向架轴承故障监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111307455A CN111307455A (zh) | 2020-06-19 |
CN111307455B true CN111307455B (zh) | 2022-03-01 |
Family
ID=71158602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010150772.9A Active CN111307455B (zh) | 2020-03-06 | 2020-03-06 | 一种基于字典学习的列车转向架轴承故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111307455B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111866090B (zh) * | 2020-06-30 | 2023-03-24 | 中国铁道科学研究院集团有限公司 | 一种列车故障预警方法和装置 |
CN112983570B (zh) * | 2021-03-22 | 2022-04-12 | 浙江大学 | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 |
CN114383847B (zh) * | 2022-03-23 | 2022-07-12 | 西南交通大学 | 一种基于数字孪生的滚动轴承全寿命状态监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018046A (zh) * | 2012-12-13 | 2013-04-03 | 唐山轨道客车有限责任公司 | 高速动车组列车转向架轴承故障监测方法、装置及系统 |
CN104236911A (zh) * | 2014-09-28 | 2014-12-24 | 江苏润仪仪表有限公司 | 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 |
US20150057956A1 (en) * | 2012-03-28 | 2015-02-26 | Ntn Corporation | Railroad vehicle bearing malfunction sensing system |
CN106441897A (zh) * | 2016-10-27 | 2017-02-22 | 石家庄铁道大学 | 基于字典学习的形态分量轴承故障诊断方法 |
CN107101825A (zh) * | 2017-05-16 | 2017-08-29 | 北京博华信智科技股份有限公司 | 机车转向架齿轮箱和轴承跑合试验台运行评估装置和方法 |
CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109060350A (zh) * | 2018-09-04 | 2018-12-21 | 重庆大学 | 一种基于字典学习的滚动轴承故障特征提取方法 |
-
2020
- 2020-03-06 CN CN202010150772.9A patent/CN111307455B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150057956A1 (en) * | 2012-03-28 | 2015-02-26 | Ntn Corporation | Railroad vehicle bearing malfunction sensing system |
CN103018046A (zh) * | 2012-12-13 | 2013-04-03 | 唐山轨道客车有限责任公司 | 高速动车组列车转向架轴承故障监测方法、装置及系统 |
CN104236911A (zh) * | 2014-09-28 | 2014-12-24 | 江苏润仪仪表有限公司 | 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 |
CN106441897A (zh) * | 2016-10-27 | 2017-02-22 | 石家庄铁道大学 | 基于字典学习的形态分量轴承故障诊断方法 |
CN107101825A (zh) * | 2017-05-16 | 2017-08-29 | 北京博华信智科技股份有限公司 | 机车转向架齿轮箱和轴承跑合试验台运行评估装置和方法 |
CN110631832A (zh) * | 2019-10-22 | 2019-12-31 | 北京市地铁运营有限公司地铁运营技术研发中心 | 地铁车辆轴承故障在线检测方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive sparse representation based on circular-structure dictionary learning and its application in wheelset-bearing fault detection;JianmingDing,etal;《Mechanical Systems and Signal Processing》;20181031;第111卷;第399-422页 * |
采用字典学习和AdaBoost算法的信号诊断;吴远昊 等;《机械设计与制造》;20170930(第09(增刊)期);第113-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111307455A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307455B (zh) | 一种基于字典学习的列车转向架轴承故障监测方法及系统 | |
CN110672343A (zh) | 基于多注意力卷积神经网络的旋转机械故障诊断方法 | |
CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
CN112284735B (zh) | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 | |
CN111170103B (zh) | 设备故障识别方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
CN107560850A (zh) | 基于小波阈值降噪与AdaBoost的轴系故障识别方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN107180140A (zh) | 基于双树复小波与AdaBoost的轴系故障识别方法 | |
CN112924173A (zh) | 一种风力发电机组变桨轴承故障诊断方法 | |
CN110146289A (zh) | 一种滚动轴承微弱故障特征提取方法 | |
Cheng et al. | Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
CN116685967A (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN111401661A (zh) | 一种机械设备的预测性维护方法和维护系统 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Chen et al. | Improved fault diagnosis of railway switch system using energy-based thresholding wavelets (EBTW) and neural networks | |
CN115018181A (zh) | 一种轻轨机组减速机齿轮箱在线监测与寿命预测方法 | |
CN109238713A (zh) | 一种用于铁路货车轴承早期故障诊断的装置 | |
CN105445004A (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
CN209783910U (zh) | 一种核电用泵轴承智能故障诊断系统 | |
CN116256174A (zh) | 基于可解释性多层小波驱动的噪声鲁棒轴承故障诊断方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |