CN111982488A - 一种基于gemd包络谱分析的车轴故障的诊断方法 - Google Patents
一种基于gemd包络谱分析的车轴故障的诊断方法 Download PDFInfo
- Publication number
- CN111982488A CN111982488A CN202010871601.5A CN202010871601A CN111982488A CN 111982488 A CN111982488 A CN 111982488A CN 202010871601 A CN202010871601 A CN 202010871601A CN 111982488 A CN111982488 A CN 111982488A
- Authority
- CN
- China
- Prior art keywords
- axle
- vibration
- signal
- gemd
- envelope
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于GEMD包络谱分析的车轴故障的诊断方法,包括:速度传感器内集成振动传感器,所述振动传感器用于检测车轴振动;所述振动传感器采集原始的振动信号,基于GEMD的包络谱分析形成所述振动信号的检测数据;输出所述检测数据所形成的车轴状态信息给上级系统和/或检测人员,以判断车轴是否出现故障。本发明除了测量车轮的运动参数外,还可以同时监测车轴的工作状态;利用基于GEMD包络谱分析的设备故障诊断技术对车轴的潜在故障进行提前检测,可以判断是否需要对潜在故障的车轴进行预防性更换,避免因定期更换产生的成本浪费。
Description
技术领域
本发明涉及检测技术领域,具体而言,涉及一种基于GEMD包络谱分析的车轴故障的诊断方法。
背景技术
机车轴端测速传感器是车载系统必配的设备,对列车超速保护、防空转系统以及我国铁路六次全面大提速产生了不可估量的影响,也为铁路安全可靠的运输提供了良好的技术保障。目前世界范围内的轴端测速传感器器分为:有源光电式、有源霍尔式和无源磁电式三大类,用于检测列车车轮的旋转速度和旋转方向,从而可以计算出列车的运行速度、运行距离和运行方向。
现有安装在轴端的测速传感器仅仅用于测量车轮的运动参数,比如速度、距离、方向等,但是仅靠这一套测速传感器,不能测量车轴的模态振型等振动状态,对车轴的潜在故障不能提前检测。
发明内容
鉴于此,本发明一种基于GEMD包络谱分析的车轴故障的诊断方法的目的:利用“轴端安装”这一特性,除了测量车轮的运动参数外,还可以同时监测车轴的工作状态,比如模态振型等;利用基于GEMD包络谱分析的设备故障诊断技术对车轴的潜在故障进行提前检测。
GEMD,即基于遗传算法的经验模态分析。
本发明一种基于GEMD包络谱分析的车轴故障的诊断方法,包括如下步骤:
S1、速度传感器内集成振动传感器,所述振动传感器用于检测车轴振动;
S2、所述振动传感器采集原始的振动信号,基于GEMD的包络谱分析形成所述振动信号的检测数据;
S3、输出所述检测数据所形成的车轴状态信息给上级系统和/或检测人员,以判断车轴是否出现故障。
进一步地,利用所述GEMD,从原始振动数据中分离出不同频率的噪声干扰信号,将干扰信号从原始信号中除掉,作为新数据再次分解,经过迭代计算,直到信号平稳,变为稳定性数据。
进一步地,利用所述包络谱分析,从所述频谱中提取出高频故障信号;
一般而言车轴故障信号为高频分量,例如,在2950rpm时,正常轴承的特征频率范围为110.3Hz~125.6Hz,轴承缺滚珠的特征频率范围为 507.6~523.3Hz,轴承滚珠磨损的特征频率范围为459.2Hz~473.6Hz,轴承内裂的特征频率范围为320.5Hz~334.1Hz,轴承外裂的特征频率范围为 775.4Hz~790.8Hz。
进一步地,所述基于GEMD的包络谱分析,包括以下步骤:
S21,在获得采集的振动信号并分析出频谱后,确定用遗传算法对频谱进行去噪所采用的编码方法。
S22,利用遗传算法的解码过程,求出振动信号频谱的极值点。
S23,判断数据的端点是不是极值点,是的话直接进行下一步;否的话拓延端点数据,使其两端为极值点,再进行下一步。
S24,采用样条插值法拟合上下极值点的包络线,计算出上下包络线的均值,并去掉低频的均值。
S25,判断去除低频均值后的拟合函数是否满足经验模态(EMD)分解所需要的信号分量条件,如果不满足,重复步骤四,直到上下包络线的均值趋近于0,得到第一个信号分量S1(t),它即是所采集到的振动信号x(t)中最高频率的分量。
S26,将原始振动信号x(t)减去S1(t),得到x1(t),代表去除最高频分量后的剩余频率量。
S27,将x1(t)再做为原始信号,重复S23步到S26步,直到剩余的函数xn(t) 为单调函数;
对于得到的x1(t),x2(t)…xn-1(t)获得包络谱,去除了频率谱中的噪声波动信号,以形成所述振动信号的检测数据对机车轴进行故障诊断。
进一步地,所述GEMD,设一个原始采集到的振动信号为x(t),由多个分量组成,其中包括被测车轴的分量和各种噪声干扰的分量,分解筛选过程包括以下步骤:
S211,确定x(t)的所有局部极值点,并求出包含所有原始信号数据的上下包络线;
S212,计算两条包络线均值u,并求出x1(t)=x(t)-u;
S213,判断x1(t)是否满足固有模态函数的条件,当不满足时,把x1(t)作为新的x(t)原始信号,重复第一步和第二步,直到x1(t)满足分量的固有模态函数条件,记y1(t)作为第一个信号分量,也代表x(t)中最高频的分量;
S214,将得到的分量信号从原始信号中除去,得到r1(t)=x(t)-y1(t);
S215,重复以上步骤,直到剩余的信号满足给定的终止条件,得到x(t)的分解式:
式中r1(t)为剩余的函数,代表x(t)的平稳走势,这些固有模态函数分量包含了信号的稳定特性,用于信号的分析处理。
进一步地,所述GEMD的S211步,确定x(t)的极值点时,采用遗传算法,使用以下函数求解极值点:
得出对应x1和x2定义域的极值点。
进一步地,所述速度传感器内集成振动传感器,通过安装孔固定两组光电模块和振动模块,分别输出两个通道的速度信号和两个方向的振动信号。
进一步地,所述速度传感器内集成振动传感器,安装在车轴的轴端。
进一步地,所述车轮的运动参数和车轴状态信息,当列车运行时,通过总线输出给上级系统。
进一步地,所述车轮的运动参数和车轴状态信息,当列车入库时,可以通过手持式蓝牙设备,和传感器建立无线连接,读取存储在传感器内部的监测数据,从而方便地判断经过一天运行后,车轴是否出现异常的振动频谱,以及对车轴使用寿命还剩多久进行预估并提供参考值。
进一步地,所述速度传感器内集成振动传感器,安装在车轴的轴端的轴箱盖上,自带轴通过孔座和机车轴相连,并且随着车轴一起转动,用以检测车轴转速;外壳和轴箱盖、轴箱盖和车轴通过螺栓硬性相连,车轴的振动会通过硬性互连传输到传感器外壳,用以检测车轴的振动。
与现有技术相比,本发明的有益效果在于:
1、在轨道交通领域首次将车轮转速检测和车轴监控两种功能结合在一起,在传感器端完成数据的采集和分析;
2、预测模型中采用基于GEMD(遗传算法经验模态分析)包络谱分析车轴的振动频谱,准确判断车轴潜在故障;
3、速度、车轴状态信息既可以通过有线总线方式在运行时实时传输,也可以停车时通过手持蓝牙设备和传感器进行无线连接而获取。通过这些参考信息,可以判断是否需要对潜在故障的车轴进行预防性更换,避免因定期更换产生的成本浪费。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
在附图中:
图1为本发明的一种基于GEMD包络谱分析的车轴故障的诊断方法的流程图。
图2为本发明基于GEMD的包络谱分析流程图。
图3为本发明GEMD的流程图。
图4为本发明实施例的传感器的外壳的内部结构图。
图5为本发明实施例的传感器安装位置示意图。
图6为本发明的信息传输流向示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面结合附图对本发明作进一步详细说明。
参阅附图图1,本发明提供一种基于GEMD包络谱分析的车轴故障的诊断方法的流程。
S1,速度传感器内集成振动传感器,所述振动传感器用于检测车轴振动;
速度传感器外壳的内部结构如附图图4所示,通过安装孔固定两组光电模块和振动模块,分别输出两个通道的速度信号和两个方向的振动信号。
如附图5所示,速度传感器内集成振动传感器,安装在轴箱盖上,自带轴通过孔座和机车轴相连,并且随着车轴一起转动,用以检测车轴转速;外壳和轴箱盖、轴箱盖和车轴通过螺栓硬性相连,车轴的振动会通过硬性互连传输到传感器外壳,用以检测车轴的振动。
S2,所述振动传感器采集原始的振动信号,基于GEMD的包络谱分析形成所述振动信号的检测数据;
在对振动传感器采集到振动原始信号按照采集到的不同速度信号分等级进行处理时,因为振动探头通常无法直接安装在车轴上,而是安装在和轴箱盖相连的速度传感器外壳中,所以采集到的振动信号除了被测车轴产生的之外,也包含其他相连设备所产生的。尽管硬性连接条件下,这些相连设备的振动信号基本一致,但还是不可避免地存在些许差异。这就是信号采集通道带来的振动噪声,特别是当列车工况比较复杂(例如车轴的不对称、齿轮缺陷、油膜涡动等),采集环境比较混乱的情况下,噪声源比较多,要想精确地分析振动数据,一定要去除其他无用的噪声干扰信号,从而提高对故障的识别能力。
为了在振动信号分析中,进一步去除噪声干扰信号的影响,提高判断的准确性,本发明采用频谱GEMD包络谱分析,参阅附图图2所示。
基于GEMD的包络谱算法如下:
S21,在获得采集的振动信号并分析出频谱后,确定用遗传算法对频谱进行去噪所采用的编码方法。
S22,利用遗传算法的解码过程,求出振动信号频谱的极值点。
S23,判断数据的端点是不是极值点,是的话直接进行下一步;否的话拓延端点数据,使其两端为极值点,再进行下一步。
S24,采用样条插值法拟合上下极值点的包络线,计算出上下包络线的均值,并去掉低频的均值。
S25,判断去除低频均值后的拟合函数是否满足经验模态(EMD)分解所需要的信号分量条件,如果不满足,重复步骤四,指导上下包络线的均值趋近于0,得到第一个信号分量S1(t),它即是所采集到的振动信号x(t)中最高频率的分量。
S26,将原始振动信号x(t)减去S1(t),得到x1(t),代表去除最高频分量后的剩余频率量。
S27,将x1(t)再做为原始信号,重复S23步到S26步,指导剩余的函数 xn(t)为单调函数。
这样,对于得到的x1(t),x2(t)…xn-1(t)可以获得包络谱,去除了频率谱中的噪声波动信号,以形成所述振动信号的检测数据对机车轴进行故障诊断。一般而言车轴故障信号为高频分量,例如,在2950rpm时,正常轴承的特征频率范围为110.3Hz~125.6Hz,轴承缺滚珠的特征频率范围为507.6~523.3Hz,轴承滚珠磨损的特征频率范围为459.2Hz~473.6Hz,轴承内裂的特征频率范围为320.5Hz~334.1Hz,轴承外裂的特征频率范围为775.4Hz~790.8Hz。
所述GEMD,即基于遗传算法的经验模态分析;经验模态分解方法能对杂乱无序的数据做规则化处理,变为稳定性数据,本发明利用其从原始振动数据中分离出不同频率的噪声干扰信号,将干扰信号从原始信号中除掉,作为新数据再次分解,经过迭代计算,直到信号平稳。假设一个原始采集到的振动信号为x(t),由多个分量组成(其中包括了被测车轴的分量和各种噪声干扰的分量),参阅附图图3所示,分解筛选过程如下:
S211,确定x(t)的所有局部极值点,并求出包含所有原始信号数据的上下包络线;
S212,计算两条包络线均值u,并求出x1(t)=x(t)-u;
S213,判断x1(t)是否满足固有模态函数的条件,当不满足时,把x1(t)作为新的x(t)原始信号,重复第一步和第二步,直到x1(t)满足分量的固有模态函数条件,记y1(t)作为第一个信号分量,也代表x(t)中最高频的分量;
S214,将得到的分量信号从原始信号中除去,得到r1(t)=x(t)-y1(t);
S215,重复以上步骤,直到剩余的信号满足给定的终止条件,得到x(t) 的分解式:
式中r1(t)为剩余的函数,代表x(t)的平稳走势,这些固有模态函数分量包含了信号的稳定特性,可用于信号的分析处理。前几段分量中往往包含了信号主要的能量和频率,故障信息主要集中在其中。在GEMD的S211步确定 x(t)极值点时,本发明采用遗传算法,可以使其更加具有使用性。
遗传算法是以迭代形式体现求解过程,本发明采用的遗传算法使用以下函数求解极值点:
首先用长度为10的二进制编码来分别表示两个决策变量x1和x2。能表示 1024个数,因此x1和x2的定义域可以划分为1023个间断相等的集合,有1024 个离散点,对应0000000000(0)到1111111111(1023)。两个变量组合在一起,编码长度变为20位,以此作为函数进行优化处理的染色体编码。解码时将20位的编码串用两个10位的编码串表示。上述函数的值域总是大于或者等于0,且目的是求函数的极值点,所以直接取对应目标函数值作为个体的适应度。交叉运算采用单点交叉运算,变异运算采用基本位变异算子。群体大小M=100,终止代数G=150,交叉概率P1=0.58,变异概率P2=0.05,最后得出对应x1和x2定义域的极值点。
以上就组成了本发明使用的GEMD,基于遗传算法的经验模态分解分析。
本发明采用频谱GEMD包络谱分析,在振动信号分析中,进一步去除了噪声的影响,提高了判断的准确性。
S3,输出所述检测数据所形成的车轴状态信息给上级系统和/或检测人员,以判断车轴是否出现故障。
所述输出车轮运动参数和车轴状态信息,优选地,采用总线输出和/或蓝牙输出;参阅附图图6所示。
在列车运行时,传感器检测列车车轮的运行速度、方向并同时监控车轴的状态。优选地,速度、方向、车轴状态信息通过RS485总线实时传输给上级系统,用于列车运行的在线监测。
当列车入库时,检修维护人员同样可以通过手持式蓝牙设备,和传感器建立无线连接,读取存储在传感器内部的监测数据,从而方便地判断经过一天运行后,车轴是否出现异常的振动频谱,以及对车轴使用寿命还剩多久进行预估并提供参考值。
通过这些参考信息,可以判断是否需要对潜在故障的车轴进行预防性更换,避免因定期更换产生的成本浪费。
结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,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 (6)
1.一种基于GEMD包络谱分析的车轴故障的诊断方法,其特征在于,包括如下步骤:
S1、速度传感器内集成振动传感器,所述振动传感器用于检测车轴振动;
S2、所述振动传感器采集原始的振动信号,基于GEMD的包络谱分析形成所述振动信号的检测数据;
S3、输出所述检测数据所形成的车轴状态信息给上级系统和/或检测人员,以判断车轴是否出现故障。
2.根据权利要求1所述的诊断方法,其特征在于,利用所述GEMD,从原始的振动信号分析出频谱后,分离去除噪声干扰信号,经过迭代分解,变为稳定性数据。
3.根据权利要求1所述的诊断方法,其特征在于,利用所述包络谱分析,从所述频谱中提取出高频故障信号。
4.根据权利要求1所述的诊断方法,其特征在于,所述基于GEMD的包络谱分析,包括以下步骤:
S21、在获得采集的振动信号并分析出频谱后,确定用遗传算法对频谱进行去噪所采用的编码方法;
S22、利用遗传算法的解码过程,求出振动信号频谱的极值点;
S23、判断数据的端点是不是极值点,是的话直接进行下一步;否的话拓延端点数据,使其两端为极值点,再进行下一步;
S24、采用样条插值法拟合上下极值点的包络线,计算出上下包络线的均值,并去掉低频的均值;
S25、判断去除低频均值后的拟合函数是否满足经验模态(EMD)分解所需要的信号分量条件,如果不满足,重复步骤四,直到上下包络线的均值趋近于0,得到第一个信号分量S1(t),它即是所采集到的振动信号x(t)中最高频率的分量;
S26、将原始振动信号x(t)减去S1(t),得到x1(t),代表去除最高频分量后的剩余频率量;
S27、将x1(t)再做为原始信号,重复S23步到S26步,直到剩余的函数xn(t)为单调函数;
对于得到的x1(t),x2(t)…xn-1(t)获得包络谱,去除了频率谱中的噪声波动信号,以形成所述振动信号的检测数据对机车轴进行故障诊断。
5.根据权利要求4所述的诊断方法,其特征在于,所述GEMD,设一个原始采集到的振动信号为x(t),其中包括被测车轴的分量和各种噪声干扰的分量,分解筛选过程包括以下步骤:
S211,确定x(t)的所有局部极值点,并求出包含所有原始信号数据的上下包络线;
S212,计算两条包络线均值u,并求出x1(t)=x(t)-u;
S213,判断x1(t)是否满足固有模态函数的条件,当不满足时,把x1(t)作为新的x(t)原始信号,重复第一步和第二步,直到x1(t)满足分量的固有模态函数条件,记y1(t)作为第一个信号分量,也代表x(t)中最高频的分量;
S214,将得到的分量信号从原始信号中除去,得到r1(t)=x(t)-y1(t);
S215,重复以上步骤,直到剩余的信号满足给定的终止条件,得到x(t)的分解式:
式中r1(t)为剩余的函数,代表x(t)的平稳走势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871601.5A CN111982488A (zh) | 2020-08-26 | 2020-08-26 | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871601.5A CN111982488A (zh) | 2020-08-26 | 2020-08-26 | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111982488A true CN111982488A (zh) | 2020-11-24 |
Family
ID=73440794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010871601.5A Pending CN111982488A (zh) | 2020-08-26 | 2020-08-26 | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982488A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273595A (zh) * | 2017-06-08 | 2017-10-20 | 长春工业大学 | 基于emd‑ga的汽车排气系统金属波纹管形变参数动态跟踪方法 |
CN108871776A (zh) * | 2018-07-17 | 2018-11-23 | 西南交通大学 | 基于振动响应的高速列车车轴损伤识别试验台 |
CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和系统 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 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 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN111521421A (zh) * | 2020-04-30 | 2020-08-11 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种货运列车车轴状态监测预警系统及方法 |
-
2020
- 2020-08-26 CN CN202010871601.5A patent/CN111982488A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273595A (zh) * | 2017-06-08 | 2017-10-20 | 长春工业大学 | 基于emd‑ga的汽车排气系统金属波纹管形变参数动态跟踪方法 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和系统 |
CN108871776A (zh) * | 2018-07-17 | 2018-11-23 | 西南交通大学 | 基于振动响应的高速列车车轴损伤识别试验台 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进系统故障诊断方法 |
CN110044623A (zh) * | 2019-04-15 | 2019-07-23 | 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 |
CN111521421A (zh) * | 2020-04-30 | 2020-08-11 | 佳讯飞鸿(北京)智能科技研究院有限公司 | 一种货运列车车轴状态监测预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
王磊 等: "基于GA和EMD包络谱分析的滚动轴承故障诊断", 《组合机床与自动化加工技术》 * |
王磊: "基于频谱和GEMD包络谱分析的旋转机械故障定位研究", 《中国优秀博硕士学文论文全文数据库(硕士) 工程科技II辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111351664B (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
CN108515984B (zh) | 一种车轮伤损检测方法及装置 | |
CN100541159C (zh) | 机械设备的状态监视方法和装置以及异常诊断装置 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN112991577B (zh) | 一种轨道车辆车轮多边形状态诊断系统 | |
CN105923014B (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 | |
CN105806604B (zh) | 一种机车车辆走行部轴承保持架故障预报警方法 | |
CN111257415A (zh) | 基于移动列车振动信号的隧道损伤检测管理系统 | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN109278796B (zh) | 一种车载式车轮不圆度检测系统 | |
CN110409234B (zh) | 一种高速铁路钢轨平顺度动态检测方法和装置 | |
JP2006234785A (ja) | 機械設備の異常診断装置及び異常診断方法 | |
CN111979859B (zh) | 轨道不平顺检测系统及方法 | |
CN102706572A (zh) | 列车轮对故障诊断与康复中心 | |
KR20110131411A (ko) | 허브 베어링 검사 방법 | |
JP7177028B2 (ja) | レール波状摩耗の進展検知方法及び進展検知システム | |
CN113776760B (zh) | 基于整轴振动分析的列车轮对失圆故障监测方法和系统 | |
CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
CN107941533A (zh) | 基于工业以太网的动车组失稳检测系统及方法 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN107588802A (zh) | 基于光纤传感器的起重装备减速机振动监测系统与方法 | |
Xue et al. | Real-time diagnosis of an in-wheel motor of an electric vehicle based on dynamic Bayesian networks | |
CN105424387B (zh) | 转向齿轮实时远程智能监控系统 | |
CN111693304B (zh) | 车辆故障检测方法、装置、计算机设备和可读存储介质 | |
CN111982488A (zh) | 一种基于gemd包络谱分析的车轴故障的诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |