CN113358356A - 一种高速列车轮对轴承微弱故障诊断方法及系统 - Google Patents
一种高速列车轮对轴承微弱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN113358356A CN113358356A CN202110631601.2A CN202110631601A CN113358356A CN 113358356 A CN113358356 A CN 113358356A CN 202110631601 A CN202110631601 A CN 202110631601A CN 113358356 A CN113358356 A CN 113358356A
- Authority
- CN
- China
- Prior art keywords
- fault
- wheel set
- speed train
- set bearing
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 230000035945 sensitivity Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 description 79
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种高速列车轮对轴承微弱故障诊断方法及系统，包括以下步骤：S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。本发明解决现有自适应信号分解方法在轮对轴承信号分解中带来的问题，实现高速列车轮对轴承微弱故障诊断。
Description
技术领域
本发明涉及机械故障诊断技术领域，具体涉及一种高速列车轮对轴承微弱故障诊断方法及系统。
背景技术
轮对轴承是高速列车动力系统的核心部件之一，支撑着车轴并且承受轮对与车体之间的载荷，其服役性能对高速列车运行安全具有重要影响。由于高速列车需要经历曲线、高速等复杂运行工况，轮对轴承作为其关键承载部件，在长期服役过程中承受交变接触应力、蛇形横摆振动和冲击载荷等，易出现疲劳损伤和应力破坏等多种性能退化情况。若不能及时、正确的检测轮对轴承早期微弱故障信息，可能导致热轴、燃轴、甚至切轴诱发列车脱轨等重大安全事故。因此，开展轮对轴承故障诊断方法研究，对于发展高安全性与高可靠性服役的高速列车具有特别重要的意义。
目前小波分解和自适应信号分解方法是两类常用于轮对轴承信号分解的方法。其中，自适应信号分解方法是一类无需设定先验变换基，能够自适应地将目标信号分解为若干模式分量的先进信号处理方法，在轮对轴承信号分析中应用较多。在自适应信号分解中，集合经验模式分解方法被许多研究人员用于轮对轴承信号分解与故障特征提纯，能在无需给定变换基的情况下自适应地将多分量信号分解为单分量，较好地获取故障成分的振荡频率。然而，它们普遍存在波形失真，在筛选分量过程中容易产生模式混叠以及端点效应，而且其分解的停止准则也较难确定。
变分模式分解方法是一种比较新的自适应信号分解技术，可以将具有多分量的信号分解为单个具有一定意义的模式分量。与传统的自适应分解方法相比，变分模式分解方法具有较多明显优势如噪声抑制、非递归筛选和自适应选择频带等，在轮对轴承微弱故障故障诊断领域得到广泛应用。然而，基于变分模式分解的方法都集中在如何确定合适的分解参数，难以平衡计算效率和准确性的关系，引入额外参数，计算复杂，缺乏稳定性。在实际服役中轮对轴承信号十分复杂，难以获取先验的信息；而利用遗传算法优化关键参数也会带来大量计算，造成解耦效率低和陷入局部最优等问题。
发明内容
本发明的目的是提供一种高速列车轮对轴承微弱故障诊断方法及系统，解决现有自适应信号分解方法在轮对轴承信号分解中带来的问题，实现高速列车轮对轴承微弱故障诊断。
为了解决上述技术问题，本发明提供了一种高速列车轮对轴承微弱故障诊断方法，包括以下步骤：
S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
作为本发明的进一步改进，所述的构建频谱特征信息扫描器，包括以下步骤：
S1.1：构建高速列车轮对轴承信号分析频带内的一次更新特征频率与初始特征频率的关系模型：
其中，F(ω)为待分析的高速列车轮对轴承信号f(t)的频谱，
为给定的第i个初始特征频率，i＝1,2,…,N，N为分析频带内的频率点数，
为
迭代一次后的特征频率，
为近似维纳滤波：
其中ν代表带宽参数；
S1.2：基于更新特征频率与初始特征频率的关系构建频谱特征信息扫描器E(k)：
作为本发明的进一步改进，获取信号中潜在特征成分的边界参数，包括以下步骤：利用所述步骤S1.2中频谱特征信息扫描器E(k)遍历高速列车轮对轴承信号的分析频带，当E(i)＜0且E(i+1)＞0时，产生两个相邻特征成分的边界参数，获取高速列车轮对轴承信号中所有潜在特征成分的边界参数{ω1,ω2,…,ωk,…ωK-1}，其中K表示高速列车轮对轴承信号中潜在特征成分有K个。
作为本发明的进一步改进，所述步骤S2中，具体包括以下步骤：
S2.1：根据获取的边界参数{ω1,ω2,…,ωk,…ωK-1}对信号频谱区间进行划分，形成各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}；
S2.2：根据各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}的滤波频带范围，选择滤波器构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量{u1,u2,…,uK}。
作为本发明的进一步改进，当滤波器组采用迈耶小波滤波器构建时，对信号进行分解包括以下步骤：
S2.2.1：由任意一组边界参数[ωk-1,ωk]设计迈耶小波滤波器时，设计对应的迈耶小波滤波器尺度函数
和母小波
其中，
能够保证设计的滤波器组为紧框架，函数β(ω)为
β(ω)＝ω4(35-84ω+70ω2-20ω3) (6)
S2.2.2：根据设计的迈耶小波滤波器尺度函数
和母小波
获得对应频带内的高速列车轮对轴承信号f(t)的细节信息，
w(k,t)＝∫f(τ)ψk(τ-t)dτ (7)
得到相应的分解分量uk为
uk(t)＝w(k,t)*ψk(t) (k≥2) (8)
u1跟据尺度函数
获得
w(1,t)＝＝∫x(τ)φ1(τ-t)dτ (9)
u1(t)＝w(1,t)*φ1(t) (10)
S2.2.3：最终得到由滤波频带边界信息驱动的滤波器组对高速列车轮对轴承信号执行滤波分解结果为{u1(t),u2(t),…uk(t)…,uK(t)}，且分解结果满足如下条件：
作为本发明的进一步改进，所述步骤S3，具体包括以下步骤：
S3.1：建立融合故障敏感指数，特征成分uk(t)的融合故障敏感指数值计算：
其中，
表示反应故障信息时域循环冲击特性的平滑指数，uk(tn)表示uk(t)第n个数据点，
表示反应故障信息频域冲击特性的包络谱峭度，SEUk(ωn)表示uk(t)的平方包络谱SEUk(ω)的第n个频率点幅值；
S3.2：通过过计算模式分量{u1(t),u2(t),…uk(t)…,uK(t)}分别对应的融合故障敏感指数{SKI1,SKI2,…SKIk,…SKIK}，搜寻融合故障敏感指数值最大的模式分量作为故障特征成分uT(t)：
作为本发明的进一步改进，所述步骤S4中，对故障特征成分uT(t)执行包络分析得到包络谱，根据得到的包络谱检测微弱故障特征。
一种高速列车轮对轴承微弱故障诊断系统，包括：
边界参数获取模块，用于利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
分解模块，用于根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
故障定位模块，用于建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
检测诊断模块，用于对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述的高速列车轮对轴承微弱故障诊断方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述的高速列车轮对轴承微弱故障诊断方法的步骤。
本发明的有益效果：本发明根据特征频率更新趋势建立了其引导的谱结构边界参数获取策略，即基于特征频率优化趋势现象，构建的频谱特征信息扫描器可以自适应地确定待分析信号中蕴含的分量个数及其边界参数，有效地避免传统变分模式分解算法的参数选择问题，实现待分析信号在分析频带内的自适应划分；
本发明构建了基于滤波频带边界信息构造滤波器组对高速列车轮对轴承信号执行滤波分解策略，即根据识别的谱结构边界信息，形成各特征成分的滤波频带信息，实现信号正交完备分解，显著提升算法的有效性，克服了现有方法在划分各模式分量频带范围方面的局限性等问题；
本发明设计了融合故障敏感指数从滤波器滤波分解后的模式分量中搜索定位故障特征成分，能够有效克服单一故障敏感指数的局限性。
附图说明
图1是本发明实施例中故障诊断方法流程示意图；
图2是本发明仿真的循环瞬态脉冲；
图3是本发明仿真的随机脉冲；
图4是高速列车轮对轴承微弱故障的仿真信号；
图5是高速列车轮对轴承微弱故障的仿真信号的包络谱；
图6是本发明实施例中信号在频谱特征信息扫描器下确定的边界参数；
图7是根据图6的边界参数划分特征成分频带；
图8是对图7小波滤波器组分解结果；
图9是对图8各特征成分的融合故障敏感指数值；
图10是本发明实施例中定位到的故障成分的包络谱。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例一
参考图1，本发明实施例提供了一种高速列车轮对轴承微弱故障诊断方法，包括以下步骤：
S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
本实施例中所述的构建频谱特征信息扫描器，具体包括以下步骤：
S1.1：构建高速列车轮对轴承信号分析频带内的一次更新特征频率与初始特征频率的关系模型：
其中，F(ω)为待分析的高速列车轮对轴承信号f(t)的频谱，
为给定的第i个初始特征频率，i＝1,2,…,N，N为分析频带内的频率点数，
为
迭代一次后的特征频率，
为近似维纳滤波：
其中ν代表带宽参数；
S1.2：基于更新特征频率与初始特征频率的关系构建频谱特征信息扫描器E(k)：
原理：当设置的初始特征频率小于特征成分的真实特征频率时，更新后的特征频率增大；而当设置的初始特征频率大于特征成分的真实特征频率时，更新后的特征频率减小。高速列车轮对轴承信号通常包含多个特征成分，围绕每个特征成分存在不同的真实特征频率。于是，在两个特征成分的过渡过程中，频谱特征信息扫描器E(i)的符合会产生突变。当E(i)＜0时，它是一个负的更新趋势；当E(i)＞0时，它是一个正的更新趋势。由此，其函数值符号从负号到正号的突变代表信号边界参数的出现，也即，当E(i)＜0且E(i+1)＞0产生两个相邻特征成分的边界参数。
于是，利用频谱特征信息扫描器E(k)的符号变化识别高速列车轮对轴承信号谱结构边界信息{ω1,ω2,…,ωk,…ωK-1}，包括以下步骤：利用所述步骤S1.2中频谱特征信息扫描器E(k)遍历高速列车轮对轴承信号的分析频带，当E(i)＜0且E(i+1)＞0时，产生两个相邻特征成分的边界参数，获取高速列车轮对轴承信号中所有潜在特征成分的边界参数{ω1,ω2,…,ωk,…ωK-1}，其中K表示高速列车轮对轴承信号中潜在特征成分有K个。上述方法有效地避免传统变分模式分解算法的参数选择问题，实现待分析信号在分析频带内的自适应划分。
进一步的，所述步骤S2中，具体包括以下步骤：
S2.1：根据获取的边界参数{ω1,ω2,…,ωk,…ωK-1}对信号频谱区间进行划分，形成各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}；
S2.2：根据各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}的滤波频带范围，选择滤波器构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量{u1,u2,…,uK}。
已知各特征成分的滤波频带范围，椭圆滤波器、切比雪夫滤波器、巴特沃斯滤波器、贝塞尔滤波器和迈耶小波滤波器等均可用于构造滤波器组。其中，由迈耶小波滤波器构造的滤波组，可以实现信号正交完备分解，显著提升算法的有效性，克服现有方法在划分各模式分量频带范围方面的局限性等问题，为此选用迈耶小波滤波器构造的滤波组。当滤波器组采用迈耶小波滤波器构建时，对信号进行分解包括以下步骤：
S2.2.1：由任意一组边界参数[ωk-1,ωk]设计迈耶小波滤波器时，设计对应的迈耶小波滤波器尺度函数
和母小波
其中，
能够保证设计的滤波器组为紧框架，函数β(ω)为
β(ω)＝ω4(35-84ω+70ω2-20ω3) (6)
S2.2.2：根据设计的迈耶小波滤波器尺度函数
和母小波
获得对应频带内的高速列车轮对轴承信号f(t)的细节信息，
w(k,t)＝∫f(τ)ψk(τ-t)dτ (7)
得到相应的分解分量uk为
uk(t)＝w(k,t)*ψk(t) (k≥2) (8)
u1跟据尺度函数
获得
w(1,t)＝＝∫x(τ)φ1(τ-t)dτ (9)
u1(t)＝w(1,t)*φ1(t) (10)
S2.2.3：最终得到由滤波频带边界信息驱动的滤波器组对高速列车轮对轴承信号执行滤波分解结果为{u1(t),u2(t),…uk(t)…,uK(t)}，且分解结果满足如下条件：
进一步的，所述步骤S3中建立融合故障敏感指数从滤波器滤波分解后的模式分量{u1(t),u2(t),…uk(t)…,uK(t)}中搜索故障特征成分uT(t)，具体包括以下步骤：
S3.1：建立融合故障敏感指数，特征成分uk(t)的融合故障敏感指数值计算：
其中，
表示反应故障信息时域循环冲击特性的平滑指数，uk(tn)表示uk(t)第n个数据点，
表示反应故障信息频域冲击特性的包络谱峭度，SEUk(ωn)表示uk(t)的平方包络谱SEUk(ω)的第n个频率点幅值；
S3.2：通过过计算模式分量{u1(t),u2(t),…uk(t)…,uK(t)}分别对应的融合故障敏感指数{SKI1,SKI2,…SKIk,…SKIK}，搜寻融合故障敏感指数值最大的模式分量作为故障特征成分uT(t)：
融合故障敏感指数由反应故障信息时域循环冲击特性的平滑指数和反应故障信息频域冲击特性的包络谱峭度综合而成，能够有效克服单一故障敏感指数的局限性。
进一步的，所述步骤S4中，对故障特征成分uT(t)执行包络分析得到包络谱，根据得到的包络谱检测微弱故障特征。
在本实施例的技术方案中，通过高速列车轮对轴承微弱故障的仿真信号来说明本发明的故障诊断效果。
高速列车轮对轴承微弱故障的仿真信号f(t)：
式中，ε＝200表示脉冲信号衰减率；第一项循环瞬态脉冲分量z(t)共振频率为ω＝2400Hz；幅值Ai＝0.3；循环瞬态脉冲周期Tf＝0.025s，对应该的故障特征频率为fd＝40Hz；τi代表零均值的随机变量；第二项ri(t)表示信号中随机脉冲，模拟轮轨随机冲击特征；Rj和Trj分别表示随机脉冲的振幅和发生时间，由随机变量模拟；第三项noise(t)表示添加的噪声成分；仿真信号的信噪比为-12dB；采样频率10kHz。仿真信号具体见：图2的循环瞬态脉冲；图3的随机脉冲；图4的高速列车轮对轴承微弱故障的仿真信号f(t)；图5的高速列车轮对轴承微弱故障的仿真信号的包络谱。
如图6所示，利用步骤S1中特征频率更新趋势引导构建的频谱特征信息扫描器可以确定该仿真信号的边界信息ω1，ω2；如图7所示，利用识别的边界参数ω1，ω2来划分特征成分频带，基于此频带划分结果执行边界参数驱动的滤波器组对高速列车轮对轴承信号进行分解，得到如图8所示的分解结果，即对应的模式分量。为进一步提取其中的故障特征成分，通过S3中建立的融合故障敏感指数，分别计算各个分量的融合故障敏感指数，结果如图9所示，可以得到特此成分2为故障特征成分，对其进行包络分析，得到包络谱如图10，从中可以清晰地检测到故障特征频率fd。
实施例二
基于同一发明构思，本实施例提供了一种高速列车轮对轴承微弱故障诊断系统，其解决问题的原理与所述轨道车辆编号识别方法类似，重复之处不再赘述。
一种高速列车轮对轴承微弱故障诊断系统，包括：
边界参数获取模块，用于利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
分解模块，用于根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
故障定位模块，用于建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
检测诊断模块，用于对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种高速列车轮对轴承微弱故障诊断方法，其特征在于：包括以下步骤：
S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
2.如权利要求1所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：所述的构建频谱特征信息扫描器，包括以下步骤：
S1.1：构建高速列车轮对轴承信号分析频带内的一次更新特征频率与初始特征频率的关系模型：
其中，F(ω)为待分析的高速列车轮对轴承信号f(t)的频谱，
为给定的第i个初始特征频率，i＝1,2,…,N，N为分析频带内的频率点数，
为
迭代一次后的特征频率，
为近似维纳滤波：
其中ν代表带宽参数；
S1.2：基于更新特征频率与初始特征频率的关系构建频谱特征信息扫描器E(k)：
3.如权利要求2所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：获取信号中潜在特征成分的边界参数，包括以下步骤：利用所述步骤S1.2中频谱特征信息扫描器E(k)遍历高速列车轮对轴承信号的分析频带，当E(i)＜0且E(i+1)＞0时，产生两个相邻特征成分的边界参数，获取高速列车轮对轴承信号中所有潜在特征成分的边界参数{ω1,ω2,…,ωk,…ωK-1}，其中K表示高速列车轮对轴承信号中潜在特征成分有K个。
4.如权利要求1所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：所述步骤S2中，具体包括以下步骤：
S2.1：根据获取的边界参数{ω1,ω2,…,ωk,…ωK-1}对信号频谱区间进行划分，形成各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}；
S2.2：根据各特征成分的滤波频带信息{[0,ω1],[ω1,ω2],…,[ωk-1,ωk],…[ωK-1,πfs]}的滤波频带范围，选择滤波器构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量{u1,u2,…,uK}。
5.如权利要求4所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：当滤波器组采用迈耶小波滤波器构建时，对信号进行分解包括以下步骤：
S2.2.1：由任意一组边界参数[ωk-1,ωk]设计迈耶小波滤波器时，设计对应的迈耶小波滤波器尺度函数
和母小波
其中，
能够保证设计的滤波器组为紧框架，函数β(ω)为
β(ω)＝ω4(35-84ω+70ω2-20ω3) (6)
S2.2.2：根据设计的迈耶小波滤波器尺度函数
和母小波
获得对应频带内的高速列车轮对轴承信号f(t)的细节信息，
w(k,t)＝∫f(τ)ψk(τ-t)dτ (7)
得到相应的分解分量uk为
uk(t)＝w(k,t)*ψk(t) (k≥2) (8)
u1跟据尺度函数
获得
w(1,t)＝＝∫x(τ)φ1(τ-t)dτ (9)
u1(t)＝w(1,t)*φ1(t) (10)
S2.2.3：最终得到由滤波频带边界信息驱动的滤波器组对高速列车轮对轴承信号执行滤波分解结果为{u1(t),u2(t),…uk(t)…,uK(t)}，且分解结果满足如下条件：
6.如权利要求1所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：所述步骤S3，具体包括以下步骤：
S3.1：建立融合故障敏感指数，特征成分uk(t)的融合故障敏感指数值计算：
其中，
表示反应故障信息时域循环冲击特性的平滑指数，uk(tn)表示uk(t)第n个数据点，
表示反应故障信息频域冲击特性的包络谱峭度，SEUk(ωn)表示uk(t)的平方包络谱SEUk(ω)的第n个频率点幅值；
S3.2：通过过计算模式分量{u1(t),u2(t),…uk(t)…,uK(t)}分别对应的融合故障敏感指数{SKI1,SKI2,…SKIk,…SKIK}，搜寻融合故障敏感指数值最大的模式分量作为故障特征成分uT(t)：
7.如权利要求1所述的一种高速列车轮对轴承微弱故障诊断方法，其特征在于：所述步骤S4中，对故障特征成分uT(t)执行包络分析得到包络谱，根据得到的包络谱检测微弱故障特征。
8.一种高速列车轮对轴承微弱故障诊断系统，其特征在于：包括：
边界参数获取模块，用于利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；
分解模块，用于根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；
故障定位模块，用于建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；
检测诊断模块，用于对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的高速列车轮对轴承微弱故障诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述的高速列车轮对轴承微弱故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631601.2A CN113358356B (zh) | 2021-06-07 | 2021-06-07 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110631601.2A CN113358356B (zh) | 2021-06-07 | 2021-06-07 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113358356A true CN113358356A (zh) | 2021-09-07 |
| CN113358356B CN113358356B (zh) | 2022-12-27 |
Family
ID=77532735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110631601.2A Active CN113358356B (zh) | 2021-06-07 | 2021-06-07 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113358356B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
| CN116337447A (zh) * | 2022-12-19 | 2023-06-27 | 苏州大学 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
| CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
| CN109975025A (zh) * | 2019-04-29 | 2019-07-05 | 西安交通大学 | 基于自适应滤波解调的机车轮对轴承定量诊断方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
-
2021
- 2021-06-07 CN CN202110631601.2A patent/CN113358356B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130024164A1 (en) * | 2010-03-30 | 2013-01-24 | Rubico Ab | Method for rolling bearing fault detection based on enhancing statistical asymmetry |
| CN108426715A (zh) * | 2018-06-13 | 2018-08-21 | 福州大学 | 基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 |
| CN109975025A (zh) * | 2019-04-29 | 2019-07-05 | 西安交通大学 | 基于自适应滤波解调的机车轮对轴承定量诊断方法 |
| CN110160791A (zh) * | 2019-06-27 | 2019-08-23 | 郑州轻工业学院 | 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法 |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114235396A (zh) * | 2021-11-26 | 2022-03-25 | 电子科技大学 | 一种齿轮减速器故障特征提取方法 |
| CN116337447A (zh) * | 2022-12-19 | 2023-06-27 | 苏州大学 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
| CN116337447B (zh) * | 2022-12-19 | 2024-07-19 | 苏州大学 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113358356B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | A general multi-objective optimized wavelet filter and its applications in fault diagnosis of wheelset bearings | |
| CN113358356B (zh) | 一种高速列车轮对轴承微弱故障诊断方法及系统 | |
| Loutridis | Damage detection in gear systems using empirical mode decomposition | |
| Li et al. | Railway wheel flat detection based on improved empirical mode decomposition | |
| CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
| CN112991577B (zh) | 一种轨道车辆车轮多边形状态诊断系统 | |
| CN107506710A (zh) | 一种滚动轴承复合故障提取方法 | |
| CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
| Cui et al. | Spectrum-based, full-band preprocessing, and two-dimensional separation of bearing and gear compound faults diagnosis | |
| CN105510032A (zh) | 基于谐躁比指导的解卷积方法 | |
| 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 | |
| Yan et al. | A bearing fault feature extraction method based on optimized singular spectrum decomposition and linear predictor | |
| Wei et al. | Fault diagnosis of bearings in multiple working conditions based on adaptive time-varying parameters short-time Fourier synchronous squeeze transform | |
| Wei et al. | Bridge static influence line identification based on structural dynamic responses under high-speed trains | |
| 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 | |
| CN109975025B (zh) | 基于自适应滤波解调的机车轮对轴承定量诊断方法 | |
| CN115358088A (zh) | 一种基于高速列车激励动力响应的桥梁影响线识别方法 | |
| Matania et al. | Transfer across different machines by transfer function estimation | |
| CN114964769A (zh) | 一种风电齿轮箱振动信号故障诊断方法 | |
| Zhang et al. | Sparsity-guided multi-scale empirical wavelet transform and its application in fault diagnosis of rolling bearings | |
| CN105628358A (zh) | 基于参数自适应随机共振的离心机转子故障诊断方法 | |
| Zhou et al. | A signal-filtering and feature-enhancement method based on ensemble local mean decomposition and adaptive morphological filtering | |
| CN113312711B (zh) | 列车动力学下平稳驾驶分析方法、系统、终端及介质 | |
| CN107560718B (zh) | 一种基于自相关峭度最大化的解卷积方法 | |
| Yang et al. | Early faint fault diagnosis of wheelset axlebox bearings in urban rail trains based on ICiSSA-MOMEDA |
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 |