CN114580460A - 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 - Google Patents
基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 Download PDFInfo
- Publication number
- CN114580460A CN114580460A CN202210049141.7A CN202210049141A CN114580460A CN 114580460 A CN114580460 A CN 114580460A CN 202210049141 A CN202210049141 A CN 202210049141A CN 114580460 A CN114580460 A CN 114580460A
- Authority
- CN
- China
- Prior art keywords
- signal
- wheel
- imf
- components
- rail
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 26
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 6
- 231100000241 scar Toxicity 0.000 description 16
- 238000005299 abrasion Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 208000032544 Cicatrix Diseases 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000037387 scars Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法,包括采集车辆轴箱振动加速度响应信号作为轮轨故障诊断的信号;首先对信号进行形态学滤波处理,然后EEMD分解得到若干个固有模态函数,再通过能量熵增量来剔除分解后的虚假分量,最后对有效分量再进行HHT变换得到Hilbert谱,通过不同轮轨故障下Hilbert谱的特征来实现轮轨故障的诊断。本发明采用车轮轴箱垂向振动加速度可作为轮轨故障诊断的信号源;使用DIF差值形态滤波器不仅降噪效果好而且可以有效地提取信号中的冲击成分。使用EEMD能够对降噪的信号进行有效分解,依据各阶IMF分量能量熵增量的相对大小可以筛选出包含故障信息较多的IMF分量作为主分量,对主分量进行HHT变换可得到Hilbert谱。
Description
技术领域
本发明属于铁道车辆轮轨故障检测领域,具体涉及一种基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法。
背景技术
随着我国列车运行速度的提高,轮轨间的相互作用力增大,轮轨故障频发。常见的轮轨故障主要有车轮扁疤、车轮多边形和钢轨波浪形磨耗。正常运行中车辆会因轮轨故障的发生而引起轮轨间的冲击振动,降低乘坐舒适度,损坏车辆及轨道零部件,甚至危及行车安全。因此对轮轨故障的实时监测和诊断具有重要的理论意义和工程价值。
目前车轮故障检测的方法主要有三种,一是在库内采用车轮粗糙度测量系统检测,此方法不仅工作量大而且会对车辆的正常运行造成一定的影响。二是轨旁检测法,此方法虽能够在线检测车辆运行状态,检测精度高,但受限于列车的运行速度,无法满足高速运行列车的检测。三是在车辆轴箱上设置加速度传感器,然后基于采集到的轴箱振动加速度来识别轮轨故障,该方法具有较好的实时性且不受列车运行速度的限制,是一种简单高效可行的方法。现有的轨道波浪形磨耗的检测方法是利用轨检车检测轨道的动态数据来分析轨道病害,设备主要是钢轨探伤车和手推式探伤仪,此方法结构复杂费用较高。
发明内容
本发明的目的在于提供一种基于轴箱振动加速度的轮轨故障诊断方法,该方法能够有效诊断出车轮扁疤、车轮多边形和钢轨波浪形磨耗等故障。
为实现上述目的,本发明采用如下技术方案:
基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法,包括采集车辆轴箱振动加速度响应信号作为轮轨故障诊断的信号;首先对信号进行形态学滤波处理,然后EEMD分解得到若干个固有模态函数,再通过能量熵增量来剔除分解后的虚假分量,最后对有效分量再进行HHT变换得到Hilbert谱,通过不同轮轨故障下Hilbert谱的特征来实现轮轨故障的诊断。
进一步地,所述形态学滤波的滤波器采用DIF差值滤波器,结构元素采用幅值为1的三角形和半圆形组合。
进一步地,所述EEMD分解得到若干个固有模态函数包括如下步骤:
(1)设经形态学滤波后的轴箱振动加速度信号为x(t),在x(t)中多次加入高斯白噪声后变为xi(t)=x(t)+Ni(n);
(2)对信号xi(t)的局部极大值和局部极小值进行三次样条插值得到信号的上、下包络线yup(t)和ylow(t),求出上下包络线的平均值mi1(t)=[yup(t)+ylow(t)]/2;
(3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)=xi(t)-mi1(t);
(4)如果hi1(t)满足固有模态函数IMF的条件,则hi1(t)就是第一个xi(t)的第一个IMF分量;
如果hi1(t)不满足固有模态函数IMF条件,则将hi1(t)作为原始信号,重复步骤(1)~(3)直到满足条件,令ci1(t)=h1k(t);
(5)将ci1(t)从xi(t)中分离出来,ci1(t)=xi(t)-h1k(t);
其中ci1(t)是余量信号,将余量信号作为原始信号不断地重复步骤(1)~(5),如此重复循环n次,得到信号xi(t)的n个IMF分量;
(6)重新给原始振动信号加入新的高斯白噪声,重复步骤(2)~(5),得到m组IMF分量。
进一步地,通过能量熵增量来剔除分解后的虚假分量包括如下步骤:
(3)用下式计算IMF分量的能量熵增量:Δqj=-p(j)log2(p(j)),Δqj相对较小的分量就是虚假分量,予以剔除。
本发明具有如下有益效果:
(1)车轮轴箱垂向振动加速度可作为轮轨故障诊断的信号源。使用DIF差值形态滤波器不仅降噪效果好而且可以有效地提取信号中的冲击成分。
(2)使用EEMD能够对降噪的信号进行有效分解,依据各阶IMF分量能量熵增量的相对大小可以筛选出包含故障信息较多的IMF分量作为主分量,对主分量进行HHT变换可得到Hilbert谱。
(3)正常车轮的Hilbert谱呈均匀分布。扁疤故障工况下的Hilbert谱在垂向上呈条带状分布,且垂向条带的出现频率为车轮扁疤故障特征频率。多边形故障工况下的Hilbert谱在横向上呈连续条带状分布,且频带的中心频率为该多边形故障的特征频率。轨道波浪形磨耗工况下的Hilbert谱呈横向间断的条状频带,且频带的中心频率为该波磨故障的特征频率。根据以上四种故障下Hilbert谱的特征可快速、有效、实时的诊断轮轨故障。
附图说明
图1为本发明正常车轮的时域图和Hilbert谱图。
图2为本发明扁疤故障车轮工况1的时域图和Hilbert谱图。
图3为本发明扁疤故障车轮工况2的时域图和Hilbert谱图。
图4为本发明3阶车轮多边形的时域图和Hilbert谱图。
图5为本发明4阶车轮多边形的时域图和Hilbert谱图。
图6为本发明轨道波浪形磨耗的时域图和Hilbert谱图。
图7为本发明方法的流程图。
具体实施方式
如图7所示,本实施例提供的基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法包括采集车辆轴箱振动加速度响应信号作为轮轨故障诊断的信号;首先对信号进行形态学滤波处理,然后EEMD分解得到若干个固有模态函数,再通过能量熵增量来剔除分解后的虚假分量,最后对有效分量再进行HHT变换得到Hilbert谱,通过不同轮轨故障下Hilbert谱的特征来实现轮轨故障的诊断。
所述形态学滤波对采集到的轴箱振动加速度信号来降噪且最大程度的保留原始信号中的冲击成分。采集到的轴箱振动加速度信号中同时存在正负冲击,DIF差值滤波器可以提取信号中正负冲击,降噪效果较好,本实施例选用DIF差值滤波器对轴箱振动加速度信号进行降噪处理。结构元素的形状和尺度的选择对滤波效果有着直接的影响;根据噪声的滤除效果和轮轨故障冲击的特点,本实施例选择幅值为1的三角形和半圆形组合结构元素。结构元素长度的取值通过峭度进行优化,峭度越大说明滤波效果越好。
集合经验模态分解(EEMD)是一种噪声辅助信号分析方法,该方法通过在原始信号中加入高斯白噪声在保证不干扰原始信号的前提下来抑制经验模态分解(EMD)中出现的模态混叠现象。所述EEMD分解得到若干个固有模态函数包括如下步骤:
(1)设经形态学滤波后的轴箱振动加速度信号为x(t),在x(t)中多次加入高斯白噪声后变为xi(t)=x(t)+Ni(n);
(2)对信号xi(t)的局部极大值和局部极小值进行三次样条插值得到信号的上、下包络线yup(t)和ylow(t),求出上下包络线的平均值mi1(t)=[yup(t)+ylow(t)]/2;
(3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)=xi(t)-mi1(t);
(4)如果hi1(t)满足固有模态函数IMF的条件,则hi1(t)就是第一个xi(t)的第一个IMF分量;
如果hi1(t)不满足固有模态函数IMF条件,则将hi1(t)作为原始信号,重复步骤(1)~(3)直到满足条件,令ci1(t)=h1k(t);
(5)将ci1(t)从xi(t)中分离出来,ci1(t)=xi(t)-h1k(t);
其中ci1(t)是余量信号,将余量信号作为原始信号不断地重复步骤(1)~(5),如此重复循环n次,得到信号xi(t)的n个IMF分量;
(6)重新给原始振动信号加入新的高斯白噪声,重复步骤(2)~(5),得到m组IMF分量。
添加高斯白噪声的幅值和添加次数对分解效果有着显著的影响,本实施例噪声幅值取0.2,加入噪声的次数为100次。
EEMD分解得到的IMF分量中有的能反映原信号的特征信息,有的是虚假分量,判断和剔除其中的虚假分量可以有效改善EEMD分解中的模态混叠现象。每个IMF分量包含不同的频率成分,具有不同的能量,有效的IMF占据主要能量,而虚假IMF分量所占比例较小。本实施例在能量谱的基础上,根据信息熵的定义提出了一种利用IMF的能量熵增来剔除虚假分量的方法。能量熵增量的虚假IMF识别过程如下:
(3)用下式计算IMF分量的能量熵增量:Δqj=-p(j)log2(p(j)),Δqj相对较小的分量就是虚假分量,予以剔除。
希尔伯特-黄变换(Hilber-Huang transform,简称HHT)是一种非平稳信号的处理方法,具有良好的时频分辨率及自适应性。将剔除虚假IMF分量后的有效IMF分量进行Hilbert变换,得到瞬时频率和瞬时幅值,进而得到Hilbert谱;最终通过不同轮轨故障下Hilbert谱的特征来实现轮轨故障的诊断。
以国产某型车辆为研究对象,基于多体动力学原理在SIMPACK中建立了刚柔耦合仿真模型。模型中车轮直径为0.92m,在车辆的每个轴箱上设有传感器来采集轴箱垂向振动加速度,采样频率10KHz。轮轨故障形式多样,本实施例选取车轮扁疤、车轮多边形和钢轨波浪形磨耗三种典型故障与正常车轮进行对比分析。
正常车轮:仿真计算无故障车轮的车辆以125km/h的速度运行在施加了武广50谱的直线线路上。运用本实施例提出的算法对采集的轴箱振动加速度信号滤波降噪处理,振动加速度信号及滤波后信号时域图如图1(a)所示,对滤波处理后的信号进行HHT变换得到Hilbert谱如图1(b)所示,图1(b)中正常车轮的轴箱振动加速度Hilbert谱时频域呈均匀分布无明显的特征规律。
扁疤故障车轮:本实施例仿真计算了以下两种扁疤工况下的轴箱振动加速度响应。
工况1:车轮扁疤长度20mm,列车运行速度125km/h,无轨道谱激扰。工况1仿真计算得到的轴箱振动加速度信号及滤波降噪后的信号时域图如图2(a)所示,降噪后的信号经EEMD分解剔除虚假分量,将有效分量进行HHT变换得到Hilbert谱如图2(b)所示。
工况2:车轮扁疤长度20mm,列车运行速度125km/h,轨道谱激扰为武广50谱。计算得到的轴箱振动加速度信号经与工况1同样的方法处理后得到时域图如图3(a)所示,Hilbert谱如图3(b)所示。
有扁疤故障的车轮滚动一周会引起一次冲击振动,因此车轮扁疤故障特征频率与车轮转动频率一致,该车速下车轮扁疤故障特征频率为12Hz。在图2(b)和图3(b)中都可清晰看到12条间隔均匀的纵向频带。Hilbert谱中纵向频带出现频率约为12Hz,与此车速下车轮扁疤特征频率理论值一致。车轮滚动到扁疤位置时产生的冲击振动在Hilbert谱中呈垂向条带状分布,因此可根据该特征来识别车轮扁疤故障。由图2(b)和图3(b)可知本实施例提出的算法不仅在无轨道谱激励的工况下有效,而且在轨道谱激扰工况下也可准确完整的提取振动特征。
多边形故障车轮:本实施例仿真计算了3阶和4阶车轮多边形工况下轴箱振动加速度响应。轨道谱激扰为武广50谱,车轮多边形幅值为0.1mm,车速为125km/h。运用提出的算法对采集到的轴箱振动加速度信号处理,经形态学滤波、EEMD分解剔除虚假分量后对有效分量进行HHT变换得到Hilbert谱。3阶车轮多边形仿真计算结果时域图、Hilbert谱分别如图4(a)、4(b)所示,4阶车轮多边形仿真计算结果时域图、Hilbert谱分别如图5(a)、5(b)所示。该车速下车轮转动频率为12Hz,则三阶车轮多边特征频率为36Hz,四阶车轮多边形特征频率为48Hz。图4(b)、图5(b)中都有一条横向条状频带贯穿整个时频图,且图4(b)中横向频带的中心频率约为36Hz,图5(b)中横向频带的中心频率约为48Hz与该车速下三阶、四阶车轮多边形的特征频率理论值一致。因此车轮多边形故障会引起轴箱振动加速度Hilbert谱中出现连续的横向条状频带,且频带的中心频率为该多边形故障的特征频率,可根据此特征来快速准确的识别车轮多边形故障,并估计车轮多边形的阶次。
轨道波浪形磨耗:在施加了美国五级谱激扰的轨道上设置长度为10m的波浪形磨耗,波长为1m,波深为0.5mm。仿真计算正常车轮的车辆以125km/h的速度运行在该工况下的轴箱振动加速度,经计算该工况下轨道波浪形磨耗的特征频率为35Hz。采集到的轴箱振动加速度信号运用本实施例提出的算法经滤波降噪后的信号如图6(a)所示,滤波后的信号经EEMD分解剔除虚假分量然后信号重构后进行HHT变换得到Hilbert谱如图6(b)所示。图6(b)中在0.2S~0.5s之间存在一条横向条状频带,频带的中心频率约为35Hz,且频带出现的时间跨度恰好与工况中设置的波浪形磨耗长度对应。由于轨道波浪形磨耗仅存在于某一段线路中,车轮在通过该区域时才会引起轴箱异常振动,因此在Hilbert谱中只有一段连续的横向条状频带,且频带的中心频率与该波浪形磨耗的特征频率一致,根据该特征可区分车轮多边形故障和轨道波浪形磨耗故障。
以上所述仅是本发明优选的实施方式,但本发明的保护范围并不局限于此,任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (4)
1.基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法,其特征在于包括采集车辆轴箱振动加速度响应信号作为轮轨故障诊断的信号;首先对信号进行形态学滤波处理,然后EEMD分解得到若干个固有模态函数,再通过能量熵增量来剔除分解后的虚假分量,最后对有效分量再进行HHT变换得到Hilbert谱,通过不同轮轨故障下Hilbert谱的特征来实现轮轨故障的诊断。
2.根据权利要求1所述的基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法,其特征在于:所述形态学滤波的滤波器采用DIF差值滤波器,结构元素采用幅值为1的三角形和半圆形组合。
3.根据权利要求1所述的基于形态学滤波和HHT变换的铁道车辆轮轨故障诊断方法,其特征在于:所述EEMD分解得到若干个固有模态函数包括如下步骤:
(1)设经形态学滤波后的轴箱振动加速度信号为x(t),在x(t)中多次加入高斯白噪声后变为xi(t)=x(t)+Ni(n);
(2)对信号xi(t)的局部极大值和局部极小值进行三次样条插值得到信号的上、下包络线yup(t)和ylow(t),求出上下包络线的平均值mi1(t)=[yup(t)+ylow(t)]/2;
(3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)=xi(t)-mi1(t);
(4)如果hi1(t)满足固有模态函数IMF的条件,则hi1(t)就是第一个xi(t)的第一个IMF分量;
如果hi1(t)不满足固有模态函数IMF条件,则将hi1(t)作为原始信号,重复步骤(1)~(3)直到满足条件,令ci1(t)=h1k(t);
(5)将ci1(t)从xi(t)中分离出来,ci1(t)=xi(t)-h1k(t);
其中ci1(t)是余量信号,将余量信号作为原始信号不断地重复步骤(1)~(5),如此重复循环n次,得到信号xi(t)的n个IMF分量;
(6)重新给原始振动信号加入新的高斯白噪声,重复步骤(2)~(5),得到m组IMF分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049141.7A CN114580460A (zh) | 2022-01-17 | 2022-01-17 | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049141.7A CN114580460A (zh) | 2022-01-17 | 2022-01-17 | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580460A true CN114580460A (zh) | 2022-06-03 |
Family
ID=81769592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049141.7A Pending CN114580460A (zh) | 2022-01-17 | 2022-01-17 | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354312A (zh) * | 2008-09-05 | 2009-01-28 | 重庆大学 | 轴承故障诊断系统 |
CN104392444A (zh) * | 2014-11-18 | 2015-03-04 | 陕西师范大学 | 基于二维集合经验模式分解的医学mr图像特征提取方法 |
CN104931197A (zh) * | 2015-06-29 | 2015-09-23 | 吉林大学 | 基于eemd的自动平衡机振动信号处理方法 |
US20180279960A1 (en) * | 2017-03-31 | 2018-10-04 | Agency For Science, Technology And Research | Method and apparatus for real-time discriminative ocular artefact removal from eeg signals |
CN109342091A (zh) * | 2018-08-31 | 2019-02-15 | 南京理工大学 | 基于自适应形态滤波及改进emd的振动故障提取方法 |
CN110426005A (zh) * | 2019-07-01 | 2019-11-08 | 中国铁道科学研究院集团有限公司节能环保劳卫研究所 | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 |
-
2022
- 2022-01-17 CN CN202210049141.7A patent/CN114580460A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354312A (zh) * | 2008-09-05 | 2009-01-28 | 重庆大学 | 轴承故障诊断系统 |
CN104392444A (zh) * | 2014-11-18 | 2015-03-04 | 陕西师范大学 | 基于二维集合经验模式分解的医学mr图像特征提取方法 |
CN104931197A (zh) * | 2015-06-29 | 2015-09-23 | 吉林大学 | 基于eemd的自动平衡机振动信号处理方法 |
US20180279960A1 (en) * | 2017-03-31 | 2018-10-04 | Agency For Science, Technology And Research | Method and apparatus for real-time discriminative ocular artefact removal from eeg signals |
CN109342091A (zh) * | 2018-08-31 | 2019-02-15 | 南京理工大学 | 基于自适应形态滤波及改进emd的振动故障提取方法 |
CN110426005A (zh) * | 2019-07-01 | 2019-11-08 | 中国铁道科学研究院集团有限公司节能环保劳卫研究所 | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 |
Non-Patent Citations (4)
Title |
---|
HUA JIANG 等: "Fault Diagnosis of Wheel Flat Using Empirical Mode Decomposition-Hilbert Envelope Spectrum", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
刘晓飞: "基于北斗卫星监测的大跨斜拉桥挠度分离研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
周军: "基于数学形态学的牵引电机滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
李奕璠 等: "基于Hilbert—Huang变换的列车车轮失圆故障诊断", 《振动、测试与诊断》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110426005B (zh) | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 | |
CN110987348B (zh) | 基于弓网动态响应的接触网硬点确定方法及装置 | |
CN108845028B (zh) | 一种高速铁路钢轨波磨动态检测方法和装置 | |
CN106018557B (zh) | 一种基于小波分析的轨道表面凹陷检测方法 | |
CN105092467B (zh) | 一种高速铁路车轮踏面擦伤快速监测装置及方法 | |
CN106092015B (zh) | 一种轨道表面凹陷长度检测方法 | |
CN113358380B (zh) | 一种轨道车辆蛇行运动稳定性检测和评定方法 | |
CN107403139B (zh) | 一种城轨列车车轮扁疤故障检测方法 | |
CN103969046A (zh) | 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法 | |
CN113343928B (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 | |
CN112991577B (zh) | 一种轨道车辆车轮多边形状态诊断系统 | |
CN107424626A (zh) | 一种岸桥小车轨道声音监测及故障识别系统 | |
CN114544206B (zh) | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 | |
CN114997252B (zh) | 一种基于惯性原理的车轮多边形车载检测方法 | |
CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
CN109059839B (zh) | 一种车轮踏面失圆故障的诊断方法、装置及系统 | |
CN115758289B (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
CN111238813A (zh) | 一种强干扰下提取滚动轴承故障特征的方法 | |
CN114580460A (zh) | 基于形态学滤波和hht变换的铁道车辆轮轨故障诊断方法 | |
CN105510438A (zh) | 基于运营车辆的钢轨核伤检测系统及方法 | |
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 | |
CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
CN107782548B (zh) | 一种基于对轨道交通工具零部件检测系统 | |
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 | |
CN106052606A (zh) | 一种基于尺度平均小波能量谱的轨道表面凹陷检测方法 |
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: 20220603 |
|
RJ01 | Rejection of invention patent application after publication |