CN107870892A - 一种城轨列车滚动轴承故障诊断方法 - Google Patents
一种城轨列车滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN107870892A CN107870892A CN201710532151.5A CN201710532151A CN107870892A CN 107870892 A CN107870892 A CN 107870892A CN 201710532151 A CN201710532151 A CN 201710532151A CN 107870892 A CN107870892 A CN 107870892A
- Authority
- CN
- China
- Prior art keywords
- mrow
- wavelet
- msubsup
- msub
- steep
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明公开了一种城轨列车滚动轴承故障诊断方法。该方法包括以下步骤：对采集到的轴承声音信号在不同母小波函数下进行连续小波变换；根据不同母小波函数下连续小波变换得到的小波系数，计算该条件下小波系数的峭熵比，选择最大峭熵比对应的母小波函数，作为小波包分解的母小波函数；对原始信号利用得到的母小波函数进行不同尺度的小波包分解；计算不同频带信号对应的峭熵比，选择最大峭熵比对应的小波包分解层数，并确定最优频带，根据最优频带对原始信号进行带通滤波；对去噪后的频带信号进行EEMD处理，并通过分析包络谱故障频率，最终对轴承进行故障诊断。本发明具有可靠性高，工程可行性好的优点。
Description
技术领域
本发明属于交通安全工程技术领域，特别是一种城轨列车滚动轴承故障诊断方法。
背景技术
车辆走行部是城轨列车最为关键的机械结构之一，其不仅承担着整个列车的重量，而且是列车运动的执行机构，对于城轨列车的重要性不言而喻。若走行系中任何部件发生故障，都会成为城轨列车的安全隐患，若不及时发现，将会对人生安全以及财产安全造成重大损失。滚动轴承是城轨列车走行部中最容易发生故障的部件，美国科学家进行了一项长期的跟踪研究，在连续的十年调查中发现每年大约有50起由滚动轴承故障造成的列车安全事故。
中国专利(申请号201610397231.X)公开了一种滚动轴承的故障诊断方法，该方法能够对城轨列车滚动轴承故障进行诊断，从而降低滚动轴承故障造成的列车安全事故率，但是该方法的算法比较复杂，工作量比较大，工程可行性较差。
发明内容
本发明的目的在于提供一种计算量小、精度高的城轨列车滚动轴承故障诊断方法。
实现本发明目的的技术解决方案为：一种城轨列车滚动轴承故障诊断方法，包括以下步骤：
步骤1，对采集到的轴承声音信号在不同母小波函数下进行连续小波变换；
步骤2，根据不同母小波函数下连续小波变换得到的小波系数，计算该条件下小波系数的峭熵比，选择最大峭熵比对应的母小波函数，作为小波包分解的母小波函数；
步骤3，对原始信号利用步骤2得到的母小波函数进行不同尺度的小波包分解；
步骤4，计算不同频带信号对应的峭熵比，选择最大峭熵比对应的小波包分解层数，并确定最优频带，根据最优频带对原始信号进行带通滤波；
步骤5，对去噪后的频带信号进行EEMD处理，并通过分析包络谱故障频率，最终对轴承进行故障诊断。
进一步地，步骤2所述小波系数的峭熵比，具体计算方法如下：
设定N为每个尺度上的小波系数的数量，C(s,n)为尺度s下的小波系数，峭度值Kurtosis(s)通过式(1)计算：
香农熵Entropy(s)通过式(2)计算：
信号的小波变换系数的峭熵比KER(s)通过式(3)计算：
进一步地，步骤3所述的小波包分解，具体如下：
式中，ak-2l和bk-2l为分解共轭滤波器系数，hl-2k和gl-2k均为重构共轭滤波器系数，为小波包分解系数，上下角标中的k表示时间位移、l表示长度、j表示尺度、n表示振荡数。
进一步地，步骤4所述的确定最优频带，具体如下：
根据信号在不同母小波下的连续小波变换得到的连续小波系数，计算连续小波变换系数的峭熵比，选择峭熵比最大时对应的母小波；然后计算不同分解尺度下每个节点的峭熵比，选择最大峭熵比对应的带通频带，对原始信号进行带通滤波。
进一步地，步骤5所述的EEMD处理，具体如下：
(1)确定加入信号中随机高斯白噪声的幅值大小k和重复执行次数m；
(2)在原信号x(t)中加入高斯白噪声kn(t)，令i＝1；
xi(t)＝x(t)+kn(t) i＝1,2,…m (6)
(3)i＝i+1，执行前面EMD中的步骤，得到n个IMF分量ci,g，其中g＝1,2,…n；
(4)i≠m，重复执行步骤(2)到步骤(3)；
(5)对得到n个IMF分量进行总体平均计算：
(6)EEMD分解后最终的信号为：
本发明与现有技术相比，其显著优点为：(1)选择最大峭熵比对应的母小波函数，对原始信号进行不同尺度的小波包分解，计算不同频带信号对应的峭熵比，算法简单，工作量小；(2)根据最优频带对原始信号进行带通滤波，对去噪后的频带信号进行EEMD处理，分析其包络谱故障频率，最终对轴承进行故障诊断，具有精度高、工程可行性好的优点。
附图说明
图1是本发明城轨列车滚动轴承故障诊断方法的流程图。
图2是本发明故障轴承声信号融合后信号示意图。
图3是本发明故障轴承信号不同母小波下连续小波变换对应KER示意图。
图4是本发明故障轴承声信号频带KER示意图。
图5是本发明故障轴承声信号带通滤波后信号示意图。
图6是本发明故障轴承声信号EEMD分解时域图。
图7是本发明故障轴承声信号EEMD分解包络谱图。
具体实施方案
结合图1，本发明城轨列车滚动轴承故障诊断方法，包括以下步骤：
步骤1，对采集到的轴承声音信号在不同母小波函数下进行连续小波变换；
所述步骤1的轴承声音信号在不同母小波函数下的连续小波变换步骤如下：
(1)选择小波函数及其尺度s；
(2)从信号的起始位置开始，将小波函数与信号进行比较，计算小波系数C(s,n)；
(3)沿时间轴移动小波函数，即改变参数b，在新的位置计算小波系数，直到信号终点；
(4)重新选择小波函数，改变尺度s，重复(2)、(3)。
步骤2，根据不同母小波函数下连续小波变换得到的小波系数，计算该条件下的小波系数的峭熵比，选择最大峭熵比对应的母小波函数，将其作为下一步小波包分解的母小波函数；
所述步骤2的计算小波系数峭熵比过程如下：
设定N为每个尺度上的小波系数的数量，C(s,n)为尺度s下的小波系数，峭度值Kurtosis(s)通过式(1)计算：
香农熵Entropy(s)通过式(2)计算：
信号的小波变换系数的峭熵比KER(s)通过式(3)计算：
步骤3，对原始信号利用步骤2得到的母小波函数进行不同尺度的小波包分解；
所述步骤3的小波包分解过程如下：
式中，ak-2l和bk-2l为分解共轭滤波器系数，hl-2k和gl-2k均为重构共轭滤波器系数，为小波包分解系数，上下角标中的k表示时间位移、l表示长度、j表示尺度、n表示振荡数。
步骤4，计算不同频带信号对应的峭熵比，选择最大峭熵比对应的小波包分解层数，并确定最优频带，根据最优频带对原始信号进行带通滤波；
所述步骤4的确定最优频带过程如下：
根据信号在不同母小波下的连续小波变换得到的连续小波系数，计算连续小波变换系数的峭熵比，选择峭熵比最大时对应的母小波；然后计算不同分解尺度下每个节点的峭熵比，选择最大峭熵比对应的带通频带，对原始信号进行带通滤波。
步骤5，对去噪后的频带信号进行EEMD处理，并对其进行包络谱分析通过分析包络谱故障频率，对轴承进行故障诊断。
步骤5所述的EEMD处理步骤如下：
(1)确定加入信号中随机高斯白噪声的幅值大小k和重复执行次数m；
(2)在原信号x(t)中加入高斯白噪声kn(t)，令i＝1；
xi(t)＝x(t)+kn(t) i＝1,2,…m (6)
(3)i＝i+1，执行前面EMD中的步骤，得到n个IMF分量ci,g，其中g＝1,2,…n；
(4)i≠m，重复执行步骤(2)到步骤(3)；
(5)对得到n个IMF分量进行总体平均计算：
(6)EEMD分解后最终的信号为：
下面结合具体实施例对本发明作进一步详细说明。
实施例
在现场利用6个声音传感器对列车行进过程中的声音信号进行采集，每相邻两个传感器之间间隔为300mm，传感器距离钢轨1m，传感器阵列处于和车轮中心等高的位置，列车速度为10km/h，转向架两车轴间的轴距为2500mm，采样频率为48kHz。可以计算出车轴的转频为1.5Hz。其中某段数据如图2所示。
首先对轴承声信号进行不同母小波函数下连续小波变换，选取了haar，dmey，coif2，coif4，sym4，sym8，sym12，sym16，sym20，sym24，db4，db8，db12，db16，db20，db24母小波函数，并计算不同母小波函数下连续变换系数的KER值，如图3所示。
从图3中可以看出，当母小波选取haar时，得到的小波系数的KER值是最大的，说明利用haar母小波对于信号的处理是最优的，因此选取haar作为小波包分解的母小波函数，并计算不同分解尺度下每个节点的KER值，如图4所示。
从图4中可以看出，在小波包第5层分解中出现了最大的KER值，其最优带通频带为3000Hz-3750Hz，选择该频带构成最优滤波器对该信号进行带通滤波，得到如图5所示的带通滤波后的信号。
对带通滤波后的信号进行EEMD分解，获得13个IMF分量，选取前6个IMF分量进行处理，并计算其包络频谱，分别如图6和图7所示，从其包络频谱图中可以看出在第1、3、4个IMF分量的包络频谱图中可以清楚的看到故障的频率成分52.73Hz，这与理论故障52Hz比较接近，从而判断出轴承出现了故障。
Claims (5)
1.一种城轨列车滚动轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1，对采集到的轴承声音信号在不同母小波函数下进行连续小波变换；
步骤2，根据不同母小波函数下连续小波变换得到的小波系数，计算该条件下小波系数的峭熵比，选择最大峭熵比对应的母小波函数，作为小波包分解的母小波函数；
步骤3，对原始信号利用步骤2得到的母小波函数进行不同尺度的小波包分解；
步骤4，计算不同频带信号对应的峭熵比，选择最大峭熵比对应的小波包分解层数，并确定最优频带，根据最优频带对原始信号进行带通滤波；
步骤5，对去噪后的频带信号进行EEMD处理，并通过分析包络谱故障频率，最终对轴承进行故障诊断。
2.根据权利要求1所述的城轨列车滚动轴承故障诊断方法，其特征在于，步骤2所述小波系数的峭熵比，具体计算方法如下：
设定N为每个尺度上的小波系数的数量，C(s,n)为尺度s下的小波系数，峭度值Kurtosis(s)通过式(1)计算：
<mrow>
<mi>K</mi>
<mi>u</mi>
<mi>r</mi>
<mi>t</mi>
<mi>o</mi>
<mi>s</mi>
<mi>i</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mover>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>4</mn>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
香农熵Entropy(s)通过式(2)计算：
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>o</mi>
<mi>p</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>.</mo>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>(</mo>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
信号的小波变换系数的峭熵比KER(s)通过式(3)计算：
<mrow>
<mi>K</mi>
<mi>E</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>K</mi>
<mi>u</mi>
<mi>r</mi>
<mi>t</mi>
<mi>o</mi>
<mi>s</mi>
<mi>i</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>E</mi>
<mi>n</mi>
<mi>t</mi>
<mi>r</mi>
<mi>o</mi>
<mi>p</mi>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求1所述的城轨列车滚动轴承故障诊断方法，其特征在于，步骤3所述的小波包分解，具体如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>b</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>d</mi>
<mi>l</mi>
<mrow>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msubsup>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mo>&lsqb;</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>2</mn>
<mi>k</mi>
</mrow>
</msub>
<msubsup>
<mi>d</mi>
<mi>k</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mn>2</mn>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，ak-2l和bk-2l为分解共轭滤波器系数，hl-2k和gl-2k均为重构共轭滤波器系数，为小波包分解系数，上下角标中的k表示时间位移、l表示长度、j表示尺度、n表示振荡数。
4.根据权利要求1所述的城轨列车滚动轴承故障诊断方法，其特征在于，步骤4所述的确定最优频带，具体如下：
根据信号在不同母小波下的连续小波变换得到的连续小波系数，计算连续小波变换系数的峭熵比，选择峭熵比最大时对应的母小波；然后计算不同分解尺度下每个节点的峭熵比，选择最大峭熵比对应的带通频带，对原始信号进行带通滤波。
5.根据权利要求1所述的城轨列车滚动轴承故障诊断方法，其特征在于，步骤5所述的EEMD处理，具体如下：
(1)确定加入信号中随机高斯白噪声的幅值大小k和重复执行次数m；
(2)在原信号x(t)中加入高斯白噪声kn(t)，令i＝1；
xi(t)＝x(t)+kn(t) i＝1,2,…m (6)
(3)i＝i+1，执行前面EMD中的步骤，得到n个IMF分量ci,g，其中g＝1,2,…n；
(4)i≠m，重复执行步骤(2)到步骤(3)；
(5)对得到n个IMF分量进行总体平均计算：
<mrow>
<msub>
<mi>c</mi>
<mi>g</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>c</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>g</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
(6)EEMD分解后最终的信号为：
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>c</mi>
<mi>g</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>r</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532151.5A CN107870892A (zh) | 2017-07-01 | 2017-07-01 | 一种城轨列车滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710532151.5A CN107870892A (zh) | 2017-07-01 | 2017-07-01 | 一种城轨列车滚动轴承故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107870892A true CN107870892A (zh) | 2018-04-03 |
Family
ID=61761755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710532151.5A Pending CN107870892A (zh) | 2017-07-01 | 2017-07-01 | 一种城轨列车滚动轴承故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107870892A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029996A (zh) * | 2018-09-11 | 2018-12-18 | 温州大学苍南研究院 | 一种轮毂轴承故障诊断方法 |
| CN110186684A (zh) * | 2019-06-25 | 2019-08-30 | 东北大学 | 一种航空发动机机械振动故障信号特征提取方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN112906473A (zh) * | 2021-01-19 | 2021-06-04 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
| CN113188797A (zh) * | 2021-04-16 | 2021-07-30 | 上海工程技术大学 | 一种基于传声器阵列的轴承故障诊断方法 |
| CN113723592A (zh) * | 2021-08-09 | 2021-11-30 | 国能云南新能源有限公司 | 一种基于风电齿轮箱监测***的故障诊断方法 |
| CN115293219A (zh) * | 2022-09-29 | 2022-11-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种融合小波和峭度的脉冲信号去噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
| US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
-
2017
- 2017-07-01 CN CN201710532151.5A patent/CN107870892A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN103424258A (zh) * | 2013-08-06 | 2013-12-04 | 昆明理工大学 | 一种滚动轴承的故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| FARZAD HEMMATI 等: "Roller bearing acoustic signature extraction by wavelet packet transform, applications in fault detection and size estimation", 《APPLIED ACOUSTICS》 * |
| 刘建强 等: "基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法", 《铁道学报》 * |
| 吴强: "基于道旁声学信号的列车滚动轴承故障诊断技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109029996A (zh) * | 2018-09-11 | 2018-12-18 | 温州大学苍南研究院 | 一种轮毂轴承故障诊断方法 |
| CN110186684A (zh) * | 2019-06-25 | 2019-08-30 | 东北大学 | 一种航空发动机机械振动故障信号特征提取方法 |
| CN110852154A (zh) * | 2019-09-29 | 2020-02-28 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN110852154B (zh) * | 2019-09-29 | 2022-10-14 | 广东石油化工学院 | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 |
| CN112906473A (zh) * | 2021-01-19 | 2021-06-04 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
| CN112906473B (zh) * | 2021-01-19 | 2023-06-20 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
| CN113188797A (zh) * | 2021-04-16 | 2021-07-30 | 上海工程技术大学 | 一种基于传声器阵列的轴承故障诊断方法 |
| CN113188797B (zh) * | 2021-04-16 | 2022-11-15 | 上海工程技术大学 | 一种基于传声器阵列的轴承故障诊断方法 |
| CN113723592A (zh) * | 2021-08-09 | 2021-11-30 | 国能云南新能源有限公司 | 一种基于风电齿轮箱监测***的故障诊断方法 |
| CN115293219A (zh) * | 2022-09-29 | 2022-11-04 | 中国电建集团华东勘测设计研究院有限公司 | 一种融合小波和峭度的脉冲信号去噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107870892A (zh) | 一种城轨列车滚动轴承故障诊断方法 | |
| CN101900708B (zh) | 一种基于振动和声频信号的高速列车轨道伤损探测方法 | |
| CN103914617B (zh) | 地铁车辆转向架轴承的故障诊断方法 | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| CN110426005B (zh) | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 | |
| CN102607845B (zh) | 基于自适应拟合冗余提升小波变换的轴承故障特征提取方法 | |
| CN107505135A (zh) | 一种滚动轴承复合故障提取方法及*** | |
| CN107423692A (zh) | 一种基于小波包能量熵的钢轨波磨故障检测方法 | |
| CN113281414B (zh) | 钢轨短波病害类型的识别方法及装置、以及电子设备 | |
| CN106228107B (zh) | 一种基于独立成分分析的超声导波断轨监测方法 | |
| CN113358380B (zh) | 一种轨道车辆蛇行运动稳定性检测和评定方法 | |
| CN105424388A (zh) | 一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测方法 | |
| CN101634589A (zh) | 一种设备振动信号的处理方法 | |
| 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 | |
| CN102607829A (zh) | 一种可拆卸盘鼓型转子装配松动故障定量识别方法 | |
| CN103020430A (zh) | 谱互相关系数的弓网匹配性能评估方法 | |
| CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
| CN102519577A (zh) | 道路中路面的识别方法及*** | |
| CN106553084A (zh) | 一种基于小波包变换和近似熵特征的机床颤振在线监测方法 | |
| CN113270110A (zh) | 一种zpw-2000a轨道电路发送器、接收器故障诊断方法 | |
| CN117556317A (zh) | 一种基于时频图像的转动轴承故障诊断方法 | |
| Liu et al. | Doppler distortion correction based on microphone array and matching pursuit algorithm for a wayside train bearing monitoring system | |
| CN108061653A (zh) | 基于谐波-冲击多普勒调制复合字典的列车轮对轴承轨边声信号分离方法 | |
| CN116910645A (zh) | 基于改进型经验小波与小波包卷积神经网络相结合的电梯轴承部件故障诊断方法 | |
| CN114802343B (zh) | 一种钢轨伤损监测方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |