-
题名考虑多普勒效应的列车轴承参数驱动声学故障诊断模型
被引量：2
- 1
-
-
作者
滕繁荣
刘方
翟中平
侯超强
翟涛涛
刘永斌
-
机构
安徽大学电气工程与自动化学院
中国科学技术大学精密机械与精密仪器系
-
出处
《机电工程》
CAS
北大核心
2022年第9期1175-1184,共10页
-
基金
国家自然科学基金资助项目(51875001,52075001)。
-
文摘
在轨边声学检测过程中,列车轴承信号由于受到多普勒效应的影响,会导致其轴承故障诊断准确性下降,针对这一问题,提出了一种基于参数驱动学习模型的列车轴承声学智能故障诊断方法。首先,对列车轴承振动信号受多普勒效应影响导致失真的因素进行了分析,提出了故障诊断方法,即在前期样本不平衡情况下,利用运动学参数驱动的安全域模型(KPD-SRM)进行诊断;在后期样本平衡情况下,利用运动学参数驱动的一维卷积神经网络(KPD-CNN)进行诊断;然后,在仿真情况下,利用该方法分别对样本不平衡和样本平衡的10种不同故障类型的轴承样本进行了故障诊断,计算了其故障诊断的准确率;最后,在实验情况下,利用该方法分别对样本不平衡和样本平衡的4种不同故障类型的轴承样本进行了故障诊断,并计算了其故障诊断的准确率。研究结果表明:在样本不平衡和样本平衡两种情况下,仿真案例的诊断准确率分别达到97.5%和96%,实验案例的诊断准确率分别达到93.5%和97%;参数驱动学习模型可以在不经过复杂的信号校正情况下,有效利用历史数据提高其故障诊断的准确率,且其诊断的准确率随着监测样本的增加而不断提高。
-
关键词
轮对轴承
轨边声学检测系统
信号校正
运动学参数驱动安全域模型
运动学参数驱动卷积神经网络
故障诊断准确率
样本不平衡
-
Keywords
wheel pair bearing
trackside acoustic detection system(tads)
signal correction
kinematic parameters drive security realm model(KPD-SRM)
kinematic parameters drive convolutional neural networks(KPD-CNN)
accuracy rate of fault diagnosis
sample imbalance
-
分类号
TH133.33
[机械工程—机械制造及自动化]
U279.323
[机械工程—车辆工程]
-
-
题名列车轴承故障声音信号单通道去相关分离矫正
被引量：3
- 2
-
-
作者
赵新航
刘方
黄明涛
朱子豪
侯超强
刘永斌
-
机构
安徽大学电气工程与自动化学院
安徽大学高节能电机及控制技术国家地方联合工程实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第13期137-146,共10页
-
基金
国家自然科学基金(51875001,52075001)。
-
文摘
道旁声学监测信号具有多声源、陡畸变和强噪声的特点,这给基于声音信号的列车轴承故障诊断带来阻碍。针对道旁声学监测系统(track-side acoustic detection system,TADS)轮轨接触噪声干扰和多普勒畸变问题,提出了一种单通道去相关声源分离矫正方法(single channel de-correlation blind source separation-time-domain interpolation resampling,SCDBSS-TIR)。采用单个麦克风正对轮对轴承采集含噪单通道观测信号,利用奇异谱分析转换为双通道观测信号;利用多个时延相关矩阵特征值分解进行声源分离;利用时域插值拟合矫正法进行多普勒畸变矫正。采用单麦克风-双声源圆周运动模型开展仿真和试验验证,仿真和试验表明,在多普勒效应影响下,所提方法的分离效果优于经典的正定盲源分离法,同时对带内噪声的消除效果良好,所提方法有望在TADS中得到应用。
-
关键词
列车轴承
故障诊断
道旁声学监测系统(tads)
盲源分离
奇异谱分析
-
Keywords
train bearing
fault diagnosis
track-side acoustic detection system(tads)
blind source separation
singular spectrum analysis
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
