本发明专利技术公开了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,该方法包括以下步骤:建立基于单边Laplace小波的参数化周期模型;根据多普勒效应,建立参数化多普勒瞬态模型;将参数化多普勒瞬态模型和列车轴承故障检测信号进行相关匹配,计算相关系数;由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去最优化周期参数T,阻尼系数ζ和离散频率f,建立最优化的周期性瞬态模型及其多普勒瞬态模型,最后结合模型最优参数及轴承运动参数判断出故障类型。本发明专利技术方法能够处理受多普勒效应影响的列车轴承信号,精确诊断轴承的故障。
【技术实现步骤摘要】
本专利技术涉及信号的分析检测领域,具体涉及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。
技术介绍
由于社会经济的迅速发展,对运输技术的需求也在不断加强。作为一个主要的交 通工具,列车具有很强的运输能力和很高的速度,在当今社会发挥着很大的作用。但是,突 发故障可能会令列车运输系统产生严重的事故,而轴承支撑着高速运动火车的所有重量, 他们的故障是导致铁路交通工具事故的主要原因,因此非常有必要去发展一种能够精确且 自动诊断轴承故障的关键技术。轴承故障信号的检测涉及到对运动中的信号的处理,难度大,是信号检测领域的 一大难点。大量的方法已经被研究用于安装在静止机械上的轴承故障诊断。时频分析是一 种有效提取包含非平稳信号在内的机械健康信息的方式,并且它可以识别信号频率分量, 揭示他们的时变特征。作为一个自适应分解方法,整体平均经验模态分解方法(Ensemble EmpiricalModeDecomposition,EEMD)可以将非线性非平稳的信号按照他们本身的振动 模态分解成一组本征模态函数,已经被广泛运用在轴承故障诊断领域中。此外,在轴承故障 信号诊断中,随机共振也作为一种可以利用噪声来增加输出信噪比的方法被采用。匹配追 踪是另一种通过迭代来挑选最优原子粗略估计信号的自适应方法。然而,由于多普勒效应 的存在,运动轴承的信号中会出现频移,频带扩展以及振幅调制现象。总而言之,上述方法 都不能有效解决该问题。有鉴于上述的缺陷,本设计人,积极加以研究创新,以期创设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,使其更具有产业上的利用价值。
技术实现思路
为解决上述技术问题,本专利技术的目的是提供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,该方法能够处理受多普勒效应影响的列车轴承信号, 精确诊断轴承的故障。本专利技术提出的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,其特征在于:包括以下步骤:步骤1:建立基于单边Laplace小波的参数化周期模型,以此模拟轴承故障信号的 波形特征;步骤2:根据多普勒效应声学理论,基于单边Laplace小波的周期模型,建立其对应 的参数化多普勒瞬态模型;步骤3:将参数化多普勒瞬态模型和列车轴承故障信号进行时域相关匹配,计算不 同参数下模型与实际信号的相关系数; 步骤4:由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作 为一个定量手段去优化周期参数T,阻尼系数ζ和离散频率f,建立周期性瞬态模型及其多普 勒瞬态模型,最后根据模型最优参数及轴承运动参数判断出故障类型。 进一步的,所述步骤1具体包括以下步骤: 步骤1.1:建立基于单边Laplace小波的参数化模型,将轴承故障信号的理论值记 为?、f),所述轴承故障信号可表示为: 其中: :φ《>τ、?1为轴承故障信号的理论值,U是信号的时间长度,τ是延迟时 间,ζ是阻尼系数,f是频率。记τ、ζ和f所属范围为Td、Z和F,那么: 公式(1)中的爭CXd,'/}、?、τ、ζ和f均表示变量;步骤1.2:通过引入参数T来建立一个周期性模型,以此模拟轴承故障信号的波形 特征,可以构造函数: 进一步的,所述步骤2具体包括以下步骤: 步骤2.1:修改基于单边Laplace小波的周期模型,具体包括: 将传感器接收到声信号的时刻记为{tR},接受时刻可以表示为: {tR} = {to,to+l/fs,t〇+2/fs,t〇+(N-l)/fs} (4) 其中,fs是频率,to是声信号的初始时刻,N是数据长度;由位置关系,tR还可以表示为: (5) 其中,R是声源和传感器之间的距离,Vsw是空气中的音速,te是声信号的发出时刻, r是接收器和声源运行方向之间的距离。L是声源的瞬时位移。 对于式(5)中的L,还可以由下式获得: (6) 公式(3)中的1]^11。此(1:)中的七8卩式(5)中的1:(3,11^11。此(1:)可改为{1^(1: (3)}; 步骤2.2:对基于单边Laplace小波的周期模型施加多普勒效应,得出对应的参数 化多普勒瞬态模型,具体包括:在声信号从声源传播到接收器时,接收到的声信号被调制了,由Morse声学理论, 当声源以次音速移动时(M=Vs/Vsw〈0.2),就默认声源是一个单极点声源,接收到的声信号 表示为:其中q是总质量流量,t是声音的传播时间,= 声源速度的马赫数。Θ是声 源运行方向和声源到传感器所在直线的夹角,在公式(7)中,Pa表示接收到的声压P是和参 数R成反比,Pb表示近场效应。当M〈0.2时,PB就可以被忽略,因此,接收到的声压可以表示为: (8)也可以写成: (9)其中,r/(R(l-Mc〇S0)2)起振幅调制的作用,q'/(43ir)是声源和接收器 之间没有相对移动时接收到的声压。培丨丨的偿县παΜΜ写为. (10)进一步的,步骤3中计算不同参数下模型与实际信号的相关系数具体包括:将记为 相关系数,相关系数可以表示为:其中a(n),b(n)为有相同长度的两组数据,η是他们的数据长度,rwn),bW是他们的 相关系数,<a(n),b(n)>的计算方式为: (12)相关系数%(n:),b(n:)的值域为: -1 <na(n),b(n)<1 (13)且当%(n),b(n)接近于〇时,可认为a(n),b(n)是线性相关。进一步的,所述步骤4具体包括:由不同周期参数T,阻尼系数ζ和离散频率f建立的 多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期性瞬 态模型及其多普勒瞬态模型;相关性分析的公式可表示为:[0050」其中,y(t)是列车轴承故障信号的幅值; 在最优化的过程中,当参数化多普勒瞬态模型和列车轴承故障信号的检测值具有 最大相关系数的时候,就认为模型已经最优化,认为此时的多普勒瞬态模型对应的周期瞬 态模型揭示了真实的列车轴承故障瞬态成分。 借由上述方案,本专利技术至少具有以下优点:本专利技术提供了一种结合基于Laplace小 波的参数化多普勒瞬态模型和相关匹配为基础的列车轴承故障诊断方法。首先考虑多普勒 效应声学原理基于Laplace小波的周期性瞬态模型构造其对应的多普勒瞬态模型。多普勒 瞬态模型参数,尤其是周期,可以由建立的多普勒模型与实际运动轴承故障信号之间的相 关性参数进行优化。最终,运动轴承故障可以通过最优多普勒瞬态相关匹配模型对应的初 始周期模型参数来诊断。 上述说明仅是本专利技术技术方案的概述,为了能够更清楚了解本专利技术的技术手段, 并可依照说明书的内容予以实施,以下以本专利技术的较佳实施例并配合附图详细说明如后。【附图说明】图1为本专利技术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 方法的流程图; 图2为多普勒效应的原理图; 图3为本专利技术实施例中轴承外圈故障状态下的采集到的信号时域图; 图4为本专利技术实施例中轴承外圈故障状态下的采集到的频谱图; 图5为本专利技术实施例中轴承外圈故障状态下,根据本专利技术方法建立的多普勒瞬态 相关匹配模型图; 图6为本专利技术实施例中列车轴承外圈故障信号的检测图; 图7为本专利技术实施例中轴承外圈故障状态下,根据本专利技术方法建立的与多普勒瞬 本文档来自技高网...
【技术保护点】
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,其特征在于:包括以下步骤:步骤1:建立基于单边Laplace小波的参数化周期模型,以此模拟轴承故障信号的波形特征;步骤2:根据多普勒效应声学理论,基于单边Laplace小波的周期模型,建立其对应的参数化多普勒瞬态模型;步骤3:将参数化多普勒瞬态模型和列车轴承故障信号进行时域相关匹配,计算不同参数下模型与实际信号的相关系数;步骤4:由建立的参数化多普勒瞬态模型和真实列车轴承故障信号的相关系数作为一个定量手段去优化周期参数T,阻尼系数ζ和离散频率f,建立周期性瞬态模型及其多普勒瞬态模型,最后根据模型最优参数及轴承运动参数判断出故障类型。
【技术特征摘要】
【专利技术属性】
技术研发人员:沈长青,帅俊,黄凤,蔡改改,
申请(专利权)人:苏州大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。