[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

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(EnsembleEmpirical Mode Decomposition,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。

发明内容

为解决上述技术问题，本发明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。

本发明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所述轴承故障信号可表示为：

其中：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T_d、Z和F，那么：