典型文献
基于Ginigram和CHMR的列车轴箱轴承早期故障自主识别方法
文献摘要：
为解决列车轴箱轴承故障诊断技术面临的多信号源混叠和早期故障程度无法量化的问题,首先,将经典Kurtogram方法采用的峭度改用基尼系数(Gini Coefficient),并将1/3-二叉树滤波方法与基尼系数结合形成Ginigram信号预处理方法,从多源混叠的轴承振动信号中快速提取微弱故障特征;然后,基于预处理信号的平方包络谱,提出一种新的统计指标循环谐波中值比(Cyclic Harmonic-to-Median Ratio,CHMR),有效量化轴承故障部位和程度的信息,并根据西格玛原则完成轴承故障程度的自主分级.为验证方法的有效性,通过列车轴箱轴承试验台进行正常轴承与自然磨损轴承的对比试验.结果表明:相比于采用峭度的经典Kurtogram方法,采用Ginigram对多信号源混叠的故障信号处理效果更优;在故障部位识别方面,CHMR能够精准诊断轴承故障部位;在故障程度量化方面,CHMR相较于现有的循环分量比、二阶循环平稳指标和故障出现率,能更清晰地量化区分轴承的故障程度.
文献关键词：
列车轴箱轴承;故障诊断;基尼系数;循环谐波中值比;包络谱分析
中图分类号：
作者姓名：
辛格;钟槭畑;李哲;贾利民;杨洋;李林峰
作者机构：
北京交通大学交通运输学院,北京 100044;北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044;北京交通大学轨道交通控制与安全国家重点实验室,北京 100044;中车唐山机车车辆有限公司,河北唐山 063000;北京电子工程总体研究所,北京 100854
文献出处：
引用格式：
[1]辛格;钟槭畑;李哲;贾利民;杨洋;李林峰-.基于Ginigram和CHMR的列车轴箱轴承早期故障自主识别方法)[J].中国铁道科学,2022(02):104-114
A类：
Ginigram,CHMR,Kurtogram,循环谐波中值比
B类：
列车轴箱轴承,早期故障,自主识别,轴承故障诊断,故障诊断技术,多信号,信号源,故障程度,峭度,改用,基尼系数,Coefficient,二叉树,滤波方法,信号预处理,预处理方法,轴承振动,振动信号,快速提取,微弱故障,故障特征,平方包络谱,统计指标,Cyclic,Harmonic,Median,Ratio,西格玛,验证方法,试验台,故障信号,信号处理,处理效果,部位识别,精准诊断,断轴,程度量,包络谱分析
AB值：
0.295446
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
