轴心轨迹特征提取方法

轨边声学信息的高速列车滚动轴承故障特征提取及实验方法研究摘要随着高速列车的发展，滚动轴承在高速列车运行中扮演了重要的角色。

而滚动轴承的故障问题是制约大型机械运转的关键因素，对于高速列车来讲尤其如此。

本文针对高速列车滚动轴承故障问题，通过声学信息的研究，提取故障特征。

首先，对火车车轮轴承以及轨道各部分进行了声学测试，并对信号进行了预处理，然后使用小波包分解进行数据特征提取。

对于高速列车轮轴承故障而言，异常信号取决于多个因素，如轮径，轮廓，偏心率，轴向载荷，转速等。

因此，这种多因素会使得故障特征提取存在着一定复杂性和难度。

本文运用了PCA算法对提取的滚动轴承信号特征进行了降维处理和数据分类。

最后，本文提出了一种实验方法，对所研究的滚动轴承进行了实验检测，并得出了较为准确的故障诊断结果。

关键词：滚动轴承，高速列车，声学信息，小波包分解，故障特征提取，PCA算法，实验方法研究AbstractWith the development of high-speed trains, rolling bearings play an important role in their operation. However, the problem of rolling bearing failures is akey factor that restricts the operation of large-scale machinery, particularly in high-speed trains. This paper focuses on the problem of rolling bearingfailures in high-speed trains, and extracts failure characteristics through acoustic information. Firstly, acoustic tests were carried out on various parts ofthe train wheel bearings and rails, and the signals were pre-processed. Then, wavelet packet decomposition was used for data feature extraction. For the rolling bearing fault in high-speed trains, the abnormalsignal depends on multiple factors, such as the wheel diameter, contour, eccentricity, axial load, and speed. Therefore, the complexity and difficulty of fault feature extraction can be significant. In this paper, the PCA algorithm was used to perform dimensionality reduction and data classification on the extracted rolling bearing signal features. Finally, an experimental method was proposed to detect the rolling bearing under study, and an accurate fault diagnosis result was obtained.Keywords: Rolling bearing, high-speed train, acoustic information, wavelet packet decomposition, failure feature extraction, PCA algorithm, experimental methodRolling bearings are critical components in high-speed trains, and their failure can lead to serious safetyissues. Acoustic signals generated by the rolling bearings can provide valuable information for fault diagnosis. However, the signals are often complex and noisy, making it challenging to extract useful features for effective fault diagnosis.In this study, wavelet packet decomposition was used to decompose the acoustic signals into multiple frequency bands. The decomposed signals were then subjected to feature extraction using statistical features such as mean, standard deviation, and kurtosis. The extracted features were further processed using principal component analysis (PCA) for dimensionality reduction and data classification.The proposed experimental method involved collecting acoustic signals from a rolling bearing underdifferent operating conditions. The signals were processed using the aforementioned techniques, and fault diagnosis was performed based on the extracted features. The accuracy of the diagnosis was evaluated by comparing the results with those obtained using traditional diagnostic methods.The results showed that the proposed method was effective in detecting and diagnosing faults inrolling bearings. The PCA algorithm was able to reducethe dimensionality of the data while preserving the relevant information, leading to improvedclassification accuracy. The experimental method was also able to accurately detect the fault in therolling bearing under study.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can be an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can aid in ensuring the safe and reliable operation of high-speed trainsMoreover, this method can be extended to other machinery fault diagnosis applications, such as gearboxes, turbines, and engines. This is because the proposed method is versatile and can be adapted tosuit the specific requirements of a given application. For instance, the method can be adjusted to accommodate different types of sensors, signal acquisition systems, and data processing algorithms.It is worth noting that this method may have some limitations. First, the quality of the fault diagnosis data largely depends on the accuracy of the sensors and signal acquisition system. Therefore, it iscrucial to ensure that these components are properlycalibrated and maintained. Second, the proposed method may be affected by noise and other forms of interference. Hence, it is essential to apply noise reduction techniques to ensure that the extracted features are accurate and reliable. Finally, the method may require some computational resources, especially when processing large datasets. Therefore, it is necessary to employ efficient algorithms and computer hardware.Despite the limitations, the proposed method has significant potential for enhancing fault diagnosis in rolling bearings and other machinery applications. It can enable early detection of faults, reduce maintenance costs, and improve the overall safety and reliability of high-speed trains and other critical systems. As such, further research is needed to explore the full potential of this method, including its application in other domains, such as aerospace, automotive, and manufacturing.In conclusion, machinery fault diagnosis is a critical task that requires accurate and reliable methods. The proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can offer an effective approach for fault diagnosis of rolling bearings in high-speed trains. The method can enhancethe safety and reliability of high-speed train operations by enabling early detection and prevention of faults. It represents a significant contribution to the field of machinery fault diagnosis and warrants further research and developmentIn addition to its potential applications in the field of high-speed train operations, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm can also have broader implications for the diagnosis of faults in other types of machinery. Various industries such as aerospace, automotive, and manufacturing rely on the effective and efficient operation of machinery to maintain productivity and safety.Moreover, the proposed method has the potential to be applied to both rotating and non-rotating machinery systems. For instance, it can be used to detect faults in gearboxes, turbines, pumps, and compressors. Faults in these systems can have significant consequences such as reduced performance, increased energy consumption, and equipment failure, which can lead to safety hazards, costly repairs, and production losses.Furthermore, the proposed method can be enhanced by incorporating other diagnostic techniques such asvibration analysis and acoustic emission analysis. Combining multiple diagnostic methods can improve overall fault detection accuracy, reduce false alarms, and enhance the reliability of fault diagnostics. Additionally, the method can be used in conjunction with condition monitoring systems that continuously monitor machinery performance and health to provide real-time alerts and avoid unplanned downtime.In conclusion, the proposed method based on wavelet packet decomposition, feature extraction, and PCA algorithm offers a promising approach for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. Its potential applications are wide-ranging and can have significant implications for machine performance, safety, and productivity. Further research and development are needed to refine and optimize the method for specific applications and improve its diagnostic accuracy and reliabilityIn conclusion, the method based on wavelet packet decomposition, feature extraction, and PCA algorithm shows promise for fault diagnosis of rolling bearings in high-speed trains and other machinery systems. The method has the potential to improve machine performance, safety, and productivity. However,further research and development are necessary tooptimize its diagnostic accuracy and reliability for specific applications。

轴心轨迹- 2. 图形解读轴心轨迹的本身能够提供很多重要的信息。

概括来说有下列的6项：1.X和Y方向的各种变量的振动幅值，包括通频幅值、过滤分量幅值等2.X和Y方向的各种过滤分量的绝对相位角3.X和Y方向的同频各种过滤分量的相对相位角4.X和Y方向包含的频率分量组成和阶次5.进动方向6.形状先说振动幅值。

从Orbit图中看到的幅值，与组成Orbit的波形有关，而波形长度、分辨率等是由采样定义决定的；采样又分为同步采样和异步采样，它们各有各的不同，各有各的用途。

根据这些不同的样本得到的幅值，甚至与波形或者Orbit图形的题头显示的幅值不同，很多人为此困惑，甚至怀疑系统的可靠性。

其实，只要明白了这些不同的值来源- 采样的方式不同，因为信号的复杂性，特别是存在低频和冲击信号时，它们之间的差异就好理解了，并进而能利用它们发现机器的某些特定故障。

关于不同硬件、软件系统对同一对象为什么读数不同的问题，以后再行详细讨论。

总之，善于综合利用不同的数据源和不同的图形，是一个合格振动分析师的基本技能。

上图是对于一个简单的Orbit计算/测量其X方向的振动幅值的步骤，很容易理解，这里就不多解释了。

再说说绝对相位角和相对相位角。

凡是谈到相位角，都是指的跟踪窄带滤波后的单频率波形的相位角，也就是所谓的过滤波形的相位角。

通频或者多频率合成波形是没有相位角意义的。

另外，在Orbit 中去看相位关系，无论是绝对相位还是相对相位角，并不直接和精确，下图是示意方法、步骤。

精确的测量还是用时基图更好些。

通过Orbit图分别看X/Y方向包含的频率分量也不是很方便的，用频谱图更好。

但对于某些应用，比如要确定振动频率是否是精确的半倍频，以便确认是摩擦还是流体诱导失稳，但现有的频谱图的分辨率不高，又没有机会，或者因其它原因，以高频率分辨率去重采数据（同步采样：减小每转采集的点数；异步采样：增加线数和/或减小分析频率范围，或细化分析），可以看Orbit图键相标记点是否“锁定”不失为一个好的方法。

《基于轴心轨迹和深度学习的转子系统载荷识别》篇一一、引言转子系统作为许多机械设备中的核心部件，其运行状态直接关系到整个设备的性能和寿命。

在转子系统的运行过程中，载荷的识别与监测是确保其安全、稳定运行的重要环节。

传统的转子系统载荷识别方法主要依赖于信号处理和模型分析，但这些方法往往受到噪声干扰、模型复杂度等因素的影响，导致识别精度不高。

近年来，随着深度学习技术的发展，基于轴心轨迹和深度学习的转子系统载荷识别方法逐渐成为研究热点。

本文旨在探讨基于轴心轨迹和深度学习的转子系统载荷识别的相关问题，以期为相关领域的研究提供参考。

二、轴心轨迹与转子系统载荷的关系轴心轨迹是转子系统运行过程中，轴心位置随时间变化的轨迹。

由于转子系统受到的载荷不同，其轴心轨迹也会发生变化。

因此，通过分析轴心轨迹，可以推断出转子系统所受的载荷情况。

在传统的转子系统载荷识别方法中，通常需要借助信号处理技术提取轴心轨迹中的特征信息，然后通过模型分析方法对特征信息进行解释和预测。

然而，这些方法往往受到噪声干扰、模型复杂度等因素的影响，导致识别精度不高。

三、深度学习在转子系统载荷识别中的应用深度学习是一种基于神经网络的机器学习方法，具有强大的特征提取和模式识别能力。

将深度学习应用于转子系统载荷识别中，可以通过训练神经网络模型，从轴心轨迹数据中自动提取特征信息，并实现对转子系统载荷的准确识别。

与传统的转子系统载荷识别方法相比，深度学习方法具有更高的识别精度和鲁棒性。

在深度学习模型的选择上，可以采用卷积神经网络（CNN）、循环神经网络（RNN）等模型。

其中，CNN模型适用于处理具有空间结构的轴心轨迹数据，而RNN模型则适用于处理具有时间序列特性的轴心轨迹数据。

在实际应用中，可以根据具体的数据特点和需求选择合适的模型。

四、基于轴心轨迹和深度学习的转子系统载荷识别方法基于轴心轨迹和深度学习的转子系统载荷识别方法主要包括以下步骤：1. 数据采集：通过传感器等设备采集转子系统的轴心轨迹数据。

轴心轨迹自动识别及其在旋机诊断中的应用许飞云　钟秉林　黄　仁(东南大学机械工程学院　南京,210096)摘要　提出了一种基于Zernike不变矩特征和神经网络分类器的轴心轨迹自动识别方法。

通过对原始Zer nike矩特征进行二次提取和处理,获得了对轴心轨迹识别更为敏感的矩特征量,降低了后续神经网络分类器设计的难度。

仿真研究表明,基于Zer nike矩的轴心轨迹识别方法,其识别精度优于常用的几何矩方法。

将所提方法应用于汽轮发电机组和高速离心压缩机组轴心轨迹的自动识别,并结合频谱能量分布特征进行故障诊断,结果表明,引入轴心轨迹特征可以有效地提高旋转机械故障诊断的精度。

关键词　轴心轨迹　不变矩　神经网络　旋转机械　故障诊断中图分类号　T H133　T P277　T P391.41引　言轴心轨迹作为旋转机械故障诊断的重要特征,其自动识别技术近年来受到了广泛的关注。

轴心轨迹的自动识别实质是二维图形的不变性模式识别[1]问题,即模式识别的结果不随图形的平移、伸缩、旋转乃至反射等而改变。

不变性图形识别主要通过提取图形的不变性特征进行,常用的不变性特征包括各种矩特征[2-5](几何矩[2]、Zernike矩[3-4]、伪Zernike 矩[4-5]、复矩[5]等)、Fourier-Mellin描述子[1]、高阶相关特征[1]等。

在轴心轨迹识别方面,文献[6-13]应用几何不变矩进行轴心轨迹形状特征的定量提取,并采用诸如神经网络、灰色系统理论等不同的方法研究了轴心轨迹的自动识别问题;文献[14]通过几何矩提取经高分辨谱分析提纯后的轴心轨迹特征用于旋转机械的故障诊断;文献[15]提出了基于小波局部极大模法和BP神经网络分类器的轴心轨迹识别法;文献[16]应用改进Fourier描述子提取轴心轨迹特征,同样通过BP网络实现轴心轨迹的识别;文献[17]则采用复值过程表示轴心轨迹,通过复值过程高阶累积量谱对轴心轨迹定量特征进行了研究;文献[18-19]分别研究了基于小波变换以及小波变化和AR建模相结合的轴心轨迹识别方法;文献[20-21]研究了基于离散余弦变换的轴心轨迹识别技术;文献[22]则对轴心轨迹的进动方向识别进行了专门的研究。

实验项目（实验名称）轴心轨迹测量实验实验日期（年月日）实验地点（楼和门牌号）同组人(不含本人）实验台号（型号和序号）实验类型□验证性□综合性□√设计性□研究性□其他（在相应处画“√”）一、预习内容在回转机械状态监测与诊断中,常利用轴系同一截面上两路相互垂直的振动信号合成轴心轨迹来监测其运行状态和故障类型。

轴心轨迹直观地反映了转子瞬时运动状态,其形状和动态特性包含了丰富的故障征兆信息。

由于它可以直观、形象地表达出设备的运行状况,因而在诊断系统中得到广泛的应用。

几种常见故障的转子轴心轨迹如图1所示。

图1是在理想状况下常见的转子轴心轨迹图,它们分别对应着一种或者几种故障类型。

(a)是椭圆形图,它代表的是转子不平衡故障;(b)是芭蕉图,它代表的是转子不平衡和转子不对中综合故障;(c)是八字图,它代表的是转子不对中故障;(d)是内环图,它代表的是油膜涡动故障;(e)是无规则图,它代表的是油膜振动故障。

二、实验目的1、了解和掌握电涡流传感器测量的原理和方法，2、熟悉仪器及软件操作；3、观察转子台在转动时，转轴所产生的径向振动时域波形图；4、掌握回转机械轴心轨迹测量方法。

三、实验仪器设备1、计算机一台2、DRVI快速可重组虚拟仪器平台一套3、打印机一台4、转子实验台一套5、USB数据采集仪一台四、实验原理电涡流传感器采集到转轴的径向振动信号，将信号通过信号电缆送入转子台控制器，转子台控制器对信号调理后，将信号送入动态数据采集分析仪，在数据采集仪内实现模拟信号抗混滤波、A/D转换等步骤，最终转换为上层分析软件可处理的数字信号，最后将数字信号上传到计算机的分析软件，实现用户所需的各种分析功能。

电涡流传感器探头是系统的一个必要组成部分，它是采集、感受被测体信号的重要部分，它能精确地探测出被测体表面相对于探头端面间隙的变化。

通常探头由线圈、头部保护罩、不锈钢壳体、高频电缆、高频接头组成。

线圈是探头的核心部分，它是整个传感器系统的敏感元件，线圈的电气参数和物理几何尺寸决定传感器系统的线性量程及传感器的稳定性。

动载滑动轴承轴心轨迹计算在往复式机械中，作用在连杆大小端及曲轴的滑动轴承上的载荷，无论大小和方向都随时间作周期性变化。

动载轴承由于油膜动压受旋转效应和挤压效应的综合作用，其轴心轨迹是变化的。

在正常的工况下，其轴心轨迹收敛于固定的轨迹曲线。

动载轴承的轴心轨迹的计算可以估计出轴承的失效形式及失效位置，从而在设计时可作有效的预防。

对轴心轨迹的计算，不能用稳态下的计算方法来确定，这是因为其油膜动压涉及挤压效应和旋转效应的综合作用，因而要采用非稳态下的计算方法才能确定。

本文主要采用Holland方法并通过计算机模拟进行计算。

图1 轴承模型示意图1.建立模型在进行轴心轨迹的计算之前，对有限宽的动载轴承作以下假设：（1）轴承的间隙中充满润滑油介质，流动服从雷诺方程，不考虑润滑油的涡动现象；（2）整圆轴承，轴承的轴线和轴颈平行；（3）轴承外表面光整；（4）不考虑温度场变化引起的油粘度变化。

求解轴心轨迹的基本思路如下，在油膜力和载荷互相平衡的情况下（由于轴颈惯性力相对较小，因此可以忽略不计），轴心都会逐渐收敛于一个确定的轨迹，所以可在轴颈的任意初始位置上根据力平衡关系确定轴心变化速度。

由此得到经过一微小时间间隔后的新的轴颈位置。

从这个位置再确定新的轴心变位速度，又得到另一时间间隔后的另一个轴颈位置。

如此不断进行下去，直到收敛于一个封闭的轴心轨迹。

分析动载轴承轴心轨迹的具体方法有Holland法、和Hahn法和移动率（Mobility）法。

为了克服对动载Reynolds方程在数学上求通解的困难，采用Holland法进行分析。

图1为物理模型的受力关系示意。

图中，F为动载荷，γ为动载荷与Y轴的方向角，δ为偏位角，Ωb为轴承角速度，Ωj为轴颈角速度，轴颈中心O j绕轴承中心O b的回转变位角速度为δ’，偏心率随时间的增长速率为ε’，R为轴承的内径。

P D是由轴颈和轴承相对油楔的旋转角速度引起的油膜动压，P V是由轴颈与轴承之间的挤压引起的油膜动压，称为挤压油压。

特征提取的方法有哪些特征提取是指从原始数据中提取出能够描述数据特点的信息，通常用于数据分析、模式识别、机器学习等领域。

在实际应用中，特征提取的质量往往直接影响到后续数据处理和分析的结果。

因此，选择合适的特征提取方法对于数据处理具有重要意义。

下面将介绍几种常见的特征提取方法。

1. 直方图特征提取法。

直方图特征提取法是一种常见的特征提取方法，它通过统计数据的分布情况来描述数据的特征。

具体来说，可以将原始数据分成若干个区间，然后统计每个区间内数据的频数或频率，最终得到一个数据分布的直方图。

通过直方图，可以直观地了解数据的分布情况，从而提取出数据的特征信息。

2. 主成分分析（PCA）。

主成分分析是一种常用的降维技术，它可以通过线性变换将原始数据映射到一个新的坐标系中，使得映射后的数据具有最大的方差。

在实际应用中，主成分分析常常被用来进行特征提取，通过保留最大方差的主成分，来描述数据的特征。

3. 小波变换特征提取法。

小波变换是一种时频分析方法，它可以将信号分解成不同尺度的小波系数，从而揭示出信号的时域和频域特征。

在特征提取中，可以利用小波变换提取信号的时频特征，从而描述数据的特点。

4. 自编码器特征提取法。

自编码器是一种无监督学习的神经网络模型，它可以学习数据的高阶特征表示。

在特征提取中，可以利用自编码器来学习数据的特征表示，从而实现特征提取的目的。

5. 卷积神经网络（CNN）。

卷积神经网络是一种深度学习模型，它可以通过卷积操作来提取数据的空间特征。

在图像、语音等领域，卷积神经网络常常被用来进行特征提取，通过卷积和池化操作来提取数据的特征信息。

总结：特征提取是数据处理和分析中的重要环节，选择合适的特征提取方法对于后续的数据处理具有重要意义。

本文介绍了几种常见的特征提取方法，包括直方图特征提取法、主成分分析、小波变换特征提取法、自编码器特征提取法和卷积神经网络。

这些方法各有特点，可以根据实际需求选择合适的方法来进行特征提取。

轴心轨迹- 1. 合成对于滑动轴承支承的大型旋转机械，主要的振动源是转子系统。

转子振动（轴振）一般用位移传感器（涡流传感器）测量，时域波形（时基图）表示的就是被测转子表面沿探头测量方向的位移随时间的变化，这无疑是重要的基本信息。

涡流探头一般安装在靠近轴承箱上，通常在内侧，测量转子相对于轴承箱（瓦）壳体的运动，所以也叫相对振动。

在忽略轴向运动条件下，转子的任一径向截面是作平面运动，所以需要两个共面、互相垂直的传感器才能全面地描述转子的运动，转子截面一般认为是刚体，所以该平面运动可以简化为轴心的运动，即轴心轨迹- Orbit。

理论上，壳体上的两个相互垂直（甚至不垂直）的两个传感器信号，无论是速度还是加速度信号，都能作出Orbit图来，但它们的物理意义不清晰，应用受影响。

所以，一般谈论轴心轨迹，都是指涡流传感器测量的相对位移量。

加之键相传感器的引入，易于解释的物理意义，能提供大量的诊断信息，可以说Orbit图是故障诊断中最有分量的图形。

本特利产品都将Orbit作为Logo，可见对它的青睐和重视。

下图是Orbit图的合成原理。

虽然图示传感器是在水平和垂直方向，实际上截面上任何一对相互垂直安装的传感器信号都是可以的。

Orbit图是直角坐标系，X、Y标示方向与其对应的探头安装方向一致，原点就是XY时域波形的平均值，幅值的刻度/量程、方向与各自波形一致，作Orbit图时要求两个时域波形刻度/量程一致，Orbit 图上的每一个点，对应的分别是同一时刻X、Y方向传感器的时域波形的瞬时位移值。

Orbit图形的视角是以物理垂直上方为0度参考的。

对于立式布置的机器，可以是西或者别的约定方向（如物料的入口管道布置方向）为参考方向。

转子的旋转方向、传感器布置位置、振动方向等各种方向必须约定，一般的约定是从驱动端往非驱动端看的方向。

位移的正方向，是指转子朝向探头运动的方向，是振动位移的正方向。

另外，无论转子的旋转方向如何，Y方向约定都在X方向逆时针转90度的方向。