高速列車軸箱軸承智能故障診斷技術(shù)研究.pdf

1、中國高速鐵路發(fā)展迅速，運(yùn)營速度不斷提高，隨之而來的是列車關(guān)鍵零部件處于更加惡劣嚴(yán)苛的服役環(huán)境中工作。軸箱軸承作為列車的“關(guān)節(jié)”，將輪對的旋轉(zhuǎn)運(yùn)動轉(zhuǎn)化為列車的直線運(yùn)動，在運(yùn)行中受車體重力、加減速過程中的牽引力以及各種動態(tài)沖擊力等，如此復(fù)雜的運(yùn)行環(huán)境使得軸承性能無法保證，一旦失效，就會加劇鄰近部件的性能衰退，以至于發(fā)生機(jī)車破損的惡性事故。在安全問題日益凸顯的背景下，有效的監(jiān)測方法和合理的維護(hù)手段成為當(dāng)前研究的重難點(diǎn)。
　　狀態(tài)特征提取

2、是能否取得精確故障診斷的關(guān)鍵。各國學(xué)者在過去數(shù)十年中致力于重要特征的提取研究，然而由于輪對軸承信號存在多振源、強(qiáng)噪聲干擾等問題，傳統(tǒng)的分析方法受到不同程度的限制，獲取有效的時頻信息仍是一項(xiàng)極大地挑戰(zhàn)。為了增強(qiáng)故障診斷的準(zhǔn)確性，利用各種降噪方法以及特征提取技術(shù)，聯(lián)合泛化性好的機(jī)器學(xué)習(xí)算法，建立智能化高、魯棒性強(qiáng)的診斷系統(tǒng)，以此完成對故障的定性與定量自動評估。因此，以高速列車軸箱軸承早期故障檢測為切入點(diǎn)，對新的特征提取技術(shù)原理和應(yīng)用展開深入

3、研究，在理論發(fā)展和工程實(shí)際中皆具有重要意義。
　　文中詳細(xì)介紹了PNN，最小二乘支持向量機(jī)(LSSVM)多分類算法基本理論，后者作為SVM算法的延伸，特別適合于小樣本數(shù)據(jù)分析。為了提高模式識別精度，引入了Morlet小波作為核函數(shù)，同時采用量子粒子群算法優(yōu)化模型參數(shù)。簡述了完備集合經(jīng)驗(yàn)?zāi)Ｊ椒纸饧夹g(shù)，它可以將非線性非平穩(wěn)信號完全自適應(yīng)的分解為本征模態(tài)分量，使原始信號中的關(guān)鍵信息得以精確描述。對基于能量得分的特征評估方法——無限特征選

4、擇法加以敘述。
　　為了確定軸承損傷位置，應(yīng)用基于非線性的多尺度排列熵統(tǒng)計(jì)方法刻畫系統(tǒng)狀態(tài)、特征選擇方法評估和選取敏感特征，結(jié)合PNN分類器提出了基于復(fù)合多尺度排列熵的故障診斷模型。其中改進(jìn)的排列熵算法克服了經(jīng)典方法在特征計(jì)算時出現(xiàn)的波動性以及精度低等缺陷。通過球軸承和列車圓柱、圓錐輪對軸承故障識別應(yīng)用研究證實(shí)了復(fù)合多尺度排列熵方法能夠有效從原始信號中獲得狀態(tài)信息，在識別不同損傷組件時達(dá)到了滿意的準(zhǔn)確率。
　　研究了對稱Al

5、pha穩(wěn)定分布模型在表征軸承性能狀態(tài)變化過程中的適應(yīng)性。并且利用完備集合經(jīng)驗(yàn)?zāi)Ｊ椒纸馔瓿尚盘栴A(yù)處理和經(jīng)過改進(jìn)優(yōu)化的LSSVM算法，建立基于參數(shù)估計(jì)的智能模型，最終達(dá)到軸承損傷程度的定量評估。該方法中通過3個參數(shù)從不同方向反映軸承系統(tǒng)的輕微變化，挖掘蘊(yùn)藏于時域中的關(guān)鍵信息，構(gòu)建三維敏感故障特征量輸入分類器。球軸承加速壽命實(shí)驗(yàn)數(shù)據(jù)和列車輪對軸承故障診斷驗(yàn)證了方法的可靠性。
　　針對列車運(yùn)行中出現(xiàn)的輕微、復(fù)合缺陷問題，提出了更為精細(xì)的特