基于經(jīng)驗(yàn)?zāi)B(tài)分解和遺傳神經(jīng)網(wǎng)絡(luò)的軌道車輛軸承故障診斷研究.pdf

1、滾動軸承作為軌道車輛走行系的最重要部件之一，其運(yùn)行狀態(tài)對于保障車輛的行駛安全具有重要意義，因此對軌道車輛滾動軸承的故障進(jìn)行準(zhǔn)確、高效的診斷是一個亟需解決的問題。本文在總結(jié)和吸取前人研究成果的基礎(chǔ)上，提出將經(jīng)驗(yàn)?zāi)B(tài)分解與遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合實(shí)現(xiàn)軌道車輛滾動軸承的故障診斷。
　　 首先，介紹了滾動軸承故障診斷的機(jī)理、故障形式及產(chǎn)生原因和振動模型，并討論了故障特征信息提取的常用方法和各自的特點(diǎn)。重點(diǎn)對小波包分析和EMD方

2、法進(jìn)行了實(shí)例仿真，證明了小波包分析和EMD可以有效用于軸承故障特征信息的提取。
　　 其次，在故障模式識別上，采用基于神經(jīng)網(wǎng)絡(luò)的故障模式識別方法，選擇BP和RBF兩種典型神經(jīng)網(wǎng)絡(luò)，結(jié)合小波包和EMD兩種特征提取方法，分別建立了小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四種故障診斷模型。利用Benchmark數(shù)據(jù)對各模型進(jìn)行仿真實(shí)驗(yàn)，結(jié)果證明EMD在故障特征提取上相比小波包有優(yōu)勢，RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)有更好

3、的故障識別性能。
　　 再次，提出采用遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)，進(jìn)一步提升RBF神經(jīng)網(wǎng)絡(luò)的故障識別性能，結(jié)合小波包和EMD分別建立小波包-GA-RBF和EMD-GA-RBF兩種故障診斷模型。利用Benchmark數(shù)據(jù)對各模型進(jìn)行仿真實(shí)驗(yàn)，結(jié)果證明基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在故障識別精度上有了很大提高。
　　 最后，以上述研究分析為基礎(chǔ)，采用小波包-GA-RBF和EMD-GA-RBF兩種軸承故障診斷模型，利用實(shí)