列車滾動軸承振動信號的特征提取及診斷方法研究.pdf

1、鐵路運輸是綜合交通運輸體系的重要組成部分，也是“一帶一路”戰(zhàn)略的助推器。安全是鐵路運輸?shù)那邦}，尤其是在列車經過六次提速和高速鐵路蓬勃發(fā)展之時，安全問題更是成為全世界關注的焦點。列車是完成鐵路運輸任務最主要的工具，它能否正常服役直接關系到鐵路運輸是否安全、高效。而列車是否正常服役直接取決于其關鍵零部件的運行狀態(tài)。然而，我國現(xiàn)有列車及其關鍵零部件的在線辨識、診斷、預測和監(jiān)控技術遠遠不能滿足綜合交通運輸體系持續(xù)發(fā)展的需要。對于這個重要問題，迫

2、切需要研究并提出系統(tǒng)化的列車關鍵零部件狀態(tài)辨識和在線監(jiān)控的方法。鑒于此，本文針對列車的其中一個關鍵零部件——滾動軸承進行了如下的研究工作:
　　(1)針對滾動軸承故障振動信號在強噪聲背景下的解調問題，提出一種基于時延相關運算和集合經驗模態(tài)分解(EEMD)結合的Hilbert邊際譜方法。對原始信號的自相關函數(shù)進行離散化的無偏估計，加矩形窗進行時延降噪預處理，對處理后的信號進行包絡分析并進行EEMD分解，選擇敏感的內稟模態(tài)函數(shù)(IMF

3、)進行Hilbert變換以得到局部Hilbert邊際譜，最后從局部Hilbert邊際譜中得到滾動軸承的故障特征信息。通過仿真分析及電機軸承實驗數(shù)據驗證，結果表明該方法比直接包絡解調、僅采用時延相關解調及采用時延相關與經驗模態(tài)分解(EMD)聯(lián)合解調更能凸顯信號的故障特征信息。
　　(2)針對滾動軸承故障損傷程度難以確定的問題，提出一種基于多重分形去趨勢波動分析(MFDFA)與粒子群優(yōu)化最小二乘支持向量機(PSO-LSSVM)的智能診

4、斷模型。先對各狀態(tài)振動信號進行MFDFA分析，選取敏感性及穩(wěn)定性最優(yōu)的兩種多重分形譜參數(shù)作為故障特征量，然后輸入到經過PSO參數(shù)優(yōu)化的LSSVM中進行故障診斷。通過電機軸承數(shù)據、列車軸箱軸承在線監(jiān)測數(shù)據驗證了該方法的有效性，并與未經過PSO參數(shù)優(yōu)化的LSSVM、SVM方法的診斷結果進行比較。結果表明:所提方法可實現(xiàn)滾動軸承故障位置及損傷程度的智能診斷，比未經PSO參數(shù)優(yōu)化的LSSVM、SVM方法具有更優(yōu)的泛化性，更短的訓練、測試時間。<

5、br>　　(3)研究了Alpha穩(wěn)定分布(ASD)參數(shù)與滾動軸承故障程度之間的對應關系，提出一種基于ASD參數(shù)估計與PSO-LSSVM的智能診斷模型。首先，對各狀態(tài)振動信號進行ASD參數(shù)估計，選取敏感性及穩(wěn)定性最優(yōu)的參數(shù)組成二維故障特征量輸入到PSO-LSSVM中進行故障診斷。通過對電機軸承數(shù)據、列車軸箱軸承磨合試驗臺數(shù)據的分析、處理，結果表明:該方法能夠有效實現(xiàn)滾動軸承不同故障位置、不同損傷程度的智能診斷。
　　(4)研究了MF

6、DFA參數(shù)與ASD參數(shù)之間的聯(lián)系，提出一種基于MFDFA與ASD特征融合的智能診斷模型。首先，對各狀態(tài)振動信號進行MFDFA，提取五個多重分形特征;同時對各狀態(tài)振動信號進行ASD參數(shù)估計，計算其概率密度函數(shù)(PDF)，提取五個ASD特征;其次，利用核主成分分析(KPCA)對這十個特征進行降維融合，獲取信息互補的特征量。然后輸入到PSO-LSSVM中進行故障診斷。通過電機軸承試驗數(shù)據驗證了該方法的有效性，結果表明:所提方法可實現(xiàn)滾動軸承故