基于LCD和PSO-LSSVM的城軌列車滾動(dòng)軸承故障診斷研究.pdf

1、目前，我國(guó)正步入快速建設(shè)城市軌道交通的時(shí)期，大量新線投入運(yùn)營(yíng)，城市軌道列車作為承載乘客的載體，其運(yùn)行安全與乘客的生命財(cái)產(chǎn)安全直接相關(guān)。滾動(dòng)軸承作為列車的關(guān)鍵零部件之一，其運(yùn)行狀態(tài)將直接影響行車安全，因此，對(duì)滾動(dòng)軸承進(jìn)行實(shí)時(shí)有效的在線監(jiān)測(cè)與診斷，不僅能避免事故的發(fā)生，還能改變現(xiàn)有的維修機(jī)制:以狀態(tài)修代替時(shí)間修和故障修，進(jìn)而降低運(yùn)營(yíng)成本，提升運(yùn)營(yíng)維護(hù)水平。本文以城市軌道列車的滾動(dòng)軸承作為研究對(duì)象，從振動(dòng)信號(hào)的分析處理、特征提取和故障模式識(shí)別

2、三個(gè)方面對(duì)軸承故障診斷技術(shù)展開了深入研究，主要研究?jī)?nèi)容如下:
　　(1)針對(duì)滾動(dòng)軸承信號(hào)的非線性非平穩(wěn)特征，構(gòu)建了基于小波包分析(WaveletPacket Analysis，WPA)和局部特征尺度分解(Local Characteristic-scaleDecomposition，LCD)的信號(hào)處理算法，實(shí)現(xiàn)了降噪和故障模態(tài)分析。WPA算法可以在整個(gè)頻帶上對(duì)信號(hào)進(jìn)行多尺度劃分，利用這一特性，能有效地消除信號(hào)的噪聲分量，提高信噪比

3、。LCD算法能自適應(yīng)地將信號(hào)分解成一系列內(nèi)稟尺度分量(Intrinsic Scale Component，ISC)之和，對(duì)ISC進(jìn)行包絡(luò)譜分析，與軸承故障特征頻率對(duì)比即可判斷出滾動(dòng)軸承的故障類型。與常用的經(jīng)驗(yàn)?zāi)B(tài)分解算法相比，LCD迭代次數(shù)少，運(yùn)行速度快，更適用于振動(dòng)信號(hào)的在線分析。
　　(2)在對(duì)振動(dòng)信號(hào)時(shí)域、頻域和時(shí)頻域分析的基礎(chǔ)上，系統(tǒng)地構(gòu)建了能有效反映滾動(dòng)軸承狀態(tài)信息的特征參數(shù)。時(shí)域參數(shù)與滾動(dòng)軸承的故障程度密切相關(guān);根據(jù)頻

4、域參數(shù)可以診斷出滾動(dòng)軸承的故障類型;小波包能量譜參數(shù)和ISC能量矩參數(shù)的大小和分布規(guī)律可以作為滾動(dòng)軸承故障診斷的判斷依據(jù)。為避免所有特征參數(shù)之間的信息冗余，同時(shí)提高故障識(shí)別的速度，采用核主成分分析(KernelPrincipal Component Analysis，KPCA)算法對(duì)參數(shù)進(jìn)行優(yōu)化降維處理，得到信號(hào)的特征向量。
　　(3)基于故障診斷準(zhǔn)確率的考慮，提出了粒子群(Particle Swarm Optimization，

5、PSO)優(yōu)化最小二乘支持向量機(jī)(Least Squares Support Vector Machine，LSSVM)的診斷算法。LSSVM算法具有很好的學(xué)習(xí)與泛化能力，能有效地處理小樣本和非線性問題。把正常軸承與外圈、內(nèi)圈和滾動(dòng)體三種故障信號(hào)的特征向量輸入LSSVM模型，并使用PSO優(yōu)化模型的參數(shù)，避免參數(shù)選擇的盲目性，優(yōu)化后的LSSVM模型對(duì)滾動(dòng)軸承故障診斷準(zhǔn)確率高達(dá)97.5％。研究結(jié)果表明，基于PSO-LSSVM的故障診斷算法準(zhǔn)確