高速列車輪對軸承狀態(tài)表征與故障診斷方法研究.pdf

1、隨著我國高鐵的蓬勃發(fā)展，路網(wǎng)規(guī)模的迅速擴大，高速列車運行安全已成為高鐵研究、建設和運營最關注的重中之重。輪對軸承是列車走行系統(tǒng)中關鍵的旋轉(zhuǎn)部件，除了支承列車重量及車輛載重所構成的靜態(tài)和動態(tài)的徑向負荷外，在車軸方向還要承受額外的非穩(wěn)定力，可見輪對軸承的可靠性與穩(wěn)定性對列車行車安全有至關重要的影響。隨著列車運行速度的提高，車輛輪軌間的動載荷相應地隨之增大，輪對軸承的振動服役環(huán)境更加復雜化，加劇了輪對軸承的磨損、擦傷等故障產(chǎn)生及狀態(tài)偏離演變進

2、程，由此可見，高速列車輪對軸承狀態(tài)檢測、監(jiān)測與故障診斷研究變得極為必要與迫切。
　　經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)和總體平均經(jīng)驗模態(tài)分解(EnsembleEmpirical Mode Decomposition，EEMD)，是黃鍔院士(Norden E.Huang)提出的一種新的處理非平穩(wěn)非線性信號的方法，該方法一度被認為是2000年以來以傅里葉變換為基礎的線性與穩(wěn)態(tài)頻譜分析的一個

3、重大突破。原因在于EMD是一種自適應數(shù)據(jù)分解方法，其基于信號本身局部時間尺度特征進行信號分解，無須關于待分析信號的先驗知識。任意非平穩(wěn)信號被分解成若干本征模態(tài)函數(shù)(Intrinsic Mode Function，IMF)，每個IMF均具有明確的物理意義。對每個IMF計算相應瞬時頻率和瞬時幅值，可以得到原始信號細致的時頻刻畫，能清晰描述非平穩(wěn)信號的時頻分布。EMD分解方法中蘊藏的本征屬性參數(shù)，體現(xiàn)了原始信號中某些關鍵固有特性。因此，本文基

4、于EMD本征屬性，采用振動信號分析方法，對高速列車輪對軸承狀態(tài)表征與故障診斷方法進行了深入的研究。
　　在梳理EMD時頻分析方法基礎理論的過程中，提出了一種基于奇異值曲率譜的EEMD噪聲識別方法，能有效地自適應地識別EEMD分解過程中產(chǎn)生的噪聲信號以及原始信號中包含的噪聲信號，可以很好地應用于信號降噪處理。
　　利用EMD本征屬性表征高速列車輪對軸承振動狀態(tài)，提出了三種定量表征方法。第一種是振動信號形態(tài)函數(shù)表征方法，EMD形

5、態(tài)函數(shù)是對IMF一種新的概括，本文以健康狀態(tài)下的形態(tài)函數(shù)作為計算基準，建立了多狀態(tài)輪對軸承振動信號形態(tài)函數(shù)指標度量辦法，可有效量化表征輪對軸承振動狀態(tài)，并根據(jù)量化表征區(qū)間可識別輪對軸承故障類型;穩(wěn)定性檢驗是衡量機械系統(tǒng)性能良好、狀態(tài)健康的最重要的指標手段，本文為規(guī)避形態(tài)函數(shù)表征方法的先驗條件，提出EMD穩(wěn)態(tài)偏量的概念及表征方法，用以定量地表征系統(tǒng)的穩(wěn)定狀態(tài)或穩(wěn)定偏離程度，建立了輪對軸承健康狀態(tài)與多故障狀態(tài)下基于幅度值和瞬時頻率的穩(wěn)態(tài)偏量

6、指標度量準則，依據(jù)穩(wěn)態(tài)偏量指標可有效地區(qū)分輪對軸承單個故障形式以及部分復合故障模式，能較好地辨識或識別輪對軸承故障類型;為了改進穩(wěn)態(tài)偏量表征方法中量化表征區(qū)間混疊問題，基于信噪比在信號處理領域的廣泛應用及其方法的簡易性，提出了信噪比量化表征輪對軸承狀態(tài)的方法，建立了信噪比指標與輪對軸承狀態(tài)的強映射關系，形成了基于顯著性檢驗的信噪比指標、基于優(yōu)勢IMF規(guī)范化能量的信噪比指標及基于奇異值的信噪比指標，該方法具備高辨識能力和高度自適應性，適用

7、于高速列車輪對軸承在線智能化檢測與監(jiān)測。
　　在輪對軸承狀態(tài)量化表征的基礎上，從故障特征頻率提取的角度，提出了一種基于IMF自動選擇的高速列車輪對軸承故障診斷方法。建立了IMF價值量化理論，通過自相關性、偏度、峭度及沖擊特性等IMF自身屬性參數(shù)的價值設計，量化IMF價值，可以自主選擇對特征提取價值更高的IMF進行重構分析，結合Hilbert邊際譜可有效提取到輪對軸承特性頻率、故障特征頻率及其倍頻。
　　為了實現(xiàn)高速列車輪對軸

8、承故障診斷全過程自適應化，依據(jù)熵權理論對信號穩(wěn)定狀態(tài)盼描述，提出了一種基于EMD目標熵權和SVM的輪對軸承故障診斷方法。將SVM作為基礎工具，確定了適用于輪對軸承的目標熵權，即IMFs相對時頻熵權與IMFs奇異值的組合系數(shù)形式，建立了匹配性強的分類模型;該方法對小樣本、非線性特性的數(shù)據(jù)樣本表現(xiàn)出較強的建模能力，能夠有效識別輪對軸承多種故障狀態(tài)。
　　總之，本文依據(jù)EMD本征屬性及特性參數(shù)，比較全面的研究了高速列車輪對軸承狀態(tài)表征與