论文部分内容阅读
铁路运输是综合交通运输体系的重要组成部分,也是“一带一路”战略的助推器。安全是铁路运输的前题,尤其是在列车经过六次提速和高速铁路蓬勃发展之时,安全问题更是成为全世界关注的焦点。列车是完成铁路运输任务最主要的工具,它能否正常服役直接关系到铁路运输是否安全、高效。而列车是否正常服役直接取决于其关键零部件的运行状态。然而,我国现有列车及其关键零部件的在线辨识、诊断、预测和监控技术远远不能满足综合交通运输体系持续发展的需要。对于这个重要问题,迫切需要研究并提出系统化的列车关键零部件状态辨识和在线监控的方法。鉴于此,本文针对列车的其中一个关键零部件——滚动轴承进行了如下的研究工作:(1)针对滚动轴承故障振动信号在强噪声背景下的解调问题,提出一种基于时延相关运算和集合经验模态分解(EEMD)结合的Hilbert边际谱方法。对原始信号的自相关函数进行离散化的无偏估计,加矩形窗进行时延降噪预处理,对处理后的信号进行包络分析并进行EEMD分解,选择敏感的内禀模态函数(IMF)进行Hilbert变换以得到局部Hilbert边际谱,最后从局部Hilbert边际谱中得到滚动轴承的故障特征信息。通过仿真分析及电机轴承实验数据验证,结果表明该方法比直接包络解调、仅采用时延相关解调及采用时延相关与经验模态分解(EMD)联合解调更能凸显信号的故障特征信息。(2)针对滚动轴承故障损伤程度难以确定的问题,提出一种基于多重分形去趋势波动分析(MFDFA)与粒子群优化最小二乘支持向量机(PSO-LSSVM)的智能诊断模型。先对各状态振动信号进行MFDFA分析,选取敏感性及稳定性最优的两种多重分形谱参数作为故障特征量,然后输入到经过PSO参数优化的LSSVM中进行故障诊断。通过电机轴承数据、列车轴箱轴承在线监测数据验证了该方法的有效性,并与未经过PSO参数优化的LSSVM、SVM方法的诊断结果进行比较。结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,比未经PSO参数优化的LSSVM、SVM方法具有更优的泛化性,更短的训练、测试时间。(3)研究了Alpha稳定分布(ASD)参数与滚动轴承故障程度之间的对应关系,提出一种基于ASD参数估计与PSO-LSSVM的智能诊断模型。首先,对各状态振动信号进行ASD参数估计,选取敏感性及稳定性最优的参数组成二维故障特征量输入到PSO-LSSVM中进行故障诊断。通过对电机轴承数据、列车轴箱轴承磨合试验台数据的分析、处理,结果表明:该方法能够有效实现滚动轴承不同故障位置、不同损伤程度的智能诊断。(4)研究了MFDFA参数与ASD参数之间的联系,提出一种基于MFDFA与ASD特征融合的智能诊断模型。首先,对各状态振动信号进行MFDFA,提取五个多重分形特征;同时对各状态振动信号进行ASD参数估计,计算其概率密度函数(PDF),提取五个ASD特征;其次,利用核主成分分析(KPCA)对这十个特征进行降维融合,获取信息互补的特征量。然后输入到PSO-LSSVM中进行故障诊断。通过电机轴承试验数据验证了该方法的有效性,结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,相比单一特征方法和相应的单一特征融合方法具有更高的诊断精度。