论文部分内容阅读
随着我国高速轨道交通的快速发展,对列车服役状态的监测与故障诊断要求也逐步变高。轴箱轴承是高速列车走行部的重要零部件,其服役状态直接影响列车的安全性和平稳性,因此开展轴箱轴承故障诊断相关研究具有十分重大的工程意义与应用价值。振动信号能实时地对轴承状态进行监测和故障诊断。因此,本文在轴箱轴承振动特性的分析基础上,开展了轴箱轴承故障诊断方法的研究,主要完成了以下几个方面的研究内容:为实现对信号中的共振频带进行分解,本文对变分模态分解(Variational Mode Decomposition,VMD)的基础理论进行了详细介绍,通过构建一组简单的轴承故障仿真信号对不同参数设定的VMD进行全面的分析,并结合VMD原理总结出各参数对VMD分解轴承信号的影响。针对VMD的参数设定需要大量后验信息的问题,本文提出一种自适应的尺度空间引导VMD分解方法(Scale-space guiding VMD,SVMD)。所提方法通过尺度空间表征对分析信号频谱中的共振频带数量进行预估,并根据轴承信号的特征提出了尺度因子与转频的对应关系,利用预估共振频带个数引导VMD对分析信号进行分解,大大提高了VMD方法分解轴承信号的自适应性。最后通过仿真信号与试验信号验证了所提方法的有效性与自适应性。随后,针对SVMD存在的轻微共振频带过分解现象,本文进一步提出更适用于VMD的改进尺度空间表征方法,加强了尺度空间预估共振频带数量的准确性。此外,通过频带划分结果进一步预估VMD中的惩罚因子与初始中心频率,将改进尺度空间与参数预估进行有机融合,提出改进尺度空间引导的VMD方法(Modified SVMD,MSVMD),进一步提高了SVMD的自适应性、分解精度和计算效率。最后通过仿真信号与试验信号验证了MSVMD相比于SVMD的在分解准确度与计算效率上的优越性。为优化轴承信号的解调效果,结合形态学滤波(Morphological Filter,MF)较好的适应性与粒子群优化算法(Particle Swarm Optimization,PSO)的参数寻优特点,本文提出了基于PSO-MF的轴承故障解调算法。所提方法以MF的运算类型作为PSO维度,以峭度作为适应性指标,在多种运算中选取最优运算类型与相应的结构元素参数,实现对轴承信号解调的优化目的。最后通过仿真信号与试验信号对PSO-MF的有效性与抗干扰能力进行验证。针对轴承信号中同一个共振频带内存在较多干扰噪声的问题,本文首先利用在第四章提出的MSVMD对故障信号进行自适应分解。然后根据轴承信号的循环平稳特性,提出了基于PSO-MF与自相关函数离群点的周期性成分提取方法(Morphological Filter Autocorrelation Outliers,MFAO)。该方法应用PSO-MF得到子带信号的包络信号,然后利用离群点检测方法对包络信号的自相关函数中周期成分与干扰噪声进行分离,进而有效提取子带信号中的周期性成分特征。最后通过仿真信号与试验信号验证了所提方法的有效性。