随着国民经济的发展,铁路运输在国民经济中的地位越来越重要,日益需要对机车车辆的关键部件进行状态检测与故障诊断,以保证安全、可靠、有效和经济的完成旅客和货物的运输任务。而滚动轴承是铁路运输车辆的重要组成部分,也是最容易损坏的部件之一,它的运行状态是否正常直接影响到车辆的运行安全。 列车滚动轴承的故障诊断由于现场条件限制,轴承测试及其信号获取条件具有特殊性:列车滚动轴承主动部件不是轴而是轴承外圈,而且振动特征也不同;现场环境特殊、多变。早期故障信号非常微弱,多呈现低频脉动,容易受到噪声干扰甚至被环境噪声所淹没。本文针对列车滚动轴承的现场工况进行信号分析、特征提取和故障诊断,寻求了较优化的信号提取方法和故障诊断方法。 本论文在研究铁路轮对滚动轴承振动信号的故障特征提取和模式识别的基础上,主要讨论了累积量指数遗忘窗的最小均方误差自适应算法(CDEFWLMS)、三阶累积量的递推最小二乘自适应算法(CDRLS)和模糊C-均值(FCM)算法。滚动轴承信号处理中,利用高阶累积量的非高斯噪声和高斯噪声的“免疫性”与均方误差准则下的计算便利性相结合,使基于累积量的自适应滤波算法在现场强噪声背景下较好的工作。采用了基于高阶累积量的自适应滤波算法—CDEFWLMS和CDRLS处理现场采集的噪声污染信号,并比较了两者处理信号的特性。在高阶累积量自适应滤波的基础上,对处理后的信号再进行谱分析,提取特征频率。通过FCM算法聚类CDEFWLMS和CDRLS滤波后的信号频谱,进行故障诊断。结果表明:高阶累积量自适应算法具有良好的降噪性,CDEFWLMS比CDRLS处理后的信号幅值更突出明显,有较高的信噪比;用FCM聚类CDEFWLMS法和CDRLS滤波后的信号频谱,得出经CDEFWLMS算法处理的故障隶属度比CDRLS算法要大,有较高的确诊率。 本文以列车轮对滚动轴承故障诊断为目的,研制了列车滚动轴承诊断仪。通过诊断仪在现场的试用和调试,验证了高阶累积量的自适应滤波算法和FCM算法在实际应用中能够满足实时性要求,可实现铁路列车轮对滚动轴承不解体的现场检修,从而进一步验证了两者结合使用在现场故障诊断和检测中的有着良好的应用特性。