城軌列車滾動軸承早期故障診斷與狀態(tài)識別方法研究.pdf

1、城市軌道交通作為一種高效的公共交通方式,逐漸成為了中國各大城市的交通命脈。然而在日益增長的運營壓力下,列車安全問題愈發(fā)重要。滾動軸承是城軌列車的重要部件之一,廣泛應(yīng)用于車輛的各個設(shè)備中,其運行狀態(tài)直接影響著列車的安全運行。因此對滾動軸承進行實時監(jiān)測、分析,準確把握滾動軸承的工作狀態(tài),對防止事故發(fā)生、保障列車可靠運行具有重大意義。鑒于此,本文針對滾動軸承的早期故障診斷、特征提取、故障模式識別方法展開了系統(tǒng)研究,主要內(nèi)容如下:
　　(

2、1)研究了基于變分模態(tài)分解(VMD)的滾動軸承早期故障診斷算法。針對傳統(tǒng)經(jīng)驗?zāi)B(tài)分解(EMD)處理信號受噪聲影響較大、易出現(xiàn)模態(tài)混疊的缺陷,本文提出采用VMD方法對軸承早期故障信號進行分析。研究了VMD算法中關(guān)鍵參數(shù)的選取對結(jié)果的影響,并改進了混沌粒子群算法(CPSO),使其適用于VMD參數(shù)尋優(yōu)。通過軸承早期故障仿真信號和全壽命疲勞加速實驗數(shù)據(jù)進行分析對比,證明了所提方法能對軸承早期微弱故障進行有效識別,比傳統(tǒng)方法具有更大的優(yōu)勢。

3、>　　(2)研究了基于雙樹復(fù)小波包變換(DT-CWPT)的滾動軸承特征提取技術(shù)。本文首先對軸承振動信號進行時域特征參數(shù)提取,隨后采用DT-CWPT對信號進行分解,求取節(jié)點重構(gòu)系數(shù)的多尺度排列熵(MPE)。為避免特征冗余對識別結(jié)果造成不良影響,通過隨機森林(RF)算法進行特征選擇,選取重要性較高的特征參數(shù)作為最終的模式識別算法的輸入集。
　　(3)研究了基于KELM-AdaBoost的滾動軸承故障模式識別方法。在基本極限學(xué)習(xí)機(EL