基于LCD和PSO-LSSVM的城軌列車滾動軸承故障診斷研究.pdf

1、目前，我國正步入快速建設城市軌道交通的時期，大量新線投入運營，城市軌道列車作為承載乘客的載體，其運行安全與乘客的生命財產(chǎn)安全直接相關。滾動軸承作為列車的關鍵零部件之一，其運行狀態(tài)將直接影響行車安全，因此，對滾動軸承進行實時有效的在線監(jiān)測與診斷，不僅能避免事故的發(fā)生，還能改變現(xiàn)有的維修機制:以狀態(tài)修代替時間修和故障修，進而降低運營成本，提升運營維護水平。本文以城市軌道列車的滾動軸承作為研究對象，從振動信號的分析處理、特征提取和故障模式識別

2、三個方面對軸承故障診斷技術展開了深入研究，主要研究內(nèi)容如下:
　　(1)針對滾動軸承信號的非線性非平穩(wěn)特征，構建了基于小波包分析(WaveletPacket Analysis，WPA)和局部特征尺度分解(Local Characteristic-scaleDecomposition，LCD)的信號處理算法，實現(xiàn)了降噪和故障模態(tài)分析。WPA算法可以在整個頻帶上對信號進行多尺度劃分，利用這一特性，能有效地消除信號的噪聲分量，提高信噪比

3、。LCD算法能自適應地將信號分解成一系列內(nèi)稟尺度分量(Intrinsic Scale Component，ISC)之和，對ISC進行包絡譜分析，與軸承故障特征頻率對比即可判斷出滾動軸承的故障類型。與常用的經(jīng)驗模態(tài)分解算法相比，LCD迭代次數(shù)少，運行速度快，更適用于振動信號的在線分析。
　　(2)在對振動信號時域、頻域和時頻域分析的基礎上，系統(tǒng)地構建了能有效反映滾動軸承狀態(tài)信息的特征參數(shù)。時域參數(shù)與滾動軸承的故障程度密切相關;根據(jù)頻

4、域參數(shù)可以診斷出滾動軸承的故障類型;小波包能量譜參數(shù)和ISC能量矩參數(shù)的大小和分布規(guī)律可以作為滾動軸承故障診斷的判斷依據(jù)。為避免所有特征參數(shù)之間的信息冗余，同時提高故障識別的速度，采用核主成分分析(KernelPrincipal Component Analysis，KPCA)算法對參數(shù)進行優(yōu)化降維處理，得到信號的特征向量。
　　(3)基于故障診斷準確率的考慮，提出了粒子群(Particle Swarm Optimization，

5、PSO)優(yōu)化最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)的診斷算法。LSSVM算法具有很好的學習與泛化能力，能有效地處理小樣本和非線性問題。把正常軸承與外圈、內(nèi)圈和滾動體三種故障信號的特征向量輸入LSSVM模型，并使用PSO優(yōu)化模型的參數(shù)，避免參數(shù)選擇的盲目性，優(yōu)化后的LSSVM模型對滾動軸承故障診斷準確率高達97.5％。研究結果表明，基于PSO-LSSVM的故障診斷算法準確