原文传递
地铁车辆车轮踏面振动监测与故障诊断系统研究
| 论文题名： | 地铁车辆车轮踏面振动监测与故障诊断系统研究 |
| 关键词： | 地铁车辆;车轮部件;踏面故障;在线检测;特征提取;集成分类器 |
| 摘要： | 车轮作为地铁车辆的关键部件，其不仅承受着车体载荷，而且充当着车辆频繁制动中的摩擦副，承受摩擦中的热负荷。在地铁车辆频繁提速，载重不断加大的背景下，列车故障种类变得复杂多样，车轮踏面故障就是其一。踏面故障会加速车体结构的疲劳损伤，也会给沿线轨道路基和桥梁设施带来巨大的冲击破坏。目前地铁运营部门对踏面故障主要采用静态检测法，即将轮对定期拆解检修，该方法效率低、盲区大、影响车辆调度周期。有鉴于此，本文针对地铁车辆车轮踏面缺陷，开展了振动监测和故障诊断系统的研究，以实现踏面故障的在线检测和预警： 首先通过对比不同的踏面检测方法，确定采用轮轨振动信号进行踏面故障诊断，并概述了信号特征提取和故障识别的研究现状。在详细描述了踏面结构的基础上，分析了踏面故障的振动机理，给出了车轮踏面与振动信号的匹配方案。 其次进行信号特征提取，先对轮轨振动信号进行小波包降噪。通过仿真信号的分解对比发现，小波包分解过于依赖小波基，经验模态分解和局部均值分解都存在典型的模态混叠现象，集合经验模态分解和集合局部均值分解可以解决该问题，但又会导致计算量过大。本文采用变分模态分解，分别从噪声敏感性、端点效应、模态混叠三个方面，对比发现其信号分解效果较好，用其对实测信号进行分解，计算分解得到的模态分量的模糊熵值，构造多维故障特征向量。 然后进行踏面故障识别，针对多分类情况下的数据不平衡问题，本文构造一种新的集成分类器。即先将特征向量分为训练集和测试集，用偏置SVM与SMOTE过采样，使训练集各类中支持向量样本平衡;对非支持向量样本随机分组，在两类非平衡数据集间构造多个平衡训练集，类比推广到多分类情况，训练得到集成分类器，采用有向无环图的方式对测试集进行分类，采用F-measure和G-mean指标给出分类性能评价。 最后进行踏面检测系统的整体设计，即描述系统的需求分析和功能设计，给出系统信号的采集方案，重点阐述系统软件开发中所涉及的模块，如数据采集、分析、传输和存储等，最终展示了所开发的系统雏形。 |
| 作者： | 黄晓鹏 |
| 专业： | 机械工程 |
| 导师： | 敖银辉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广东工业大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
