原文传递
地铁列车走行部滚动轴承故障诊断与剩余寿命预测研究
| 论文题名： | 地铁列车走行部滚动轴承故障诊断与剩余寿命预测研究 |
| 关键词： | 地铁列车;滚动轴承;故障诊断;剩余寿命预测 |
| 摘要： | 随着我国地铁行业的迅猛发展，超负荷运行已成为我国地铁列车运营的常态，长期如此势必折损地铁列车的安全运行寿命。走行部是地铁列车安全运营的关键设备，走行部滚动轴承作为其中的关键部件，又是故障多发部件之一，其工作状态直接影响列车的安全。故研究走行部滚动轴承故障诊断技术对保障列车安全可靠运营有着重大现实意义。本文通过设计滚动轴承多工况、多转速运行实验，逼近现场实际工况，并用信号采集装置拾取振动信号，提取合理故障信号特征，提出两种新的轴承智能故障辨识算法，即SVM-AdaBoost算法和BP-AdaBoost算法，从而实现高精度的轴承故障诊断。结果表明，此两种方法均具有较好的应用价值，能满足轴承故障诊断的技术需求。同时，以轴承全寿命周期实验数据为根据，感知轴承性能退化程度，研究了基于EMD的灰色模型轴承剩余寿命预测方法，对制定维修计划及各修程，预防事故发生有重要意义。 本文的研究工作主要包含以下几方面: (1)设计地铁列车滚动轴承故障诊断实验，采集轴承振动信号。通过模拟地铁列车运行工况，来设计多种工况下的滚动轴承振动信号采集实验方案。采集不同工况下、不同故障状态的滚动轴承振动信号作为故障辨识的基础状态参量。 (2)基于轴承振动信号的故障特征提取。分别对信号进行时域分析、频谱分析和小波包分解，融合时域和小波包能量特征参量作为故障诊断算法的输入集。 (3)通过SVM-AdaBoost和BP-AdaBoost智能算法实现滚动轴承健康状态的辨识。分别以支持向量机(SVM)和BP网络当作基本分类器，提出两种新的多分类算法以解决多种故障分类问题。与单个分类器诊断结果对比，集成学习算法SVM-AdaBoost和BP-AdaBoost在诊断精度方面具有很大优越性。 (4)对轴承剩余寿命预测的方法进行研究。以轴承全寿命周期信号数据为根据，研究了传统时域分析和基于EMD的灰色模型剩余寿命预测方法，结果表明，通过选取包络谱振幅均值作为刻画轴承状况的衰退特征，基于EMD的GM剩余寿命预测方法能准确地预测滚动轴承剩余寿命。 (5)依据本文所运用的研究方法及现场实际调研情况，设计了地铁列车轴承故障诊断与寿命预测软件系统，使其实现在途故障诊断及剩余寿命预测，从而达到列车健康状态实时监测的目的，保障列车安全可靠地运营。 |
| 作者： | 冯帅 |
| 专业： | 交通运输工程 |
| 导师： | 蔡国强 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
