原文传递
城轨列车滚动轴承早期故障诊断与状态识别方法研究
| 论文题名： | 城轨列车滚动轴承早期故障诊断与状态识别方法研究 |
| 关键词： | 城轨列车;滚动轴承;故障诊断;特征提取;状态识别 |
| 摘要： | 城市轨道交通作为一种高效的公共交通方式,逐渐成为了中国各大城市的交通命脉。然而在日益增长的运营压力下,列车安全问题愈发重要。滚动轴承是城轨列车的重要部件之一,广泛应用于车辆的各个设备中,其运行状态直接影响着列车的安全运行。因此对滚动轴承进行实时监测、分析,准确把握滚动轴承的工作状态,对防止事故发生、保障列车可靠运行具有重大意义。鉴于此,本文针对滚动轴承的早期故障诊断、特征提取、故障模式识别方法展开了系统研究,主要内容如下: (1)研究了基于变分模态分解(VMD)的滚动轴承早期故障诊断算法。针对传统经验模态分解(EMD)处理信号受噪声影响较大、易出现模态混叠的缺陷,本文提出采用VMD方法对轴承早期故障信号进行分析。研究了VMD算法中关键参数的选取对结果的影响,并改进了混沌粒子群算法(CPSO),使其适用于VMD参数寻优。通过轴承早期故障仿真信号和全寿命疲劳加速实验数据进行分析对比,证明了所提方法能对轴承早期微弱故障进行有效识别,比传统方法具有更大的优势。 (2)研究了基于双树复小波包变换(DT-CWPT)的滚动轴承特征提取技术。本文首先对轴承振动信号进行时域特征参数提取,随后采用DT-CWPT对信号进行分解,求取节点重构系数的多尺度排列熵(MPE)。为避免特征冗余对识别结果造成不良影响,通过随机森林(RF)算法进行特征选择,选取重要性较高的特征参数作为最终的模式识别算法的输入集。 (3)研究了基于KELM-AdaBoost的滚动轴承故障模式识别方法。在基本极限学习机(ELM)的基础上重点研究核极限学习机(KELM)算法,采用CPSO算法和交叉验证方法结合的方式对核极限学习机的参数进行寻优。针对单一KELM分类效果不佳,提出基于KELM-AdaBoost的集成学习算法对模型性能进行提升。通过不同方法的对比分析,表明本文方法能对滚动轴承的状态实现有效识别。 |
| 作者： | 杨晨 |
| 专业： | 安全科学与工程 |
| 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： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
