原文传递
声信号分析方法在重载货运列车滚动轴承故障诊断中的应用研究
| 论文题名： | 声信号分析方法在重载货运列车滚动轴承故障诊断中的应用研究 |
| 关键词： | 声信号;滚动轴承;小波分析;神经网络;故障诊断;货运列车 |
| 摘要： | 货运列车滚动轴承故障诊断技术是一门紧密结合实际的工程科学,生产实际的需要是它发展的根本原因,因此研究简便的诊断方法具有广阔的实用价值。本文从货运列车滚动轴承噪声产生和传播的理论分析入手,综合考虑货运列车滚动轴承声音的衰减和背景噪声的影响,针对货运列车滚动轴承声信号非平稳性这一特点,采用现代信号分析技术对声信号进行处理和故障识别,以提高其诊断识别的有效性和可靠性。本文主要研究以下几个方面: 针对货运列车滚动轴承声信号的非平稳性,本文利用小波变换的多分辨率性质来分析声信号,发现冲击成分在小波分解的细节信号中得到放大,对比该频率和各种故障下形成地故障频率找到故障的原因,从而实现对信号波形有效地识别。本文提出一种基于非线性小波变换的去噪方法一分层阈值去噪算法。仿真结果表明,该方法能显著提高滤波精度,在有效去除噪声的同时,能很好地保留信号的主要细节。然后通过对经小波变换后的信号进行自功率谱密度分析,仿真结果表明,基于小波变换的自功率谱密度分析能有效地提取货运列车滚动轴承故障声信号的特征频率,适合声信号这样的非平稳信号的分析与研究。在特征提取方面,本文又提出了一种新方法—基于频段局部能量的区间小波包特征提取,它可以根据需要细分各个频带。经实践验证这些特征因子可以很好地代表滚动轴承的工作状况。 研究了神经网络在货运列车滚动轴承智能诊断方面的应用。基于声音信号分析的故障特征提取方法很多,但每种方法都只在某一方面反映了故障特点,单独应用诊断效果不是很好。本文通过对比以不同方法提取的故障特征组合作为神经网络的输入,最终确定利用小波分析和神经网络相结合的方法对货运列车滚动轴承进行故障诊断。利用神经网络进行滚动轴承故障诊断,可以降低对操作人员的专业知识要求,将故障诊断从传统方法转向人工智能方向。同时,诊断系统中智能技术的应用能大大降低维修人员工作压力。 |
| 作者： | 黄河 |
| 专业： | 控制工程 |
| 导师： | 鲁五一 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中南大学 |
| 学位年度： | 2011 |
| 正文语种： | 中文 |
检索历史
应用推荐
