原文传递
基于经验模态分解和遗传神经网络的轨道车辆轴承故障诊断研究
| 论文题名： | 基于经验模态分解和遗传神经网络的轨道车辆轴承故障诊断研究 |
| 关键词： | 轨道交通车辆;轴承故障诊断;经验模态分解;遗传神经网络;特征信息 |
| 摘要： | 滚动轴承作为轨道车辆走行系的最重要部件之一，其运行状态对于保障车辆的行驶安全具有重要意义，因此对轨道车辆滚动轴承的故障进行准确、高效的诊断是一个亟需解决的问题。本文在总结和吸取前人研究成果的基础上，提出将经验模态分解与遗传算法优化的RBF神经网络相结合实现轨道车辆滚动轴承的故障诊断。 首先，介绍了滚动轴承故障诊断的机理、故障形式及产生原因和振动模型，并讨论了故障特征信息提取的常用方法和各自的特点。重点对小波包分析和EMD方法进行了实例仿真，证明了小波包分析和EMD可以有效用于轴承故障特征信息的提取。 其次，在故障模式识别上，采用基于神经网络的故障模式识别方法，选择BP和RBF两种典型神经网络，结合小波包和EMD两种特征提取方法，分别建立了小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四种故障诊断模型。利用Benchmark数据对各模型进行仿真实验，结果证明EMD在故障特征提取上相比小波包有优势，RBF神经网络比BP神经网络有更好的故障识别性能。 再次，提出采用遗传算法优化RBF神经网络参数，进一步提升RBF神经网络的故障识别性能，结合小波包和EMD分别建立小波包-GA-RBF和EMD-GA-RBF两种故障诊断模型。利用Benchmark数据对各模型进行仿真实验，结果证明基于遗传算法优化的RBF神经网络在故障识别精度上有了很大提高。 最后，以上述研究分析为基础，采用小波包-GA-RBF和EMD-GA-RBF两种轴承故障诊断模型，利用实测的轨道车辆滚动轴承故障数据进行仿真实验，结果证明本文提出的基于EMD分解结合遗传算法优化的RBF神经网络可以用于轨道车辆的轴承故障诊断。 |
| 作者： | 陈皓 |
| 专业： | 机械电子工程 |
| 导师： | 邢宗义 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2013 |
| 正文语种： | 中文 |
检索历史
应用推荐
