高速列車軸箱軸承智能故障診斷技術研究.pdf

1、中國高速鐵路發(fā)展迅速，運營速度不斷提高，隨之而來的是列車關鍵零部件處于更加惡劣嚴苛的服役環(huán)境中工作。軸箱軸承作為列車的“關節(jié)”，將輪對的旋轉運動轉化為列車的直線運動，在運行中受車體重力、加減速過程中的牽引力以及各種動態(tài)沖擊力等，如此復雜的運行環(huán)境使得軸承性能無法保證，一旦失效，就會加劇鄰近部件的性能衰退，以至于發(fā)生機車破損的惡性事故。在安全問題日益凸顯的背景下，有效的監(jiān)測方法和合理的維護手段成為當前研究的重難點。
　　狀態(tài)特征提取

2、是能否取得精確故障診斷的關鍵。各國學者在過去數十年中致力于重要特征的提取研究，然而由于輪對軸承信號存在多振源、強噪聲干擾等問題，傳統的分析方法受到不同程度的限制，獲取有效的時頻信息仍是一項極大地挑戰(zhàn)。為了增強故障診斷的準確性，利用各種降噪方法以及特征提取技術，聯合泛化性好的機器學習算法，建立智能化高、魯棒性強的診斷系統，以此完成對故障的定性與定量自動評估。因此，以高速列車軸箱軸承早期故障檢測為切入點，對新的特征提取技術原理和應用展開深入

3、研究，在理論發(fā)展和工程實際中皆具有重要意義。
　　文中詳細介紹了PNN，最小二乘支持向量機(LSSVM)多分類算法基本理論，后者作為SVM算法的延伸，特別適合于小樣本數據分析。為了提高模式識別精度，引入了Morlet小波作為核函數，同時采用量子粒子群算法優(yōu)化模型參數。簡述了完備集合經驗模式分解技術，它可以將非線性非平穩(wěn)信號完全自適應的分解為本征模態(tài)分量，使原始信號中的關鍵信息得以精確描述。對基于能量得分的特征評估方法——無限特征選

4、擇法加以敘述。
　　為了確定軸承損傷位置，應用基于非線性的多尺度排列熵統計方法刻畫系統狀態(tài)、特征選擇方法評估和選取敏感特征，結合PNN分類器提出了基于復合多尺度排列熵的故障診斷模型。其中改進的排列熵算法克服了經典方法在特征計算時出現的波動性以及精度低等缺陷。通過球軸承和列車圓柱、圓錐輪對軸承故障識別應用研究證實了復合多尺度排列熵方法能夠有效從原始信號中獲得狀態(tài)信息，在識別不同損傷組件時達到了滿意的準確率。
　　研究了對稱Al

5、pha穩(wěn)定分布模型在表征軸承性能狀態(tài)變化過程中的適應性。并且利用完備集合經驗模式分解完成信號預處理和經過改進優(yōu)化的LSSVM算法，建立基于參數估計的智能模型，最終達到軸承損傷程度的定量評估。該方法中通過3個參數從不同方向反映軸承系統的輕微變化，挖掘蘊藏于時域中的關鍵信息，構建三維敏感故障特征量輸入分類器。球軸承加速壽命實驗數據和列車輪對軸承故障診斷驗證了方法的可靠性。
　　針對列車運行中出現的輕微、復合缺陷問題，提出了更為精細的特