基于轮轨噪声的钢轨裂纹故障诊断算法研究

摘要

本课题是通过研究列车通过时的钢轨裂纹噪声信号，运用信号处理算法和智能算法结合的方法，提取其中包含的噪声信号特征，建立能够真实反映钢轨裂纹噪声信号的数学模型，进而实现对钢轨健康状况的实时动态检测，从而提高我国列车运输安全的检测水平。在此背景下，本文主要完成了以下工作： 构建了基于Labview的高性能采集实验平台。该平台以MEMS麦克风为基础，结合运算放大电路，以NI公司的USB-6210高性能数据采集卡为核心，在Labview环境下，可以完成复杂声音信号的采集和储存。 针对基本遗传算法改进的小波包分解算法收敛速度低、容易早熟、故障诊断准确率不高等问题，提出了种群熵和种群方差理论对基本遗传算法中的交叉、变异算予进行改进，之后，选用最优保存策略优化选择算子。性能测试结果表明：该算法总收敛概率比基本遗传算法和自适应遗传算法分别高34.9%和9.5%，最优适应度的方差最小且所用时间最少。但该算法的收敛代数需要人为设定，因此提出多种群理论对此算法进一步优化，性能测试结果表明：二次改进算法的总收敛概率比基本遗传算法最多高51%，比初次改进的遗传算法最多高6%，并且稳定性更好，迭代次数更少，最大的不超过70代，没有停滞现象，同时不受固定迭代次数的限制。 在实验室搭建了噪声采集系统，对不同尺寸的横向裂纹信号进行了采集；在对钢轨裂纹信号特征进行深入透彻分析的基础上，构建了同时考虑时域和频域信息的故障判据函数和代价函数，实现了信息的有效提取。 对不同尺寸的横向裂纹信号进行在线故障诊断，考察了本文所提出的两种算法的诊断准确率，并与基本遗传算法的诊断结果对比分析。结果表明：当算法类型相同时，横向裂纹尺寸越大，平均检测准确率越高；当横向裂纹尺寸不变时，平均检测准确率按照基本遗传算法、初次改进算法、二次改进算法的顺序递增；二次改进算法的故障诊断准确率可达95.33%，与其他两种算法相比有明显提升，这说明二次改进算法更易检测出裂纹故障，具有更强的检测优势。

目录

第一个书签之前

1.绪论

1.1 课题背景及选题意义

1.2 国内外研究现状分析

1.2.1 钢轨裂纹故障诊断的研究现状

1.2.2 轮轨噪声研究现状

1.2.3 智能检测算法的研究现状

1.3 主要内容及任务

2.可行性实验及总体方案设计

2.1.1钢轨裂纹故障缺陷设计

2.1.2裂纹数据采集及实验结果

2.2 总体方案设计

2.2.1采集平台搭建

2.2.2故障诊断算法设计及实现

2.2.3故障检测实验

2.2.4本课题的技术路线

2.3本章小结

3.信号采集实验平台设计

3.1 方案设计

3.2 传感器的选择

3.3 麦克风信号放大电路设计

3.4 数据采集硬件的选择

3.5 软件平台的选择

3.6 采集系统整体呈现

3.7本章小结

4.故障检测智能算法的设计与实现

4.1 基本遗传算法

4.2 基于种群熵和种群方差理论改进的遗传算法

4.2.1 改进算法的遗传操作

4.2.2 改进算法的基本流程

4.2.3 算法测试环境

4.2.4 算法性能测试

4.3 多种群的种群熵及种群方差遗传算法

4.3.1 改进算法的主要操作

4.3.2 改进算法的基本流程

4.3.3 算法性能测试

4.4 本章小结

5.故障诊断实验与结果分析

5.1实验条件及方法

5.1.1实验条件

5.1.2实验方法

5.2 结合小波包分解的故障诊断算法

5.2.1小波包分解

5.2.2 基于时域和频域的代价函数设计

5.3 检测结果及分析

5.4本章小结

6.结论与展望

6.1结论

6.2展望

致谢

参考文献

攻读学位期间取得的研究成果