城轨列车走行部滚动轴承故障诊断算法研究

摘要

城市轨道交通作为一种重要的公共交通运输方式，具有运量大、速度快的特点，其运营安全直接关系到乘客的生命安全。城轨列车走行部滚动轴承既是关键部件又是故障易发部件之一，因此，对其开展故障诊断研究具有重要的现实意义。现有的对滚动轴承故障诊断算法多是基于固定工况开展研究，具有一定的局限性。本文采用滚动轴承实验台模拟城轨列车走行部滚动轴承运行的多种工况，采集振动加速度信号进行算法研究，提出了一种基于EMD和GNN-AdaBoost的轴承故障诊断算法，验证了算法的有效性，具有较好的应用价值，能够满足现场城轨列车故障诊断的现实需求。　　本文的主要研究工作包括以下几个方面。　　(1)基于经验模态分解(EMD)理论，模拟城轨列车运行工况，提取不同工况下滚动轴承振动信号特征。设计多种工况实验方案，采集不同工况下（加速、减速、高速、低速、重载荷、轻载荷）、不同状态（无故障、内环故障、外环故障、滚动体故障）的滚动轴承振动信号，并将振动信号自适应分解成多个本征模函数(IMF)，提取IMF能量矩，结合所提取的时域特征参数（方差、偏度、峭度）作为故障辨识特征参数矩阵。　　(2)提出GNN-AdaBoost故障辨识算法。该算法以遗传神经网络算法(GNN)作为子分类器，结合AdaBoost算法的Boosting思想，构建新的多分类算法以提高分类的准确度。由于GNN-AdaBoost算法结合了遗传神经网络算法(GNN)和AdaBoost理论的优势，能够更准确地辨识不同工况下滚动轴承的故障状态。　　(3)采用基于EMD和GNN-AdaBoost算法对不同工况下的滚动轴承进行故障诊断。在载荷、速度因素变化的工况下，将GNN-AdaBoost算法与遗传神经网络算法(GNN)对特征参数矩阵的辨识结果进行对比分析，验证了不同工况下GNN-AdaBoost算法比传统的遗传神经网络算法(GNN)均具有更高的故障辨识能力。

目录

声明

致谢

摘要

1 引言

1．1 研究背景及意义

1．2 研究现状

1．2．1 轴承故障诊断技术的发展

1．2．2 振动信号检测法的研究现状

1．3 论文研究内容及技术路线

2 滚动轴承振动机理及主要故障分析

2．1 滚动轴承结构

2．2 滚动轴承振动机理

2．3 滚动轴承故障类型

2．4 本章小结

3 滚动轴承故障诊断理论

3．1 经验模态分解(EMD)

3．2 IMF能量矩

3．3 小波消噪

3．4 AdaBoost

3．4．1 集成学习方法

3．4．2 AdaBoost算法

3．5 遗传神经网络算法(GNN)

3．6 本章小结

4 基于EMD的滚动轴承故障特征提取

4．1 实验方案设计

4．1．1 实验平台

4．1．2 滚动轴承运行工况设计

4．1．3 振动信号采集

4．2 小波消噪处理

4．3 特征提取

4．3．1 时域分析及时域特征提取

4．3．2 EMD信号处理及IMF能量特征提取

4．4 本章小结

5 GNN-AdaBoost算法及其在滚动轴承故障辨识中的应用

5．1 GNN-AdaBoost算法

5．2 GNN算法在滚动轴承故障诊断中的应用

5．3 GNN-AdaBoost算法在滚动轴承故障诊断中的应用

5．4 GNN-AdaBoost算法与GNN算法故障辨识结果对比

5．4．1 转速不同工况下的故障辨识结果对比

5．4．2 载荷不同工况下的故障辨识结果对比

5．4．3 加速度工况下的故障辨识结果对比

5．5 本章小结

6 结论及展望

6．1 工作总结

6．2 研究展望

参考文献

作者简历及攻读硕士／博士学位期间取得的研究成果

学位论文数据集