动车组机械传动系统轴承振动信号分析与故障诊断

摘要

近年来，我国对外开放和社会经济的高速发展，加快了高速铁路的建设速度，随着高速铁路里程数和客流量的增多，动车组的装机量迅速增加，高铁运营的安全逐渐成为行业内所关注的最重要课题。轴承作为动车中重要的旋转零件，也是主要故障源之一。在列车的高速重载运行中，轴承的早期故障很容易进一步扩大，从而造成列车颠覆等安全事故。动车组传动系统滚动轴承的故障诊断，对铁路运输的安全运行有着切实的意义。本文针对动车组滚动轴承常见的内外环故障、滚动体故障和正常运行四种运行状态，分别从时域和频域对其振动信号进行分析，采用了优化的集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)时频分析方法与BP神经网络（Back Propagation Neural Network）状态识别相结合的滚动轴承智能诊断方法。
　　论文首先系统地介绍了滚动轴承故障形式及其产生的原因，轴承各零部件振动的固有频率及其故障特征频率，然后分析了轴承在四种运行状态下五个时域特征的变化情况和规律。通过介绍EEMD时频分析方法，针对其在运算效率方面的不足，提出两种优化方法并论证了其可行性。接着论文利用优化后EEMD计算得到的8个基本模函数(Intrinsic Mode Functions，IMF)能量分布的非一致性，将各IMF的能量作为BP神经网络的特征向量输入。利用BP神经网络的非线性映射功能，建立神经网络并实现滚动轴承运行状态和基本模函数能量分布之间的映射关系，对提取的特征向量进行网络训练后，测试并验证了神经网络的识别效果。论文最后介绍了滚动轴承故障诊断系统的搭建，分别从硬件和软件两方面对系统进行了简要的阐述，并通过现场实验验证了它在故障诊断中的作用。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景与意义

1．2 滚动轴承故障诊断技术在国内外的发展现状

1．2．1 国外的发展状况

1．2．2 国内的发展状况

1．3 滚动轴承的振动信号分析诊断方法

1．4 轴承故障智能诊断方法

1．5 论文研究思路与内容

2 滚动轴承振动特征研究

2．1 滚动轴承振动特征

2．1．1 滚动轴承的基本机构

2．1．2 滚动轴承振动机理

2．1．3 滚动轴承故障的基本形式

2．2 滚动轴承的振动信号特征

2．3 滚动轴承振动的特征频率

2．3．1 滚动轴承故障振动波形

2．3．2 滚动轴承的固有振动频率

2．3．3 滚动轴承的故障特征频率

2．4 本章小结

3 滚动轴承诊断技术及故障特征提取

3．1 振动信号时域分析及其故障特征提取

3．1．1 时域诊断方法

3．1．2 时域故障特征分析

3．2 基于集合经验模态分解(EEMD)的振动信号时频分析

3．2．1 经验模态分解(EMD)基本原理

3．2．2 集合经验模态分解(EEMD)基本原理

3．2．3 EEMD方法的优化

3．2．4 基于EMD的Hilbert谱的基本原理

3．2．5 故障信号的Hilbert时频谱分析及边际谱分析

3．3 基于EEMD的滚动轴承频域故障特征提取

3．4 本章小结

4 基于BP神经网络的滚动轴承智能诊断技术

4．1 人工神经网络概述

4．2 BP神经网络及其算法

4．2．1 BP神经网络

4．2．2 BP算法研究

4．2．3 BP算法的改进

4．3 基于BP神经网络的动车组传动系统滚动轴承智能诊断

4．3．1 隐层数与隐层节点的确定

4．3．2 传递函数与训练算法的选择

4．3．3 学习速度与学习误差的确定

4．3．4 输入层、输出层节点数与样本选择

4．4 状态识别神经网络的训练与测试

4．4．1 状态识别神经网络训练样本

4．4．2 状态识别神经网络的建立

4．4．3 状态识别神经网络的训练与测试结论分析

4．5 本章小结

5 基于Matlab与LabVIEW的滚动轴承故障诊断系统

5．1 系统组成及工作过程

5．2 系统硬件组成

5．3 系统软件

5．3．1 LabVIEW虚拟仪器开发软件简介

5．3．2 LabVIEW与Matlab混合编程

5．3．3 基于LabVIEW的数据采集系统和人机交互界面

5．4 滚动轴承故障诊断实验

5．5 本章小结

6 总结与展望

参考文献

作者简历

学位论文数据集