论文摘要
重载列车运行过程中的各种安全问题直接影响着铁路运输及国民经济,而轴承故障是导致其发生安全事故最主要的原因,长期以来受到了国内外各界的广泛关注。采取非接触式研究方法即其声音信号进行诊断逐渐成为目前研究的重点。本文采用小波包分析对轴承故障信号进行分析,进而提取其倒谱特征参数,最后以基于遗传算法的BP神经网络为工具对其轴承故障的集成诊断进行了理论与实验的研究,主要研究工作有以下几个方面：1、分析了重载列车轴承故障产生的原因,及其各种类型故障的区别及其特征频率,通过对声音信号产生的机理分析,提出了相应的声音信号采集及预处理方式。2、通过对各类基小波优劣的分析,本文选用db5作为基小波,为了更完整的分析整个故障信号特征本文采取小波包分析对故障信号进行分析,加强了诊断的可靠性,在将故障声音信号使用小波包处理后,分别采用LPCC及MFCC两种方式对所采集的故障信号进行倒谱特征提取。3、针对传统BP神经网络学习速度慢、不能保证收敛到全局最小以及学习、记忆的不稳定性等缺陷,本文提出了使用遗传算法对其初始权值及阈值进行优化,并将其应用于轴承故障的集成诊断过程中,通过对故障信号的倒谱特征进行分析并确定具体故障类型,然后通过MATLAB仿真实验证明其比传统BP神经网络更加的迅速而有效。
论文目录
摘要ABSTRACT第一章 绪论1.1 重载列车轴承故障诊断的背景及意义1.2 国内外研究现状1.3 本文主要工作及结构1.3.1 主要工作1.3.2 论文结构第二章 轴承故障音频信号诊断机理及其预处理过程2.1 重载列车的轴承结构及诊断特点2.1.1 内圈故障2.1.2 外圈故障2.1.3 滚动体故障2.2.4 保持架故障2.2 轴承故障形式及故障声源产生机理2.2.1 轴承故障形式2.2.2 轴承故障音频产生机理2.3 音频信号采集及预处理2.3.1 音频信号的采集2.3.2 音频信号预处理过程2.4 本章小结第三章 故障音频信号的小波包倒谱特征提取及仿真3.1 传统轴承故障频谱特征提取方法3.1.1 传统频谱分析方法的优缺点3.1.2 小波包倒谱特征参数提取的提出3.2 基于离散小波包分解的倒谱特征提取方法3.2.1 小波分析概述3.2.2 小波基函数的选取3.2.3 音频信号的小波包分析3.2.4 DWT-LPCC特征参数的提取3.2.5 DWT-MFCC特征参数的提取3.3 故障信号倒谱特征提取的对比实验仿真3.4 本章小结第四章 轴承故障的特征参数集成诊断方案选取与仿真4.1 轴承故障的特征参数集成诊断方案选取4.1.1 BP神经网络的结构4.1.2 BP神经网络算法4.1.3 遗传算法优化BP神经网络基本思路4.1.4 GA-BP神经网络具体算法4.2 整体故障诊断方案及诊断仿真4.3 本章小结第五章 结论与展望5.1 结论5.2 展望参考文献攻读硕士学位期间科研及论文完成情况致谢
相关论文文献
标签：故障诊断论文; 倒谱特征提取论文; 小波包分析论文; 遗传神经网络论文;
