轨道交通车辆轴承故障诊断系统的研究

论文摘要

随着我国轨道交通运输的快速发展,机车作为承载乘客的直接载体,其安全与否直接与乘客的生命安全息息相关。近年来轨道交通车辆设备的复杂程度不断提高,故障率相应上升,而轴承作为轨道交通车辆最重要的部件之一,如何对其进行高效、快速而准确地诊断是值得研究的一个重要问题。本文在认真总结现阶段世界轨道交通故障诊断技术的基础上,总结分析了轴承故障发生情况,并找出故障发生的规律和特性。基于上述的需求分析,本文采用了小波、希尔伯特,神经网络等作为故障诊断方法对轨道交通车辆轴承进行了诊断,首先对采集到的信号进行降噪处理,再对降噪后的信号进行小波变换,对小波变换后的信号分别进行了:1)希尔伯特变换;2)提取特征向量,并将其输入到神经网络进行故障诊断。实验结果表明:(1)采用小波包和Hilbert包络谱分析,能有效地识别滚动轴承的故障特征,说明该故障特征提取方法是行之有效的;(2)采用的小波包和BP、Elman、RBF神经网络进行的滚动轴承故障诊断,能有效地识别故障特征,此方法同样适用于轴承等旋转机械的故障诊断;(3)无论从时间、还是输出准确程度上来看,RBF神经网络都明显优于BP神经网络。最后,对轨道交通车辆轴承故障诊断系统进行了软件实现。首先对各功能模块进行了说明,然后展示了系统的运行界面。应用希尔伯特变换找出了故障频率;结合小波与神经网络诊断出了故障类型,实现了对机车轴承的智能诊断,保证了机车的安全、快速运行,此系统具有较好的实用性。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 本课题的研究目的和实际意义
• 1.2 国内外现状
• 1.2.1 国外情况
• 1.2.2 国内情况
• 1.3 研究内容及技术路线
• 1.3.1 研究目标及方法
• 1.3.2 技术路线
• 1.4 论文结构及主要内容
• 第二章 轴承的故障特征分析、提取方法
• 2.1 轴承的故障特征分析
• 2.1.1 概述
• 2.1.2 滚动轴承的主要故障形式及产生原因
• 2.1.3 列车走行部滚动轴承的振动特征
• 2.2 轴承故障特征提取方法
• 2.2.1 特征参数法
• 2.2.2 频谱分析法
• 2.2.3 共振解调法
• 第三章 轴承的故障诊断方法
• 3.1 滤波
• 3.1.1 FIR 数字滤波
• 3.1.2 小波消噪
• 3.2 小波和小波包分解
• 3.2.1 连续小波变换
• 3.2.2 离散小波变换
• 3.2.3 小波包分析
• 3.3 特征量提取
• 3.4 Hilbert 变换
• 3.5 神经网络
• 3.5.1 BP 网络
• 3.5.2 Elman 网络
• 3.5.3 RBF 网络
• 第四章 轨道交通车辆轴承故障诊断系统总体设计
• 4.1 系统总体设计
• 4.2 系统功能架构
• 4.2.1 传感器
• 4.2.2 接线盒
• 4.2.3 数据采集与传输系统
• 4.2.4 工控机
• 第五章 轨道交通车辆轴承故障诊断系统的实现
• 5.1 系统主要运行界面
• 5.1.1 系统登录及权限管理
• 5.1.2 参数设置界面
• 5.1.3 系统运行后主界面
• 5.1.4 波形图显示界面
• 5.2 轴承故障诊断
• 5.2.1 基于小波包和Hilbert 分析的故障诊断
• 5.2.2 基于小波包和BP 神经网络的故障诊断
• 5.2.3 基于小波包和Elman 神经网络的故障诊断
• 5.2.4 基于小波包的BP 和RBF 神经网络故障诊断的比较
• 第六章 全文总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录