论文部分内容阅读
摘要：目前,我国正步入快速建设城市轨道交通的时期,大量新线投入运营,城市轨道列车作为承载乘客的载体,其运行安全与乘客的生命财产安全直接相关。滚动轴承作为列车的关键零部件之一,其运行状态将直接影响行车安全,因此,对滚动轴承进行实时有效的在线监测与诊断,不仅能避免事故的发生,还能改变现有的维修机制：以状态修代替时间修和故障修,进而降低运营成本,提升运营维护水平。本文以城市轨道列车的滚动轴承作为研究对象,从振动信号的分析处理、特征提取和故障模式识别三个方面对轴承故障诊断技术展开了深入研究,主要研究内容如下：(1)针对滚动轴承信号的非线性非平稳特征,构建了基于小波包分析(Wavelet Packet Analysis, WPA)和局部特征尺度分解(Local Characteristic-scale Decomposition, LCD)的信号处理算法,实现了降噪和故障模态分析。WPA算法可以在整个频带上对信号进行多尺度划分,利用这一特性,能有效地消除信号的噪声分量,提高信噪比。LCD算法能自适应地将信号分解成一系列内禀尺度分量(Intrinsic Scale Component, ISC)之和,对ISC进行包络谱分析,与轴承故障特征频率对比即可判断出滚动轴承的故障类型。与常用的经验模态分解算法相比,LCD迭代次数少,运行速度快,更适用于振动信号的在线分析。(2)在对振动信号时域、频域和时频域分析的基础上,系统地构建了能有效反映滚动轴承状态信息的特征参数。时域参数与滚动轴承的故障程度密切相关；根据频域参数可以诊断出滚动轴承的故障类型；小波包能量谱参数和ISC能量矩参数的大小和分布规律可以作为滚动轴承故障诊断的判断依据。为避免所有特征参数之间的信息冗余,同时提高故障识别的速度,采用核主成分分析(Kernel Principal Component Analysis, KPCA)算法对参数进行优化降维处理,得到信号的特征向量。(3)基于故障诊断准确率的考虑,提出了粒子群(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)的诊断算法。LSSVM算法具有很好的学习与泛化能力,能有效地处理小样本和非线性问题。把正常轴承与外圈、内圈和滚动体三种故障信号的特征向量输入LSSVM模型,并使用PSO优化模型的参数,避免参数选择的盲目性,优化后的LSSVM模型对滚动轴承故障诊断准确率高达97.5%。研究结果表明,基于PSO-LSSVM的故障诊断算法准确率高、速度快,能有效地诊断轴承故障。在总结上述研究成果的基础上,开发出城市轨道列车走行系在途故障诊断系统,并成功应用于广州地铁列车,实现了滚动轴承的在途故障诊断。