基于lcd和pso-lssvm的城轨列车滚动轴承故障诊断研究

《基于lcd和pso-lssvm的城轨列车滚动轴承故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：密级：公开如交乂硕士学位论文基于和的城轨列车滚动轴承故障诊断研究作者姓名王辞学科专业交通安全工程指导教师贾利民教授培养院系交通运输学院二零一五年六月硕士学位论文基于和的城轨列车滚动轴承故障诊断研究作者：王辞导师：贾利民教授北京交通大学年月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并釆用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。

2、学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。保密的学位论文在解密后适用本授权说明）签字日期：年月丨丨日签字日期：；《乂年月日孕校代码：密级：公开北京交通大学硕士学位论文基于和的城轨列车滚动轴承故障诊断研究作者姓名：王辞学号：导师姓名：教授：贾利民职称学位类别：硕士：工学学位级别学科专业：交通安全工程研究方向：交通安全理论与技术北京交通大学年月致谢硕士研究生学习生活即将结束，在这期间，我成长并收获了很多，在此论文完成之际，向所有关心和帮助过我的人们表示由衷的感谢。首先，我要感谢我的导师贾利民教授。贾利民

3、教授知识渊博、治学严谨，对待学术研宄一丝不苟、精益求精，对待工作实事求是，在平时的学术研宄和论文最初的选题到最终定稿过程中都给予了我悉心的指导和帮助，并针对性地给予许多有用的建议和指导。在研宄生阶段，他让我有机会参与到多个重要的国家级课题的研究，并对我的研究工作提出了很多宝贵的意见，使我的研宄工作有了方向和目标，让我能够不断地学习和提高，而且这些课题的研宄成果也成为了本文的主要内容。衷心感谢轨道交通控制与安全国家重点实验室的秦勇教授、魏秀琨教授、徐杰副教授、王子洋副教授、董宏辉副教授、殷洪军老师，感谢他们在学习和科研中对我的

4、指导和帮助。特别要感谢的是李晓峰老师，他在滚动轴承的故障诊断方面给予了我很多指导，引导我一步步地了解这个领域，并最终完成了这篇论文。感谢在实验室一起学习、参与课题研究的姚德臣师兄、陈欣安、刘峰、陈军、郭磊，感谢他们在我的研宄生学习生活中给予我的帮助和支持。衷心感谢我的家人，感谢父母对我的养育之恩，他们无私的关怀一直激励着我不断进取，是我前进的动力。最后，感谢评阅和审议本论文以及参加答辩的各位老师！中文摘要中文摘要摘要：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

5、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宄对象，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：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和局部特征尺度分解（的信号处理算法，实现了降噪和故障模态分析。算法可以在整个频带上

6、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。算法能自适应地将信号分解成一系列内禀尺度分量，之和，对进行包络谱分析，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，迭代次数少，运行速度快，更适用于振动信号的在线分析。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

7、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（算法对参数进行优化降维处理，得到信号的特征向量。基于故障诊断准确率的考虑提出了粒子群优化最小二乘支持向量机（的诊断算法。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模型，并使用优化模型的参数，避免参数选择的盲目性，优化后的模型对滚动轴承故障诊断准确率高达。研宄结果表明，基于的故障诊断算法准确率高、速度快，能有效地诊断轴承故障。在总结上述研宄成果的基础上，开发出城市轨道列车走

8、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。关键词：滚动轴承；故障诊断；小波包分析；局部特征尺度分解；核主成分分析粒子群；最小二乘支持冏量机ABSTRACTABSTRACTABSTRACT:Nowadays,ourcountryismovingintoth