轨道列车走行部滚动轴承故障诊断研究
|
摘要
我国城市轨道交通在迅速发展的同时,轨道交通列车的运营安全问题日益突出。城市轨道交通列车是机电一体化的复杂运行系统,其走行系的系统状态和性能在不断演化的过程中,会形成安全隐患,甚至引发事故,严重影响市民的日常出行,同时诱发严重的社会问题。基于神经网络的故障诊断是智能故障诊断理论与技术的一个重要研究方向。
本文对走行系的滚动轴承故障诊断问题展开以下研究：
1、针对目前轨道交通列车走行系的滚动轴承故障诊断中存在的问题,论文结合小波包分析、BP神经网络和证据理论,提出了一种综合故障诊断方法。在对加速度信号进行小波包分解的前提下,利用神经网络进行训练,达到故障识别的目标。并通过证据理论对不同神经网络的训练成功概率进行融合,选择相对最优的故障诊断方法。
2、论文利用轴承试验台采集内环故障、外环故障、滚动体故障和正常轴承四种滚动轴承的加速度信号,对其进行小波包分析,通过对采集的原始数据分别进行三层,四层小波包分析,并把分析结果作为BP神经网络的输入样本进行网络训练。选择合适的小波包分解层数。
3、利用不同神经网络对小波包分解产生的样本进行训练,对轨道列车走行部的滚动轴承进行了故障诊断和识别,找出轴承的故障位置。论文还将小波包理论和算法有机地结合在一起,吸取了二者的优点,提高了滚动轴承故障诊断的效率
4、基于证据理论方法进一步对各故障位置的诊断概率进行融合,选出最优诊断方法。将不同故障类型的诊断精度看作证据,实现其在时间域、空间域上进行的融合,对融合结果进行比较,选出最优诊断方法,从而提高了诊断的准确度。
ABSTRACT:As urban rail transit of China develops rapidly, the operation safety problem of railway highlights increasingly. Urban rail transit train is complex operation system integration of electromechanical integration. The evolving process of the running gear system state and performance will form the security hidden danger, and even cause accidents, which influences seriously people daily travel and causes serious social problem. Fault diagnosis based on neural network is an important research direction to intelligent fault diagnosis of the theory and technology. This paper is to fault diagnosis of running gear rolling bearing on the following research
1. Aiming at the problems of rolling bearing fault diagnosis of running gear in railway line, based on wavelet packet analysis, the BP neural network and evidence theory, this paper puts forward a comprehensive fault diagnosis method. In for acceleration signal wavelet packet decomposition premise, trained by use of neural network, the goal of fault recognition achieves. And through the fusion of training success probability of the evidence theory to different neural network, the best fault diagnosis method is chosed relatively.
2. Through acceleration signal of four kind of rolling bearing with fault as the inner loop, the outer loop, the rolling element and the normal rolling bearing, earring on the wavelet packet analysis, using analysis of the original data of three, four wavelet packet, taking the results as the input sample of the BP neural net for network training, the paper choose the right wavelet packet to decompos layers.
3. Training by using samples of different neural network to wavelet packet decomposition production, with the help of fault diagnosis and recognition for railway train running gear of the rolling bearing, the bearing fault position is found out. This paper links judiciously wavelet packet theory with algorithm, draws on their advantages, improves the efficiency of the bearing fault diagnosis.
4. Based on evidence theory method, each fault position diagnosis probability further fuse to select the optimal diagnostic method. Considered evidence for different fault type the diagnostic accuracy, realizing fusion in the time domain and the space domain, comparing the results of fusion, to select the optimal diagnostic methods, the accuracy of the diagnosis improves.
本文对走行系的滚动轴承故障诊断问题展开以下研究：
1、针对目前轨道交通列车走行系的滚动轴承故障诊断中存在的问题,论文结合小波包分析、BP神经网络和证据理论,提出了一种综合故障诊断方法。在对加速度信号进行小波包分解的前提下,利用神经网络进行训练,达到故障识别的目标。并通过证据理论对不同神经网络的训练成功概率进行融合,选择相对最优的故障诊断方法。
2、论文利用轴承试验台采集内环故障、外环故障、滚动体故障和正常轴承四种滚动轴承的加速度信号,对其进行小波包分析,通过对采集的原始数据分别进行三层,四层小波包分析,并把分析结果作为BP神经网络的输入样本进行网络训练。选择合适的小波包分解层数。
3、利用不同神经网络对小波包分解产生的样本进行训练,对轨道列车走行部的滚动轴承进行了故障诊断和识别,找出轴承的故障位置。论文还将小波包理论和算法有机地结合在一起,吸取了二者的优点,提高了滚动轴承故障诊断的效率
4、基于证据理论方法进一步对各故障位置的诊断概率进行融合,选出最优诊断方法。将不同故障类型的诊断精度看作证据,实现其在时间域、空间域上进行的融合,对融合结果进行比较,选出最优诊断方法,从而提高了诊断的准确度。
ABSTRACT:As urban rail transit of China develops rapidly, the operation safety problem of railway highlights increasingly. Urban rail transit train is complex operation system integration of electromechanical integration. The evolving process of the running gear system state and performance will form the security hidden danger, and even cause accidents, which influences seriously people daily travel and causes serious social problem. Fault diagnosis based on neural network is an important research direction to intelligent fault diagnosis of the theory and technology. This paper is to fault diagnosis of running gear rolling bearing on the following research
1. Aiming at the problems of rolling bearing fault diagnosis of running gear in railway line, based on wavelet packet analysis, the BP neural network and evidence theory, this paper puts forward a comprehensive fault diagnosis method. In for acceleration signal wavelet packet decomposition premise, trained by use of neural network, the goal of fault recognition achieves. And through the fusion of training success probability of the evidence theory to different neural network, the best fault diagnosis method is chosed relatively.
2. Through acceleration signal of four kind of rolling bearing with fault as the inner loop, the outer loop, the rolling element and the normal rolling bearing, earring on the wavelet packet analysis, using analysis of the original data of three, four wavelet packet, taking the results as the input sample of the BP neural net for network training, the paper choose the right wavelet packet to decompos layers.
3. Training by using samples of different neural network to wavelet packet decomposition production, with the help of fault diagnosis and recognition for railway train running gear of the rolling bearing, the bearing fault position is found out. This paper links judiciously wavelet packet theory with algorithm, draws on their advantages, improves the efficiency of the bearing fault diagnosis.
4. Based on evidence theory method, each fault position diagnosis probability further fuse to select the optimal diagnostic method. Considered evidence for different fault type the diagnostic accuracy, realizing fusion in the time domain and the space domain, comparing the results of fusion, to select the optimal diagnostic methods, the accuracy of the diagnosis improves.
引文
[1]黄采伦,樊晓平,陈特放。列车故障在线诊断技术及应用。北京：国防工业出版社,2006年。
[2]故障诊断,百度百科,http://baike.baidu.com/view/3871562.htm。
[3]百度文库,http://wenku.baidu.com/view/b5eb2520192e45361066f5ca.html,第四节,高速列车走行部及高速动力学。
[4]雷萍,小波神经网络技术在齿轮箱轴承故障诊断中的应用,兰州：兰州理工大学硕士学位论文,2009年。
[5]封全保,孙守光,王开云,翟婉明,刘建新,减轻列车轮轨横向动力作用的技术措施,铁道学报,2007年,第29卷第3期。
[6]雷应标,机车走行部滚动轴承故障的诊断,铁道运营技术,2007年,第13卷第4期。
[7]郭盛,佳工机电网,金城江机务段,hao机车滚动轴承故障的产生及诊断方法.mht。
[8]唐德尧,李辉,宋辛辉,黄贵发,机车轴承若干故障的诊断与分析,电力机车与城轨车辆,2005年,第28卷第4期。
[9]管辉,基于小波分析的滚动轴承故障诊断方法研究[D],山西：太原科技大学硕士毕业论文,2008年。
[10]李郁侠,刘立峰,陈继尧,张宝芳,基于神经网络和证据理论融合的水电机组振动故障诊断研究,陕西西安：西安理工大学水利水电学院,西北农林科技大学学报：自然科学版,2005年第33卷第10期。
[11]曹永昌,马朝勇,王丽芳,机车走行部轴承的故障诊断分析及处理措施,内燃机车,2004年,第2期(总第360期)。
[12]赵明元,机车轴承故障诊断与预测系统,机车电传动,2005年第5期。
[13]衡玲燕,戴鹏,符晓,孙建元,伍小杰,基于小波包频带-能量重构的电机断条故障诊断,电机与控制应用,2010年10月,第37期。
[14]张琳,机械故障诊断中神经网络与DS推理的信息融合技术研究。河北省秦皇岛：燕山大学电气工程学院工学硕十学位论文。
[15]潘志松,基于神经网络的入侵检测研究[D],南京：南京航空航天大学博士论文,2003年。
[16]郝坤,BP神经网络网络在网络入侵检测系统中的应用[D],南京：南京理工大学硕士学位论文,2004年6月。
[17]危胜军,胡吕振,姜飞.基于BP神经网络改进算法的入侵检测方法,计算机工程,2005年,第13卷31期154-158。
[18]吴宏伟.基于改进BP神经网络的分布式入侵检测模型研究。哈尔滨：哈尔滨理工大学硕士学位论文,2005年。
[19]陈冠清,基于神经网络BP算法的网络入侵检测系统研究与实现[D],江苏：东南大学硕士学位论文,2006年。
[20]刘娜,基于改进神经网络的入侵检测的研究,吉林：吉林大学硕士学位论文,2006年。
[21]高小伟,BP神经网络在入侵检测系统中的应用及优化[D],山东：山东大学硕士学位论文,2007年。
[22]许朋飞,沈磊,改进BP算法在入侵检测系统中的应用[J],计算机工程,2008年。第6卷34期151-152。
[23]马莉,傅八路,王泽勇,王黎,杨凯,列车车轮踏面擦伤信号处理算法研究,铁道技术 监督,2009年,第37卷第3期。
[24]Chu F, Zhang Z. Bifurcation and chaos in a rub-impact jeffcott rotor system[J]. Journal of Sound and Vibration,1998,209(1):1-18。
[25]Sato S, Hirakawa H, Isobe S, Fukai E, etc. Sequence Analysis of the Genome of an Oil-Bearing Tree, Jatropha curcas L. DNA RESEARCH,2011, the 18(1):65-76.
[26]Li HB, Jackson AB, Kirk NJ, Mauritz KA, Storey RF,etc. Poly(arylene ether sulfone) Statistical Copolymers Bearing Perfluoroalkylsulfonic Acid Moieties, MACROMOLECULES,2011,the44(4): 694-702.
[27]刘立峰,基于神经网络和证据理论融合的水电机组振动故障诊断研究,陕西西安：西安理工大学水利水电学院,工学硕士学位论文,2005年。
[28]王强,基于小波和混沌理论的数字图像加密研究,哈尔滨：黑龙江大学,电子工程学院,硕士研究生学位论文,2008年。
[29]宫燃,周晓军,张志刚,杨富春,汽车主减速器轴承失效征兆早起识别的评价法,振动、测试与判断,2009年,第29卷第4期。
[30]陈桦,程云艳,BP神经网络算法的改进及在Matlab中的实现,陕西科技大学学报,2004年,第2卷22期。
[31]杨建国,小波分析及其工程应用,北京机械工业出版社,2005年。
[32]谢庆生,尹健,罗延科,机械工程中的神经网络方法,北京机械工业出版社,2003年。
[2]故障诊断,百度百科,http://baike.baidu.com/view/3871562.htm。
[3]百度文库,http://wenku.baidu.com/view/b5eb2520192e45361066f5ca.html,第四节,高速列车走行部及高速动力学。
[4]雷萍,小波神经网络技术在齿轮箱轴承故障诊断中的应用,兰州：兰州理工大学硕士学位论文,2009年。
[5]封全保,孙守光,王开云,翟婉明,刘建新,减轻列车轮轨横向动力作用的技术措施,铁道学报,2007年,第29卷第3期。
[6]雷应标,机车走行部滚动轴承故障的诊断,铁道运营技术,2007年,第13卷第4期。
[7]郭盛,佳工机电网,金城江机务段,hao机车滚动轴承故障的产生及诊断方法.mht。
[8]唐德尧,李辉,宋辛辉,黄贵发,机车轴承若干故障的诊断与分析,电力机车与城轨车辆,2005年,第28卷第4期。
[9]管辉,基于小波分析的滚动轴承故障诊断方法研究[D],山西：太原科技大学硕士毕业论文,2008年。
[10]李郁侠,刘立峰,陈继尧,张宝芳,基于神经网络和证据理论融合的水电机组振动故障诊断研究,陕西西安：西安理工大学水利水电学院,西北农林科技大学学报：自然科学版,2005年第33卷第10期。
[11]曹永昌,马朝勇,王丽芳,机车走行部轴承的故障诊断分析及处理措施,内燃机车,2004年,第2期(总第360期)。
[12]赵明元,机车轴承故障诊断与预测系统,机车电传动,2005年第5期。
[13]衡玲燕,戴鹏,符晓,孙建元,伍小杰,基于小波包频带-能量重构的电机断条故障诊断,电机与控制应用,2010年10月,第37期。
[14]张琳,机械故障诊断中神经网络与DS推理的信息融合技术研究。河北省秦皇岛：燕山大学电气工程学院工学硕十学位论文。
[15]潘志松,基于神经网络的入侵检测研究[D],南京：南京航空航天大学博士论文,2003年。
[16]郝坤,BP神经网络网络在网络入侵检测系统中的应用[D],南京：南京理工大学硕士学位论文,2004年6月。
[17]危胜军,胡吕振,姜飞.基于BP神经网络改进算法的入侵检测方法,计算机工程,2005年,第13卷31期154-158。
[18]吴宏伟.基于改进BP神经网络的分布式入侵检测模型研究。哈尔滨：哈尔滨理工大学硕士学位论文,2005年。
[19]陈冠清,基于神经网络BP算法的网络入侵检测系统研究与实现[D],江苏：东南大学硕士学位论文,2006年。
[20]刘娜,基于改进神经网络的入侵检测的研究,吉林：吉林大学硕士学位论文,2006年。
[21]高小伟,BP神经网络在入侵检测系统中的应用及优化[D],山东：山东大学硕士学位论文,2007年。
[22]许朋飞,沈磊,改进BP算法在入侵检测系统中的应用[J],计算机工程,2008年。第6卷34期151-152。
[23]马莉,傅八路,王泽勇,王黎,杨凯,列车车轮踏面擦伤信号处理算法研究,铁道技术 监督,2009年,第37卷第3期。
[24]Chu F, Zhang Z. Bifurcation and chaos in a rub-impact jeffcott rotor system[J]. Journal of Sound and Vibration,1998,209(1):1-18。
[25]Sato S, Hirakawa H, Isobe S, Fukai E, etc. Sequence Analysis of the Genome of an Oil-Bearing Tree, Jatropha curcas L. DNA RESEARCH,2011, the 18(1):65-76.
[26]Li HB, Jackson AB, Kirk NJ, Mauritz KA, Storey RF,etc. Poly(arylene ether sulfone) Statistical Copolymers Bearing Perfluoroalkylsulfonic Acid Moieties, MACROMOLECULES,2011,the44(4): 694-702.
[27]刘立峰,基于神经网络和证据理论融合的水电机组振动故障诊断研究,陕西西安：西安理工大学水利水电学院,工学硕士学位论文,2005年。
[28]王强,基于小波和混沌理论的数字图像加密研究,哈尔滨：黑龙江大学,电子工程学院,硕士研究生学位论文,2008年。
[29]宫燃,周晓军,张志刚,杨富春,汽车主减速器轴承失效征兆早起识别的评价法,振动、测试与判断,2009年,第29卷第4期。
[30]陈桦,程云艳,BP神经网络算法的改进及在Matlab中的实现,陕西科技大学学报,2004年,第2卷22期。
[31]杨建国,小波分析及其工程应用,北京机械工业出版社,2005年。
[32]谢庆生,尹健,罗延科,机械工程中的神经网络方法,北京机械工业出版社,2003年。