基于经验模态分解和遗传神经网络的轨道车辆轴承故障诊断研究

摘要

滚动轴承作为轨道车辆走行系的最重要部件之一，其运行状态对于保障车辆的行驶安全具有重要意义，因此对轨道车辆滚动轴承的故障进行准确、高效的诊断是一个亟需解决的问题。本文在总结和吸取前人研究成果的基础上，提出将经验模态分解与遗传算法优化的RBF神经网络相结合实现轨道车辆滚动轴承的故障诊断。
　　 首先，介绍了滚动轴承故障诊断的机理、故障形式及产生原因和振动模型，并讨论了故障特征信息提取的常用方法和各自的特点。重点对小波包分析和EMD方法进行了实例仿真，证明了小波包分析和EMD可以有效用于轴承故障特征信息的提取。
　　 其次，在故障模式识别上，采用基于神经网络的故障模式识别方法，选择BP和RBF两种典型神经网络，结合小波包和EMD两种特征提取方法，分别建立了小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四种故障诊断模型。利用Benchmark数据对各模型进行仿真实验，结果证明EMD在故障特征提取上相比小波包有优势，RBF神经网络比BP神经网络有更好的故障识别性能。
　　 再次，提出采用遗传算法优化RBF神经网络参数，进一步提升RBF神经网络的故障识别性能，结合小波包和EMD分别建立小波包-GA-RBF和EMD-GA-RBF两种故障诊断模型。利用Benchmark数据对各模型进行仿真实验，结果证明基于遗传算法优化的RBF神经网络在故障识别精度上有了很大提高。
　　 最后，以上述研究分析为基础，采用小波包-GA-RBF和EMD-GA-RBF两种轴承故障诊断模型，利用实测的轨道车辆滚动轴承故障数据进行仿真实验，结果证明本文提出的基于EMD分解结合遗传算法优化的RBF神经网络可以用于轨道车辆的轴承故障诊断。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 轴承故障诊断技术

1．3．1 轴承故障特征提取方法

1．3．2 轴承故障模式识别方法

1．4 论文主要组织结构

2 轨道车辆滚动轴承故障诊断方法

2．1 滚动轴承故障诊断基础

2．1．1 滚动轴承振动机理

2．1．2 滚动轴承的主要故障形式及产生原因

2．1．3 滚动轴承的振动模型及特征

2．2 信号时频处理方法

2．2．1 特征参数法

2．2．2 傅里叶变换

2．2．3 共振解调基本原理

2．3 小波变换基本原理

2．3．1 连续小波变换

2．3．2 离散小波变换

2．3．3 小波分析实例仿真

2．4 小波包分析基本原理

2．4．1 小波理论分析

2．4．2 小波包分解算祛

2．4．3 小波包分析实例仿真

2．5 经验模态分解基本原理

2．5．1 EMD分解基本概念

2．5．2 EMD算法原理

2．5．3 EMD分解的特点

2．5．4 基于EMD分解包络解调的轴承故障诊断

2．6 本章小结

3 基于神经网络的滚动轴承故障诊断

3．1 轴承故障特征量的提取

3．1．1 基于EMD分解的特征量提取

3．1．2 基于小波包分解的特征量提取

3．2 神经网络原理与方法

3．2．1 人工神经网络及其建模方法

3．2．2 BP神经网络

3．2．3 RBF神经网络

3．2．4 神经网络建模步骤

3．3 基于神经网络轴承故障诊断实验仿真

3．3．1 小波包与BP神经网络结合故障诊断模型

3．3．2 小波包与RBF神经网络结合故障诊断模型

3．3．3 EMD与BP神经网络结合故障诊断模型

3．3．4 EMD与RBF神经网络结合故障诊断模型

3．4 本章小结

4 基于遗传算法优化的RBF神经网络的滚动轴承故障诊断

4．1 基于遗传算法优化的RBF神经网络模型

4．1．1 遗传基本概念

4．1．2 GA-RBF神经网络建模

4．2 小波包与GA-RBF神经网络结合故障诊断模型

4．3 EMD与GA-RBF神经网络结合故障诊断模型

4．4 本章小结

5 基于实测数据的仿真实验

5．1 轨道车辆滚动轴承故障数据采集

5．2 轨道车辆滚动轴承故障特征量提取

5．3 小波包与GA-RBF神经网络结合故障诊断模型

5．4 EMD与GA-RBF神经网络结合故障诊断模型

5．5 本章小结

6 结论

6．1 全文总结

6．2 研究展望

致谢

参考文献

附录