基于解卷积方法的高速列车齿轮箱轴承早期故障诊断研究

摘要

近年来，随着我国高铁建设的飞速发展，列车的运营速度及里程不断提升，这对列车的运营安全性提出了更高的要求。齿轮箱轴承是高速列车动力系统中不可或缺的关键部件之一，一旦发生故障，将直接威胁列车的行驶安全，因此对齿轮箱轴承进行故障诊断非常重要，尤其是对轴承发生故障的早期阶段进行有效检测及准确诊断。由于复杂恶劣的工作环境，齿轮箱轴承的振动信号成分非常复杂，且当其出现早期故障时，故障信号微弱，信噪比较低，故障特征不易提取。因此研究如何有效的提取微弱故障冲击信息，完成齿轮箱轴承的早期故障诊断是本文的重点。　　为了解决Teager能量算子对噪声敏感的缺点，本文利用频率加权能量算子(Frequency-Weighted Energy Operator，FWEO)解调的强抗干扰性及1.5维谱的抗高斯噪声及检测二次相位耦合的优势，采用了一种将两者结合的1.5维FWEO能量谱的解调分析方法。通过对仿真信号的分析和处理，验证了两者的性质和1.5维FWEO能量谱的有效性和优越性。　　最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)考虑了故障冲击序列的周期性，可以增强信号中淹没于强噪声中的连续脉冲成分。针对MCKD方法的解卷积效果取决于参数选择的问题，本文引入一种全局搜索优化算法—天牛群优化算法，将其与MCKD进行结合，用于影响参数(T、L和M)的优化搜索，实现了自适应MCKD。并将其与1.5维FWEO能量谱结合应用于仿真信号和高速列车齿轮箱轴承的试验数据中，验证了该方法在轴承早期故障诊断中的有效性。　　由于MCKD只能提取到部分脉冲成分，且仍然是迭代求解，计算效率低，因此McDonald提出了一种高效率的非迭代的解卷积方法，即多点峭度最小熵解卷积修正(Multipoint Optimal Minimum Entroy Deconvolution Adjusted，MOMEDA)。将奇异值分解(Singular Value Decomposition，SVD)作为前置滤波器改进多点峭度谱在强噪声环境中难以有效识别微弱故障周期成分的缺陷，利用变步长搜索法确定MOMEDA滤波器长度的最优取值，避免滤波器长度人为设置的不确定因素。将SVD-MOMEDA和1.5维FWEO能量谱结合应用于仿真信号和高速列车齿轮箱轴承试验数据中，验证了该方法的有效性，并说明其能有效增强信号中的冲击成分，实现轴承的早期故障诊断，为高速列车齿轮箱轴承的早期故障诊断提供了一种新的手段。

目录

声明

第1章 绪论

1.1 选题研究背景及意义

1.2 国内外研究现状

1.2.1 滚动轴承故障诊断方法研究现状

1.2.2 解卷积方法研究现状

1.3.1 研究思路

1.3.2 主要内容与技术路线

第2章 齿轮箱轴承振动特性分析

2.1 齿轮箱轴承的结构

2.2 齿轮箱轴承故障类型

2.3 齿轮箱轴承振动机理分析

2.4 滚动轴承故障振动信号分析

2.4.1 轴承外圈故障振动信号

2.4.2 轴承内圈故障振动信号

2.4.3 轴承滚动体故障振动信号

2.5 本章小结

第3章 基于1.5维FWEO 能量谱的解调分析

3.1 Teager 能量算子

3.1.1 连续Teager能量算子

3.1.2 离散Teager能量算子

3.1.3 能量算子解调原理

3.2 频率加权能量算子

3.2.1 频率加权能量算子原理

3.2.2 频率加权能量算子的性质

3.2.3 仿真信号验证

3.3.1 1.5维谱定义

3.3.2 1.5维谱的性质

3.3.3 仿真信号验证

3.4 基于1.5 维FWEO能量谱的解调分析

3.5 本章小结

第4章 自适应MCKD和1.5维FWEO能量谱的早期故障诊断

4.1 信号时域解卷积

4.2 最小熵解卷积

4.3 最大相关峭度解卷积

4.3.1 MCKD基本原理

4.3.2 MCKD参数选择

4.4 基于天牛群算法的自适应MCKD

4.4.1 天牛群优化算法

4.4.2 适应度函数

4.4.3 自适应MCKD和1.5维FWEO能量谱的算法流程

4.5 仿真信号处理及算法验证

4.6 高速列车齿轮箱轴承早期故障诊断实例

4.7 本章小结

第5章 SVD-MOMEDA 和1.5 维FWEO 能量谱的早期故障诊断

5.1.1 MOMEDA基本原理

5.1.2 MOMEDA参数选择

5.2 奇异值分解

5.3 SVD-MOMEDA 和1.5维FWEO能量谱的算法流程

5.4 仿真数据处理及算法验证

5.5 高速列车齿轮箱轴承早期故障诊断实例

5.6 本章小结

总结与展望

致 谢

参考文献

攻读硕士学位期间的论文成果