论文部分内容阅读
作为乘客的运输载体,交通车辆的可靠性与安全性一直是人们关注的热点。滚动轴承是交通车辆的关键部件,在高转速和重载荷的条件下,滚动轴承极易发生故障现象,更换不及时极易引发交通事故。因此,深入研究车辆滚动轴承的故障诊断关键技术,提高轴承故障诊断的准确性,可以有效地降低车辆事故发生概率,提高交通车辆的安全水平。本文以交通车辆中典型的旋转部件——滚动轴承为研究对象,围绕故障诊断关键技术展开研究。本文主要内容与创新之处如下:(1)车辆滚动轴承典型结构、故障与监测方法研究,选取振动信号作为滚动轴承的运行状态监测信号,分析了车辆滚动轴承的振动机理和典型故障模式的振动特征;(2)针对振动监测信号的滤波问题,结合车辆滚动轴承振动信号的非线性非平稳特性,提出了基于自适应形态差值的信号滤波方法,达到滤除信号噪声与低频干扰的目的。(3)针对车辆滚动轴承的特征提取问题,提出了基于形态熵的特征提取方法。以形态熵定量表征滚动轴承的不同运行状态和不同故障模式。(4)针对车辆滚动轴承的故障诊断问题,提出一种基于搜索者优化多分类支持向量机的故障诊断模型。该方法采用收敛精度高,收敛速度快的搜索者算法对多分类支持向量机分类模型进行参数优选,并以最优的多分类支持向量机作为故障诊断模型。(5)在故障诊断关键技术分析的基础上,构建车辆滚动轴承故障诊断的流程,该方法以滚动轴承振动信号为分析对象,以自适应形态差值滤波作为信号预处理方法,提取振动信号的形态熵作为故障模式特征向量,以多分类支持向量机模型作为故障诊断模型,采用搜索者优化算法对模型的参数进行优选,从而确立最优的多分类支持向量机分类模型,实现对滚动轴承不同故障模式的识别。为验证该方法的有效性,论文采用仿真信号和来自Case Western Reserve University的滚动轴承实例数据进行有效性验证,结果表明,在四种不同的载荷状态下,本文提出的方法可以有效地对四种不同的滚动轴承故障状态进行诊断。