论文部分内容阅读
地铁列车转动轴承状况对列车的良好运行非常重要。地铁列车转动轴承一般发生损伤时,往往表示为非比例、非高斯性。高阶数学统计分析能够较好的处理非平稳、非线性、非高斯的信号。最近,为了对轴承损伤进行准确诊断,高阶数学统计分析处理技术在轴承损伤准确诊断中倍受青睐。首先,本文介绍了人工神经网络和高阶数学统计量理论,重点分析了双谱方法及其算法、性质、以及神经网络构造及其学习算法改进,并将其运用到转动轴承损伤判定中去。然后,本文对地铁列车轴承损伤信号数据分别在时间域和频率域来分析,并利用双谱分析方法用于故障特征的获取,给出外圈损伤、内圈损伤、转动体剥落及正常等4种差异状况下振动信号的双谱图;同时,本文用基于双谱形成的损伤特征向量及6种时域的指标——峰值、峭度、偏度、裕度、波弧和脉冲作为神经网的输入,并利用BP神经网络识别滚动轴承发生的部位,通过分两种情况对实测的地铁列车滚动轴承振动数据进行深入研究:(1)差异转动轴承损伤类型的双谱特征比较;(2)相等载荷,统一损伤下的差异严重水平的双谱特征分析最后,实验研究表明:本文提出的双谱结合BP神经网络多特征量输入的方法对故障的分类识别的正确率很高,在处理轴承故障中是可行的、有效的,为轨道列车转动轴承损伤诊断提供了新方法。