近年來,我國(guó)鐵路發(fā)展迅速,運(yùn)營(yíng)里程不斷增加,運(yùn)營(yíng)速度不斷加快。因此,高速鐵路運(yùn)營(yíng)中的安全問題成為人們關(guān)注的焦點(diǎn)。機(jī)車車軸是機(jī)車車輛走行部的重要部件,使其發(fā)生故障的主要原因是疲勞裂紋的產(chǎn)生,隨著裂紋的進(jìn)一步擴(kuò)展,最終會(huì)導(dǎo)致車軸的斷裂,對(duì)走行部的危害極大,直接關(guān)系到列車的安全運(yùn)行和乘客的安全。因此,監(jiān)測(cè)列車車軸的狀態(tài),及時(shí)發(fā)現(xiàn)故障具有重要意義。本文主要對(duì)列車車軸疲勞裂紋聲發(fā)射信號(hào)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了分析。本文選取了車軸疲勞裂紋信號(hào)進(jìn)行分析,為了符合列車實(shí)際運(yùn)行情況,因此加入了車軸敲擊信號(hào)和車軸背景噪聲信號(hào)來模擬實(shí)際運(yùn)行過程中產(chǎn)生的沖擊和噪聲。本文提出了一種基于VMD、SVD和CNN的車軸疲勞裂紋聲發(fā)射信號(hào)的特征提取和識(shí)別方法。利用VMD將原始聲發(fā)射信號(hào)分解為多個(gè)IMF分量,選取最優(yōu)的IMF分量用于SVD分解,將SVD分解得到的奇異值特征向量作為CNN的輸入進(jìn)行訓(xùn)練和測(cè)試,對(duì)車軸疲勞裂紋聲發(fā)射信號(hào)進(jìn)行識(shí)別分析。實(shí)驗(yàn)結(jié)果表明,VMD和SVD的方法能夠有效地提取車軸裂紋聲發(fā)射信號(hào)的特征信息,并能夠準(zhǔn)確地識(shí)別出車軸疲勞裂紋聲發(fā)射信號(hào)。同時(shí),本文采用了 EEMD和SVD的特征提取方法進(jìn)行了對(duì)比。通過對(duì)比,... 

【文章來源】：大連交通大學(xué)遼寧省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１?ＶＭＤ計(jì)算流程圖??Ｆｉｇ．?２．１?Ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ＶＭＤ?ｃａｌｃｕｌａｔｉｏｎ??１２??

?第二章理論基礎(chǔ)???激活函數(shù)一般有Ｓｉｇｍｏｉｄ函數(shù)和ＲｅＬＵ函數(shù)。??Ｓｉｇｍｏｉｄ?函數(shù)：??參士?（２－３９）??ＲｅＬＵ函數(shù)：??／?〇ｃ）?＝?ｍａｘ（０，ｘ）?（２．４０）??卷積層的輸入和輸出特征平面尺寸滿足公式（２．４１）：??ｘ，ｎ?＋?２?ｘ?ｐａｄ?－?ｋｓ?，??＾，？＝－￣￣?＋?１?（２．４１）??ｓｔｒｉｄｅ??在公式中，ｐｏｃ／是填充寬度，？是卷積核尺寸，是步長(zhǎng)。以９ｘ９特征平面作??為輸入為例，當(dāng)ｐａｔ／＝?０，知＝３，Ｗｒ／辦＝１時(shí)，輸出特征平面尺寸為７ｘ７。??（２）池化層??ＣＮＮ中的用于減少參數(shù)個(gè)數(shù)的另一種方法是池化，其實(shí)質(zhì)上是一類圖像的聚合運(yùn)??算。當(dāng)輸入圖像經(jīng)過卷積層之后，如果得到的圖像的特征平面直接用于分類或者其他任??務(wù)中，則計(jì)算量會(huì)大幅度的增加。池化操作的結(jié)果是減少了特征和參數(shù)，這大大減少了??計(jì)算量，并有效地防止了過度擬合。??■?￣￣２￣１?３?３??２?一＾：了了??Ｖ?Ｉ??＾?離參??＇?＇：Ｐ．??１?１１?０??２?３?３?１?７／４?５，４??２?３?２?１?２?３／２??；——－—Ｔ－Ｔ－ｊｒ＾－?：：一．．??１２?２?１??圖２．３最大池化和平均池化的示意圖??Ｆｉｇ．?２．３?Ｓｃｈｅｍａｔｉｃ?ｍａｐｓ?ｏｆ?ｍａｘｉｍｕｍ?ａｎｄ?ａｖｅｒａｇｅ?ｐｏｏｌｉｎｇ??１７??

圖２．５下采樣示意圖??

【參考文獻(xiàn)】：
期刊論文
[1]基于變分模態(tài)分解與流形學(xué)習(xí)的滾動(dòng)軸承故障特征提取方法[J]. 戚曉利,葉緒丹,蔡江林,鄭近德,潘紫微,張興權(quán).  振動(dòng)與沖擊. 2018(23)
[2]基于信息熵優(yōu)化變分模態(tài)分解的滾動(dòng)軸承故障特征提取[J]. 李華,伍星,劉韜,陳慶.  振動(dòng)與沖擊. 2018(23)
[3]基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 李恒,張氫,秦仙蓉,孫遠(yuǎn)韜.  振動(dòng)與沖擊. 2018(19)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)算法的高壓斷路器故障診斷[J]. 黃新波,胡瀟文,朱永燦,魏雪倩,周巖,高華.  電力自動(dòng)化設(shè)備. 2018(05)
[5]結(jié)合VMD和Volterra預(yù)測(cè)模型的軸承振動(dòng)信號(hào)特征提取[J]. 張?jiān)茝?qiáng),張培林,王懷光,楊玉棟,吳定海.  振動(dòng)與沖擊. 2018(03)
[6]基于VMD的自適應(yīng)形態(tài)學(xué)在軸承故障診斷中的應(yīng)用[J]. 錢林,康敏,傅秀清,王興盛,費(fèi)秀國(guó).  振動(dòng)與沖擊. 2017(03)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[8]基于變分模態(tài)分解和Teager能量算子的滾動(dòng)軸承故障特征提取[J]. 馬增強(qiáng),李亞超,劉政,谷朝健.  振動(dòng)與沖擊. 2016(13)
[9]基于奇異值分解和深度信度網(wǎng)絡(luò)多分類器的滾動(dòng)軸承故障診斷方法[J]. 李艷峰,王新晴,張梅軍,朱會(huì)杰.  上海交通大學(xué)學(xué)報(bào). 2015(05)
[10]基于變分模態(tài)分解和模糊C均值聚類的滾動(dòng)軸承故障診斷[J]. 劉長(zhǎng)良,武英杰,甄成剛.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(13)

碩士論文
[1]基于LMD與SVM的車軸疲勞裂紋聲發(fā)射信號(hào)故障診斷研究[D]. 涂彬倡.大連交通大學(xué) 2018
[2]基于奇異值分解的信號(hào)處理方法及其在機(jī)械故障診斷中的應(yīng)用[D]. 曾作欽.華南理工大學(xué) 2011
[3]高線性度的CMOS上變頻混頻器設(shè)計(jì)[D]. 李鳴.東南大學(xué) 2005



本文編號(hào)：3135308