機(jī)車(chē)牽引座是連接車(chē)體和轉(zhuǎn)向架的重要部件,承受并傳遞著機(jī)車(chē)的縱向力,因此牽引座的狀態(tài)影響著機(jī)車(chē)的行車(chē)安全。本文以機(jī)車(chē)牽引座為研究對(duì)象,以特征提取與模式識(shí)別為基礎(chǔ),研究牽引座裂紋故障狀態(tài)的識(shí)別方法。提出基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）與K鄰近算法（KNN）相結(jié)合的識(shí)別方法、基于小波包分解與隱馬爾科夫模型（HMM）相結(jié)合的識(shí)別方法,通過(guò)實(shí)驗(yàn)與分析驗(yàn)證各自的有效性并進(jìn)行了對(duì)比;在此基礎(chǔ)上,結(jié)合模態(tài)區(qū)間理論對(duì)小波包-HMM方法進(jìn)行改進(jìn),形成小波包-廣義隱馬爾可夫模型（GHMM）的識(shí)別方法并進(jìn)行了驗(yàn)證。首先,本文對(duì)機(jī)車(chē)牽引座結(jié)構(gòu)特點(diǎn)、故障產(chǎn)生原因、故障分級(jí)等方面展開(kāi)分析,確定了牽引座模型的具體參數(shù),通過(guò)模態(tài)分析確定了模型激振頻率,搭建了裂紋故障實(shí)驗(yàn)平臺(tái)并獲取了相關(guān)實(shí)驗(yàn)數(shù)據(jù)。然后提出了一種利用EEMD-KNN算法進(jìn)行識(shí)別的方法,通過(guò)特征提取后進(jìn)行牽引座三種不同狀態(tài)的識(shí)別,識(shí)別結(jié)果驗(yàn)證了該方法的可行性與有效性。其次,針對(duì)EEMD特征提取耗時(shí)長(zhǎng)導(dǎo)致EEMD-KNN方法識(shí)別過(guò)程漫長(zhǎng)、占用內(nèi)存量大的不足,提出了一種基于小波包分解與HMM模型的識(shí)別方法。對(duì)同樣的數(shù)據(jù)進(jìn)行小波包分解,提取小波包能量占比值作為敏感... 

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
主要符號(hào)說(shuō)明
第一章 緒論
    1.1 研究背景及意義
    1.2 裂紋故障國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 裂紋檢測(cè)方法研究現(xiàn)狀
        1.2.2 裂紋故障特征提取的現(xiàn)狀
        1.2.3 裂紋故障模式識(shí)別方法研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第二章 機(jī)車(chē)牽引座裂紋故障分析與實(shí)驗(yàn)設(shè)計(jì)
    2.1 引言
    2.2 機(jī)車(chē)牽引座結(jié)構(gòu)及裂紋故障
        2.2.1 機(jī)車(chē)牽引座結(jié)構(gòu)特點(diǎn)與裂紋形成原因
        2.2.2 牽引座裂紋故障分級(jí)
    2.3 機(jī)車(chē)牽引座模態(tài)分析
        2.3.1 機(jī)車(chē)牽引座模型設(shè)置
        2.3.2 牽引座模型固有頻率分析
    2.4 機(jī)車(chē)牽引座裂紋故障實(shí)驗(yàn)平臺(tái)設(shè)計(jì)
        2.4.1 牽引座裂紋故障實(shí)驗(yàn)原理
        2.4.2 牽引座裂紋故障實(shí)驗(yàn)儀器選擇
        2.4.3 牽引座裂紋故障實(shí)驗(yàn)方案
        2.4.4 牽引座裂紋故障實(shí)驗(yàn)平臺(tái)搭建與數(shù)據(jù)采集
    2.5 本章小結(jié)
第三章 基于EEMD與 KNN算法的牽引座狀態(tài)識(shí)別
    3.1 引言
    3.2 狀態(tài)識(shí)別方法原理
        3.2.1 EEMD原理
        3.2.2 KNN算法原理
    3.3 特征分析與提取
        3.3.1 時(shí)域特征分析
        3.3.2 EEMD參數(shù)設(shè)置與分解
        3.3.3 敏感特征選擇及提取
    3.4 基于EEMD-KNN的機(jī)車(chē)牽引座狀態(tài)識(shí)別
    3.5 本章小結(jié)
第四章 基于小波包分解與HMM的牽引座狀態(tài)識(shí)別
    4.1 引言
    4.2 狀態(tài)識(shí)別方法原理
        4.2.1 小波包分解原理
        4.2.2 HMM原理
    4.3 特征分析與提取
        4.3.1 小波包分解分析
        4.3.2 小波包特征提取
    4.4 基于小波包-HMM的列車(chē)牽引座狀態(tài)識(shí)別
    4.5 本章小結(jié)
第五章 基于模態(tài)區(qū)間與HMM的牽引座狀態(tài)識(shí)別
    5.1 引言
    5.2 GHMM原理
        5.2.1 模態(tài)區(qū)間
        5.2.2 模態(tài)區(qū)間運(yùn)算規(guī)則
        5.2.3 模態(tài)區(qū)間概率運(yùn)算
        5.2.4 GHMM模型與其狀態(tài)識(shí)別流程
    5.3 基于GHMM的機(jī)車(chē)牽引座的狀態(tài)識(shí)別
        5.3.1 模態(tài)區(qū)間特征提取
        5.3.2 狀態(tài)識(shí)別
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)歷 在讀期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于中智KNN的齒輪箱故障診斷方法[J]. 王棟璀,丁云飛,朱晨烜.  振動(dòng)與沖擊. 2019(20)
[2]基于K近鄰算法的噪聲種類(lèi)識(shí)別和強(qiáng)度估計(jì)[J]. 吳小莉,鄭藝峰.  計(jì)算機(jī)應(yīng)用. 2020(01)
[3]基于K鄰近算法的轉(zhuǎn)向架構(gòu)架狀態(tài)識(shí)別研究[J]. 邱英,馮春雨,謝鋒云,劉昆,楊靜,王二化.  測(cè)控技術(shù). 2019(08)
[4]結(jié)合模態(tài)區(qū)間分析和IARR的不確定性損傷識(shí)別[J]. 方圣恩,張寶.  振動(dòng).測(cè)試與診斷. 2019(04)
[5]加速度傳感器種類(lèi)剖析及適用性[J]. 徐文駿.  中國(guó)檢驗(yàn)檢測(cè). 2019(04)
[6]基于振動(dòng)信號(hào)時(shí)頻分解-樣本熵的受電弓裂紋故障診斷[J]. 施瑩,林建輝,莊哲,劉澤潮.  振動(dòng)與沖擊. 2019(08)
[7]下一代高速列車(chē)關(guān)鍵技術(shù)特征分析及展望[J]. 繆炳榮,張衛(wèi)華,池茂儒,周寧,宋冬利,楊樹(shù)旺.  鐵道學(xué)報(bào). 2019(03)
[8]基于衍射橫波的裂紋激光超聲檢測(cè)方法[J]. 王玉慶,王云霞,馬世榜.  激光技術(shù). 2019(04)
[9]機(jī)械零件無(wú)損檢測(cè)方法探析[J]. 李玉屏.  內(nèi)燃機(jī)與配件. 2018(23)
[10]信號(hào)發(fā)生器的分類(lèi)、應(yīng)用領(lǐng)域及發(fā)展趨勢(shì)[J]. 詹志強(qiáng).  上海計(jì)量測(cè)試. 2018(04)

碩士論文
[1]基于參數(shù)分析和EEMD能量熵的車(chē)軸疲勞裂紋聲發(fā)射信號(hào)識(shí)別研究[D]. 李超軍.大連交通大學(xué) 2018
[2]基于渦流脈沖熱成像的閉合疲勞裂紋檢測(cè)方法研究[D]. 張康.西南交通大學(xué) 2018
[3]基于振動(dòng)聲調(diào)制技術(shù)的螺栓結(jié)構(gòu)緊固狀態(tài)檢測(cè)方法研究[D]. 羅志偉.哈爾濱工業(yè)大學(xué) 2016
[4]基于模態(tài)區(qū)間算法的結(jié)構(gòu)損傷評(píng)估和可靠度分析[D]. 張寶.福州大學(xué) 2016
[5]高速列車(chē)制動(dòng)盤(pán)螺栓裂紋檢測(cè)技術(shù)研究[D]. 潘曉宇.北京交通大學(xué) 2016



本文編號(hào)：3712962