輪對(duì)軸承是高速列車轉(zhuǎn)向架的核心部件,其可靠性和穩(wěn)定性對(duì)列車行車安全有至關(guān)重要的影響。隨著列車運(yùn)營(yíng)速度的提高,輪對(duì)軸承的運(yùn)行工況更加復(fù)雜化,加劇了輪對(duì)軸承故障的產(chǎn)生。因此,輪對(duì)軸承的故障診斷變得極為必要與迫切。目前,信號(hào)處理方法和數(shù)據(jù)驅(qū)動(dòng)方法廣泛應(yīng)用于滾動(dòng)軸承的故障診斷。然而,高速列車輪對(duì)軸承長(zhǎng)期處在強(qiáng)噪聲、變載荷和變轉(zhuǎn)速的復(fù)雜工況下,導(dǎo)致信號(hào)處理方法的診斷性能下降、數(shù)據(jù)驅(qū)動(dòng)方法的抗噪性和域適應(yīng)能力差等問(wèn)題。因此,如何從復(fù)雜的振動(dòng)信號(hào)中提取更具判別性的故障特征,是解決輪對(duì)軸承準(zhǔn)確故障診斷的關(guān)鍵,也是本文的研究課題。本文以高速列車輪對(duì)軸承為研究對(duì)象,對(duì)其故障診斷開展研究,以提取更具判別性的故障特征為研究主線,提出三種改進(jìn)方法,進(jìn)而提高信號(hào)處理方法的診斷性能和數(shù)據(jù)驅(qū)動(dòng)方法的抗噪性和載荷域適應(yīng)能力。本文的主要研究成果如下:(1)為了提高希爾伯特黃變換的信號(hào)分解、信號(hào)解調(diào)以及瞬時(shí)頻率和瞬時(shí)幅值估計(jì)的精度,本文提出了軟篩分停止準(zhǔn)則,基于此,提出一種改進(jìn)希爾伯特黃變換方法。該方法能夠自適應(yīng)地確定希爾伯特黃變換方法中經(jīng)驗(yàn)?zāi)B(tài)分解和正規(guī)化希爾伯特變換的篩分過(guò)程的篩分迭代次數(shù)。此外,結(jié)合快速譜峭度圖方法,...

【文章頁(yè)數(shù)】：114 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 滾動(dòng)軸承故障診斷研究現(xiàn)狀
        1.2.1 基于信號(hào)處理的故障診斷技術(shù)
        1.2.2 基于深度學(xué)習(xí)的診斷技術(shù)
    1.3 本文研究?jī)?nèi)容和組織架構(gòu)
第二章 主要理論基礎(chǔ)
    2.1 希爾伯特黃變換
        2.1.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        2.1.2 解調(diào)方法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 激活函數(shù)層
        2.2.3 池化層
    2.3 本章小結(jié)
第三章 輪對(duì)軸承及故障試驗(yàn)
    3.1 輪對(duì)軸承簡(jiǎn)介
    3.2 輪對(duì)軸承典型故障
    3.3 輪對(duì)軸承故障特征頻率
    3.4 輪對(duì)軸承故障試驗(yàn)
    3.5 本章小結(jié)
第四章 基于改進(jìn)HHT的故障診斷方法
    4.1 引言
    4.2 篩分停止準(zhǔn)則對(duì)希爾伯特黃變換的影響
        4.2.1 對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解的影響
        4.2.2 對(duì)正規(guī)化希爾伯特變換的影響
    4.3 篩分停止準(zhǔn)則
        4.3.1 研究現(xiàn)狀
        4.3.2 提出的軟篩分停止準(zhǔn)則
    4.4 改進(jìn)希爾伯特黃變換
        4.4.1 基于軟篩分停止準(zhǔn)則的改進(jìn)經(jīng)驗(yàn)?zāi)B(tài)分解
        4.4.2 基于軟篩分停止準(zhǔn)則的改進(jìn)正規(guī)化希爾伯特變換
    4.5 試驗(yàn)結(jié)果與分析
        4.5.1 仿真數(shù)據(jù)
        4.5.2 試驗(yàn)數(shù)據(jù)
    4.6 本章小結(jié)
第五章 基于一維深度殘差CNN的故障診斷方法
    5.1 引言
    5.2 一維深度殘差卷積神經(jīng)網(wǎng)絡(luò)
        5.2.1 深度殘差模塊
        5.2.2 基于寬卷積核的卷積層
        5.2.3 基于Dropout的一維殘差模塊
        5.2.4 故障分類層
    5.3 試驗(yàn)結(jié)果與分析
        5.3.1 數(shù)據(jù)描述
        5.3.2 試驗(yàn)設(shè)置
        5.3.3 噪聲魯棒性分析
        5.3.4 載荷域適應(yīng)能力分析
    5.4 模型討論
        5.4.1 網(wǎng)絡(luò)深度討論
        5.4.2 殘差學(xué)習(xí)討論
        5.4.3 寬卷積核和Dropout討論
    5.5 本章小結(jié)
第六章 基于多分支多尺度CNN的故障診斷方法
    6.1 引言
    6.2 多分支多尺度卷積神經(jīng)網(wǎng)絡(luò)
        6.2.1 多分支層
        6.2.2 多尺度層
        6.2.3 多特征融合和分類層
    6.3 試驗(yàn)結(jié)果與分析
        6.3.1 試驗(yàn)設(shè)置
        6.3.2 噪聲魯棒性分析
        6.3.3 載荷域適應(yīng)能力分析
    6.4 模型討論
        6.4.1 多分支討論
        6.4.2 多尺度討論
        6.4.3 多特征融合討論
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3801405