声信号分析方法在重载货运列车滚动轴承故障诊断中的应用研究

论文摘要

货运列车滚动轴承故障诊断技术是一门紧密结合实际的工程科学,生产实际的需要是它发展的根本原因,因此研究简便的诊断方法具有广阔的实用价值。本文从货运列车滚动轴承噪声产生和传播的理论分析入手,综合考虑货运列车滚动轴承声音的衰减和背景噪声的影响,针对货运列车滚动轴承声信号非平稳性这一特点,采用现代信号分析技术对声信号进行处理和故障识别,以提高其诊断识别的有效性和可靠性。本文主要研究以下几个方面：针对货运列车滚动轴承声信号的非平稳性,本文利用小波变换的多分辨率性质来分析声信号,发现冲击成分在小波分解的细节信号中得到放大,对比该频率和各种故障下形成地故障频率找到故障的原因,从而实现对信号波形有效地识别。本文提出一种基于非线性小波变换的去噪方法—分层阈值去噪算法。仿真结果表明,该方法能显著提高滤波精度,在有效去除噪声的同时,能很好地保留信号的主要细节。然后通过对经小波变换后的信号进行自功率谱密度分析,仿真结果表明,基于小波变换的自功率谱密度分析能有效地提取货运列车滚动轴承故障声信号的特征频率,适合声信号这样的非平稳信号的分析与研究。在特征提取方面,本文又提出了一种新方法—基于频段局部能量的区间小波包特征提取,它可以根据需要细分各个频带。经实践验证这些特征因子可以很好地代表滚动轴承的工作状况。研究了神经网络在货运列车滚动轴承智能诊断方面的应用。基于声音信号分析的故障特征提取方法很多,但每种方法都只在某一方面反映了故障特点,单独应用诊断效果不是很好。本文通过对比以不同方法提取的故障特征组合作为神经网络的输入,最终确定利用小波分析和神经网络相结合的方法对货运列车滚动轴承进行故障诊断。利用神经网络进行滚动轴承故障诊断,可以降低对操作人员的专业知识要求,将故障诊断从传统方法转向人工智能方向。同时,诊断系统中智能技术的应用能大大降低维修人员工作压力。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文研究的背景及意义
• 1.2 基于声信号技术的滚动轴承故障诊断概论
• 1.3 声信号分析方法在重载货运列车滚动轴承故障诊断的优越性
• 1.4 基于声信号分析方法的滚动轴承故障诊断的难点和突破点
• 1.5 本文主要研究内容
• 第二章 声学基础及声信号滚动轴承故障诊断研究综述
• 2.1 声学基础
• 2.2 声信号诊断综述
• 2.3 重载货运列车滚动轴承故障综述
• 2.4 本章小结
• 第三章 用于声信号技术的小波分析方法研究及改进
• 3.1 传统频谱分析技术
• 3.2 小波变换基础理论
• 3.3 小波包分析的基础理论
• 3.4 基于小波变换的去噪技术研究
• 3.5 非平稳信号特征提取及方法改进
• 3.6 本章小结
• 第四章 货运列车滚动轴承神经网络故障诊断
• 4.1 人工神经网络简介
• 4.2 BP神经网络学习规则
• 4.3 BP神经网络的不足和改进
• 4.4 滚动轴承的BP神经网络故障诊断
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 后续研究展望
• 参考文献
• 致谢