摘要
近年来，随着我国八纵八横高速铁路网的搭建，我国高速列车的保有量与日俱增，与此同时列车的安全运营更加备受关注。而走行部的工作状态对列车的安全运行影响巨大，滚动轴承作为铁路列车走行部的重要部件，一旦出现问题，将直接影响行车安全。目前，我国列车轴承检测采用人工识别的方法，仅凭人工经验判断轴承故障会产生误诊率高、效率低和过度修等一系列问题。为了解决上述问题，本文将以铁路列车走行部轴箱轴承为研究对象，针对滚动轴承的早期故障诊断、特征提取和故障模式识别方法展开了系统研究，主要研究内容如下所示： (1)对列车轴箱轴承常见的故障与振动机理进行了分析，推导并列出了轴箱轴承故障频率计算公式及各种故障工况下会产生的基本特征频率。总结了故障诊断相关算法的国内外研究现状，并在此基础上确立了本文的研究思路和内容。 (2)针对MOMEDA算法参数选择困难的问题，本文创新性的提出了以信号自相关的方法来提取解卷积周期和以包络谐波信噪比谱熵来选择滤波器长度。对MOMEDA处理后的信号进行包络解调和1.5维谱分析可准确提取故障特征频率的基频和倍频。 (3)为了解决传统单一域特征对于故障描述不够全面的问题，本文分别从时域、频域和时频域内提取了35个特征参数来构造多域特征集。针对多域特征集维数过高带来的数据冗余和计算效率低的问题，引入KPCA对多域特征集进行特征降维。 (4)为了提高轴承故障识别能力，本文构建了改进PSO优化Elman神经网络的模型。针对PSO算法容易早熟收敛、搜索精度较低不利于后期迭代的问题，引入惯性权重来提高PSO算法的搜索能力。利用改进的PSO算法对Elman神经网络的权值和阈值进行迭代寻优来提高其训练的速度和精度。 (5)将KPCA降维后的特征集导入训练模型中，通过对比分析不同训练模型的训练速度和分类精度，发现本文提出的方法使轴承各种故障工况下的分类准确率达到了100%，从而验证了本文算法流程的实用性和合理性。
NETL