论文部分内容阅读
随着科学技术与生产能力的不断发展和升级,在人们生活需求不断提高、城市化进程的不断加速的时代背景下,城市轨道交通作为生活工作中重要组成的一部分,城轨车辆的安全运行与乘客生命财产的关系也更加密切。齿轮箱作为城市轨道车辆重要组成部分、关键零部件之一,对其振动信号进行研究,辨别故障特征,具有较强的理论与现实意义。论文主要的研究对象是城轨车辆的地铁齿轮箱,采用实验室的齿轮箱故障试验台进行具体研究分析。本文通过采集具体的振动故障数据,综合应用改进局部均值LMD分解算法、分量中敏感分量的提取、模糊熵特征指标以及流形学习算法,对振动信号中的故障特征进行有效的分析和识别,文章主要工作研究如下:(1)局部均值分解方法与传统分析方法相比较,在面对非平稳非线性的信号时可以有效的处理分析。面对LMD自身存在的端点效应问题,本文采用了一种自适应波形匹配的延拓算法,仿真与实验信号的实际处理分析表明了该方法可以有效的改善LMD的端点效应。(2)在LMD分解后获得的若干PF分量,并非所有的分解得到的PF都包含着原始信号的故障信息。本文使用了一种基于时域、频域多指标的敏感分量的识别提取方法,实际信号分析证明该方法可以对敏感分量进行有效的区分。对于LMD分解后的敏感分量,论文运用模糊熵对每个PF分量的能量进行具体的量化的方法,为了能够对模糊熵的数值更好计算,采用实际数据具体分析确定计算参数的选择范围。(3)将计算的PF模糊熵数值整合得到高维故障的特征向量,提出运用流形学习中ISOMAP理论对其进行维数约简的方法。该方法可以将复杂的高维故障特征向量进行有效的约简到低维可视化的特征向量,便于有效的区分识别。(4)论文通过采用的试验台模拟故障进行振动数据收集,采集正常齿轮、齿轮根裂和齿面磨损的故障信号振动数据,采用改进LMD、模糊熵、流形学习的综合的故障识别方法,最终的分析结果证明该方法可以有效的对齿轮故障进行识别。