机械学院-111010088俞秀莲.ppt

阈值的选取表 热轴等级 运转热 微热 强热 激热 阈值/°C 20 40 70 100 轴承故障模式 正常 滚子故障 内圈故障 外圈故障 识别率 80% 90% 70% 90% 热轴等级分类结果 三、诊断方法及案例分析 融合诊断 轴温信号 振动信号 局部诊断 D-S证据理论 什么是D-S 证据理论？ ★用于融合多个局部特征域诊断的不明确结果 ★融合决策领域的最佳算法之一 ★强固的理论体系和严谨的推导过程 基本概念 识别框架：所有可能结果的集合Θ ，本文为8种故障模式Θ={θ1,θ2,θ3,θ4,θ5,θ6,θ7,θ8} 证据源：原始信息的来源，本文为3处数据来源 基本信任分配函数：证据源对某一结果的信任程度， 本文取神经网络输出 合成规则：融合多个证据源判断结果的原则 基于D-S证据的融合诊断步骤 实际故障模式 诊断结果 θ1 θ5 θ2 θ2 θ3 θ1 θ4 θ4 θ5 θ5 θ6 θ6 θ7 θ7 θ8 θ8 诊断结果 识别率为80% ★D-S证据理论的正确率远大于神经网络。 ★和轴温诊断的正确率相持平，但后者只针对滚动轴承，而后者所包含的的对象更广。 结果分析 介绍走行系和信息融合的相关知识 建立振动信号的局部诊断模型 建立轴温信号的局部诊断模型 建立基于D-S证据的融合算法 对比实验结果，验证了基于D-S证据理论的融合诊断相对局部诊断具有更高识别率，并证明了信息融合应用于走行系故障诊断的可行性。 四、总结及展望——结论 * * * * * * * * * * * * *  基于信息融合的 城轨车辆走行系故障诊断 答 辩 人：俞秀莲 专 业：机械电子工程 指导老师：邢宗义 副教授 总结及展望 概 要 1 2 3 4 研究背景 总体概述 ★诊断方法及案例分析 随着城轨车辆向高速、重载、大运量和高密度的方向发展，保证列车的安全平稳运行成为当前的一项重要任务。 走行系承担着支撑车体重量以及传递钢轨与车辆间的制动力及驱动力的重任，其正常与否直接关系到列车运行安全性，因此走行系的故障诊断研究具有显著的理论与实际意义。 实时性差、费时费工 购置价格高、故障率高 精度低、误诊率高 覆盖面广、精度高、 实时性强 一、研究背景——现状 一、研究背景——对象 走行系结构图 车轮外形图 双列圆柱滚子轴承 作用为保障车辆按轨道运行、传递载荷等； 故障模式有踏面磨耗、剥落等。 作用为连接车轮和其他部件、支撑轴颈等； 故障模式有滚子破裂、内外圈损坏等。 选择车轮和滚动轴承为具体研究对象 二、总体结构——理论模型 为什么使用信息融合 方法？ 基于信息融合的走行系故障诊断模型 二、总体结构——故障诊断模型 传感器均自带滤波功能， 省去数据级融合。 按区域分为轨旁诊断系统 和车载诊断系统。 分别采用合适的算法， 最终通过D-S证据理论融合。 振动传感器 轴温传感器 二、总体结构——实验平台设计 传感器安装于轴箱盖、轨道 上和轨道外侧3处位置。 包括振动传感器和轴温传感 器。 替换不同故障模式的轮对和 滚动轴承重复实验。 三、诊断方法及案例分析 融合诊断 振动信号 轴温信号 局部诊断 基于EMD的特征提取 基于BP神经网络的故障识别 基于EMD的特征提取 具有自适应性 处理非平稳信号 筛分单分量 EMD特点 步骤 经验模态分解（EMD）——信号处理方法 基于EMD的特征提取——案例分析 故障模式 滚动轴承 内圈故障 滚子故障 外圈故障 正常轴承 轮对 踏面故障 正常轮对 走行系 轴承内圈故障+轮对踏面故障 滚子故障+轮对踏面故障 轴承外圈故障+轮对踏面故障 正常轴承+轮对踏面故障 轴承内圈故障+正常轮对 滚子故障+正常轮对 轴承外圈故障+正常轮对 正常轴承+正常轮对 基于EMD的特征提取——案例分析 轴箱故障信号 轴箱信号频谱图 故障模式为轴承内圈故障+轮对踏面故障 振动传感器的采样频率为1200Hz 具有周期性的调制现象 频率主要集中在3000Hz 附近和1000Hz内 轴箱信号的10阶单分量 前4阶单分量的频谱图 振动频率由高到低 前4阶振幅较大，调制明显 前10阶单分量的能量值 基于EMD的特征提取——案例分析 其余7种故障特征向量图 基于EMD的特征提取——案例分析 轨旁振动信号 第0~3000个采样点，幅值在0附近 第3000~8000个采样点内振动明显 第0~9000个采样点与第9000~18000个采样点区间的信号对称 基于EMD的特征提取——案例分析 前7阶单分量 基于EMD的特征提取——案例分析 第2至11阶单分量的能量值 轨旁信号其余