数据与特征聚合的地铁牵引电机轴承故障诊断研究.pdfVIP

摘要 摘 要 转速和载荷的变化使地铁牵引电机轴承信号在结构内部发生不同程度的耦合 与畸变，导致不同类型故障的频段相互重叠，难以判断故障类型。针对复杂工况 下难以准确诊断地铁牵引电机轴承故障类型的问题，本文提出一种将小波包分 解、信息融合与卷积神经网络结合的地铁牵引电机轴承故障诊断方法，并设计了 诊断方案来验证。 试验中预制了 6 种故障轴承，以地铁牵引电机轴承实际运转转速 2400RPM 和实际载荷 7kN 为基准，结合试验台条件设置了 3 级转速和载荷，即转速 800RPM 、1600RPM 和 2400RPM ，载荷 5kN 、7kN 和 9kN ，整个试验分为 54 个 子试验。并根据试验需要调整好控制系统和采集系统，完成信号的采集。 在对信号进行预处理后，通过时域和频域分析，大致确定了故障轴承之间的 差异。使用小波包分解原始数据，然后分别提取均方根值(Rms) 、峭度值(Kr)和 裕度值(C)作为特征并组成特征向量，此时的特征包含了时域和频域信息。使用 Python 编写了轴承信号处理程序以实现以上功能，对原始数据处理得到特征值 并保存至文件。 对比数据层融合、特征层融合和决策层融合的优缺点及适用范围后，选定特 征层融合为振动信号和声发射信号的融合方案。通过分析不同频段的三种特征值 的格式及其物理含义，设计了以相对化和归一化为主的特征值融合方案，最终编 写了批量脚本来实现信息融合。 搭建了卷积神经网络框架，针对数据特点设置了其结构参数，并设计了不同 工况下的地铁牵引电机轴承故障诊断方案。诊断结果显示，本试验中载荷对诊断 结果的影响最小；增大训练集的工况范围有助于提高复杂工况下的诊断准确率； 基于信息融合的诊断准确率普遍比单一传感器的诊断准确率高；当混合了所有工 况的数据时 ，基于振动信号和声发射信号的诊断准确率分别为 96.30% 和 92.59% ，而基于信息融合的诊断方案准确率达到了 100%，有效地提高了诊断系 统的准确率。 关 键 词：地铁牵引电机轴承；信息融合；神经网络；小波包分解；复合工况 论文类型：应用基础研究 选题来源： 自选课题 I 目录 目 录 第 1 章 绪论 1 1.1 课题研究背景 1 1.2 故障诊断方法研究现状 1 1.2.1 滚动轴承故障信号分析研究现状2 1.2.2 滚动轴承故障识别诊断器研究现状3 1.3 研究内容4 1.4 论文结构4 第 2 章 地铁牵引电机轴承故障诊断试验设计 7 2.1 信号采集设备简介 7 2.2 地铁牵引电机轴承故障诊断试验方法设计 8 2.2.1 确定地铁牵引电机轴承故障类型8 2.2.2 确定地铁牵引电机故障轴承的试验转速与载荷 9 2.2.3 确立地铁牵引电机轴承故障诊断试验方案 10 2.3 预制地铁牵引电机轴承缺陷12 2.4 地铁牵引电机轴承故障信号采集13 2.4.1 地铁牵引电机轴承故障诊断试验时序设定 13 2.4.2 信号采集系统参数设定 14 2.5 本章小结15 第 3 章 地铁牵引电机轴承的试验数据处理与特征提取 17 3.1 故障信号的预处理 17 3.2 对故障信号的综合分析 18 3.2.1 故障信号的时域特性 18 3.2.2 故障信号的频域特性 20 3.3 基于小波包分解的故障特征提取技术 22 3.4 地铁牵引电机轴承数据处理程序设计 23 3.4.1 明确处理目标24 3.4.2 制订详细流程24 3.5 本章小结26 第 4 章 数据与特征聚合的信息融合技术 27 4