基于多传感器数据融合的高速列车传动系统故障诊断与健康状态预测
发布时间：2021-04-21 03:46
随着高速铁路的快速发展,行车密度逐年增加,列车行驶的安全性问题变得越来越突出。列车传动系统作为转向架的重要组成,由电机、联轴器、齿轮箱、传动轴、轴箱等关键部件组成,主要负责动力驱动和动力传递,在列车运行过程中由于受到轨道不平顺激扰,长期承受高频振动很容易出现疲劳损坏,影响列车的安全运行。目前,我国已经投入运营的CRH系列动车组,虽然已经安装了传感器用于采集关键部件的状态信息,但是对于传动系统关键部件的监测力度还远远不够。传感器的安装数量有限,多传感器信息融合程度低,使得采集的多源信息得不到充分利用,故障诊断可靠性不高。为了提高列车传动系统的运行可靠性,本文基于多传感器数据融合技术对高速列车传动系统关键部件故障诊断与健康状态预测两个方面进行研究。主要研究内容如下:（1）高速列车传动系统关键部件监测传感器布局优化为了优化高速列车传动系统关键部件的传感器布局,建立传动系统的三维几何模型,应用ANSYS有限元分析软件对高速列车传动系统关键部件进行静强度分析、模态分析和谐响应分析,找出振动最剧烈以及应力、应变最大的薄弱部位布置加速度传感器,实现高速列车传动系统关键部件的有效监测。（2）基于多测点...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词
第1章 绪论
1.1 依托项目
1.2 研究背景及意义
1.3 国内外研究现状
1.3.1 高速列车传动系统故障诊断研究现状
1.3.2 基于多传感器数据融合的故障诊断研究现状
1.3.3 基于性能退化的健康状态预测研究现状
1.3.4 研究现状总结
1.4 主要研究内容
1.5 技术路线
1.6 本章小结
第2章 高速列车传动系统关键部件状态监测
2.1 高速列车传动系统基本结构及工作原理
2.2 高速列车传动系统关键部件常见故障
2.3 高速列车传动系统关键部件监测传感器布局优化
2.3.1 电机传感器布局优化
2.3.2 齿轮箱传感器布局优化
2.3.3 轴箱传感器布局优化
2.4 高速列车传动系统监测数据的采集与分析
2.4.1 数据采集
2.4.2 监测数据分析
2.5 本章小结
第3章 基于多测点信息融合的高速列车齿轮箱故障诊断
3.1 相关函数融合算法
3.2 融合信息特征提取
3.2.1 集合经验模态分解理论
3.2.2 IMF熵特征提取
3.3 模糊C均值聚类算法
3.4 基于多测点信息融合的高速列车齿轮箱故障诊断
3.5 实验验证
3.5.1 齿轮箱各测点振动信息相关性分析
3.5.2 IMF熵特征提取
3.5.3 FCM聚类分析结果
3.6 本章小结
第4章 基于多传感器数据融合的高速列车传动系统故障诊断
4.1 故障特征提取
4.2 局部保持投影算法
4.3 模糊积分融合算法
4.3.1 模糊测度
4.3.2 模糊积分
4.4 高速列车传动系统多传感器数据融合故障诊断
4.5 实验验证
4.5.1 数据采集与分析
4.5.2 故障特征提取与降维
4.5.3 基于FCM-FI融合诊断
4.5.4 对比分析
4.6 本章小结
第5章 高速列车传动系统关键部件振动信号多模型混合预测
5.1 时间序列预测算法分析
5.2 自回归模型
5.3 支持向量机
5.3.1 支持向量回归机
5.3.2 SVR预测过程
5.4 构建混合预测模型
5.4.1 EEMD-AR-SVR-CPSO混合预测模型
5.4.2 混沌粒子群优化算法
5.4.3 适应度函数的确定
5.4.4 预测性能评价指标
5.5 实验验证
5.5.1 实车数据验证
5.5.2 智能维护系统数据集验证
5.6 本章小结
第6章 高速列车传动系统关键部件健康状态预测
6.1 构建健康指标
6.1.1 退化特征提取
6.1.2 退化特征选择
6.1.3 自组织映射特征融合
6.2 长短期记忆网络
6.2.1 长短期记忆网络基本原理
6.2.2 LSTM网络参数反向调整
6.3 高速列车传动系统关键部件健康状态预测流程
6.4 实验验证
6.4.1 数据来源
6.4.2 HI退化曲线构建
6.4.3 基于LSTM网络健康状态预测
6.4.4 高速列车传动系统其他部件健康状态预测
6.5 本章小结
第7章 总结与展望
7.1 全文总结
7.2 研究展望
参考文献
作者简介及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于GRU递归神经网络的城市道路超车预测[J]. 王浩,黄美鑫,武志薪,鞠建敏. 中国科技论文. 2019(03)
[2]基于多传感器数据融合的轨道车辆齿轮箱异常检测[J]. 刘玉梅,乔宁国,庄娇娇,刘鹏程,胡婷,陈立军. 吉林大学学报(工学版). 2019(05)
[3]改进加权融合算法与双谱技术在风电轴承故障诊断中的应用[J]. 李红,孙冬梅,沈玉成. 电子器件. 2018(04)
[4]基于LPP的转子振动故障特征提取方法[J]. 梁超,路鹏,郜宁,祁伟. 振动工程学报. 2018(03)
[5]基于EEMD-TEO熵的高速列车轴承故障诊断方法[J]. 靳行,林建辉,伍川辉,邓韬,黄晨光. 西南交通大学学报. 2018(02)
[6]长短期记忆神经网络在机械状态预测中的应用[J]. 陈再发,刘彦呈,刘厶源. 大连海事大学学报. 2018(01)
[7]基于EEMD能量熵的高速列车蛇行诊断研究[J]. 刘棋,宁静,叶运广,陈春俊. 中国测试. 2017(05)
[8]基于D-S证据理论高速列车横向失稳故障判别研究[J]. 刘棋,宁静,叶运广,陈春骏. 中国测试. 2017(07)
[9]EEMD能量熵与优化LS-SVM的滚动轴承故障诊断[J]. 陈法法,李冕,陈保家,陈从平. 组合机床与自动化加工技术. 2016(12)
[10]城市轨道列车齿轮箱模态及振动响应分析[J]. 陈忠伟,卢宁,杨建伟. 机械传动. 2016(12)
博士论文
[1]机械旋转部件的性能退化及其寿命预测方法研究[D]. 牛乾.浙江大学 2018
[2]高速列车齿轮箱箱体动态特性及疲劳可靠性研究[D]. 李广全.北京交通大学 2018
[3]高速列车传动系统可靠性分析与评估[D]. 赵聪聪.吉林大学 2016
[4]数据驱动的机械设备性能退化建模与剩余寿命预测研究[D]. 张彬.北京科技大学 2016
硕士论文
[1]基于奇异值分解与深度递归神经网络的齿轮剩余寿命预测方法研究[D]. 张清亮.重庆大学 2018
[2]基于深度学习的变负载下滚动轴承故障诊断方法研究[D]. 那晓栋.哈尔滨理工大学 2018
[3]高速列车轴箱轴承故障仿真及试验研究[D]. 张火车.大连交通大学 2017
[4]标准动车组齿轮箱箱体强度分析与寿命预测[D]. 袁文东.北京交通大学 2016
[5]基于分数阶傅立叶变换的高速列车监测数据特征分析[D]. 侯晓东.西南交通大学 2015
[6]基于改进D-S证据理论的高速列车走行部故障诊断研究[D]. 贺晓.西南交通大学 2015
[7]动车组齿轮传动系统振动特性研究[D]. 付永佩.西南交通大学 2015
[8]动车组齿轮传动装置强度分析及优化设计[D]. 闹加才让.兰州交通大学 2015
[9]基于多层次监测数据融合的多状态系统动态可靠度评估方法研究[D]. 陈初杰.电子科技大学 2015
[10]高速列车跟踪试验及状态监测的时序模型研究[D]. 李霞.西南交通大学 2014
本文编号：3150992
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词
第1章 绪论
1.1 依托项目
1.2 研究背景及意义
1.3 国内外研究现状
1.3.1 高速列车传动系统故障诊断研究现状
1.3.2 基于多传感器数据融合的故障诊断研究现状
1.3.3 基于性能退化的健康状态预测研究现状
1.3.4 研究现状总结
1.4 主要研究内容
1.5 技术路线
1.6 本章小结
第2章 高速列车传动系统关键部件状态监测
2.1 高速列车传动系统基本结构及工作原理
2.2 高速列车传动系统关键部件常见故障
2.3 高速列车传动系统关键部件监测传感器布局优化
2.3.1 电机传感器布局优化
2.3.2 齿轮箱传感器布局优化
2.3.3 轴箱传感器布局优化
2.4 高速列车传动系统监测数据的采集与分析
2.4.1 数据采集
2.4.2 监测数据分析
2.5 本章小结
第3章 基于多测点信息融合的高速列车齿轮箱故障诊断
3.1 相关函数融合算法
3.2 融合信息特征提取
3.2.1 集合经验模态分解理论
3.2.2 IMF熵特征提取
3.3 模糊C均值聚类算法
3.4 基于多测点信息融合的高速列车齿轮箱故障诊断
3.5 实验验证
3.5.1 齿轮箱各测点振动信息相关性分析
3.5.2 IMF熵特征提取
3.5.3 FCM聚类分析结果
3.6 本章小结
第4章 基于多传感器数据融合的高速列车传动系统故障诊断
4.1 故障特征提取
4.2 局部保持投影算法
4.3 模糊积分融合算法
4.3.1 模糊测度
4.3.2 模糊积分
4.4 高速列车传动系统多传感器数据融合故障诊断
4.5 实验验证
4.5.1 数据采集与分析
4.5.2 故障特征提取与降维
4.5.3 基于FCM-FI融合诊断
4.5.4 对比分析
4.6 本章小结
第5章 高速列车传动系统关键部件振动信号多模型混合预测
5.1 时间序列预测算法分析
5.2 自回归模型
5.3 支持向量机
5.3.1 支持向量回归机
5.3.2 SVR预测过程
5.4 构建混合预测模型
5.4.1 EEMD-AR-SVR-CPSO混合预测模型
5.4.2 混沌粒子群优化算法
5.4.3 适应度函数的确定
5.4.4 预测性能评价指标
5.5 实验验证
5.5.1 实车数据验证
5.5.2 智能维护系统数据集验证
5.6 本章小结
第6章 高速列车传动系统关键部件健康状态预测
6.1 构建健康指标
6.1.1 退化特征提取
6.1.2 退化特征选择
6.1.3 自组织映射特征融合
6.2 长短期记忆网络
6.2.1 长短期记忆网络基本原理
6.2.2 LSTM网络参数反向调整
6.3 高速列车传动系统关键部件健康状态预测流程
6.4 实验验证
6.4.1 数据来源
6.4.2 HI退化曲线构建
6.4.3 基于LSTM网络健康状态预测
6.4.4 高速列车传动系统其他部件健康状态预测
6.5 本章小结
第7章 总结与展望
7.1 全文总结
7.2 研究展望
参考文献
作者简介及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]基于GRU递归神经网络的城市道路超车预测[J]. 王浩,黄美鑫,武志薪,鞠建敏. 中国科技论文. 2019(03)
[2]基于多传感器数据融合的轨道车辆齿轮箱异常检测[J]. 刘玉梅,乔宁国,庄娇娇,刘鹏程,胡婷,陈立军. 吉林大学学报(工学版). 2019(05)
[3]改进加权融合算法与双谱技术在风电轴承故障诊断中的应用[J]. 李红,孙冬梅,沈玉成. 电子器件. 2018(04)
[4]基于LPP的转子振动故障特征提取方法[J]. 梁超,路鹏,郜宁,祁伟. 振动工程学报. 2018(03)
[5]基于EEMD-TEO熵的高速列车轴承故障诊断方法[J]. 靳行,林建辉,伍川辉,邓韬,黄晨光. 西南交通大学学报. 2018(02)
[6]长短期记忆神经网络在机械状态预测中的应用[J]. 陈再发,刘彦呈,刘厶源. 大连海事大学学报. 2018(01)
[7]基于EEMD能量熵的高速列车蛇行诊断研究[J]. 刘棋,宁静,叶运广,陈春俊. 中国测试. 2017(05)
[8]基于D-S证据理论高速列车横向失稳故障判别研究[J]. 刘棋,宁静,叶运广,陈春骏. 中国测试. 2017(07)
[9]EEMD能量熵与优化LS-SVM的滚动轴承故障诊断[J]. 陈法法,李冕,陈保家,陈从平. 组合机床与自动化加工技术. 2016(12)
[10]城市轨道列车齿轮箱模态及振动响应分析[J]. 陈忠伟,卢宁,杨建伟. 机械传动. 2016(12)
博士论文
[1]机械旋转部件的性能退化及其寿命预测方法研究[D]. 牛乾.浙江大学 2018
[2]高速列车齿轮箱箱体动态特性及疲劳可靠性研究[D]. 李广全.北京交通大学 2018
[3]高速列车传动系统可靠性分析与评估[D]. 赵聪聪.吉林大学 2016
[4]数据驱动的机械设备性能退化建模与剩余寿命预测研究[D]. 张彬.北京科技大学 2016
硕士论文
[1]基于奇异值分解与深度递归神经网络的齿轮剩余寿命预测方法研究[D]. 张清亮.重庆大学 2018
[2]基于深度学习的变负载下滚动轴承故障诊断方法研究[D]. 那晓栋.哈尔滨理工大学 2018
[3]高速列车轴箱轴承故障仿真及试验研究[D]. 张火车.大连交通大学 2017
[4]标准动车组齿轮箱箱体强度分析与寿命预测[D]. 袁文东.北京交通大学 2016
[5]基于分数阶傅立叶变换的高速列车监测数据特征分析[D]. 侯晓东.西南交通大学 2015
[6]基于改进D-S证据理论的高速列车走行部故障诊断研究[D]. 贺晓.西南交通大学 2015
[7]动车组齿轮传动系统振动特性研究[D]. 付永佩.西南交通大学 2015
[8]动车组齿轮传动装置强度分析及优化设计[D]. 闹加才让.兰州交通大学 2015
[9]基于多层次监测数据融合的多状态系统动态可靠度评估方法研究[D]. 陈初杰.电子科技大学 2015
[10]高速列车跟踪试验及状态监测的时序模型研究[D]. 李霞.西南交通大学 2014
本文编号：3150992
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3150992.html
