機車牽引座是連接車體和轉(zhuǎn)向架的重要部件,承受并傳遞著機車的縱向力,因此牽引座的狀態(tài)影響著機車的行車安全。本文以機車牽引座為研究對象,以特征提取與模式識別為基礎(chǔ),研究牽引座裂紋故障狀態(tài)的識別方法。提出基于集合經(jīng)驗?zāi)B(tài)分解（EEMD）與K鄰近算法（KNN）相結(jié)合的識別方法、基于小波包分解與隱馬爾科夫模型（HMM）相結(jié)合的識別方法,通過實驗與分析驗證各自的有效性并進行了對比;在此基礎(chǔ)上,結(jié)合模態(tài)區(qū)間理論對小波包-HMM方法進行改進,形成小波包-廣義隱馬爾可夫模型（GHMM）的識別方法并進行了驗證。首先,本文對機車牽引座結(jié)構(gòu)特點、故障產(chǎn)生原因、故障分級等方面展開分析,確定了牽引座模型的具體參數(shù),通過模態(tài)分析確定了模型激振頻率,搭建了裂紋故障實驗平臺并獲取了相關(guān)實驗數(shù)據(jù)。然后提出了一種利用EEMD-KNN算法進行識別的方法,通過特征提取后進行牽引座三種不同狀態(tài)的識別,識別結(jié)果驗證了該方法的可行性與有效性。其次,針對EEMD特征提取耗時長導(dǎo)致EEMD-KNN方法識別過程漫長、占用內(nèi)存量大的不足,提出了一種基于小波包分解與HMM模型的識別方法。對同樣的數(shù)據(jù)進行小波包分解,提取小波包能量占比值作為敏感... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
主要符號說明
第一章 緒論
    1.1 研究背景及意義
    1.2 裂紋故障國內(nèi)外研究現(xiàn)狀
        1.2.1 裂紋檢測方法研究現(xiàn)狀
        1.2.2 裂紋故障特征提取的現(xiàn)狀
        1.2.3 裂紋故障模式識別方法研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
第二章 機車牽引座裂紋故障分析與實驗設(shè)計
    2.1 引言
    2.2 機車牽引座結(jié)構(gòu)及裂紋故障
        2.2.1 機車牽引座結(jié)構(gòu)特點與裂紋形成原因
        2.2.2 牽引座裂紋故障分級
    2.3 機車牽引座模態(tài)分析
        2.3.1 機車牽引座模型設(shè)置
        2.3.2 牽引座模型固有頻率分析
    2.4 機車牽引座裂紋故障實驗平臺設(shè)計
        2.4.1 牽引座裂紋故障實驗原理
        2.4.2 牽引座裂紋故障實驗儀器選擇
        2.4.3 牽引座裂紋故障實驗方案
        2.4.4 牽引座裂紋故障實驗平臺搭建與數(shù)據(jù)采集
    2.5 本章小結(jié)
第三章 基于EEMD與 KNN算法的牽引座狀態(tài)識別
    3.1 引言
    3.2 狀態(tài)識別方法原理
        3.2.1 EEMD原理
        3.2.2 KNN算法原理
    3.3 特征分析與提取
        3.3.1 時域特征分析
        3.3.2 EEMD參數(shù)設(shè)置與分解
        3.3.3 敏感特征選擇及提取
    3.4 基于EEMD-KNN的機車牽引座狀態(tài)識別
    3.5 本章小結(jié)
第四章 基于小波包分解與HMM的牽引座狀態(tài)識別
    4.1 引言
    4.2 狀態(tài)識別方法原理
        4.2.1 小波包分解原理
        4.2.2 HMM原理
    4.3 特征分析與提取
        4.3.1 小波包分解分析
        4.3.2 小波包特征提取
    4.4 基于小波包-HMM的列車牽引座狀態(tài)識別
    4.5 本章小結(jié)
第五章 基于模態(tài)區(qū)間與HMM的牽引座狀態(tài)識別
    5.1 引言
    5.2 GHMM原理
        5.2.1 模態(tài)區(qū)間
        5.2.2 模態(tài)區(qū)間運算規(guī)則
        5.2.3 模態(tài)區(qū)間概率運算
        5.2.4 GHMM模型與其狀態(tài)識別流程
    5.3 基于GHMM的機車牽引座的狀態(tài)識別
        5.3.1 模態(tài)區(qū)間特征提取
        5.3.2 狀態(tài)識別
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻
個人簡歷 在讀期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻】：
期刊論文
[1]基于中智KNN的齒輪箱故障診斷方法[J]. 王棟璀,丁云飛,朱晨烜.  振動與沖擊. 2019(20)
[2]基于K近鄰算法的噪聲種類識別和強度估計[J]. 吳小莉,鄭藝峰.  計算機應(yīng)用. 2020(01)
[3]基于K鄰近算法的轉(zhuǎn)向架構(gòu)架狀態(tài)識別研究[J]. 邱英,馮春雨,謝鋒云,劉昆,楊靜,王二化.  測控技術(shù). 2019(08)
[4]結(jié)合模態(tài)區(qū)間分析和IARR的不確定性損傷識別[J]. 方圣恩,張寶.  振動.測試與診斷. 2019(04)
[5]加速度傳感器種類剖析及適用性[J]. 徐文駿.  中國檢驗檢測. 2019(04)
[6]基于振動信號時頻分解-樣本熵的受電弓裂紋故障診斷[J]. 施瑩,林建輝,莊哲,劉澤潮.  振動與沖擊. 2019(08)
[7]下一代高速列車關(guān)鍵技術(shù)特征分析及展望[J]. 繆炳榮,張衛(wèi)華,池茂儒,周寧,宋冬利,楊樹旺.  鐵道學(xué)報. 2019(03)
[8]基于衍射橫波的裂紋激光超聲檢測方法[J]. 王玉慶,王云霞,馬世榜.  激光技術(shù). 2019(04)
[9]機械零件無損檢測方法探析[J]. 李玉屏.  內(nèi)燃機與配件. 2018(23)
[10]信號發(fā)生器的分類、應(yīng)用領(lǐng)域及發(fā)展趨勢[J]. 詹志強.  上海計量測試. 2018(04)

碩士論文
[1]基于參數(shù)分析和EEMD能量熵的車軸疲勞裂紋聲發(fā)射信號識別研究[D]. 李超軍.大連交通大學(xué) 2018
[2]基于渦流脈沖熱成像的閉合疲勞裂紋檢測方法研究[D]. 張康.西南交通大學(xué) 2018
[3]基于振動聲調(diào)制技術(shù)的螺栓結(jié)構(gòu)緊固狀態(tài)檢測方法研究[D]. 羅志偉.哈爾濱工業(yè)大學(xué) 2016
[4]基于模態(tài)區(qū)間算法的結(jié)構(gòu)損傷評估和可靠度分析[D]. 張寶.福州大學(xué) 2016
[5]高速列車制動盤螺栓裂紋檢測技術(shù)研究[D]. 潘曉宇.北京交通大學(xué) 2016



本文編號：3712962