基于轨旁声学信号的城轨列车滚动轴承故障诊断研究的开题报告.docx

基于轨旁声学信号的城轨列车滚动轴承故障诊断研究的开题报告
一、选题背景及意义
城市轨道交通作为现代城市公共交通系统的一种重要形式，受到越来越多城市的青睐。城市轨道交通的运行主要依赖于列车行驶过程中的轮轴承，而轮轴承长期物理摩擦作用，容易产生故障，降低列车的运行效率和安全性。因此，轨旁声学信号的城轨列车滚动轴承故障诊断研究，对于提升城市轨道交通的安全、运行效率和舒适性，具有非常重要的现实意义。
二、国内外研究现状
国内外城轨列车滚动轴承故障诊断研究已取得了一定进展。国内相关学者主要采用轴承加速度信号、振动信号、声学信号等多种方法进行故障诊断，如基于时频分析方法的轮轴承故障诊断方法等。国外学者主要采用数字信号处理方法和机器学习方法进行故障诊断，如基于小波分析的轴承故障诊断方法等。
三、研究内容及方法
本研究主要基于城轨列车运行时所产生的轨旁声学信号，采用数字信号处理方法和机器学习方法，对城轨列车滚动轴承故障进行诊断，具体研究内容包括：
1.基于轨旁声学信号的城轨列车滚动轴承故障特征提取。利用数字信号处理方法，对轨旁声学信号进行滤波、时频分析和特征提取，提取出轴承故障所对应的特征信号。
2.基于机器学习方法的城轨列车滚动轴承故障分类识别。利用机器学习方法，对特征信号进行分类识别，根据故障类型和严重程度给出故障诊断结果。
3.系统的软硬件设计。建立轨旁声学信号的采集、处理和分析系统，根据实际需求设计合理的硬件和软件架构，实现城轨列车滚动轴承故障的实时诊断。
四、预期成果及应用价值
本研究的预期成果主要包括：
1.城轨列车滚动轴承故障特征提取方法和特征信号库。
2.基于机器学习方法的城轨列车滚动轴承故障诊断模型和算法。
3.轨旁声学信号的采集、处理和分析系统。
本研究的应用价值主要有：
1.提高城轨列车的安全性和可靠性，避免因轴承故障引起的运行中断和事故发生。
2.降低城轨列车维护成本，减少不必要的设备更换和维修费用。
3.为城轨列车的运行监测和运维管理提供技术支持。
四、研究计划及进度安排
本研究的计划和进度安排如下：
1.文献综述与理论研究（1个月）
2.实验数据采集和处理（2个月）
3.特征提取与分析（3个月）
4.建立机器学习模型(4个月）
5.系统集成和测试（2个月）
6.结果分析和论文撰写（2个月）
总计12个月。
五、参考文献
1.何运成,王吉亮,马静娟,等.基于小波分析的轴承故障诊断[J].流体传动与控制,2016,24(4):18-22.
2.X.Zhang,G.Chen,H.Zhang,Y.Yuan,andY.Wang,“Combinedfaultdiagnosismethodforhigh-speedtrainbearingsbasedonempiricalmodedecompositionandwaveletpacketanalysis,”ShockandVibration,vol.2014,2014.
3.L.Hu,H.Chen,S.Zhao,W.Dong,andX.Chen,“Deepconvolutionalneuralnetworkbasedbearingfaultdiagnosisusingwavlettransformandensemblelearning,”Measurement,vol.149,pp.464-475,2019.
4.M.Feng,J.Jiang,Y.Hu,J.Wang,andZ.Chen,“Arollingbearingfaultdiagnosismethodbasedonanimprovedensembleempiricalmodedecompositionandlocalmeandecomposition,”Measurement,vol.159,pp.135-149,2020.