高速化列车的轮轨噪声研究

列车速度是影响轮轨噪声大小的主要因素之一，由于轮轨噪声对车速的信赖性，其声级将随着列车不断高速化会愈来愈大，目前已有许多文献对轮机轨噪声进行研究并提出一些措施，然而对于轮轨噪声，由车轮振动产生的辐射噪声是主要的，还是由钢轨辐射是主要的等，还有一些不明的地方，目前提出的降噪措施很多，然而采取何种措施对降低轮轨噪声更有利，更具有“实用性”和“经济性”也不十分清楚，本文通过轮轨噪声的理论分析和实验数据分     

基于小波包与改进EMD的轮轨力信号降噪

地下列车的轮轨力应变信号在采集过程中,会受到城市上部各种交通车辆、噪声,以及列车车轮磨耗、轨面不平顺等诸多因素的影响。采集的轮轨力信号将失去其准确性。针对轮轨力应变信号中存在的随机白噪声,以及在EMD分解过程中出现模态混叠的问题,提出一种改进的信号处理方法,该方法是一种小波包降噪算法与EMD解相关算法相结合的数据处理方法,能够同时有效抑制模态混叠现象和消除噪声干扰。运用改进的信号处理方法对仿真信号和实测的地下列车轮轨力信号进行处理分析。研究结果表明:该改进的数据处理方法能有效地消除轮轨力在采集过程中随机白噪声的干扰和抑制模态的混叠。对有效地识别轮轨力真实信号具有重要的实际意义。     

轨道交通轮轨滚动噪声的预测

随着我国大规模的铁路提速改造工程的实施，以及大力发展高速客运专线，铁路列车的运行噪声给沿线的居住环境带来了严重影响。基于轮轨竖向及横向振动相互作用关系，根据结构声辐射理论，考虑大地反射的影响，推导了铁路轮轨滚动噪声声压级谱的理论表达式。为验证本模型的正确性，在轮轨高频振动响应和轮轨噪声计算两方面和有关文献实测结果进行了对比验证，此外还对我国既有线轮轨噪声进行了理论预测和现场实测，数值计算结果与实验结果具有较好的一致性。     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于神经网络的空调器噪声故障诊断

噪声是影响家用空调器质量的一个重要因素,提出了一种用BP神经网络识别空调器噪声源的方法.利用声学分析仪对空调器的噪声信号做频谱分析,提取噪声信号的频谱特征构造模式特征量,设计一个三层BP神经网络经学习训练后进行空调器的噪声源识别,为空调器的噪声故障诊断及其减振降噪提供指导.     

列车轮轨噪声控制技术

列车轮轨噪声是由于车轮和轨道相互激励而产生的响应，因此要控制其噪声，应主要从机车车辆走行部和线路两方面采取控制技术措施，本文对此作一阐述。     

车轮参数对轮轨噪声的影响

铁路列车的运行噪声给沿线居住环境带来了严重影响,在已建立的轮轨滚动噪声预测模型的基础上,车轮参数的变化对轮轨噪声的控制进行分析,分析表明,适当减小车轮半径,增加车轮辐板厚度和车轮踏面质量有助于降低轮轨噪声。     

基于神经网络的机械设备故障诊断技术

阐述了神经网络故障诊断的基本原理及其与传统故障诊断的关系,分析了神经网络技术在故障诊断中的应用现状,探讨了该领域的发展前景,指出了运用神经网络技术进行故障诊断需要解决的若干问题.     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于噪声和图卷积神经网络的电机故障诊断

文章针对旋转机械设备维护和噪声监测治理的需求,提出了一种基于电机噪声信号和图卷积神经网络的故障诊断算法。该算法对时域数据进行傅里叶变换,将变换后的频域数据转化为图数据,利用提出的新型图卷积神经网络结构对图数据进行训练并分类。搭建电机故障实验平台,完成了6种不同状态的电机噪声信号采集与实验验证。实验结果表明,图卷积神经网络能根据有限的电机噪声信号有效识别出电机故障,并具有一定的小样本学习能力,能够在样本量较少的情况下进行故障分类。对比分析表明,该算法分类准确率优于K最近邻-图算法、一维卷积神经网络、自动编码器和支持向量机等其他算法,为实际工程应用提供了参考。     

高速列车轮轨滚动噪声的理论预估

本文以高速列车噪声控制问题为背景，建立了一种轮轨滚动噪声的理论预估模型，并用已有实验结果验证了本模型的可行性，接着又利用该模型分析了轮轨系统参数对滚动噪声的影响。     

提速列车轮轨噪声降噪技术的研究

针对铁路噪声污染状况,根据提速列车运行噪声的特点及轮轨噪声产生的机理,研究了通过在钢轨轨腰镶嵌高阻尼材料从而降低轮轨噪声的技术。经过实验室试验和现场安装试验,证明该技术可有效降低轮轨辐射噪声。     

高速列车运行产生的轮轨噪声预测

随着列车运营速度的提高,轮轨噪声是非常重要的噪声源。为了预测和控制高速列车在受到轮轨表面粗糙度和轮轨结构表面的不连续几何缺陷等激起的轮轨噪声,本文综合应用了车辆-轨道耦合动力学理论、随机振动理论和声辐射理论,建立了轮轨噪声预测模型,开发了相应的预测软件WRNOISE,通过与已有的轮轨噪声预测模型TWINS、STTIN及实测数据的比较,研究表明：（1）本文所建模型的计算结果与TWINS模型的结果在噪声主频上是一致的,并且变化趋势也是一致的,这充分验证了本文所建模型的正确性。（2）跟STTIN模型相比,WRNOISE模型在预测车轮和钢轨噪声时更加充分,考虑了车轮的辐板和钢轨轨腰横向振动噪声的贡献。（3）跟有砟和无砟轨道路基区段噪声实测结果相比,WRNOISE模型计算结果与实测结果有一定差异,但从轮轨噪声辐射主导频率看,变化趋势基本一致。     

轮轨噪声发展机理的材料硬度试验

基于MMS-2A型微机控制摩擦磨损试验机的双轮对滚实验,从时域和频域的角度分析摩擦磨损过程中轮轨噪声与轮轨状态（材料硬度、摩擦系数和磨损量）的关系。结果表明车轮材料的硬度对于轮轨噪声具有显著影响。虽然不同硬度匹配时轮轨噪声发展趋势基本一致,但在声压级上却存在明显差异。轮轨硬度比越大,其轮轨噪声声压级越大。因此,对轮轨材料硬度的研究除了能够在一定程度上降低轮轨磨损量,延长轮轨的使用寿命外,还对研究降低列车运行时的噪声具有一定的指导意义。     

基于EMD的滚动轴承故障灰色诊断方法

经验模态分解（EMD）方法可使滚动轴承振动信号根据自身尺度自适应地分解为若干个内禀模态分量（IMF）,滚动轴承发生故障会导致振动能量在各IMF分量上的分布发生变化,结合灰色关联模型建立IMF能量分布与轴承状态之间的对应关系,可实现轴承的状态识别。为改善传统灰关联分析在模式识别方面的缺陷,基于斜率相似的原理构造了能反映曲线形状信息的相似关联度模型,结合传统的接近关联度模型建立了能同时反映曲线位置与形状特性的灰色综合关联度诊断模型。算例结果表明,该方法能准确有效地实现滚动轴承的故障诊断。     

高速列车运行产生的轮轨噪声预测

轮轨噪声随着列车运营速度的提高而显著增大,综合应用车辆－轨道耦合动力学、随机振动理论和声辐射理论,预测由轮轨表面粗糙度、接触不连续几何缺陷等激起的高速列车轮轨噪声,建立轮轨噪声预测模型,并开发相应软件WRNOISE（Wheel/rail Noise）。与已有的轮轨噪声预测模型TWINS (Track-Wheel Interaction Noise Software)比较, 预测的噪声主频和变化趋势与TWINS的预测结果一致;与STTIN(Simulation of Train-Track Interaction Noise)模型相比,预测模型考虑车轮辐板和钢轨轨腰横向振动噪声的贡献;与有砟和无砟轨道路基区段噪声实测结果的对比表明,WRNOISE模型计算结果与实测结果仍存在一定差异,但从轮轨噪声辐射主导频率看,变化趋势基本一致。     

基于EMD的神经网络空耦超声储油罐液位检测

由于仅从信号时域幅值的大小信息虽然能够判断储油罐中不同介质的液位,但是获得的特征信息非常有限,为获得更多储油罐中不同介质信号的特征信息来提高液面识别率,针对储油罐罐壁厚度为5 mm的钢制储油罐为对象,采用空气耦合超声兰姆波同侧相向检测法,并使用A0模态对储油罐进行检测.利用经验模态分解(EMD)对采集储油罐中的不同介质...     

铁路轮轨噪声预测分析

利用改进的轮轨噪声预测模型,对我国铁路轮轨噪声进行预测分析,分析表明,轮轨表面粗糙度对轮轨噪声有着显著的影响,随着粗糙度的增加,在整个频率范围内,铁路轮轨噪声均有明显增大的趋势。     

EMD马氏距离与SOM神经网络在故障诊断中的应用研究

为实现对微弱动态响应的准确辨识及故障状态的早期诊断,提出EMD马氏距离与SOM神经网络的故障诊断方法,该方法首先对原始振动信号进行粒子滤波,提高信噪比,然后对其进行EMD分解,并对分解后的各模式分量进行分析,获得相关特征值组成特征向量,并求原始信号特征向量,为了选取能代表信号特征的模式分量,求各模式分量与原信号特征向量的马氏距离,将最优模式分量输入训练好的SOM神经网络,对故障分类,以轴承诊断为应用实例结果表明该方法切实有效。     

基于WPD和EMD的噪声品质预测模型

声品质作为汽车舒适性的一个重要指标,目前已经成为汽车领域一个重要的研究方向。根据人耳的听觉特性,提出一种基于小波包分解(WPD)和经验模态分解(EMD)的21个特征频带划分方法。按照所提出的方法,将采集得到的车辆噪声信号进行分解并提取信号在各频带的声能量时变特征。之后根据BP神经网络原理将提取的能量特征作为输入,计算得出响度和尖锐度等声品质评价参数作为输出,建立一种基于WPD和EMD的声品质评价模型。验证结果表明,所建立的模型可以准确地预测响度和尖锐度等心理声学参数,可作为声品质评价的一种有效方法。