本发明专利技术实施例提供了一种列车轴承故障的诊断方法和装置。该方法主要包括：用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。本发明专利技术实施例通过利用振动传感器采集列车轴承和构架的振动数据，得到轴承信号的时频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故障，并同时定位故障的位置，辨别故障的严重程度。本发明专利技术实施例实现了地铁列车轴承的故障准确诊断、故障定位与故障严重程度辨别。
【技术实现步骤摘要】
本专利技术涉及媒体通信
，尤其涉及一种列车轴承故障的诊断方法和装置。
技术介绍
地铁已经成为我国（特）大城市公共交通最重要的组成部分，地铁建设正处于高 速建设和运营开通高峰期。轴承作为地铁列车的关键部件，它的状态对列车的安全有极大 影响，而现有基于时域特征参数或者频域特征参数的轴承故障诊断方法都有一定的局限 性，因此，研制一种新的列车轴承故障诊断装置具有重要的理论意义和现实意义。
技术实现思路
本专利技术的实施例提供了一种列车轴承故障的诊断方法和装置，以实现准确地对列 车轴承故障进行诊断。 为了实现上述目的，本专利技术采取了如下技术方案。 根据本专利技术的一个方面，提供了一种列车轴承故障的诊断方法，包括： 用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动 数据获取轴承信号； 对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参 数； 基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状 态下的数据，采用故障分类算法求解出轴承的故障状态信息。 进一步地，所述的用振动传感器采集列车轴承和构架的振动数据，根据所述列车 轴承和构架的振动数据获取轴承信号，包括： 在列车的轴箱轴承和构架侧架上分别安装双坐标振动传感器，所述双坐标振动传 感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感 器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振 动信号； 将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行 去除噪声处理，获取代表轴承状态的轴承信号。 进一步地，所述的对所述轴承信号进行分析处理，得到所述轴承信号的时域特征 参数和频域特征参数，包括： 通过信号处理单元实时采集振动传感单元输出的轴承信号，对所述轴承信号进行 分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波 包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量 的能量值作为所述轴承信号的频域特征参数； 将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数， 对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域 特征参数的测量数据输出。 进一步地，所述的方法还包括： 选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为： 偏度α的计算公式为： 其中，Ν为时域信号采样点总数，^为时域采样信号，无为时域信号的平均值； 峭度β的计算公式为： 其中，Ν为时域信号采样点总数，Xl为时域采样信号，为时域信号的平均值； 选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分 解3层之后得到8个分量A31，D31，A32,D32,A33,D33,A34,D34,对于其中的某个分量 {足/}，/=3; 2, 3，· . .，8，人二丨，2,.，繼其能量的计算公式为： 其中Eu为小波包分解后第i层第j个分量的能量值，S u为小波包分解后第i层 第j个分量，m为小波包分解后第i层第j个分量的样本点个数^为小波包分解后第i层 第j个分量的第k个样本点。 进一步地，所述的基于所述轴承信号的时域特征参数和频域特征参数，以及训练 样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息包括： 通过故障诊断单元接收所述包含归一化处理后的时频域特征参数的测量数据，对 所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包 括8个频域能量参数，2个时域特征参数：偏度和峭度； 采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特 征参数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算 法的训练样本； 将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为 非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信 息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。 进一步地，所述的方法还包括： 当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频 域特征参数和所述轴承故障分类算法的训练样本： 设输入向量关其中xf, /=1，2，...,/?为轴承的某种状态 的样本，包含10个时频域特征参数； 目标向量为中yffc，/=1，2，...,《为轴承的7种诊断状 态中的一种； 隐层向量为Sk=(sus2，…，sq);，其中Syi= 1, 2, . . . ,q为隐层各单元的输入； 输出向直为Bk=(bdb2,…，bq)其中t^，1 = 1,2，...，9为隐层各单兀的头际 输入； 输出层的输入向莖为Lk= (1 ^ 12，…，ln)，其中1;，i= 1，2, . . .，η为输出层各单 元的输入；输出向量为Ck=(cdc2,…，cn);，其中q，i=1，2,. . .，η为输出层各单元的实 际输出； 输入层与隐层的连接权值为Wij，i= 1，2, · · ·，m;j= 1，2. · ·ρ; 隐层至输出层的连接权值为Vjt，j=1，2,· ··，q;t= 1，2,· ··，η;隐层各单兀阐值为θ』，j= 1，2,· · ·，q; 输出层各单兀阐值为yt,t= 1，2, · ··，n; 参数k= 1，2, · ··，m; 训练样本的轴承各种状态下的数据，其训练过程如下： 1.给连接权值和阈值Θj、yt赋值，选定输入向量Xk和目标向量Yk; 2.根据输入向量Xk、连接权值Wl]和阈值Θ,计算隐层各单元的输入8]，并计算隐 层的实际输出b,，计算公式为： 卜-丄 bj=f(sj),j= 1, 2, ···,q 3.根据隐层输出b,、连接权值v]t和阈值γt计算输出层各单元的输入lt，，并通过 传递函数计算输出层各单元的实际输出ct，计算公式如下： ct=f(1t)，t= 1，2,…，η 4.比较目标向量Yk与网络实际输出ct，根据下述公式计算输出层各单元的误差rf?;[0051 5.根据连接权值v]t、输出层误差4和隐层输出b,计算隐层各单元误差，计算 公式如下： 6.根据输出层各单元的误差cf、隐层各单元的输出b,修正连接权值v]t和阈值 yt，修正公式如下： 7.利用隐层各单元误差<、输入向量Xk、修正连接权值Wl]和阈值Θ,，修正公式如 下： 8.选取下一组模式输入，返回到步骤2,重新开始训练，直到训练完所有模式，最 后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检 验标准。 给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误 差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定 的阈值；BP神经网络的输出为（0,1，0,0,0,0,0)、（1，1，0,0,0)、 (0, 0, 1，0, 0, 0, 0)、（0, 0, 0, 0, 0, 1，0)、（0, 0, 0, 0, 1，0, 0)、（0, 0, 0, 0, 0, 0, 1) 分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻 本文档来自技高网...
【技术保护点】
一种列车轴承故障的诊断方法，其特征在于，包括：用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。
【技术特征摘要】
【专利技术属性】
技术研发人员：贾利民，梁瑜，秦勇，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。