【技术实现步骤摘要】
本专利技术属于轮对轴承的故障诊断
,具体涉及基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法。背景知识在机械领域,机车设备向着自动化、高精度、高效率的方向发展,其轮对轴承的健康状态直接影响机车运行安全,一旦出现故障,后果不堪设想,因而需要故障诊断技术保证设备的正常运行。为全面诊断轴承故障,通常利用传感器网络监测并获取轴承的健康状态数据,由于监测轴承数量多,采集数据时间长,获取的是大数据。因此,需要研究大数据背景下机车轮对轴承故障诊断方法。智能故障诊断依靠人工神经网络等智能算法自动、高效地识别轮对轴承健康状态,不再依赖诊断专家手动诊断故障,因此具有实现大数据背景下机车轮对轴承故障诊断的潜力。智能故障诊断通常包括以下三个步骤:数据获取,特征提取及选择,故障分类。在数据获取中,振动信号因其对早期故障敏感且容易获取等优点而被广泛应用。特征提取依靠信号处理技术提取能够反映机械健康状态的特征,而特征选择则基于主分量分析(PCA)、距离评估技术等数据降维方法从提取的特征中选择敏感特征,最后利用选择的特征训练k最近邻(kNN)、神经网络及支持向量机等智能模型进行故障分类,最终完成对轮对轴承故障的智能诊断。通过以上步骤,可以看到:虽然智能故障诊断方法可以依靠神经网络等智能算法自动识别故障,但在其特征提取阶段,仍需要诊断专家针对机车轴承的特点,通过分析理解轴承信号特性,依赖信号处理技术和诊断专业知识,设计可以全面反映机车轮对轴承健康状态的特征提取算法,这将耗费大量时间和劳力。
技术实现思路
为了克服上述现有技术的缺点,本专利技术的目的在于提出基于等权局部特征稀疏滤波 ...
【技术保护点】
基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,其特征在于,包括以下步骤:1)获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器,稀疏滤波网络用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于实现故障诊断;2)对稀疏滤波网络进行训练,首先确定网络输入和输出维数,根据输入维数Nin,从振动信号xi中随机可重叠地选取Ns个数据段,组成样本片段训练集;然后对样本片段训练集进行白化处理,训练完成后,再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征,作为样本的局部特征,再将局部特征等权加和,作为该振动信号的样本特征,过程如下:2.1)首先确定网络输入维数Nin和输出维数Nout,从振动信号中随机可重叠地取Ns个数据段,组成样本片段训练集其中,是第j个样本片段,且包含Nin个数据点;将样本片段训练集写成矩阵形式为对S进行白化处理,得到白化后的训练矩阵Swhite;2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络,具体如下:训练矩阵Swhite由 ...
【技术特征摘要】
1.基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法,其特征在于,包括以下步骤:1)获取轮对轴承在不同健康状态下的振动信号,建立基于等权局部特征稀疏滤波网络的故障诊断模型,故障诊断模型包括等权局部特征稀疏滤波网络和Softmax分类器,稀疏滤波网络用于提取故障特征;Softmax分类器以提取的故障特征为输入,用于实现故障诊断;2)对稀疏滤波网络进行训练,首先确定网络输入和输出维数,根据输入维数Nin,从振动信号xi中随机可重叠地选取Ns个数据段,组成样本片段训练集;然后对样本片段训练集进行白化处理,训练完成后,再将振动信号xi无重叠地分割为一个样本片段集利用稀疏滤波网络提取的故障特征,作为样本的局部特征,再将局部特征等权加和,作为该振动信号的样本特征,过程如下:2.1)首先确定网络输入维数Nin和输出维数Nout,从振动信号中随机可重叠地取Ns个数据段,组成样本片段训练集其中,是第j个样本片段,且包含Nin个数据点;将样本片段训练集写成矩阵形式为对S进行白化处理,得到白化后的训练矩阵Swhite;2.2)利用上述得到的训练矩阵Swhite训练稀疏滤波网络,具体如下:训练矩阵Swhite由白化样本片段集组成,任意选取初始权值矩阵W,白化样本片段与权值矩阵W内积得到局部特征即 f ^ j = W T S w h i t e j ]]>将各局部特征按列组合成局部特征矩阵首先,利用-正则化方法对局部特征矩阵的行向量进行正则化,即 f ~ l = f ^ l ...
【专利技术属性】
技术研发人员:雷亚国,邢赛博,贾峰,林京,单洪凯,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西;61
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。