轨道列车走行部滚动轴承故障的诊断方法技术

本发明专利技术公布了一种新的轨道列车走行部滚动轴承故障诊断方法，通过提出基于指数平滑预测的滑动时间窗分割算法，实现局部频谱的特征提取，结合改进的Adaboost算法，对轨道交通列车走行部转向架滚动轴承进行故障诊断。利用本发明专利技术提供的技术方案，可以有效地对轨道列车走行部非线性非平稳实时振动数据进行分割，并由此构建局部频谱图，选取局部频谱区间的中间点频率作为该样本的特征向量，为分类器提供了更加准确的输入，在滚动轴承故障诊断方面有很高的准确性，有效地保证故障分类的准确性，解决了现有方法准确率低、故障分类难的问题。

【技术实现步骤摘要】

本专利技术涉及轴承故障诊断
，尤其涉及一种轨道列车走行部滚动轴承故障的诊断方法，该方法基于指数平滑预测的滑动时间窗分割算法并用于局部特征提取，利用改进Adaboost算法进行故障分类。
技术介绍
在国民经济中，滚动轴承被称之为“工业的关节”。滚动轴承的发展往往代表了一个国家机械工业的发展水平。在各种大型工业设备中，滚动轴承往往作业在高速、高温、高压等恶劣环境中，其故障诊断显得尤为重要。尤其在轨道交通领域，其潜在的故障严重威胁着轨道交通行车安全。轨道列车的基本组成部分分为：车体、走行部、制动装置、车钩缓冲连接装置以及车辆内部设备。走行部是转向架的主要组成之一，其主要任务是减轻轮轨相互作用力从而保证列车在实际运行中的稳定性。它由七个主要部分组成:构架，轮对，轴箱及定位装置，弹簧悬挂装置，牵引装置，基础制动装置，驱动机构。其中滚动轴承是轴箱结构主要部件，其结构一般由内圈，外圈，滚动体和保持架组成。因此，常见的滚动轴承故障主要分为内圈故障、外圈故障以及滚动体故障，如何能够有效的提前预防并有效减少轨道列车中走行部滚动轴承的故障是关系到轨道列车能否安全、平稳、高效的运营至关重要的因素。滚动轴承故障诊断技术发展四十多年来，诊断方法不断的深入和完善，取得了良好应用效果。20世纪70年代，主要的故障诊断技术是冲击脉冲技术和运用频谱分析仪来进行轴承故障诊断。冲击脉冲技术是采用冲击脉冲的最大值判断轴承故障；频谱分析仪是利用傅里叶变换从频域的角度出发去提取信号的频域特征，从而判断轴承故障。20世纪90年代后，各种基于计算机的信号分析处理的故障诊断方法得到了飞速的发展，其中包括故障树判断法、小波变换、人工神经网络、专家系统以及各种算法的变种与结合，为工作环境更加复杂的滚动轴承故障诊断提供了更广阔的方法，但是针对数据量较大的非线性非平稳轨道轴承振动信号，现有方法还难以做到准确进行故障的分类。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种新的轨道列车走行部滚动轴承故障诊断方法，通过提出基于指数平滑预测的滑动时间窗分割算法，实现局部频谱的特征提取，结合改进的Adaboost算法，对轨道交通列车走行部转向架滚动轴承进行故障诊断。有效的保证故障分类的准确性，解决了传统方法准确率低，故障分类难的问题。本专利技术的原理是：实时采集滚动轴承的振动加速度数据，计算出历史数据与历史预测数据的绝对预测误差的均值与方差，并根据实时到来的数据更新均值与方差。结合预测误差与序列压缩率的关系最终确定分割点，分割后的每两个相邻分割点形成的子序列保持有各自单一的趋势，且在各自区间总不会有太大的波动，进一步通过预测分割点的校验环节可以排除离群点的干扰，确保得到准确的数据分割点。由此，原信号可以近似地被认为是由一系列包含两相邻分割点以及其之间数据点的V型波组成，V型波即被确定为一个局部周期范围。设V型波起始位置tk为原信号x(t)中的第k个局部极大值所处时刻，其中k＝1，2…N，N为原始信号的最后一个极值点，根据V型波可以定义原信号x(t)的局部周期T(t)，如下式T(t)＝tk+1-tk，tk＜t＜tk+1式中，T(t)表示信号在局部时间范围内，完成一次完整的反复振动所需要的时间，局部频谱定义为广义局部周期的倒数，即：tk＜t＜tk+1，式中，局部频谱v(t)表示单位局部时间内完成振动的次数，用于衡量局部振动的快慢，单位仍为Hz。根据绘制局部频谱图，找到数据的特征向量，利用改进Adaboost算法，对轨道交通列车走行部转向架滚动轴承进行故障诊断。本专利技术提供的技术方案如下：一种轨道列车走行部滚动轴承故障的诊断方法，包括状态信号采集过程、状态信号提取过程和状态模式识别过程，具体包括如下步骤：1)数据采集模块实时采集轨道列车走行部滚动轴承振动数据，得到实时时序数据，设为L；2)针对L通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割，获得时间序列数据L的主要趋势，获得数据分割点：结合指数平滑方法的短期预测能力和历史数据统计特性，采用基于指数平滑预测的滑动时间窗分割算法对实时时序数据进行分割，通过预测来获得数据趋势，通过历史数据的统计特性与预测误差的关系来判断获得初始分割点。3)对上述初始分割点进行校验，得到最终分割点；使用置标志位的方法，当时间序列的某一时间点不满足历史趋势，那么该点被设置为可疑分割点。再去检查相邻下一个点，当下一个点同样不满足历史趋势的时候，那么该可疑分割点就是分割点，标志位被设置，否则判定该可疑分割点为离群点，标志位清零，最终得到K个分割点。上述的下一个点，可以改为下n个点(n>＝2)，即当可疑分割点后连续n个数据点不满足历史趋势，才将标志位设置，同时可疑分割点设置为分割点。选取n＝1作为分割点的校验，因为在数据传输中，数据被干扰而产生离群点的几率是很小，而同时连续两个点都因为干扰而变为离群点的几率更小。4)根据K个分割点，确定V型波的范围；一个V型波即为一个局部周期范围；确定了数据的分割点后，两相邻分割点之间的范围就是V型波的范围；5)将实时数据L分割成了若干个局部周期数据，由V型波作为一个局部范围，构建局部频谱图；6)对局部频谱图的频谱区间进行一致化处理：由于样本不同，可能每个样本的局部频谱所对应的频谱区间不相同，也可能频谱的跨度也不尽相同，不一致的频谱会难以提取特征值。针对频谱区间不一致以及频谱跨度不一致问题的问题，对局部频谱图的频谱区间进行一致化处理；7)提取每个样本局部频谱图中，幅值最高的前n项所对应的局部频谱区间的中间点频率，作为该样本的特征向量；8)状态模式识别：通过改进Adaboost算法进行故障分类。所述的轨道列车走行部滚动轴承故障诊断方法，进一步地，步骤1)中所述数据采集模块为振动传感器。所述的轨道列车走行部滚动轴承故障诊断方法，进一步地，步骤2)中，所述基于指数平滑预测的滑动时间窗分割算法流程如图1。指数平滑预测分割算法可以通过指数平滑法获得实时数据L在时间点t的预测值St，在时间点t的真实值是yt，预测的绝对误差是|yt-st|。本专利技术提出预测误差定义如下：假定T代表一个长度为n的时间序列，ΔErri代表在分割点i处的预测绝对误差，分割点的集合SKPS＝{SP1,…,SPm本文档来自技高网...

【技术保护点】
一种轨道列车走行部滚动轴承故障的诊断方法，包括状态信号采集过程、状态信号提取过程和状态模式识别过程，具体包括如下步骤：1)利用数据采集模块实时采集轨道列车走行部滚动轴承振动数据，得到实时时序数据，设为L；2)针对L通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割，获得时间序列数据L的主要趋势，获得数据初始分割点；3)对上述初始分割点进行校验，得到最终分割点；4)根据K个分割点，确定V型波的范围；一个V型波即为一个局部周期范围；5)将实时数据L分割成了若干个局部周期数据，由V型波作为一个局部范围，构建数据的局部频谱图；6)对局部频谱图的频谱区间进行一致化处理；7)提取每个样本局部频谱图中，幅值最高的前n项所对应的局部频谱区间的中间点频率，作为该样本的特征向量；8)状态模式识别：通过改进Adaboost算法进行故障分类，得到轴承故障诊断的分类结果；所述改进Adaboost算法针对抗噪声能力弱的缺点进行改进，针对噪声数据，通过将样本数据进行聚类过程使得样本数据中各类别的样本数据更加紧凑，不同类别之间的区别更大；同时优化所述聚类过程，以达到提高不同类别的区分度和剔除噪声的目的。

【技术特征摘要】
1.一种轨道列车走行部滚动轴承故障的诊断方法，包括状态信号采集过程、状态信号提取过程和状态模式识别过程，具体包括如下步骤：1)利用数据采集模块实时采集轨道列车走行部滚动轴承振动数据，得到实时时序数据，设为L；2)针对L通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割，获得时间序列数据L的主要趋势，获得数据初始分割点；3)对上述初始分割点进行校验，得到最终分割点；4)根据K个分割点，确定V型波的范围；一个V型波即为一个局部周期范围；5)将实时数据L分割成了若干个局部周期数据，由V型波作为一个局部范围，构建数据的局部频谱图；6)对局部频谱图的频谱区间进行一致化处理；7)提取每个样本局部频谱图中，幅值最高的前n项所对应的局部频谱区间的中间点频率，作为该样本的特征向量；8)状态模式识别：通过改进Adaboost算法进行故障分类，得到轴承故障诊断的分类结果；所述改进Adaboost算法针对抗噪声能力弱的缺点进行改进，针对噪声数据，通过将样本数据进行聚类过程使得样本数据中各类别的样本数据更加紧凑，不同类别之间的区别更大；同时优化所述聚类过程，以达到提高不同类别的区分度和剔除噪声的目的。2.如权利要求1所述诊断方法，其特征是，步骤1)中所述数据采集模块为振动传感器。3.如权利要求1所述诊断方法，其特征是，步骤2)所述基于指数平滑预测的滑动时间窗分割算法，在初始化参数后，具体执行如下步骤：a)用单指数平滑法来计算得到平滑预测值St，作为下一个时间点t的预测值；b)获得时间点t的真实值yt，计算预测绝对误差|yt-St|，把值存到向量V中；c)计算得到V平均值μ和标准差σ，实时更新标准差和均值；d)判断该点是否为分割点：如果不是分割点，继续循环下一个点；如果是分割点，置标志位同时储存该点；当下一个点同样是分割点时，存储前一个点进入Seg中；同时重新初始化分隔段的初始s0继续循环，当所有数据yt均被处理时结束循环，得到分割点数组Seg。4.如权利要求1所述诊断方法，其特征是，步骤3)使用置标志位的方法，具体是：当时间序列的某一时间点不满足历史趋势时，该时间点被设置为可疑分割点；再检查相邻下一个时间点，当下一个时间点同样不满足历史趋势时，所述可疑分割点即为最终分...

【专利技术属性】
技术研发人员：于重重，杨飞，秦勇，程晓卿，崔世杰，
申请(专利权)人：北京工商大学，北京交通大学，
类型：发明
国别省市：北京;11