一种高速列车滚动轴承故障诊断方法技术

一种高速列车滚动轴承故障诊断方法，步骤如下：采集原始振动信号并利用EEMD方法进行分解，选取前a个IMF分量求分量的能量以及能量总和，归一化处理得到能量特征向量；确定RBF神经网络结构，确定输入层、输出层和隐藏层的节点数，确定训练目标精度和分布密度，选取训练样本和测试样本，将训练样本作为输入进行训练，达到目标精度后得到初步RBF神经网络诊断模型，将测试样本作为初步模型的输入对测试样本进行识别，若故障识别率达到理想标准，即得到RBF神经网络诊断最终模型用于诊断轴承故障类型。本发明专利技术为提高高速列车滚动轴承故障诊断的准确性和实时性提供了新思路，也为高速列车的性能和行车安全提供了进一步保证。

【技术实现步骤摘要】

本专利技术涉及一种利用特征信号进行建模和分类的故障诊断方法，具体涉及一种基于EEMD和RBF神经网络的高速列车滚动轴承故障诊断方法。
技术介绍
滚动轴承作为高速列车的重要部件之一，其状态好坏对列车安全运行至关重要。增速增载是世界各国铁路发展的趋势，而拥有牵引力十足的列车是提高速度、加大运量的前提，此时作为高速列车重要部件之一的滚动轴承值得更多的关注。作为机械易损件的滚动轴承，一个显著的特点是寿命离散性大，故障原因复杂。滚动轴承在实际应用中，有的使用时间远没有达到设计寿命却出现各种故障，有的远超过设计寿命却仍然能正常工作。因此为了预防轴承故障，监测轴承的运转状态十分有必要。目前，对轴承故障的诊断大多是分析其振动信号，而振动信号具有非线性、非平稳性等特征。EEMD是一种噪声辅助数据处理方法，适合于分析处理非线性、非平稳信号，利用它可获取充分表达信号特征的信息。基于RBF神经网络的轴承故障诊断比BP神经网络诊断准确性高、速度更快，而且不易出现局部极小值，更适合于进行轴承的故障诊断。
技术实现思路
本专利技术针对现有技术构建模型速度不快，故障识别准确率不高的缺陷，提供一种高速列车滚动轴承故障诊断方法。它可以为高速列车滚动轴承故障诊断和状态监测研究提供一种新的思路，也为列车的性能和行车安全提供进一步保证。本专利技术针对现有技术的不足，提供一种为了实现上述目的，本专利技术采用了以下技术方案：一种高速列车滚动轴承故障诊断方法，包括以下步骤：I、故障诊断模型的建立步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号；步骤2：EEMD故障特征向量构造1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，并分别求出每一个分量的能量Ei；式中，Cit是第i个IMF分量，i＝1，2，3，L，a，Ci是离散点的幅值，n为采样点个数，2)求每组原始振动信号的各个IMF分量的能量总和E；3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T；T＝E1/E，E2/E,L，Ea/E步骤3：RBF神经网络建模1)确定RBF神经网络结构虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，2)确定输入层的节点数将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝a，3)确定输出层的节点数理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到初步RBF神经网络诊断模型，然后将测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，6)初步模型的性能评价首先根据测试样本的识别结果计算识别误差，当识别误差在接受范围之内时，认为识别结果正确，反之认为识别结果错误；然后计算故障识别率Q，Q＝正确识别数目/总实验轴承数目，由故障识别率Q来衡量RBF神经网络性能优劣，若故障识别率Q达到理想标准，即得到RBF神经网络诊断最终模型，并用于步骤II未知状态的轴承故障诊断，否则，返回步骤5)，重新选择训练样本和测试样本，进行训练和测试，II、诊断轴承故障类型采集未知状态的待诊断轴承的原始振动信号，并作为RBF神经网络诊断最终模型的输入，由最终模型的输出与轴承故障输出形式比较确定轴承的状态。所述EEMD方法具体分解步骤如下：(1)在待分解信号R(t)中加入频谱均匀分布的白噪声am(t)，得到信号S(t)；(2)对信号S(t)进行EMD，分解过程如下；1)确定信号S(t)上的所有局部极值点，上、下两条包络线是用三次样条曲线分别将所有的局部极大值点和局部极小值点联结起来而得到的，即s(t)max和S(t)min；2)求每个时刻的上下包络的平均值，即3)得到新信号Y1(t)＝S(t)-u(t)判断是否对称于局部零均值，并且有相同的极值点与过零点，如果是，记为C1(t)，即为第一个IMF分量，否则重复步骤1)和2)；4)将C1(t)从S(t)中分离出来，得到一个差值信号V1(t)，V1(t)＝S(t)-C1(t)5)将V1(t)作为原始数据，重复步骤1)～3)得到IMF2，重复n次得到n个IMF分量，于是有当Vn(t)符合给定的终止条件时，终止条件即Vn(t)为单调函数，循环结束，由Y1(t)和V1(t)可得到即原始信号被表示为本征模函数分量和一个残余函数Vn(t)的和，各分量C1(t)，C2(t)，…Cn(t)分别涵盖了原始信号中从高到低不同频率段的信息，且随信号自身的改变而改变，(3)每次加入不同白噪声后重复过程(1)和(2)；(4)将多次分解后的各IMF分量的集成均值Ci作为最终结果，与现有技术相比较，本专利技术具备的有益效果：本专利提供了一种基于EEMD和RBF神经网络的滚动轴承故障诊断方法，通过该方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态，为提高高速列车滚动轴承故障诊断的准确性和实时性提供了新思路，也为列车的性能和行车安全提供了进一步保证。附图说明图1是EEMD算法的具体流程。图2是RBF神经网络的结构。图3是列车滚动体故障轴承的原始信号图。图4是列车滚动体故障轴承的EEMD分解图。图5是列车滚动体故障轴承归一化后的能量特征向量图。图6是RBF神经网络的训练过程图。具体实施方式下面结合具体实施方式对本专利技术进行详细说明。实施例1本实施例在MatlabR2010a软件完成。一种高速列车滚动轴承故障诊断方法，包括以下步骤：I、故障诊断模型的建立步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号，本实施例具体方法如下：首先使用电火花加工技术在滚动轴承上布置了滚动体故障、外圈故障和内圈故障，故障直径均为0.018厘米，在采样频率为1.2KHz，轴承转速为1797r/min的工况下，采用加速度传感器采集振动信号，通过16通道的DAT记录器采集。数据共采用40组，即正常轴承，滚动体故障轴承，外圈故障轴承，内圈故障轴承各10组，以滚动体故障轴承数据为例，采样点数为12000个，原始信号波形如图3所示。步骤2：EEMD故障特征向量构造1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，本实施例a＝8，如图4所示，并分别求出每一个分量的能量Ei；式中，Ci(t)是第i个IMF分量，i＝1，2，3，L，a，Ci是离散点的幅值，n为采样点个数，2)求每组原始振动信号的各个IMF分量的能量总和E；3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分本文档来自技高网...

【技术保护点】
一种高速列车滚动轴承故障诊断方法，其特征在于，包括以下步骤：I、故障诊断模型的建立步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号；步骤2：EEMD故障特征向量构造1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，并分别求出每一个分量的能量Ei；Ei=∫-∞+∞|Ci(t)|2dt=Σ1n|Ci|2]]>式中，Ci(t)是第i个IMF分量，i＝1，2，3，L，a，Ci是离散点的幅值，n为采样点个数，2)求每组原始振动信号的各个IMF分量的能量总和E；E=Σi=1aEi]]>3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T；T＝[E1/E，E2/E,L，Ea/E]步骤3：RBF神经网络建模1)确定RBF神经网络结构虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，2)确定输入层的节点数将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝a，3)确定输出层的节点数理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，表1轴承故障输出形式4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到初步RBF神经网络诊断模型，然后将测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，6)初步模型的性能评价首先根据测试样本的识别结果计算识别误差，当识别误差在接受范围之内时，认为识别结果正确，反之认为识别结果错误；然后计算故障识别率Q，Q＝正确识别数目/总实验轴承数目，由故障识别率Q来衡量RBF神经网络性能优劣，若故障识别率Q达到理想标准，即得到RBF神经网络诊断最终模型，并用于步骤II未知状态的轴承故障诊断，否则，返回步骤5)，重新选择训练样本和测试样本，进行训练和测试，II、诊断轴承故障类型采集未知状态的待诊断轴承的原始振动信号，并作为RBF神经网络诊断最终模型的输入，由最终模型的输出与轴承故障输出形式比较确定轴承的状态。...

【技术特征摘要】
1.一种高速列车滚动轴承故障诊断方法，其特征在于，包括以下步骤：I、故障诊断模型的建立步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号；步骤2：EEMD故障特征向量构造1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，并分别求出每一个分量的能量Ei；Ei=∫-∞+∞|Ci(t)|2dt=Σ1n|Ci|2]]>式中，Ci(t)是第i个IMF分量，i＝1，2，3，L，a，Ci是离散点的幅值，n为采样点个数，2)求每组原始振动信号的各个IMF分量的能量总和E；E=Σi=1aEi]]>3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T；T＝[E1/E，E2/E,L，Ea/E]步骤3：RBF神经网络建模1)确定RBF神经网络结构虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，2)确定输入层的节点数将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝a，3)确定输出层的节点数理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，表1轴承故障输出形式4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到...

【专利技术属性】
技术研发人员：贺德强，李笑梅，苗剑，王合良，卢凯，陈桂平，刘卫，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45