【技术实现步骤摘要】
一种基于概率包络的轮对轴承故障诊断方法
本专利技术涉及一种基于概率包络的轮对轴承故障诊断方法，属于故障检测
技术介绍
在城市轨道交通迅速发展的今天，轮对轴承作为列车运行的核心部件，因为长期处在高速运转的工作环境下，导致轮对轴承极易产生损坏，在列车高速运行情况下，一旦轴承发生故障将造成车辆延误，若对故障发现不及时并且没有采取相应有效措施，必定会导致热轴、燃轴、切轴等重大事故，甚至是引发重大的人员伤亡等问题，因此，对列车轮对轴承故障检测与诊断研究是十分必要的，是一个值得研究的重要问题。随着轮对轴承之间的耦合性越来越高，造成故障的原因也多为多重原因，轮对轴承信号的采集也是多方面的，采集到的故障信号信息也存在不确定性，即便符合某种分布，很可能也存在波动情况。例如轴承振动信号符合正态分布，但其均值在[a,b]之间，方差在[c,d]之间漂移(其中a，c为区间上边界，a，d为区间下边界)。另外，在对原始信号进行特征提取会带来特征以外的信息缺失问题。对于这种情况，采用传统方法，简单使用分布函数来代替或者用区间来表达都不合适，都存在无法完整描述、信息丢失的问题。专利技术内...
【技术保护点】
1.一种基于概率包络的轮对轴承故障检测方法，其特征在于：包括以下步骤：步骤1、将采集到的正常轴承数据和故障轴承数据分别进行时频域概率分布对比，判别其分布类型，使用MATLAB模型对采集到的数据进行数据样本分布类型检验，在该模型中使KS检验，*表示分布类型，H为原假设，当H＝0时表示采集到的数据满足*分布类型，当H≠0时表示采集到的数据不满足*分布类型，进而将采集到的数据进入下一次的分布测试，直至得到满足的分布类型，如正态分布对应的是均值参数μ和方差参数σ，指数分布对应的是指数参数λ；步骤2、若原始数据满足某种分布类型则采用基于原始参数概率分布类型的OPPEM建模方法进行建模...
【技术特征摘要】
1.一种基于概率包络的轮对轴承故障检测方法，其特征在于：包括以下步骤：步骤1、将采集到的正常轴承数据和故障轴承数据分别进行时频域概率分布对比，判别其分布类型，使用MATLAB模型对采集到的数据进行数据样本分布类型检验，在该模型中使KS检验，*表示分布类型，H为原假设，当H＝0时表示采集到的数据满足*分布类型，当H≠0时表示采集到的数据不满足*分布类型，进而将采集到的数据进入下一次的分布测试，直至得到满足的分布类型，如正态分布对应的是均值参数μ和方差参数σ，指数分布对应的是指数参数λ；步骤2、若原始数据满足某种分布类型则采用基于原始参数概率分布类型的OPPEM建模方法进行建模，即分别获取这些参数的不确定性区间，取参数的最大值、最小值并将[min,max]作为参数区间，按照{([x1,y1],m1),([x2,y2],m2),…,([xn,yn],mn)}结构将获取参数区间进行离散化建立DSS结构体，Dempster-ShaferStructure，简称DSS，是由有限个焦元组成，每个焦元是由一个区间和相应区间对应的信度组成，每个焦元([xi,yi],mi)满足以下条件xi≤yi且∑mi＝1，其中i＝1,2,…,n，m为信度值，x，y为区间上下界，将DSS结构体的各焦元区间的下边界值按照公式累积叠高可以得到概率包络下边界，区间的上边界值按照公式累积叠高可以得到概率包络的上边界，带入概率分布函数其中来表示CDF上界，Y(x)来表示CDF下界，从而获取概率包络；步骤3、若原始数据不能确定其分布类型则提取时频域特征，在特征选择方面，采用歪度和峭度作为特征向量，其中N为数据量，xi为测得数据，为均值，Xrms为均方值，即根据采样频率将数据分为若干组，获得每组数据的歪度或峭度，确定歪度或峭度数据的概率分布类型，然后判别所提取特征的分布类型；步骤4、若提取出的特征满足某种分布类型则采用基于特征参数概率包络的CPPEM建模方法进行建模，如提取出的歪度数据满足正态分布则确定歪度数据的均值和方差的DSS结构体，并且对DSS进行离散化，然后将离散化的DSS上界和下界分别累和得到概率包络的上界和下界，过程与步骤2一致；步骤5、若提取出的特征不满足则采用基于概率包络定义的DPEM建模方法进行建模，即将原始数据按采样频率转化为m行n列的数组，其中m为采样次数，n为采样频率，截除多余数据；将每次采样数据按从小到大的次序排列，得到新的数组；从m次采样数据中找到每列中的最小值和最大值，分别得到一个最小值和最大值的行向量，分别累加最小值行向量和最...
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。