【技术实现步骤摘要】
一种基于多方向重构的列车轴承故障诊断方法
本专利技术涉及基于数据驱动的列车故障诊断
，尤其涉及一种基于多方向重构的列车轴承故障诊断方法。
技术介绍
列车运行速度可达300km/h以上，在高交通密度下运行一旦发生故障，其后果是灾难性的。其中，轴箱故障，齿轮箱故障，电机定子故障，电机驱动端故障，电机非驱动端故障等为经常发生的轴承故障。健康状态的轴承是列车运行和人员安全的基本保证。因此，为保证列车运行和人员安全，列车的轴承故障监测和诊断至关重要。目前，列车通常采用基于规则的方法进行轴承故障监测与诊断，如法国的TGV高铁(TrainGrandeVitesse)和德国的ICE城际列车(Intercity-Express)。这种基于阈值规则的诊断方法通过检测单一轴承温度来判断轴温的超限情况，从而判断轴承的状态。然而阈值范围内，各轴承温度间相关性发生异常变化的故障情况无法被该方法检测，从而导致异常情况的漏报。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于多方向重构的列车轴承故障诊断方法，对列车轴承故障状态具有更合理解释性，有效监测列车运行过程中轴承状态，可解决...
【技术保护点】
1.一种基于多方向重构的列车轴承故障诊断方法，其特征在于：主要包括如下步骤：步骤1：建立训练列车轴承温度的数据模型；利用DiPCA算法对列车的历史正常轴温数据的训练集进行数据建模，所述DiPCA代表动态内模主元分析方法；步骤2：监控列车轴承状态；DiPCA建模后，对列车轴承状态的监控从测试集的动态部分和静态部分进行监控；所述动态部分即对动态潜变量预测误差部分，所述静态部分即提取动态潜变量后的静态残差部分；步骤3：诊断列车轴承故障；当测试集的动态部分或静态部分的综合指标超限时，说明有故障发生在了动态部分或者静态部分，需要进一步对故障轴承进行定位，通过基于DiPCA的多向重构的...
【技术特征摘要】
1.一种基于多方向重构的列车轴承故障诊断方法，其特征在于：主要包括如下步骤：步骤1：建立训练列车轴承温度的数据模型；利用DiPCA算法对列车的历史正常轴温数据的训练集进行数据建模，所述DiPCA代表动态内模主元分析方法；步骤2：监控列车轴承状态；DiPCA建模后，对列车轴承状态的监控从测试集的动态部分和静态部分进行监控；所述动态部分即对动态潜变量预测误差部分，所述静态部分即提取动态潜变量后的静态残差部分；步骤3：诊断列车轴承故障；当测试集的动态部分或静态部分的综合指标超限时，说明有故障发生在了动态部分或者静态部分，需要进一步对故障轴承进行定位，通过基于DiPCA的多向重构的贡献方法对检测到的故障进行诊断。2.根据权利要求1所述的一种基于多方向重构的列车轴承故障诊断方法，其特征在于：所述步骤1的具体步骤如下：利用DiPCA对列车的历史正常轴温数据的训练集进行训练,通过训练得出轴承温度模型的动态负载矩阵P，对于时刻j的列车轴承温度训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据列车轴承温度的动态关系得出由j的前s个时刻的动态潜变量线性表达，为动态潜变量tj的估计值，经训练得出线性系数为β，vj为j时刻动态潜变量的预测误差，在动态潜变量tj被提取后，对xj的静态残差部分ej进行PCA建模，所述PCA为静态主元分析法，Pr为ejPCA建模所得的负载矩阵，tr,j为ej的潜变量，er,j为ej经PCA建模后的静态残差部分；模型结构公式如下：其中，βi为β的第i列向量，i＝1，2，…，s。3.根据权利要求1所述的一种基于多方向重构的列车轴承故障诊断方法，其特征在于：所述步骤2包括如下步骤：步骤2.1：监控列车轴承温度测试集数据所建模型中的动态部分；k时刻列车轴承温度的测试集样本xk的表达式为：其中，tk为k时刻的动态潜变量，表达式为：tk＝xkP；tk-i为k-i时刻的动态潜变量，表达式为：tk-i＝xk-iP；为动态潜变量tk的估计值，vk为k时刻动态潜变量的预测误差，ek为xk的PCA模型中的静态残差部分，tr,k为ek的潜变量，er,k为ek的PCA模型中的静态残差部分；公式2表明过程监控从tr,k、er,k进行，由于是动态且不稳定的，对其进行监控会导致高误报，因此，对于动态部分通过监控vk来完成对的监控，vk与各变量间仍具有互相关性，对vk进行PCA建模，这里采用综合指标对vk的状态进行监控：其中，Qv和分别为vk的T2统计量和Q统计量，和分别为vk的T2统计量和Q统计量的控制限，另外，Φv为对称的正定阵，且其中，I为单位矩阵，Λv为训练集的动态潜变量预测误差v的主元协方差矩阵，Pv为动态潜变量预测误差部分PCA建模所得负载矩阵；综合指标值的控制限为：其中，gv为与间的关系系数，Sv为v...
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。