【技术实现步骤摘要】
一种动车组滚动轴承故障诊断方法及试验模拟装置
本专利技术涉及动车故障诊断
，尤其是一种动车组滚动轴承故障诊断方法及试验模拟装置。
技术介绍
高速列车的轴承故障诊断是以振动信号分析为主。首先，运用传感器技术采集列车轴箱轴承的振动信号，然后再对轴承信号进行特征提取。传统的故障特征提取方法有混沌模型、时域分析和频域分析等方法。但是在提取信号特征值时需要大量的计算时间，而轴承在运行过程中由于间隙变化、负载变化、速度变化等原因，振动信号往往具有非线性特性，运用传统的方法时存在一些固有的局限性。随着非线性动力学的发展，基于熵理论的方法被运用到轴承故障诊断中，常用的方法有近似熵、样本熵、排列熵、多尺度熵和多尺度排列熵等方法，运用这些方法能够从振动信号中获取足够多的具有故障特征的信息。最后，运用支持向量机技术，可以有效的识别被测轴承的健康状态。但是，由于如近似熵、样本熵、排列熵等方法存在尺度单一，在提取振动信号特征值时，会造成一些信息的缺失，进行故障诊断时识别准确率不高。虽然多尺度熵和多尺度排列熵克服了单尺度的缺点，但...
【技术保护点】
1.一种动车组滚动轴承故障诊断方法，其特征在于，包括以下步骤：/nS1)、通过振动加速度传感器采集故障轴承的振动加速度信号样本，并将采集到的信号样本截取长度为N的信号作为训练样本，即振动信号原始时间序列；/nS2)、利用改进多尺度排列熵IMPE对训练样本提取特征值，所述的改进多尺度排列熵IMPE计算式如下：/n
【技术特征摘要】
1.一种动车组滚动轴承故障诊断方法，其特征在于，包括以下步骤：
S1)、通过振动加速度传感器采集故障轴承的振动加速度信号样本，并将采集到的信号样本截取长度为N的信号作为训练样本，即振动信号原始时间序列；
S2)、利用改进多尺度排列熵IMPE对训练样本提取特征值，所述的改进多尺度排列熵IMPE计算式如下：
式中，x,τ,m,L分别为原始时间序列、尺度因子、嵌入维数、时间延迟，
其中，其中，为τ个p(τ)(π)均值化后的值，p(τ)(π)为排列π出现的频率，π为粗粒化时间序列中的m元向量的编号排列，粗粒化时间序列是原始时间序列经过粗粒化计算后形成的序列；
S3)、重复步骤S2)，共得到τ个特征值，组成一个特征集；
S4)、将步骤S3)中的特征集作为输入样本，输入到支持向量机中，建立LIBSVM模型；
S5)、将待测样本按照S1-S2)进行处理，将得到的被测轴承的特征集输入到已训练好的LIBSVM模型中进行分类，得到轴承的故障位置，以及轴承的故障程度。
2.根据权利要求1所述的一种动车组滚动轴承故障诊断方法，其特征在于：步骤S2)中，利用改进多尺度排列熵IMPE提取特征值，具体为：
对于长度为N振动信号原始时间序列x进行粗粒化处理：
当尺度因子τ＝1时，粗粒化时间序列即为原始时间序列。
3.根据权利要求2所述的一种动车组滚动轴承故障诊断方法，其特征在于：当尺度因子τ≥2时，所述的方法还包括：
对原始时间序列进行粗粒化处理，有k(1≤k≤τ)个粗粒化信号序列；
当计算到第k(1≤k≤τ)个粗理化序列时，从原始时间序列的第(j-1)τ+k个元素开始，其中，取τ个元素计算均值，记为即
1≤k≤τ；
计算得到的均值组成新的时间序列，即粗粒化时间序列
4.根据权利要求3所述的一种动车组滚动轴承故障诊断方法，其特征在于：在得到粗粒化时间序列后，所述的方法还包括：
在尺度因子τ下，共有τ个粗粒化时间序列，对于每一个粗粒化时间序列，从j个元素起，每隔L-1个元素，按顺序取m个元素作为m元向量，记为向量
对每个向量中的元素，按顺序从0到m-1进行编号，再把每个元素按照从小到大的顺序排列，得到新排列，新排列中每个元素在向量中都有相应元素与之对应，按新排列元素顺序记录每个元素的对应编号，对应编号形成新的序列π，共有m！种类型的序列π，计算每一种类型的序列π出现的频率，得到pn(τ)(π)，其中，1≤n≤m！，
在尺度因子τ下，因为有τ个粗粒化时间序列，所以每一种类型的序列出现的频率pn(τ)(π)有τ个，求其均值，得到运用IMPE计算公式，得到尺度因子τ下的特征值。
5.一种动车组滚动轴承故障诊断的试验模拟装置，其特征在于：通过所述的模拟装置对故障轴承进行模拟，以...
【专利技术属性】
技术研发人员：李永健，高秋明，宋浩，郑峰，陈洪明，陶文聪，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44
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。