【技术实现步骤摘要】
用于轴承早期失效的微弱信号故障特征分类方法与系统
本专利技术涉及轴承故障诊断
，特别涉及一种用于轴承早期失效的微弱信号故障特征分类方法与系统。
技术介绍
高速列车的运行速度不断提升，其走行部轴颈轴承的工作转速更快、受载更大、工作时间更长，是最容易损坏的部件。为了保证高速列车的安全稳定运行，采用定期更换滚动轴承等易磨损零部件，以及安排列车安全运行巡检员监测每节车厢的运行状态，以保障其安全。传统的方法一方面容易出现轴承寿命未达到时就进行了更换；造成人力物力的浪费，另一方面对巡检员的经验要求较高，需要有长期的工作经验才可胜任。所以研究一种轴承早期故障微弱信号故障特征分类方法具有重要的现实意义。基于深度学习的故障诊断方法能够从海量数据中通过网络自动学习特征识别与分类，进行故障诊断。但是在实际使用中其效果受到输入数据数量的影响，特别是高速列车走行部轴颈轴承的故障数据稀少，模型训练受制于训练数据集的数量，对于小样本数据的分类准确率不高，且深度学习模型的训练速度远比线性模型慢，难以发挥深度学习的优势。而传统的机器学习...
【技术保护点】
1.一种用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，所述分类方法包括：/n利用轴承试验装置获取不同故障状态下的轴承振动信号数据；/n利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量，计算各所述模态分量的能量；/n以各所述模态分量的能量来构建特征向量数据集；/n利用所述特征向量数据集对故障诊断模型进行训练；/n利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别；/n其中，所述轴承故障诊断模型包括朴素贝叶斯分类模型。/n
【技术特征摘要】
1.一种用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，所述分类方法包括：
利用轴承试验装置获取不同故障状态下的轴承振动信号数据；
利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量，计算各所述模态分量的能量；
以各所述模态分量的能量来构建特征向量数据集；
利用所述特征向量数据集对故障诊断模型进行训练；
利用训练好的所述轴承故障诊断模型进行轴承故障类型的识别；
其中，所述轴承故障诊断模型包括朴素贝叶斯分类模型。
2.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，所述不同故障状态包括正常状态、滚动体故障、内圈故障、外圈故障以及保持架故障。
3.根据权利要求2所述的用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中，通过激光打标机和线切割完成轴承不同故障类型的加工。
4.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中，利用设置于轴承试验机上的加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
5.根据权利要求4所述的用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，在所述利用轴承试验装置获取不同故障状态下的轴承振动信号数据的步骤中，利用设置于轴承试验机上的三向加速度振动传感器和单向加速度振动传感器来采集轴承在不同故障状态下的轴承振动信号。
6.根据权利要求1所述的用于轴承早期失效的微弱信号故障特征分类方法，其特征在于，所述利用改进的变分模态方法将所述轴承振动信号数据分解成多个模态分量的步骤包括：
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。