一种数据驱动的列车轴承故障诊断方法技术

本发明专利技术公开了一种数据驱动的列车轴承故障诊断方法，包括步骤：获取待测轴承的声学信号；根据所述声学信号，确定频域累积值；基于非参数概率回归模型，根据所述频域累积值，确定归一化对数贝叶斯因子；其中，所述非参数概率回归模型是基于相关向量机和无损轴承的声学信号建立的；根据所述归一化对数贝叶斯因子，确定所述待测轴承的诊断结果。本发明专利技术诊断方法通过相关向量机建立关于累积频域值的数据驱动稀疏模型，模型简单，计算快速，可以实时监控轴承健康状态。频域累积值被首次提出用于建模，机制简单，效果直接明显。效果直接明显。效果直接明显。

【技术实现步骤摘要】
一种数据驱动的列车轴承故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其涉及的是一种数据驱动的列车轴承故障诊断方法。

技术介绍

[0002]由于速度远远快于一般列车，需要以更高的标准要求高速铁路的安全性。滚动轴承作为高速铁路列车的关键构件，对列车的安全运行起着至关重要的作用。作为支撑机械旋转体的重要零部件，是极其易于发生故障的部位。受限于各种列车的安装和运行条件，无法在有轴承部件的各个部位都安装加速度或传感器，现有技术中难以对列车轴承进行故障诊断。
[0003]因此，现有技术还有待于改进和发展。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种数据驱动的列车轴承故障诊断方法，旨在解决现有技术中对列车轴承进行故障诊断难度较大的问题。
[0005]本专利技术解决技术问题所采用的技术方案如下：一种数据驱动的列车轴承故障诊断方法，其中，包括步骤：获取待测轴承的声学信号；根据所述声学信号，确定频域累积值；基于非参数概率回归模型，根据所述频域累积值，确定归一化对数贝叶斯因子；其中，所述非参数概率回归模型是基于相关向量机和无损轴承的声学信号建立的；根据所述归一化对数贝叶斯因子，确定所述待测轴承的诊断结果。
[0006]所述的数据驱动的列车轴承故障诊断方法，其中，所述根据所述声学信号，确定频域累积值，包括：将所述声学信号进行傅里叶变换，得到所述声学信号的频域值；根据所述频域值，确定频域累积值。
[0007]所述的数据驱动的列车轴承故障诊断方法，其中，所述频域累积值为：，其中，表示n个频率点的频域累积值，表示声学信号中第i个频率点的频域幅值，∑表示求和。
[0008]所述的数据驱动的列车轴承故障诊断方法，其中，所述非参数概率回归模型包括：健康假设的分布模型和损伤假设的分布模型，并采用如下步骤建立得到：获取若干个无损轴承的声学信号；根据所述无损轴承的声学信号，确定所述无损轴承的频域累积值；基于相关向量机，根据若干个所述无损轴承的频域累积值，确定健康假设的分布
模型；根据所述健康假设的分布模型，确定损伤假设的分布模型。
[0009]所述的数据驱动的列车轴承故障诊断方法，其中，所述健康假设的分布模型为：，所述损伤假设的分布模型为：，其中，表示健康假设，表示正态分布，表示无损轴承的频域累积值的均值，表示无损轴承的频域累积值的标准差，表示损伤假设，表示偏移因子，所述偏移因子根据所述无损轴承的频域累积值的标准差确定。
[0010]所述的数据驱动的列车轴承故障诊断方法，其中，所述归一化对数贝叶斯因子为：，，，其中，表示归一化对数贝叶斯因子，表示频率数据点的数量，表示向量的转置，表示频域累积值与无损轴承的频域累积值的均值之间的差值，表示频域累积值与无损轴承的频域累积值的均值、偏移因子之间的差值。
[0011]所述的数据驱动的列车轴承故障诊断方法，其中，所述诊断结果包括：健康状态和损伤状态；所述根据所述归一化对数贝叶斯因子，确定所述待测轴承的诊断结果，包括：当所述归一化对数贝叶斯因子为正值，所述待测轴承为健康状态；当所述归一化对数贝叶斯因子为负值，所述待测轴承为损伤状态。
[0012]一种数据驱动的列车轴承故障诊断系统，其中，包括：获取模块，用于获取待测轴承的声学信号；频域累积模块，用于根据所述声学信号，确定频域累积值；因子模块，用于基于非参数概率回归模型，根据所述频域累积值，确定归一化对数贝叶斯因子；诊断模块，用于根据所述归一化对数贝叶斯因子，确定所述待测轴承的诊断结果。
[0013]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
[0014]一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
[0015]有益效果：本专利技术诊断方法通过相关向量机建立关于累积频域值的数据驱动稀疏模型，模型简单，计算快速，可以实时监控轴承健康状态。频域累积值被首次提出用于建模，机制简单，效果直接明显。
附图说明
[0016]图1是本专利技术实施例中麦克风采集轴承的声学信号的时程图。
[0017]图2是本专利技术实施例中预处理后的声学信号的时域图。
[0018]图3是本专利技术实施例中预处理后的声学信号的频域图。
[0019]图4是本专利技术实施例中多个频域累积值样本集合图。
[0020]图5是本专利技术实施例中相关向量机模型。
[0021]图6是本专利技术实施例中健康状态下轴承的归一化贝叶斯因子图。
[0022]图7是本专利技术实施例中损伤状态下轴承的归一化贝叶斯因子图。
具体实施方式
[0023]为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0024]请同时参阅图1
‑
图7，本专利技术提供了一种数据驱动的列车轴承故障诊断方法的一些实施例。
[0025]本专利技术实施例的数据驱动的列车轴承故障诊断方法，包括以下步骤：步骤S100、获取待测轴承的声学信号。
[0026]具体地，通过麦克风采集的待测轴承的原始声学信号如图1所示。因采集的原始声学信号包含许多跟轴承无关的噪声成分，因此有必要先对原始声学信号进行预处理，常见轴承预处理方法例如自回归模型获得如轴或者齿轮等离散信号，从原始信号中剔除离散信号作为预处理第一步，第二步进行包络分析预处理，经包络分析预处理后虽可初步进行故障诊断，但需观察包络频谱和故障频率是否匹配，并在某些工况下故障诊断直观度不明显，并且无法量化轴承损伤程度。经过对待测轴承的原始声学信号进行预处理，得到待测轴承的声学信号，具体如图2所示。
[0027]步骤S200、根据所述声学信号，确定频域累积值。
[0028]具体地，根据待测轴承的声学信号，确定待测轴承的频域累积值，声学信号的频域幅值走势起伏大，平滑性差，难于直接建模。为此，将声学信号转化为频域累积值，增加数据走势的一致性。频域累积值变为单调递增的曲线，易于建模。
[0029]步骤S200具体包括：步骤S210、将所述声学信号进行傅里叶变换，得到所述声学信号的频域值。
[0030]步骤S220、根据所述频域值，确定频域累积值。
[0031]具体地，先采用傅里叶变换，将待测轴承的声学信号变换成声学信号的频域值。然后根据频域值，得到频域累积值。如图3所示，经过傅里叶变换后，得到声学信号的频域值，频率点的范围为0
‑
1000Hz。对所有频率点的振幅进行累积，得到频域累积值。如图4所示，随着频率点的频率的增加，频域累积值逐渐增加，由于频域累积值变为单调递增的曲线，易于建模。
[0032]所述频域累积值为：，
其中，表示n个频率点的频域累积值，表示声学信号中第i个频率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的列车轴承故障诊断方法，其特征在于，包括步骤：获取待测轴承的声学信号；根据所述声学信号，确定频域累积值；基于非参数概率回归模型，根据所述频域累积值，确定归一化对数贝叶斯因子；其中，所述非参数概率回归模型是基于相关向量机和无损轴承的声学信号建立的；根据所述归一化对数贝叶斯因子，确定所述待测轴承的诊断结果。2.根据权利要求1所述的数据驱动的列车轴承故障诊断方法，其特征在于，所述根据所述声学信号，确定频域累积值，包括：将所述声学信号进行傅里叶变换，得到所述声学信号的频域值；根据所述频域值，确定频域累积值。3.根据权利要求2所述的数据驱动的列车轴承故障诊断方法，其特征在于，所述频域累积值为：，其中，表示n个频率点的频域累积值，表示声学信号中第i个频率点的频域幅值，∑表示求和。4.根据权利要求1
‑
3任意一项所述的数据驱动的列车轴承故障诊断方法，其特征在于，所述非参数概率回归模型包括：健康假设的分布模型和损伤假设的分布模型，并采用如下步骤建立得到：获取若干个无损轴承的声学信号；根据所述无损轴承的声学信号，确定所述无损轴承的频域累积值；基于相关向量机，根据若干个所述无损轴承的频域累积值，确定健康假设的分布模型；根据所述健康假设的分布模型，确定损伤假设的分布模型。5.根据权利要求4所述的数据驱动的列车轴承故障诊断方法，其特征在于，所述健康假设的分布模型为：，所述损伤假设的分布模型为：，其中，表示健康假设，表示正态分布，表示无损轴承的频域累积值的均值，表示无损...

【专利技术属性】
技术研发人员：魏元昊，王友武，倪一清，郑有梁，
申请(专利权)人：香港理工大学深圳研究院，
类型：发明
国别省市：