【技术实现步骤摘要】
一种列车门滚珠丝杠的故障诊断方法、设备和存储介质
[0001]本专利技术属于丝杠故障检测
,尤其涉及一种列车门滚珠丝杠的故障诊断方法、设备和存储介质。
技术介绍
[0002]地铁车辆列车门有着极高的开关频率,在其开关过程中通过丝杠将旋转运动转化为直线运动,而滚珠丝杠的应用,将传统螺杆的滑动接触转换成滚动接触,以滚动摩擦取代滑动摩擦,将螺帽内的钢珠回转运动转为线性运动,将扭矩转换成轴向反复作用力,以此来改善传统螺杆定位不佳及易损害的情况,减小列车门使用过程中的摩擦阻力。由于列车门极高的开关频率,滚珠丝杠较其他部件更易出现故障,常见故障为长期受到外力挤压,或是滚轮与丝杠的碰撞而导致的丝杠磨损和毛刺卷边,有必要对滚珠丝杠进行故障诊断,提高列车门的使用寿命和使用可靠性。
[0003]目前对滚珠丝杠的故障诊断通常采用信号处理技术来分析故障数据,主要包含信号预处理、故障特征提取和故障模式分类三部分组成,通过声音以及振动信号实现故障诊断,使用经验模态分解方法从噪声环境中提取出滚珠丝杠的微弱故障特征。而故障特征提取方法主要包括对振动信号的时域/频域/时频域分析。时域上的特征参数主要包含有量纲参数(均方根值、平均值等)和无量纲参数(峰值因子、脉冲因子等),对提取出的故障特征向量进行故障模式识别实现故障诊断。
[0004]大部分故障诊断试验平台通过外置试验台对机构进行模拟载荷,但将机构脱离原始结构体进行试验,由于缺少实际工况的考虑,忽略了机构运行过程中多部件的影响,导致试验效果无法有效反映出机构真实运行状态。而经验
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种列车门滚珠丝杠的故障诊断方法,其特征在于,包括:101,获取用于检测滚珠丝杠不同位置的多个传感器检测到的振动信号;102,将振动信号通过变分模态分解进行降噪处理,使用蝠鲼觅食优化算法对变分模态分解降噪过程中所需要确定的参数二次惩罚因子和本征模态分量数进行确定;103,在蝠鲼觅食优化算法中,设置振动信号样本熵为算法适应度函数,设置算法搜索样本熵的种群规模、求解维度、最大迭代次数和当前的迭代次数;选取振动信号样本熵为适应度函数,以计算种群适应度,获取随机数rand,当rand≥0.5时,进行链式觅食;当rand<0.5时,进行融合莱维飞行的螺旋觅食;进行翻滚觅食,对当前种群位置进行高斯变异,更新种群位置;判断是否达到最大迭代次数;如果未达到最大迭代次数,则返回随机数rand判定继续迭代;如果达到最大迭代次数,则输出得到信号变分模态降噪最佳参数组合中的模态数和惩罚因子;对最佳参数组合进行变分模态分解,得到本征模态分量;根据振动信号峭度指标筛选本征模态分量,选取峭度值大于平均峭度的本征模态分量叠加重构得到降噪信号;104,根据获得的候选特征信号提取多维时域、频域以及熵特征,将fisher score算法与XGBoost相结合进行特征选择,按比例将振动信号划分为训练样本和测试样本,利用训练集计算特征变量的Fisher Score值;105,对特征集按照评分降序排列,按照顺序依次加入特征集并通过分类模型训练,得到有效特征量;106,对第一次筛选后的特征子集进行划分并初始化最优特征子集为空,对第一份特征子集使用XGBoost算法进行特征选择,筛选出前目标个特征加入到特征集,以进行迭代式XGBoost;将当前最优特征子集添加至下一份划分子集中,使用XGBoost算法更新,直至迭代完毕;107,求解相关系数,根据其协方差矩阵计算得到相应的系数矩阵,对求得的系数矩阵进行特征值以及相应特征向量组的求解,使用求得的系数矩阵对归一化的数据矩阵进行正交变换,得到一组相互正交的新向量组为所求得的主元特征;108,将前目标个累计贡献率达到目标贡献率的主成分代替初始的重要特征以划分训练集和测试集;109,使用贝叶斯算法优化分类模型超参数并使用训练好的模型进行故障分类,实现列车门列车门滚珠丝杠故障诊断。2.根据权利要求1所述的列车门滚珠丝杠的故障诊断方法,其特征在于,步骤102包括:构建变分表达式:其中,K为模态分量数;u
k
为模态分量;w
k
为中心频率;为梯度运算;*为卷积运算;F为原始信号;δ(t)为脉冲函数;j为虚数单位;e为指数函数;|| ||2为范数;引入Lagrange乘子法算子λ:
其中,α为惩罚因子;F(t)为实信号;λ(t)为Lagrange乘子;采取交替方向乘子算法分解原始信号并进行迭代寻优:采取交替方向乘子算法分解原始信号并进行迭代寻优:采取交替方向乘子算法分解原始信号并进行迭代寻优:其中,分别为的傅里叶变换;为模态分量;w为频率;为迭代更新的中心频率;为拉格朗日乘子;γ为噪声容限;为输入信号对应的傅里叶变换;迭代至满足约束条件:其中,∈为阈值判定条件。3.根据权利要求1所述的列车门滚珠丝杠的故障诊断方法,其特征在于,步骤103包括:构建立方混沌映射初始化种群表达式:x(n+1)=4x(n)3‑
3x(n),
‑
1≤x(n)≤1,n=1,2,3,
…
,N;其中,x(n)为当前迭代种群中的随机个体;N为样本熵的种群规模;在搜索空间随机生成一个[
‑
1,1]的d维个体;将生成的个体迭代产生个体混沌序列;个体迭代完成后通过下式映射回原空间:其中,X
d
为映射后的混沌变量;u
d
为每个个体维度上限;l
d
为每个个体维度下限;x为种群个体;链式觅食更新位置为:链式觅食更新位置为:
其中,为第t代第i个体在d维上的位置;r为[0,1]中随机数;为第t代最优个体在d维上的位置;α为惩罚因子;当t/T>r时,螺旋觅食方程为:当t/T>r时,螺旋觅食方程为:其中T为总迭代次数;t为当前迭代次数;r1表示[0,1]中的随机数;当t/T≤r时,螺旋觅食方程为:当t/T≤r时,螺旋觅食方程为:其中,为第t代d维的随机位置;U
d
和L
d
分别为变量上界和下界;翻滚觅食中个体以当前最优解位置作为翻滚支点,表达式如下:翻滚觅食中个体以当前最优解位置作为翻滚支点,表达式如下:S为翻滚因子;L(λ)为莱维飞行策略;δ为1.5;μ,ν服从正态分布:S为翻滚因子;L(λ)为莱维飞行策略;δ为1.5;μ,ν服从正态分布:S为翻滚因子;L(λ)为莱维飞行策略;δ为1.5;μ,ν服从正态分布:Γ(*)为伽马函数,σ
ν
=1,增加莱维飞行后,得到当t/T>r时,更新方式为:当t/T≤r时,更新方式为:构建高斯分布函数表达式:其中,高斯函数中x0为高斯函数中取0到1的随机数;
构建蝠鲼位置高斯变异表达式:x
newbest
=x
best
+Gaussian(x0)
×
x
best
;其中,Gaussian(x0)为高斯分布函数;x
技术研发人员:杨柳,王若凡,徐涛,李永林,高海涛,许有熊,朱松青,
申请(专利权)人:南京工程学院,
类型:发明
国别省市:
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。