一种轴承故障的检测方法及装置制造方法及图纸

本申请提供的一种轴承故障的检测方法及装置，方法包括：获取轴承的原始时域训练数据及对应的故障状态；对所有原始时域数据分别按照白鲸优化算法和自适应差分算法的规则进行初始化，并根据故障状态对初始化后的个体分配对应的个体适应度值；在每次群体迭代中根据更新的个体适应度值，选择白鲸优化算法和自适应差分算法中的一种，得到目标卷积神经网络；获取待测轴承及其对应的待测原始时域数据，并将待测原始时域数据输入目标卷积神经网络，得到待测轴承对应的故障检测结果

【技术实现步骤摘要】
一种轴承故障的检测方法及装置


[0001]本专利技术涉及轴承故障的检测
，尤其涉及一种轴承故障的检测方法及装置
。

技术介绍

[0002]由于轴承具有结构复杂及强耦合性，并且运行环境恶劣，一旦其发生故障，会导致轴承乃至整个部件的损坏，造成巨大的财产损失，甚至可能导致人员伤亡
。
因此，轴承的故障诊断成为一项关键的任务
。
我国列车提速后，有关部件的故障率有增大的趋势，而轴承故障是列车运行中的主要故障源之一
。
加强轴承的监测和诊断，及时了解和掌握轴承的工作状态，可以尽量发挥轴承的工作潜力，减少或避免事故的发生，对列车的安全运行具有十分重要的意义
。
[0003]传统的轴承故障诊断方法通常包括人工特征提取
、
特征降维及分类三个步骤，这种方法过于依赖专业知识，而且无法确保诊断通用性，已不能符合实际的需求
。

技术实现思路

[0004]本专利技术提供一种轴承故障的方法及装置，用于摆脱人工提取轴承故障特征的同时，提升轴承故障的检测精度及检测速度
。
[0005]第一方面，本专利技术提供了一种轴承故障的检测方法，包括：
[0006]获取轴承的原始时域训练数据及对应的故障状态；
[0007]对所有所述原始时域数据分别按照白鲸优化算法和自适应差分算法的规则进行初始化，并根据所述故障状态对初始化后的个体分配对应的个体适应度值；
[0008]在每次群体迭代中根据更新的所述个体适应度值，选择所述白鲸优化算法和所述自适应差分算法中的一种，得到目标卷积神经网络；
[0009]获取待测轴承及其对应的待测原始时域数据，并将所述待测原始时域数据输入所述目标卷积神经网络，得到所述待测轴承对应的故障检测结果
。
[0010]可选地，在每次群体迭代中根据更新的所述个体适应度值，选择所述白鲸优化算法和所述自适应差分算法中的一种，得到目标卷积神经网络，包括：
[0011]在每次群体迭代中根据所更新的所述个体适应度值，计算相应的种群平均适应度值；
[0012]根据所述种群平均适应度值与所更新的所述个体适应度值的大小关系，选择所述白鲸优化算法或所述自适应差分算法进行网络参数优化，得到最优网络参数；
[0013]采用所述最优网络参数生成所述目标卷积神经网络
。
[0014]可选地，根据所述种群平均适应度值与所更新的所述个体适应度值的大小关系，选择所述白鲸优化算法或所述自适应差分算法进行网络参数优化，得到最优网络参数，包括：
[0015]S1
，判断所述所更新的所述个体适应度值是否小于所述种群平均适应度值；若是，
则选择所述白鲸优化算法进行网络参数优化；若否，则选择所述自适应差分算法进行网络参数优化；
[0016]S2
，基于所述故障状态，计算新的所述个体适应度值，并根据所述个体适应度值确定最佳个体；
[0017]S3
，判断当前迭代次数是否小于预设的最大迭代总次数，若是，则输出所述最佳个体对应的所述最优网络参数；若否，则返回步骤
S1。
[0018]可选地，选择所述自适应差分算法进行网络参数优化，包括：
[0019]根据所述自适应差分算法更新差分算法个体的控制参数
SF
和
CR
进行更新；
[0020]使用所述自适应差分算法，对所述差分算法个体进行变异操作，生成新的变异个体；
[0021]通过交叉操作将所述变异个体与原始的所述差分算法个体进行融合，并在融合后选取新的差分算法个体，组成下一次迭代种群
。
[0022]可选地，选择所述白鲸优化算法进行网络参数优化，包括：
[0023]计算白鲸个体的平衡因子，并判断所述平衡因子是否大于预先设定的因子阈值；若是，则通过所述白鲸优化算法中的全局勘探数学模型更新所述白鲸个体的位置；若否，则通过所述白鲸优化算法中的局部开发数学模型更新所述白鲸个体的位置；
[0024]判断所述平衡因子是否小于权重因子；若是，则通过所述白鲸优化算法中的鲸鱼坠落模型更新所述白鲸个体的位置；所述权重因子基于预先设定的权重表达式确定
。
[0025]第二方面，本专利技术提供了一种轴承故障的检测装置，包括：
[0026]获取模块，用于获取轴承的原始时域训练数据及对应的故障状态；
[0027]适应度值分配模块，用于对所有所述原始时域数据分别按照白鲸优化算法和自适应差分算法的规则进行初始化，并根据所述故障状态对初始化后的个体分配对应的个体适应度值；
[0028]目标网络生成模块，用于在每次群体迭代中根据更新的所述个体适应度值，选择所述白鲸优化算法和所述自适应差分算法中的一种，得到目标卷积神经网络；
[0029]检测模块，用于获取待测轴承及其对应的待测原始时域数据，并将所述待测原始时域数据输入所述目标卷积神经网络，得到所述待测轴承对应的故障检测结果
。
[0030]可选地，所述目标网络生成模块包括：
[0031]种群平均适应度值计算子模块，用于在每次群体迭代中根据所更新的所述个体适应度值，计算相应的种群平均适应度值；
[0032]最优网络参数确定子模块，用于根据所述种群平均适应度值与所更新的所述个体适应度值的大小关系，选择所述白鲸优化算法或所述自适应差分算法进行网络参数优化，得到最优网络参数；
[0033]目标网络生成子模块，用于采用所述最优网络参数生成所述目标卷积神经网络
。
[0034]可选地，所述最优网络参数确定子模块包括：
[0035]算法选择单元，用于判断所述所更新的所述个体适应度值是否小于所述种群平均适应度值；若是，则选择所述白鲸优化算法进行网络参数优化；若否，则选择所述自适应差分算法进行网络参数优化；
[0036]最佳个体确定单元，用于基于所述故障状态，计算新的所述个体适应度值，并根据
所述个体适应度值确定最佳个体；
[0037]判断单元，用于判断当前迭代次数是否小于预设的最大迭代总次数，若是，则输出所述最佳个体对应的所述最优网络参数；若否，则执行所述算法选择单元
。
[0038]第三方面，本申请提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤
。
[0039]第四方面，本申请提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤
。
[0040]从以上技术方案可以看出，本专利技术具有以下优点：
[0041]本专利技术提供了一种轴承故障的检测方法及装置，方法包括：获取轴承的原始时域训练数据及对应的故障状态；对所有所述原始时域数据分别按照白鲸优化算法和自适应差分算法的规则进行初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轴承故障的检测方法，其特征在于，包括：获取轴承的原始时域训练数据及对应的故障状态；对所有所述原始时域数据分别按照白鲸优化算法和自适应差分算法的规则进行初始化，并根据所述故障状态对初始化后的个体分配对应的个体适应度值；在每次群体迭代中根据更新的所述个体适应度值，选择所述白鲸优化算法和所述自适应差分算法中的一种，得到目标卷积神经网络；获取待测轴承及其对应的待测原始时域数据，并将所述待测原始时域数据输入所述目标卷积神经网络，得到所述待测轴承对应的故障检测结果
。2.
根据权利要求1所述的轴承故障的检测方法，其特征在于，在每次群体迭代中根据更新的所述个体适应度值，选择所述白鲸优化算法和所述自适应差分算法中的一种，得到目标卷积神经网络，包括：在每次群体迭代中根据所更新的所述个体适应度值，计算相应的种群平均适应度值；根据所述种群平均适应度值与所更新的所述个体适应度值的大小关系，选择所述白鲸优化算法或所述自适应差分算法进行网络参数优化，得到最优网络参数；采用所述最优网络参数生成所述目标卷积神经网络
。3.
根据权利要求2所述的轴承故障的检测方法，其特征在于，根据所述种群平均适应度值与所更新的所述个体适应度值的大小关系，选择所述白鲸优化算法或所述自适应差分算法进行网络参数优化，得到最优网络参数，包括：
S1
，判断所述所更新的所述个体适应度值是否小于所述种群平均适应度值；若是，则选择所述白鲸优化算法进行网络参数优化；若否，则选择所述自适应差分算法进行网络参数优化；
S2
，基于所述故障状态，计算新的所述个体适应度值，并根据所述个体适应度值确定最佳个体；
S3
，判断当前迭代次数是否小于预设的最大迭代总次数，若是，则输出所述最佳个体对应的所述最优网络参数；若否，则返回步骤
S1。4.
根据权利要求3所述的轴承故障的检测方法，其特征在于，选择所述自适应差分算法进行网络参数优化，包括：根据所述自适应差分算法更新差分算法个体的控制参数
SF
和
CR
进行更新；使用所述自适应差分算法，对所述差分算法个体进行变异操作，生成新的变异个体；通过交叉操作将所述变异个体与原始的所述差分算法个体进行融合，并在融合后选取新的差分算法个体，组成下一次迭代种群
。5.
根据权利要求3所述的轴承故障的检测方法，其特征在于，选择所述白鲸优化算法进行网络参数优化，包括：计算白鲸个体的平衡因子，并判断所述平衡因子是否大...

【专利技术属性】
技术研发人员：王飞，马瑞峰，赵楠，崔佳，池志祥，王璇，赵永钢，高广西，
申请(专利权)人：国能铁路装备有限责任公司，
类型：发明
国别省市：