CN104807639A - 一种机车走行部滚动轴承故障诊断方法和装置 - Google Patents

Abstract

本发明公开了一种机车走行部滚动轴承故障诊断方法和装置，其中，该方法包括：采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组；根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；对所述频域信号进行三层小波包分解，并构建故障特征集；将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

Description

一种机车走行部滚动轴承故障诊断方法和装置

技术领域

本发明涉及机械故障诊断技术领域，具体地，涉及一种基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法和装置。

背景技术

铁路是国家的重要基础设施，对我国社会经济发展和国防起着不可替代的作用。近年来，随着我国经济建设的飞速发展，国家加大了对铁路运输的投入，高速重载就是其中一个重点体现。速度和载重是评价列车性能的两个相互制约的重要指标，随着列车运行速度的不断提高和牵引载重的不断提升，机车的安全运行便有了更高的要求，机车的维护也随之显得愈加重要。

机车走行部是机车的关键部件之一，保证列车能够顺利通过曲线，而滚动轴承作为机车走行部的支撑部件，其状况的好坏直接关系到机车的性能和列车的安全。由于滚动轴承的工作面与接触应力的长期反复作用，极易引起轴承疲劳、裂纹、压痕等故障，导致轴承破损，造成重大事故。因此，针对机车走行部滚动轴承的故障诊断和状态监测开展研究，对保证机车的性能和列车的正常安全运行有着十分重要的意义。

机车走行部滚动轴承出现异常时，故障会直接反映到振动信号(振动加速度信号)上，因此，对振动数据作数据融合分析以辨别故障类型的方法是行之有效的，然而，想要在复杂、动态的环境下提取故障特征信号继而进行快速准确的故障诊断，是一个非常艰巨的任务。

目前，国内外针对机车走行部滚动轴承故障诊断所采取的方法有小波变换、小波包变换、BP神经网络、支持向量机、最小二乘支持向量机等。小波变换方法不仅可以对信号作频域分析，而且可以对局部频域过程作时域分析，在处理非平稳信号方面有其优势，但小波变换方法只对低频部分做了进一步分解，对高频部分不再分解，所以小波变换方法可以很好的处理以低频信号为主要成分的信号，但不能很好的分析信号的细节部分。

小波包变换是对小波变换的细化，是将小波分解中未继续分解的高频部分作进一步分解，即对原信号进行迭代分解，迭代次数越多，频段分解越细化，时频分辨率就越高，故障诊断准确率也更高，但其模型建立时间也会相应增加。BP神经网络是一种目前应用广泛的状态识别方法，它具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力等优点，但其存在局部极小化、网络结构难以确定、收敛速度较慢的问题。支持向量机方法克服了BP神经网络收敛速度慢等不足，但训练时间还是不能满足需要；最小二乘支持向量机方法训练时间非常快，但故障诊断准确率不如支持向量机和BP神经网络等学习方法。

因此，在现有技术中，在对机车走行部滚动轴承进行故障诊断时，存在诊断准确率较低、建立诊断模型耗时较长的问题。

发明内容

为了解决现有技术中存在的机车走行部滚动轴承故障诊断准确率较低、建立诊断模型耗时较长的问题，本发明提出了一种基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法和装置。

本发明的机车走行部滚动轴承故障诊断方法，包括：

采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

对所述频域信号进行三层小波包分解，并构建故障特征集；

将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

在上述技术方案中，所述根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号包括：

对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

在上述技术方案中，所述对所述频域信号进行三层小波包分解，并构建故障特征集包括：

对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量其中i为A组信号中的第i组，每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N；

根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

在上述技术方案中，所述采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型包括：

采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

在上述技术方案中，所述根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能包括：

根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。

本发明的机车走行部滚动轴承故障诊断方法，模型训练时间更短，分类准确率更高。将小波包和朴素贝叶斯分类方法引进到机车走行部滚动轴承故障诊断中，为机车走行部滚动轴承故障诊断提供了理论基础，对列车的安全运行具有重要意义。基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法，适合于复杂、动态的环境，可以大大提高机车走行部滚动轴承故障诊断的速度和准确度，是解决机车走行部滚动轴承故障诊断问题的有效途径，也可将该方法推广应用至冶金、化工、航空等其他领域。

本发明的机车走行部滚动轴承故障诊断装置，包括：

信号采集模块，用于采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

信号处理模块，用于根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

特征集建立模块，用于对所述频域信号进行三层小波包分解，并构建故障特征集；

特征集划分模块，用于将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

模型建立模块，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

模型评估模块，用于根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

在上述技术方案中，所述信号处理模块包括：

信号去噪子模块，用于对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

时域分析子模块，用于对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

频域分析子模块，用于对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

在上述技术方案中，所述特征集建立模块包括：

小波包分解子模块，用于对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

向量构建子模块，用于计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量其中i为A组信号中的第i组，每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N；

特征集构建子模块，用于根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

在上述技术方案中，所述模型建立模块包括：

贝叶斯分类子模块，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

模型构建子模块，用于根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

在上述技术方案中，所述模型评估模块包括：

故障对应子模块，用于根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

故障比对子模块，用于将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。

本发明的机车走行部滚动轴承故障诊断装置，模型训练时间更短，分类准确率更高。将小波包和朴素贝叶斯分类方法引进到机车走行部滚动轴承故障诊断中，为机车走行部滚动轴承故障诊断提供了理论基础，对列车的安全运行具有重要意义。基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法，适合于复杂、动态的环境，可以大大提高机车走行部滚动轴承故障诊断的速度和准确度，是解决机车走行部滚动轴承故障诊断问题的有效途径，也可将该方法推广应用至冶金、化工、航空等其他领域。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例的机车走行部滚动轴承故障诊断方法的流程图；

图2为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S102的流程图；

图3为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S103的流程图；

图4为本发明实施例的三层小波包分解的示意图；

图5为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S105的流程图；

图6为本发明实施例的朴素贝叶斯分类的结构示意图；

图7为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S106的流程图；

图8为本发明实施例中使用训练集构建的朴素贝叶斯故障诊断模型对测试集的分类结果示意图；

图9为本发明实施例的机车走行部滚动轴承故障诊断装置的结构示意图；

图10为本发明实施例的信号处理模块的结构示意图；

图11为本发明实施例的特征集建立模块的结构示意图；

图12为本发明实施例的模型建立模块的结构示意图；

图13为本发明实施例的模型评估模块的结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

为了解决现有技术中存在的机车走行部滚动轴承故障诊断准确率较低、建立诊断模型耗时较长的问题，本发明提出了一种基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法和装置。使用小波包分解从原始数据中提取故障特征集，利用朴素贝叶斯分类方法的学习能力和推理作机车走行部滚动轴承的故障诊断，为机车走行部滚动轴承故障诊断和状态监测的研究提供了一种新方法，进一步保证了机车的性能和列车的安全。

该方法首先获取样本数据(本发明中为振动加速度数据信号)，然后去除数据中的趋势项进行消噪，经过两次积分得到位移信号，即获取时域信号。对时域信号作傅里叶变换，将时域信号转成频域信号。通过三层小波包变换构造故障特征集，将故障特征集随机排列后分为训练集和测试集，利用训练集建立故障诊断模型，即朴素贝叶斯分类模型，使用测试集对朴素贝叶斯分类模型的性能进行测试，本发明能够快速、准确地预测和诊断机车走行部滚动轴承的故障。

本发明实施例采用机车走行部滚动轴承实验数据作为验证依据进行特征提取分析，其中轴承型号为552732QT，振动加速度信号的采样频率为12kHz，轴承转速为1797rpm，实验数据包含了四种故障类型的数据，即内圈故障、外圈故障、滚动体故障和正常模式，每种工况下包含了多组振动信号数据，每组数据的采样点为2048，即每组数据包含2048个振动加速度信号数据。

本发明实施例使用的硬件环境为：Windows7操作系统，CPU为Intel(R)Core(i5)2.40GHz，内存为4G，运行软件为MATLAB R2010a，朴素贝叶斯推理软件采用Kevin Murphy开发的Bayesian Network Tool工具包，简称BNT工具包。

实施例一

如图1所示为本发明实施例的机车走行部滚动轴承故障诊断方法的流程图，该方法包括：

步骤S101：采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

正常信号、内圈故障、外圈故障和滚动体故障四种工况即代表机车滚动轴承的故障类型，在后续方法建立的故障诊断模型中可分别以1、2、3、4表示。

步骤S102：根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

步骤S103：对所述频域信号进行三层小波包分解，并构建故障特征集；

小波包分解(wavelet packet decomposition)也可称为小波包(waveletpacket)或子带树(subband tree)及最佳子带树结构(optimal subband treestructuring)。其概念是用分析树来表示小波包，即利用多次叠代的小波转换分析输入信号的细节部分。

步骤S104：将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

在本发明实施例中，为了建立更加准确的故障诊断模型，优选的，所取的训练集的组数B大于测试集C。

步骤S105：采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

贝叶斯分类的基础是概率推理，就是在各种条件的存在不确定，仅知其出现概率的情况下，如何完成推理和决策任务，概率推理是与确定性推理相对应的。而朴素贝叶斯分类器是基于独立假设的，即假设样本每个特征与其他特征都不相关。尽管这些特征相互依赖或者有些特征由其他特征决定，然而朴素贝叶斯分类器认为这些属性在判定该水果是否为苹果的概率分布上独立的。朴素贝叶斯分类器依靠精确的自然概率模型，在有监督学习的样本集中能获取得非常好的分类效果。在许多实际应用中，朴素贝叶斯模型参数估计使用最大似然估计方法，换而言之朴素贝叶斯模型能工作并没有用到贝叶斯概率或者任何贝叶斯模型。朴素贝叶斯分类器的使用为现有技术，在此不再赘述。

步骤S106：根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

具体的，评估故障诊断模型的分类性能，实际上即是将C组测试集的每组数据代入故障诊断模型中，根据故障诊断模型得出在模型中对应的故障类型，将该故障类型与原始故障特征集中每组数据对应的故障类型进行比对，两者一致的概率越高，则说明故障诊断模型的分类性能越高。

本发明的机车走行部滚动轴承故障诊断方法，模型训练时间更短，分类准确率更高。将小波包和朴素贝叶斯分类方法引进到机车走行部滚动轴承故障诊断中，为机车走行部滚动轴承故障诊断提供了理论基础，对列车的安全运行具有重要意义。基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法，适合于复杂、动态的环境，可以大大提高机车走行部滚动轴承故障诊断的速度和准确度，是解决机车走行部滚动轴承故障诊断问题的有效途径，也可将该方法推广应用至冶金、化工、航空等其他领域。

实施例二

如图2所示为本发明实施例的另一种机车走行部滚动轴承故障诊断方法的流程图，其为步骤S102的具体描述，包括：

步骤S201：对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

步骤S202：对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

步骤S203：对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

本实施例为步骤S102的细化，具有实施例一的全部技术效果，在此不再赘述。

实施例三

如图3所示为本发明实施例的又一种机车走行部滚动轴承故障诊断方法的流程图，其为步骤S103的具体描述，包括：

步骤S301：对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

三层小波包分解，也即一维三阶快速小波转换，利用多次叠代的小波转换分析输入信号，因此经过三次的小波转换后如图4所示。

步骤S302：计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量 $\mathrm{Xi}=E_{1/8}^i,E_{2/8}^i,E_{3/8}^i,E_{4/8}^i,E_{5/8}^i,E_{6/8}^i,E_{7/8}^i,E^i,$ 其中i为A组信号中的第i组；

每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N。

步骤S303：根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

如表1所示，以实际采集的29组振动加速度数据为例，构建而成的故障特征集，其中内圈故障(故障类型2)9组，外圈故障(故障类型3)8组，滚动体故障(故障类型4)4组，正常信号8(故障类型1)组。

表1

实施例四

如图5所示为本发明实施例的又一种机车走行部滚动轴承故障诊断方法的流程图，其为步骤S105的具体描述，包括：

步骤S501：采用MATLAB软件进行仿真实验，采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

朴素贝叶斯分类的结构如图6所示，其中根节点①代表故障类型(1、2、3、4，分别与正常信号、内圈故障、外圈故障和滚动体故障对应)，②-⑨代表每组数据在8个频域分量的能量。故障类型概率表是指经过朴素贝叶斯分类后，相同的频域能量数据分别对应不同的故障类型时，以出现概率最高的故障类型作为确定的建立故障诊断模型时采用的故障类型。

推理引擎就是应用系统中用来完成推理功能的模块，也可以称作推理机。推理机一般包括调度器，执行器和一致性协调器三部分。调度器控制整个推理流程，使得推理可以按照一定的流程进行下去；执行器执行调度器所选定的动作，并且负责读取知识库中的知识和全局黑板中的信息；一致性协调器保持推理中间结果的一致性，主要用于反向推理中。

推理引擎根据知识表示的不同采取的控制策略也是不同的，在这里我们所实现的是基于产生式规则集的知识表示。选择这种知识表示是因为其具有很多的优点，尤其是其易于理解、易于获取、易于管理，并且在现今的大多数智能应用系统中都采用了这种知识表示方法。基于这种知识表示的推理引擎采用“识别－动作"的方式来循环执行规则。推理引擎的使用为现有技术，在此不再赘述。

步骤S502：根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

具体的，在进行故障诊断模型分类性能评估时，将C组测试集中每组数据的频域分量的能量代入到故障诊断模型中，根据推理引擎和朴素贝叶斯结构得出对应的出现概率最高的故障类型，将该故障类型作为故障诊断模型对测试集进行分类的结果。

实施例五

如图7所示为本发明实施例的又一种机车走行部滚动轴承故障诊断方法的流程图，其为步骤S106的具体描述，包括：

步骤S701：根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

步骤S702：将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。

两者一致的组数越多，说明该故障诊断模型的分类性能越高，越贴近实际采集数据。

如图8所示为使用训练集构建的朴素贝叶斯故障诊断模型对测试集的分类结果示意图。

实施例六

本发明还提出了一种基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断装置，如图9所示，包括：

信号采集模块91，用于采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

信号处理模块92，用于根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

特征集建立模块93，用于对所述频域信号进行三层小波包分解，并构建故障特征集；

特征集划分模块94，用于将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

模型建立模块95，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

模型评估模块96，用于根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

优选的，如图10所示，所述信号处理模块92包括：

信号去噪子模块921，用于对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

时域分析子模块922，用于对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

频域分析子模块923，用于对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

优选的，如图11所示，所述特征集建立模块93包括：

小波包分解子模块931，用于对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

向量构建子模块932，用于计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量 $\mathrm{Xi}=E_{1/8}^i,E_{2/8}^i,E_{3/8}^i,E_{4/8}^i,E_{5/8}^i,E_{6/8}^i,E_{7/8}^i,E^i,$ 其中i为A组信号中的第i组；

每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N。

特征集构建子模块933，用于根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

优选的，如图12所示，所述模型建立模块95包括：

贝叶斯分类子模块951，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

模型构建子模块952，用于根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

优选的，如图13所示，所述模型评估模块96包括：

故障对应子模块961，用于根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

故障比对子模块962，用于将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。

本发明的机车走行部滚动轴承故障诊断装置，模型训练时间更短，分类准确率更高。将小波包和朴素贝叶斯分类方法引进到机车走行部滚动轴承故障诊断中，为机车走行部滚动轴承故障诊断提供了理论基础，对列车的安全运行具有重要意义。基于小波包和朴素贝叶斯分类的机车走行部滚动轴承故障诊断方法，适合于复杂、动态的环境，可以大大提高机车走行部滚动轴承故障诊断的速度和准确度，是解决机车走行部滚动轴承故障诊断问题的有效途径，也可将该方法推广应用至冶金、化工、航空等其他领域。

本发明能有多种不同形式的具体实施方式，上面以图1-图13为例结合附图对本发明的技术方案作举例说明，这并不意味着本发明所应用的具体实例只能局限在特定的流程或实施例结构中，本领域的普通技术人员应当了解，上文所提供的具体实施方案只是多种优选用法中的一些示例，任何体现本发明权利要求的实施方式均应在本发明技术方案所要求保护的范围之内。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机车走行部滚动轴承故障诊断方法，其特征在于，包括：

采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

对所述频域信号进行三层小波包分解，并构建故障特征集；

将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

2.根据权利要求1所述的机车走行部滚动轴承故障诊断方法，其特征在于，所述根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号包括：

对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

3.根据权利要求1所述的机车走行部滚动轴承故障诊断方法，其特征在于，所述对所述频域信号进行三层小波包分解，并构建故障特征集包括：

对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量其中i为A组信号中的第i组，每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N；

根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

4.根据权利要求1所述的机车走行部滚动轴承故障诊断方法，其特征在于，所述采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型包括：

采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

5.根据权利要求1所述的机车走行部滚动轴承故障诊断方法，其特征在于，所述根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能包括：

根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。

6.一种机车走行部滚动轴承故障诊断装置，其特征在于，包括：

信号采集模块，用于采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和滚动体故障；

信号处理模块，用于根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；

特征集建立模块，用于对所述频域信号进行三层小波包分解，并构建故障特征集；

特征集划分模块，用于将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中，B+C＝A，B>C；

模型建立模块，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型；

模型评估模块，用于根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障特征集评估故障诊断模型的分类性能。

7.根据权利要求6所述的机车走行部滚动轴承故障诊断装置，其特征在于，所述信号处理模块包括：

信号去噪子模块，用于对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据中的噪声；

时域分析子模块，用于对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域分析后的时域信号；

频域分析子模块，用于对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。

8.根据权利要求6所述的机车走行部滚动轴承故障诊断装置，其特征在于，所述特征集建立模块包括：

小波包分解子模块，用于对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f_1/8,f_2/8,f_3/8,f_4/8,f_5/8,f_6/8,f_7/8,f的信号；

向量构建子模块，用于计算所述频域信号的各个频域分量的能量E_1/8,E_2/8,E_3/8,E_4/8,E_5/8,E_6/8,E_7/8,E，构建A*8的能量特征向量其中i为A组信号中的第i组，每个频域分量的能量可以表示为：其中x_k为小波包分解系数中的各个元素，小波包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为1-N；

特征集构建子模块，用于根据所述A*8的能量特征向量和故障类型，构建(A+1)*8的故障特征集其中Yi∈{1,2,3,4}，为故障类型。

9.根据权利要求6所述的机车走行部滚动轴承故障诊断装置，其特征在于，所述模型建立模块包括：

贝叶斯分类子模块，用于采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结构、故障类型概率表及推理引擎；

模型构建子模块，用于根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故障类型概率表及推理引擎。

10.根据权利要求6所述的机车走行部滚动轴承故障诊断装置，其特征在于，所述模型评估模块包括：

故障对应子模块，用于根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得到每组数据在所述故障诊断模型中对应的故障类型；

故障比对子模块，用于将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对，根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。