CN106326929B - 轨道列车走行部滚动轴承故障的诊断方法 - Google Patents
轨道列车走行部滚动轴承故障的诊断方法 Download PDFInfo
- Publication number
- CN106326929B CN106326929B CN201610718350.0A CN201610718350A CN106326929B CN 106326929 B CN106326929 B CN 106326929B CN 201610718350 A CN201610718350 A CN 201610718350A CN 106326929 B CN106326929 B CN 106326929B
- Authority
- CN
- China
- Prior art keywords
- point
- sample
- local
- data
- cut
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公布了一种新的轨道列车走行部滚动轴承故障诊断方法,通过提出基于指数平滑预测的滑动时间窗分割算法,实现局部频谱的特征提取,结合改进的Adaboost算法,对轨道交通列车走行部转向架滚动轴承进行故障诊断。利用本发明提供的技术方案,可以有效地对轨道列车走行部非线性非平稳实时振动数据进行分割,并由此构建局部频谱图,选取局部频谱区间的中间点频率作为该样本的特征向量,为分类器提供了更加准确的输入,在滚动轴承故障诊断方面有很高的准确性,有效地保证故障分类的准确性,解决了现有方法准确率低、故障分类难的问题。
Description
技术领域
本发明涉及轴承故障诊断技术领域,尤其涉及一种轨道列车走行部滚动轴承故障的诊断方法,该方法基于指数平滑预测的滑动时间窗分割算法并用于局部特征提取,利用改进Adaboost算法进行故障分类。
背景技术
在国民经济中,滚动轴承被称之为“工业的关节”。滚动轴承的发展往往代表了一个国家机械工业的发展水平。在各种大型工业设备中,滚动轴承往往作业在高速、高温、高压等恶劣环境中,其故障诊断显得尤为重要。尤其在轨道交通领域,其潜在的故障严重威胁着轨道交通行车安全。轨道列车的基本组成部分分为:车体、走行部、制动装置、车钩缓冲连接装置以及车辆内部设备。走行部是转向架的主要组成之一,其主要任务是减轻轮轨相互作用力从而保证列车在实际运行中的稳定性。它由七个主要部分组成:构架,轮对,轴箱及定位装置,弹簧悬挂装置,牵引装置,基础制动装置,驱动机构。其中滚动轴承是轴箱结构主要部件,其结构一般由内圈,外圈,滚动体和保持架组成。因此,常见的滚动轴承故障主要分为内圈故障、外圈故障以及滚动体故障,如何能够有效的提前预防并有效减少轨道列车中走行部滚动轴承的故障是关系到轨道列车能否安全、平稳、高效的运营至关重要的因素。
滚动轴承故障诊断技术发展四十多年来,诊断方法不断的深入和完善,取得了良好应用效果。20世纪70年代,主要的故障诊断技术是冲击脉冲技术和运用频谱分析仪来进行轴承故障诊断。冲击脉冲技术是采用冲击脉冲的最大值判断轴承故障;频谱分析仪是利用傅里叶变换从频域的角度出发去提取信号的频域特征,从而判断轴承故障。20世纪90年代后,各种基于计算机的信号分析处理的故障诊断方法得到了飞速的发展,其中包括故障树判断法、小波变换、人工神经网络、专家系统以及各种算法的变种与结合,为工作环境更加复杂的滚动轴承故障诊断提供了更广阔的方法,但是针对数据量较大的非线性非平稳轨道轴承振动信号,现有方法还难以做到准确进行故障的分类。
发明内容
为了克服上述现有技术的不足,本发明提供一种新的轨道列车走行部滚动轴承故障诊断方法,通过提出基于指数平滑预测的滑动时间窗分割算法,实现局部频谱的特征提取,结合改进的Adaboost算法,对轨道交通列车走行部转向架滚动轴承进行故障诊断。有效的保证故障分类的准确性,解决了传统方法准确率低,故障分类难的问题。
本发明的原理是:实时采集滚动轴承的振动加速度数据,计算出历史数据与历史预测数据的绝对预测误差的均值与方差,并根据实时到来的数据更新均值与方差。结合预测误差与序列压缩率的关系最终确定分割点,分割后的每两个相邻分割点形成的子序列保持有各自单一的趋势,且在各自区间总不会有太大的波动,进一步通过预测分割点的校验环节可以排除离群点的干扰,确保得到准确的数据分割点。由此,原信号可以近似地被认为是由一系列包含两相邻分割点以及其之间数据点的V型波组成,V型波即被确定为一个局部周期范围。设V型波起始位置tk为原信号x(t)中的第k个局部极大值所处时刻,其中k=1,2…N,N为原始信号的最后一个极值点,根据V型波可以定义原信号x(t)的局部周期T(t),如下式T(t)=tk+1-tk,tk<t<tk+1式中,T(t)表示信号在局部时间范围内,完成一次完整的反复振动所需要的时间,局部频谱定义为广义局部周期的倒数,即:tk<t<tk+1,式中,局部频谱v(t)表示单位局部时间内完成振动的次数,用于衡量局部振动的快慢,单位仍为Hz。根据绘制局部频谱图,找到数据的特征向量,利用改进Adaboost算法,对轨道交通列车走行部转向架滚动轴承进行故障诊断。
本发明提供的技术方案如下:
一种轨道列车走行部滚动轴承故障的诊断方法,包括状态信号采集过程、状态信号提取过程和状态模式识别过程,具体包括如下步骤:
1)数据采集模块实时采集轨道列车走行部滚动轴承振动数据,得到实时时序数据,设为L;
2)针对L通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割,获得时间序列数据L的主要趋势,获得数据分割点:
结合指数平滑方法的短期预测能力和历史数据统计特性,采用基于指数平滑预测的滑动时间窗分割算法对实时时序数据进行分割,通过预测来获得数据趋势,通过历史数据的统计特性与预测误差的关系来判断获得初始分割点。
3)对上述初始分割点进行校验,得到最终分割点;
使用置标志位的方法,当时间序列的某一时间点不满足历史趋势,那么该点被设置为可疑分割点。再去检查相邻下一个点,当下一个点同样不满足历史趋势的时候,那么该可疑分割点就是分割点,标志位被设置,否则判定该可疑分割点为离群点,标志位清零,最终得到K个分割点。
上述的下一个点,可以改为下n个点(n>=2),即当可疑分割点后连续n个数据点不满足历史趋势,才将标志位设置,同时可疑分割点设置为分割点。选取n=1作为分割点的校验,因为在数据传输中,数据被干扰而产生离群点的几率是很小,而同时连续两个点都因为干扰而变为离群点的几率更小。
4)根据K个分割点,确定V型波的范围;一个V型波即为一个局部周期范围;
确定了数据的分割点后,两相邻分割点之间的范围就是V型波的范围;
5)将实时数据L分割成了若干个局部周期数据,由V型波作为一个局部范围,构建局部频谱图;
6)对局部频谱图的频谱区间进行一致化处理:
由于样本不同,可能每个样本的局部频谱所对应的频谱区间不相同,也可能频谱的跨度也不尽相同,不一致的频谱会难以提取特征值。针对频谱区间不一致以及频谱跨度不一致问题的问题,对局部频谱图的频谱区间进行一致化处理;
7)提取每个样本局部频谱图中,幅值最高的前n项所对应的局部频谱区间的中间点频率,作为该样本的特征向量;
8)状态模式识别:通过改进Adaboost算法进行故障分类。
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤1)中所述数据采集模块为振动传感器。
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤2)中,所述基于指数平滑预测的滑动时间窗分割算法流程如图1。
指数平滑预测分割算法可以通过指数平滑法获得实时数据L在时间点t的预测值St,在时间点t的真实值是yt,预测的绝对误差是|yt-St|。本发明提出预测误差定义如下:
假定T代表一个长度为n的时间序列,ΔErri代表在分割点i处的预测绝对误差,分割点的集合SKPS={SP1,…,SPm},其中m为集合中的元素个数。ΔErri可以认为是一个随机变量,满足正态分布N[μ,σ2],其中
可通过以下方法证明上述公式1:时间序列本身是一个随机过程。通过对数据的验证发现从平滑指数方法中在相同序列不同时段得到的预测的值是满足相互独立且同分布的。从中心极限定理可以得知,当样本数目趋近于无穷的时候,大量统计变量数据就会满足正态分布N[μ,σ2]。在分割点的预测误差是一个随机事件,ΔErri表示分割点i处的随机误差,那么ΔErri就是一个随机变量。因此,当序列的长度趋近于无穷的时候ΔErri应该满足正态分布。从中心极限定理可以得到公式1。
压缩率是在时间序列分割的一个重要参数,从上述定义可以推断出以下引理表明预测误差和提前设置的分割压缩率的关系,具体如下:
假定分割的压缩率是p,关系如下:
式中,x是偏离均值的程度,代表了标准正态分布的累积分布函数。
可通过以下方法证明公式2所述引理:如果时间序列的分割压缩率定义为p,那么可能存在的分割点存在的概率一定是小于1-p的。从定义1可知,如果某个数据点是分割点,那么它的预测误差ΔErri一定是满足正态分布的N[μ,σ2]。因此,越靠近μ概率越大,离μ越远概率越小。指数平滑预测分割算法认为分布的范围应该满足均值偏离两个标准差,所以分割点的ΔErri应该分布在[μ-2xσ,μ+2xσ],并且存在的概率应该小于1-p。让R来表示一个随机变量,则可以得到如下公式3
P{μ-2xσ<R<μ+2xσ}≤1-p (式3)
图1中,st表示平滑预测值,yt表示时间序列真实值,s0表示指数分割算法的初始值,s0=(y0+y1+y2)/3,α是平滑算法的权值,α=0.2,V表示绝对误差存储的向量,Seg表示分割点存储的集合,Err表示分割点的线性拟合和原始序列之间的残余误差。在该算法中,t表示当前实时数据的时间点,向量V存储的是预测误差,通过不断的更新计算V的均值与方差来确定预测误差。通过给定压缩率P以及预测误差和分割压缩率的关系:可以获得x(偏离均值的程度)。算法结束得到Seg集合(其中包含分割点信息)和残余误差Err。式中x是偏离均值的程度,代表了标准正态分布的累积分布函数。
该算法重复循环直到所有的实时数据yt均被处理。初始化参数后:
a)用单指数平滑法来计算平滑值St作为下一个时间点t的预测值。
b)获得时间点t的真实值yt,计算预测绝对误差|yt-St|,把值存到向量V中。
c)计算V平均值μ和标准差σ,标准差和均值实时更新。
d)通过式(3)来判断该点是否为分割点,如果不是,继续循环下一个点;如果是,置标志位同时储存该点。如果下一个点同样满足分割点的要求,则存储前一个点进入Seg中,同时重新初始化分隔段的初始s0继续循环下一个数据;当所有数据yt均被处理时结束循环,得到分割点数组Seg。
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤4)中,所述V型波的范围是两相邻分割点之间组成的一个局部周期范围。
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤5)中,所述构建数据的局部频谱图包括如下步骤:
a)在整个样本数据中,取其所有的局部频率。在局部频率的集合中会出频率的最大值和频率的最小值,通过这两个值可以确定局部频率v(t)的区间范围,同时可以将局部频率v(t)中频率值的范围等区间划分成l份,用以表示局部频谱中的区间范围,其中任意的局部频率v(t)应在某一个频率区间内,具体频率区间划分如下所示: 式中,i=1,2…N,j=0,1…l-1,l可根据局部频率的范围大小以及频率分布情况进行设定。
b)设第j个局部频谱频率区间的频数是pj如下所示,则频率v(ti)的密度可以表示为:
c)如果第j频率区间的p个局部频谱所对应的局部幅值分别为h1′,h2′…hp′,则该段频率段的平均幅值是:
d)将平均幅值hj与频率密度ρj相乘,即可得到局部频谱v对信号x(t)的幅值贡献,即:
X(v)=hjρj (式6)
e)在平面坐标系中将横坐标轴表示为局部频率v,单位是Hz,纵坐标轴表示为局部频率值X(v),即局部频率v对于整个信号的幅值贡献度,单位(m/s2)。从而构造出信号x(t)的局部频谱图。
构建局部频谱的方法有很多。本发明上述构建局部频谱方法的特点是:首先确定数据的分割点,然后得到V型波,将每个V型波作为一个局部周期范围,进行局部频谱图的构建,上述方法可实现对轴承振动数据进行更好的特征提取。
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤6)中,所述一致化处理步骤包括:
a)针对所有训练样本Xi,i=1,2…n;对每个样本进行局部频谱转换,得到各个样本的局部频谱vij,i=1,2,….n,j=0,1…m,n表示第n个样本,j表示该样本的第j个局部频谱。
b)求取样本中局部频谱的最值Max(vij),Min(vij),则所有局部频谱均在其中,用Min(vij),Max(vij)两个值作为所有局部频谱图的跨度;
c)对于l的选取,即局部频谱图的区间个数,要综合考虑计算效率以及对于原始信号的损失程度,l过大对于原始数据损失小,但是计算效率偏低;反之计算效率高但是不够准确。需针对不同的情况选取不同的值;
通过上述步骤后,每个样本的局部频谱区间所对应的坐标刻度为:
所述的轨道列车走行部滚动轴承故障诊断方法,进一步地,步骤8)中,所述改进Adaboost算法,是针对抗噪声能力弱的缺点进行改进。首先针对噪声数据,将样本数据进行聚类操作,通过聚类使样本数据中各类别的样本数据更加紧凑,不同类别之间的区别更大。聚类算法选取KNN算法,同时对于KNN聚类算法优化其聚类过程,目的是为了提高不同类别的区分度,剔除噪声。具体优化细节如下:
a)对于给定(x1,y1),(x2,y2),…(xm,ym),其中xi是样本数据,xi∈X,yi∈Y={1,-1}进行KNN聚类操作,将样本数据分为两类,获取两类的聚类中心,分别为(xi,1)和(xj,-1);
b)遍历yi为“1”的所有样本,要求“1”的所有样本到xi的距离要小于li,同理遍历yi为“-1”的样本,要求“-1”的所有样本到xj的距离要小于lj,并将不满足要求的样本剔除掉。如图2,两个圆圈的半径需要根据剔除的强度不同来自定义初始化大小,其值即为上述的li,lj,即距离样本中心最远的距离,圈内的样本点作为该类的样本,圈外的样本点进行剔,同时将两个圆圈公共部分内的样本点一并剔除,以增加样本类别之间的区分度,即图2阴影部分内的样本点。最终使样本数据更紧凑,并且剔除了样本分布过大的样本点。
步骤8)所述状态模式识别,通过改进Adaboost算法进行故障分类;本发明实施例采用如下改进Adaboost算法基本流程:
给定(x1,y1),(x2,y2),…(xm,ym),其中xi是样本数据,xi∈X,yi∈Y={1,-1};设定初始化样本的概率分布为Dt=1/m,i=1,2,…m;
a)训练样本分布为Dt的弱分类器;
b)获取弱分类器的错误率;即把训练样本输入到该弱分类器,得到对应的标签与训练标签做对比,如果不一样那么错误率增加,其中ht(xi)是弱分类器对于样本xi的分类结果,即式8:
et=∑Dt[ht(xi)≠yi] (式8)
c)通过式9获取参数αt也就是该弱分类器的权值:
d)通过式10更新样本的分布:
这里Zt是标准化因子,从而可以保证Di满足分布率,因为Dt是样本的分布概率;
e)重复上述b~d步骤,直到所有弱分类器遍历完就算迭代了一次,可以设置迭代的次数;最终迭代完成,得到强分类器的结果如下式11:
其中,H(x)即为将弱分类器提升为强分类器的结果。
与现有技术相比,本发明的有益效果是:
本发明提供一种新的轨道列车走行部滚动轴承故障诊断方法,通过提出基于指数平滑预测的滑动时间窗分割算法,实现局部频谱的特征提取,结合改进的Adaboost算法,对轨道交通列车走行部转向架滚动轴承进行故障诊断。利用本发明提供的技术方案,可以有效地对轨道列车走行部非线性非平稳实时振动数据进行分割,并由此构建局部频谱图,选取局部频谱区间的中间点频率作为该样本的特征向量,为分类器提供了更加准确的输入,在滚动轴承故障诊断方面有很高的准确性,有效地保证故障分类的准确性,解决了现有方法准确率低、故障分类难的问题。
附图说明
图1是基于指数平滑预测的滑动时间窗分割算法的流程框图。
图2是本发明实施例提供的数据预处理聚类图。
图3是本发明提供的轴承故障诊断方法的流程框图。
图4是本发明实施例中的轴承振动信号时域图;
其中,(a)为内圈故障时域图;(b)为外圈故障时域图;(c)为滚动体故障时域图(d)为无故障时域图。
图5是本发明实施例中的数据分割点图;
其中,横坐标表示时间,单位为s;纵坐标表示振动加速度,单位m/s^2。
图6是本发明实施例中的轴承振动信号FFT图;
其中,(a)为内圈故障FFT图;(b)为外圈故障FFT图;(c)为滚动体故障FFT图(d)为无故障FFT图。
图7是本发明实施例中的轴承振动信号局部频谱图;
其中,(a)为内圈故障局部频谱图;(b)为外圈故障局部频谱图;(c)为滚动体故障局部频谱图(d)为无故障局部频谱图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明以滚动轴承的振动加速度数据为依据,提出一套更加高效准确的滚动轴承故障诊断方法。如图3所示,本发明提供的轨道列车走行部滚动轴承故障诊断方法包括:状态信号采集过程、状态信号提取过程和状态模式识别过程。
1、所述状态信号采集,所用传感器为轨道轴承振动检测传感器,实时采集轨道轴承的振动信号,并进入状态信号提取。
2、所述状态信号提取,包括数据预处理S1和特征参数提取S2。数据预处理S1提出使用基于指数平滑预测的滑动时间窗分割算法对于数据进行预处理,并得到数据的分割点。
数据预处理S1流程图如图1中所示,St表示平滑预测值,yt表示时间序列真实值,s0表示指数分割算法的初始值,s0=(y0+y1+y2)/3,α是平滑算法的权值,α=0.2,V表示绝对误差存储的向量,Seg表示分割点存储的集合,Err表示分割点的线性拟合和原始序列之间的残余误差。在该算法中,t表示当前实时数据的时间点,向量V存储的是预测误差,通过不断的更新计算V的均值与方差来确定预测误差。通过给定压缩率P以及预测误差和分割压缩率的关系:可以获得x(偏离均值的程度)。算法结束得到Seg集合(其中包含分割点信息)和残余误差Err。式中x是偏离均值的程度,代表了标准正态分布的累积分布函数。
该算法重复循环直到所有的实时数据均被处理。初始化参数后:
a)用单指数平滑法来计算平滑值St作为下一个时间点t的预测值。
b)获得时间点t的真实值yt,计算预测绝对误差|yt-St|,把值存到向量V中。
c)计算V平均值μ和标准差σ,标准差和均值实时更新。
d)通过式3来判断该点是否为分割点,如果不是,继续循环下一个点;如果是,置标志位同时储存该点。如果下一个点同样满足分割点的要求,则存储前一个点进入Seg中,同时重新初始化分隔段的初始s0继续循环。
特征参数提取S2使用基于局部频谱的特征提取方法。对于S1得到的分割点,两相邻分割点组成的V型波即被确定为一个局部周期范围。设V型波起始位置tk为原信号x(t)中的第k个局部极大值所处时刻,其中k=1,2…N,N为原始信号的最后一个极值点,根据V型波可以定义原信号x(t)的局部周期T(t),如下式T(t)=tk+1-tk,tk<t<tk+1式中,T(t)表示信号在局部时间范围内,完成一次完整的反复振动所需要的时间,局部频谱定义为广义局部周期的倒数,即:tk<t<tk+1,式中,局部频谱v(t)表示单位局部时间内完成振动的次数,用于衡量局部振动的快慢,单位仍为Hz。由此绘制局部频谱图的流程如下:
a)在整个样本数据中,取其所有的局部频率。在局部频率的集合中会出频率的最大值和频率的最小值,通过这两个值可以确定局部频率的区间范围,同时可以将局部频率v(t)中频率值范围等区间划分成l份,用以表示局部频谱中的区间范围,其中任意的局部频率v(t)应在某一个频率区间内,具体频率区间划分如下所示: 式中,i=1,2…N,j=0,1…l-1,l可根据局部频率的范围大小以及频率分布情况进行设定。
b)设第j个局部频谱频率区间的频数是pj如下所示,则频率v(ti)的密度可以表示为:
c)如果第j频率区间的p个局部频谱所对应的局部幅值分别为h1′,h2′…hp′,则该段频率段的平均幅值是:
d)将平均幅值hj与频率密度ρj相乘,即可得到局部频谱v对信号x(t)的幅值贡献,即:X(v)=hjρj
e)在平面坐标系中将横坐标轴表示为局部频率v,单位是Hz,纵坐标轴表示为局部频率值X(v),即局部频率v对于整个信号的幅值贡献度,单位(m/s2)。从而构造出信号x(t)的局部频谱图。
提取每个样本局部频谱图中,幅值最高的前n项所对应的局部频谱区间的中间点频率作为该样本的特征向量。由此提供特征向量给状态模式识别。
3、所述状态模式识别,是由改进Adaboost算法进行故障分类。算法基本流程如下:
给定(x1,y1),(x2,y2),…(xm,ym),其中xi是样本数据,xi∈X,yi∈Y={1,-1}。初始化样本的概率分布为Dt=1/m,i=1,2,…m;
a)训练样本分布为Dt的弱分类器;
b)获取弱分类器的错误率;即把训练样本输入到该弱分类器,得到对应的标签与训练标签做对比,如果不一样那么错误率增加,其中ht(xi)是弱分类器对于样本xi的分类结果,即:
et=∑Dt[ht(xi)≠yi]
c)获取参数αt也就是该弱分类器的权值
d)更新样本的分布
这里Zt是标准化因子,从而可以保证Di满足分布率,因为Dt是样本的分布概率;
e)重复上述步骤,直到所有弱分类器遍历完就算迭代了一次,可以设置迭代的次数;最终迭代完成,强分类器的结果:
下面通过实例对本发明做进一步的说明。
本发明研究对象为轨道交通列车走行部转向架滚动轴承,样本数据为滚动轴承的振动加速度数据。具体实验数据来源于实验室提供的轴承实验台原始数据,包含正常数据以及轴承滚动体故障、内圈故障、外圈故障所对应的数据。
本例以此为实验数据,具体数据见图4,纵轴为振动加速度,单位m/s^2;横轴为时间,单位s。标准数据集在驱动端、采样频率为12KHz、转速为1796r/min、电机负载为0hp的滚动轴承分别正常,内圈故障,外圈故障以及滚动体故障四类中某样本的时序图。
采用上述基于指数平滑预测的滑动时间窗分割算法对于四类时序图进行预处理并得到数据的分割点,如图5所示。将四类样本的数据进行全局频率傅里叶变换处理,得到如图6所示,通过图6可以看出,内圈故障频率波动不稳定,主频不确定,频率波动基本集中在2500HZ和3500HZ附近。外圈故障频率分布相对比较明显,主要集中区域也是在2500HZ和3500HZ附近,其余频域区间未有明显波动。滚动体故障主频主要集中在3500附近,且在低频段有些许波动。正常轴承的全局频谱主要集中在低频段,主频在1500HZ附近。且在低频和2000HZ附近有频率波动。通过四幅图的对比基本可以看出四种类别的故障样本的区别,但是如果仅仅提取主频作为样本的特征的话,类别样本之间的区分度还是不够高,而且还会有干扰成分,局部的频率特性未能显现出来。于是构建样本的局部频谱图,如图7所示为标准数据集四类样本通过实验的局部频谱图。由图6和图7对比可以明显看出,对于局部频谱图,其干扰频率不明显,基本能量都聚集在主频附近,使主频十分明显可以看出。同时通过对比两个图可看出,其主频的分布基本相同,得证该算法提取局部频率特征的可行性。正常滚动轴承的特征频率主要在1100HZ附近,内圈故障的频率主要围绕在2500-2600HZ之间,外圈故障的特征频率主要在4700HZ附近而滚动体故障主要集中在3000HZ附近。由此,以局部频谱得到的主频作为特征向量,不同故障其主频有明显不同,通过改进Adaboost算法可以很容易的进行准确的故障分类。
基于指数平滑预测的滑动时间窗分割算法,以及利用这一算法进行局部特征的提取是本发明的重点内容。可见,通过本发明提供的技术方案,可以高效对非线性非平稳数据进行预处理,并得到数据分割点,再由分割点够建局部频谱,准确提取不同故障的特征向量,完成准确高效的滚动轴承故障分类。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种轨道列车走行部滚动轴承故障的诊断方法,包括状态信号采集过程、状态信号提取过程和状态模式识别过程,具体包括如下步骤:
1)利用数据采集模块实时采集轨道列车走行部滚动轴承振动数据,得到实时时序数据样本,设为L;
2)通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割,获得时间序列数据样本L的主要趋势,获得数据初始分割点;
3)对上述初始分割点进行校验,得到最终分割点;
4)根据K个分割点,确定V型波的范围,一个V型波即为一个局部周期范围;
5)将实时时序数据样本L分割成l份局部周期数据,构建数据的局部频谱图;
6)对局部频谱图的频谱区间进行一致化处理;处理步骤包括:
a)针对所有训练样本Xi,i=1,2…n;对每个样本进行局部频谱转换,得到各个样本的局部频谱vij,i=1,2,…n,j=0,1…m,i表示第i个样本,j表示该样本的第j个局部频谱;
b)求取样本中局部频谱的最值Max(vij)、Min(vij),用Min(vij)、Max(vij)两个值作为所有局部频谱图的跨度;
c)考虑计算效率和对于原始信号的损失程度,选取局部频谱图的区间个数;
通过上述步骤后,每个样本的局部频谱区间所对应的坐标刻度表示为式7:
;
7) 提取每个实时时序数据样本的局部频谱图中,幅值最高的前n项所对应的局部频谱区间的中间点频率,作为该样本的特征向量;
8)状态模式识别:通过改进Adaboost算法进行故障分类,得到轴承故障诊断的分类结果;所述改进Adaboost算法针对抗噪声能力弱的缺点进行改进,针对噪声数据,通过将样本数据进行聚类过程使得样本数据中各类别的样本数据更加紧凑,不同类别之间的区别更大;同时优化所述聚类过程,以达到提高不同类别的区分度和剔除噪声的目的;
所述聚类采用KNN聚类算法;
所述通过改进Adaboost算法进行故障分类,具体采用如下基本步骤:
给定(x1,y1),(x2,y2),…(xm,ym),其中xi是样本数据,xi∈X,yi∈Y={1,-1};设定初始化样本的概率分布为Dt=1/m,i=1,2,…m;
a)训练样本分布为Dt的弱分类器;
b)把训练样本输入到该弱分类器,通过式8获取弱分类器的错误率et:
et=∑Dt[ht(xi)≠yi] (式8)
其中,ht(xi)是弱分类器对于样本xi的分类结果;
c)通过式9获取该弱分类器的权值参数αt:
d)通过式10更新样本的分布:
其中,Zt是标准化因子,保证Di满足分布率,Dt是样本的分布概率;
e)重复上述步骤b)~d),直到所有弱分类器遍历完,完成一次迭代;设置迭代的次数,进行迭代;最终迭代完成,通过式11得到强分类器的结果:
其中,H(x)为将弱分类器提升为强分类器的结果。
2.如权利要求1所述诊断方法,其特征是,步骤1)中所述数据采集模块为振动传感器。
3.如权利要求1所述诊断方法,其特征是,步骤2)所述基于指数平滑预测的滑动时间窗分割算法,在初始化参数后,具体执行如下步骤:
a)用单指数平滑法来计算得到平滑预测值St,作为下一个时间点t的预测值;
b)获得时间点t的真实值yt,计算预测绝对误差|yt-St|,把值存到向量V中;
c)计算得到V平均值μ和标准差σ,实时更新标准差和均值;
d)判断该点是否为分割点:如果不是分割点,继续循环下一个点;如果是分割点,置标志位同时储存该点;当下一个点同样是分割点时,存储前一个点进入Seg中;同时重新初始化分隔段的初始s0继续循环,当所有数据yt均被处理时结束循环,得到分割点数组Seg。
4.如权利要求1所述诊断方法,其特征是,步骤3)使用置标志位的方法,具体是:当时间序列的某一时间点不满足历史趋势时,该时间点被设置为可疑分割点;再检查相邻下一个时间点,当下一个时间点同样不满足历史趋势时,所述可疑分割点即为最终分割点,标志位被设置;否则判定该可疑分割点为离群点,标志位清零;由此得到K个最终分割点。
5.如权利要求4所述诊断方法,其特征是,将所述下一个时间点改为下q个时间点,q>=2,当可疑分割点后连续q个时间 点不满足历史趋势时,将标志位设置,同时将可疑分割点设置为分割点,选取q=1作为分割点的校验。
6.如权利要求1所述诊断方法,其特征是,步骤4)所述V型波的范围为两相邻分割点之间的范围。
7.如权利要求1所述诊断方法,其特征是,步骤5)所述构建局部频谱图包括如下步骤:
a)从实时时序数据样本L中取所有局部频率数据,通过频率最大值和频率最小值确定局部频率v(t)的区间范围,将局部频率v(t)中频率值的范围等区间划分成l份,用于表示局部频谱中的区间范围,其中任意的局部频率v(t)应在某一个频率区间内;
b)设第j个局部频谱频率区间的频数是pj,将频率v(ti)的密度表示为式4:
c)设定第j个局部频谱频率区间的p个局部频谱所对应的局部幅值分别为h1′,h2′…hp′,将该频率区间的平均幅值hj表示为式5:
d)将平均幅值hj与频率密度ρj相乘,得到局部频率v对信号x(t)的幅值贡献X(v),表示为式6:
X(v)=hjρj (式6)
e)在平面坐标系中将横坐标轴表示为局部频率v,纵坐标轴表示为局部频率值X(v),由此构造得到信号x(t)的局部频谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610718350.0A CN106326929B (zh) | 2016-08-24 | 2016-08-24 | 轨道列车走行部滚动轴承故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610718350.0A CN106326929B (zh) | 2016-08-24 | 2016-08-24 | 轨道列车走行部滚动轴承故障的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106326929A CN106326929A (zh) | 2017-01-11 |
CN106326929B true CN106326929B (zh) | 2019-08-02 |
Family
ID=57792016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610718350.0A Active CN106326929B (zh) | 2016-08-24 | 2016-08-24 | 轨道列车走行部滚动轴承故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326929B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180140B (zh) * | 2017-06-08 | 2019-12-10 | 中南大学 | 基于双树复小波与AdaBoost的轴系故障识别方法 |
CN107588947B (zh) * | 2017-08-23 | 2020-04-28 | 电子科技大学 | 考虑运行工况和信息简化的风电机组传动链状态监测方法 |
CN108152059B (zh) * | 2017-12-20 | 2021-03-16 | 西南交通大学 | 基于多传感器数据融合的高速列车转向架故障检测方法 |
CN110334562B (zh) * | 2018-03-30 | 2022-10-28 | 北京金风慧能技术有限公司 | 轴承振动运行状态预测模型训练方法及预测方法、装置 |
CN108647786B (zh) * | 2018-07-10 | 2021-11-30 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN109556862A (zh) * | 2018-11-23 | 2019-04-02 | 北京交通大学 | 基于自供电传感网络的列车轮对轴承安全监测系统 |
CN109489977B (zh) * | 2018-12-28 | 2021-03-05 | 西安工程大学 | 基于KNN-AdaBoost的轴承故障诊断方法 |
CN109765055B (zh) * | 2019-01-31 | 2020-11-10 | 杭州安脉盛智能技术有限公司 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
CN110415218A (zh) * | 2019-07-03 | 2019-11-05 | 北京交通大学 | 一种钢轨质量检测的方法及装置 |
CN111623868B (zh) * | 2020-05-12 | 2021-08-20 | 西南交通大学 | 用于钢轨波磨识别的卷积神经网络构建方法 |
CN112633093B (zh) * | 2020-12-10 | 2024-04-16 | 中国人民解放军32181部队 | 一种装备状态检测方法及系统 |
CN113392874B (zh) * | 2021-05-13 | 2022-12-13 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN104008294A (zh) * | 2014-05-30 | 2014-08-27 | 东南大学 | 轴承异常检测系统及其方法 |
CN104849590A (zh) * | 2015-05-06 | 2015-08-19 | 中国人民解放军军械工程学院 | 一种混合噪声干扰下微弱脉冲信号检测方法 |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8121222B2 (en) * | 2008-06-23 | 2012-02-21 | L-3 Communications Integrated Systems L.P. | Systems and methods for construction of time-frequency surfaces and detection of signals |
-
2016
- 2016-08-24 CN CN201610718350.0A patent/CN106326929B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN104008294A (zh) * | 2014-05-30 | 2014-08-27 | 东南大学 | 轴承异常检测系统及其方法 |
CN104849590A (zh) * | 2015-05-06 | 2015-08-19 | 中国人民解放军军械工程学院 | 一种混合噪声干扰下微弱脉冲信号检测方法 |
CN105738109A (zh) * | 2016-02-22 | 2016-07-06 | 重庆大学 | 基于稀疏表示与集成学习的轴承故障分类诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106326929A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326929B (zh) | 轨道列车走行部滚动轴承故障的诊断方法 | |
Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
Zhao et al. | Multiple wavelet coefficients fusion in deep residual networks for fault diagnosis | |
Kankar et al. | Rolling element bearing fault diagnosis using autocorrelation and continuous wavelet transform | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
Liang et al. | Convolutional Recurrent Neural Network for Fault Diagnosis of High‐Speed Train Bogie | |
Luo et al. | A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension | |
Wei et al. | Density-based affinity propagation tensor clustering for intelligent fault diagnosis of train bogie bearing | |
CN104616033A (zh) | 基于深度学习和支持向量机的滚动轴承故障诊断方法 | |
Gao et al. | Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
Cacciola et al. | Aspects about air pollution prediction on urban environment | |
CN110110809A (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
Xie et al. | Neural-network based structural health monitoring with wireless sensor networks | |
Cai et al. | EMD and GNN-AdaBoost fault diagnosis for urban rail train rolling bearings | |
Lv et al. | Multiscale convolutional neural network and decision fusion for rolling bearing fault diagnosis | |
Yuan et al. | A multichannel MN-GCN for wheelset-bearing system fault diagnosis | |
Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
CN107169532B (zh) | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 | |
He et al. | Using deep learning based approaches for bearing fault diagnosis with AE sensors | |
Desmet et al. | Leak detection in compressed air systems using unsupervised anomaly detection techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |