CN108267312B - 一种基于快速搜索算法的地铁列车轴承智能诊断方法 - Google Patents
一种基于快速搜索算法的地铁列车轴承智能诊断方法 Download PDFInfo
- Publication number
- CN108267312B CN108267312B CN201711426157.0A CN201711426157A CN108267312B CN 108267312 B CN108267312 B CN 108267312B CN 201711426157 A CN201711426157 A CN 201711426157A CN 108267312 B CN108267312 B CN 108267312B
- Authority
- CN
- China
- Prior art keywords
- feature
- value
- matrix
- obtains
- fast search
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出了一种基于快速搜索算法的地铁列车轴承智能诊断方法,首先采集城轨车辆轴承振动信号,然后对于采集到振动信号进行特征提取,形成原始特征矩阵,在得到更多更精细的故障信息的同时,将原始特征矩阵输入自适应特征选择算法,自动将原始特征矩阵中非敏感特征全部剔除,最后利用快速搜索算法,自动识别不同故障。该方法利用特征选择技术选出对故障分类有用的信息,同时降低特征矩阵维度,减小模式识别算法的负担,提高了故障诊断自动化水平,避免突发性事故发生,减小经济损失。
Description
技术领域
本发明属于装备系统故障监测、诊断领域,尤其涉及一种地铁列车轴承智能诊断方法。
背景技术
随着我国地铁的快速发展,大规模建设和投入运营,极大改善我国城市交通现状,也给保障地铁安全带来了挑战。在地铁车辆的故障统计中,机械故障比例最高,而轴承故障在车辆机械故障中占有较高的比重。轴承故障不仅影响地铁车辆的行车安全,还可能带来人员伤亡和经济损失,造成严重的社会影响。通常在诊断复杂对象时需要人工专家干预,不仅增加了人力成本,而且容易出现漏诊和误诊。因此,需要发展以人工智能为核心的智能诊断方法及系统,辅助一般的操作人员,使其在不需要理解系统原理的情况下进行可靠的决策。本发明将提出一种基于快速搜索算法的地铁列车轴承智能诊断方法和系统,一方面为地铁安全运营保驾护航,另一方面也提高地铁列车运维的智能化水平。
传统的故障诊断方式,对单一对象诊断效果良好,但对于复杂对象往往效果不好。通常在诊断复杂对象时需要人工专家干预,不仅增加了人力成本,而且容易出现漏诊和误诊。因此,需要发展以人工智能为核心的智能诊断方法及系统,辅助一般的操作人员,使其在不需要理解系统原理的情况下进行可靠的决策。随着信号处理和特征提取技术的快速发展,越来越多的特征可以参与到对故障的诊断之中。利用特征选择技术选出对故障分类有用的信息,同时降低特征矩阵维度,减小模式识别算法的负担,是保证精确诊断不可或缺的步骤。
本发明采用快速搜索算法对故障特征进行无监督聚类分析,克服传统聚类/分类方法的需要事先学习或者存在依赖初始聚类中心的设定,容易陷入局部最优解等缺陷。另外,传统的故障诊断技术在诊断时往往用一些复杂信号处理方法,以提取故障特征。本发明为提高所提方法的实用化水平,采用运行速度快速的时域和频域特征。然后通过优选其中敏感特征,降低特征矩阵维度,进而简化后续智能诊断运算量。因此,本发明特点是不需要已知故障类别,就可以对每个特征进行评价并给出权重,并自动选择特征,进而进行故障智能诊断。
发明内容
本发明目的在于提供一种应用于列车轴承故障智能故障识别的方法,该方法通过下位机采集系统的振动信号,传输并存储于监测上位机中。提取时域,频域特征,组合成为原始特征矩阵;接着将原始特征矩阵输入自适应特征选择算法剔除非敏感特征,从而得到优选特征矩阵;最后优选特征矩阵快速搜索算法,得到故障聚类图,将不同的故障识别出来。
本发明所述轴承故障智能故障识别方法主要包括如下步骤:
(1)采集城轨车辆轴承振动信号;
(2)对于采集到振动信号进行特征提取,形成原始特征矩阵;
(3)采用自适应特征优选算法,对原始特征矩阵进行特征选择操作,降低维数,得到优选特征矩阵;
(4)采用快速搜索算法对最优特征矩阵进行聚类分析,准确诊断出存在的故障。
优选地,步骤(3)中特征选择操作的具体步骤为:
设定包含了C种故障类别的特征矩阵为{fn,j,n=1,2,…,N;j=1,2,…,J}C,J是特征数,N是每种故障中的样本个数,fn,j是第n个样本的第j个特征值,将所有的特征集定义为K为样本总数,采用自适应特征优选算法过程如下:
(i)对vk,j进行正规化,得到正规化后的特征集{xk,j}=Xk,j
(ii)计算自相似因子Smk,j
Smk,j=‖xm,j-xk,j‖2,m,k=1,2…,K;j=1,2,…,J
(iii)对每个特征建立权重矩阵
(iv)计算每个特征的自权重Swj
根据步骤(iii)得到的权重,计算每个特征的自权重Swj
Swj=mean(Wj)
选取其中权重值最大的前M个敏感特征组成优选特征矩阵。
优选地,步骤(4)中采用快速搜索算法对最优特征矩阵进行聚类分析的具体步骤为:
1)计算欧氏距离
设定数据集Is={1,2,…,N},则数据点之间欧式距离为
di,j=‖xi-xj‖2,j=i+1,i+2,…,N
升序排列di,j得到初始化dc的值为前t%的值,同时初始化
t=1,假设有P
P=N*t/100
dc={Di,j}P
2)计算局部密度
完成后,记下每个数据点的下标,同时对进行降序排列;
3)计算每个数据点的
4)确定聚类中心
4.1)计算的值,并将其正规化为
γi=ρi*δi
4.2)对降序排列,如果βi-βi+1≥θ,那么点xi到xn被确定为聚类中心,其中θ为阈值;
5)按照最邻近原则分配剩余的数据点,得到当前t值对应的聚类结果
6)聚类评价分析
6.1)计算每个点的轮廓度指标Sili,
其中,a(i)表示ith向量到同一簇内其他点不相似程度的平均值,b(i)表示ith向量到其他簇的平均不相似程度的最小值;
6.2)将所有点的轮廓系数平均,得到该聚类结果总的轮廓系数Savt
6.3)检测t的值是否大于100,若是则输出对应最大值得聚类结果否则执行t=t+1后跳回步骤2)。
本发明具有如下有益效果:
1)本发明同时使用以获取更多精细的故障信息;
2)本发明解决了多特征在地铁列车智能故障诊断中敏感特征提取问题,增加了诊断模型的智能化程度。在减小后续智能算法负担的同时,增加了识别精确度;
3)本发明以一种快速搜索算法作为识别核心,快速而准确地识别不同种类的故障。
4)本发明可用于基于振动监测的地铁列车在线或离线智能故障识别,提高自动化水平,避免突发性事故发生,减小经济损失。
附图说明
图1实施例地铁列车轴承不同故障原始振动信号及其频谱图;
图2实施例中阈值设定;
图3实施例中不同数量特征对精度的影响;
图4实施例中轴承敏感特征选取;
图5实施例中快速搜索算法轴承故障聚类结果。
具体实施方式
下面结合附图对本发明具体实施例的内容作进一步详细说明:
滚动轴承是地铁车辆装备中的关键部件,然而滚动轴承在运转过程中可能会由于各种原因引起损坏,如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致滚动轴承过早损坏。即使在安装、润滑和使用维护都正常的情况下,经过一段时间运转,滚动轴承也会出现疲劳剥落、磨损、点蚀等故障导致不能正常工作,一般的轴承故障类别分为外圈故障、内圈故障、滚动体故障、保持架故障等。本实施例为采用,对上述轴承非平稳运行外圈故障类别的振动信号进行分析,最后给出诊断结果。
本实施例主要包括如下步骤:
第一步:采用振动加速度传感器采集城轨车辆轴承振动信号。针对地铁列车系统中轴承关键部件,采用振动传感器,如压电加速度传感器、位移传感器或者电涡流位移传感器等采集机械装备的振动信号。轴承为SKF型号,相应理论故障参数为3.05。轴箱外壳安装压电加速度传感器(ICP)。采用美国SpectraQuest公司小型数据采集仪和LW149536型压电式加速度传感器。该加速度传感器的性能指标如表1所示。该采集仪基于USB2.0接口实现8位A/D并行数据采集,信号采集监测由下位机(监测前端机)完成。共采集轴承外圈、内圈、滚动体和保持架四种故障模式以及正常状态数据。
表1LW149536型压电式加速度传感器特性参数表
本实施例采集轴承五种工况数据如图1所示。
第二步:特征计算,形成原始特征矩阵。对于采集到信号x(t),分别对原始振动信号特征提取:根据表1所述公式对原始信号提取时域与频域指标,分别计算采集轴承五种工况的23组特征量。
表1特征值计算
第三步:特征优选。本发明采用一种自适应特征选择方法,用于去除冗余与非敏感特征。其特点在于不需要先验知识参照,而是根据特征本身的特性来决定这个特征是否被去除。自权重算法选择敏感特征算法包含主要步骤:
设定包含了C种故障类别的特征矩阵为{fn,j,n=1,2,…,N;j=1,2,…,J}C,J是特征数,N是每种故障中的样本个数,fn,j是第n个样本的第j个特征值。所以,样本总数为N×C个,特征总个数为N×C×J。用K表示N×C,所以特征总个数为K×J,将所有的特征集定义为采用自适应特征优选算法过程如下:
(i)vk,j进行正规化,得到正规化后的特征集{xk,j}=Xk,j
(ii)计算自相似因子Smk,j
Smk,j=‖xm,j-xk,j‖2,m,k=1,2…,K;j=1,2,…,J (2)
(iii)对每个特征建立权重矩阵
(iv)计算每个特征的自权重Swj
根据步骤(iii)得到的权重,计算每个特征的自权重Swj
Swj=mean(Wj) (4)
显然,权重矩阵Wj和自权重值Swj是根据每个特征Xk,j自己的特性得到的,计算完成后,每个特征都有一个与之对应的自权重值Swj。样本之间的差异性越大,则得到的自权重值Swj越大。选取其中权重值最大的前M个敏感特征组成优选特征矩阵。
在上一步骤中,用于描述信号状态的大量特征被提取出来,但其敏感性大有不同,因此需要选取敏感特征。在此之前需要,首先确定一个重要的阈值参数θ,如步骤4.2总所描述的。该参数也将用于后续智能故障分类。本实施例中参数θ取值范围设定为两个区间,[1e5,0.0003]和[0.001,0.3]。从图2中可看出,θ∈[0.00028,0.02]时,平均精度稳定在比较高的数值(接近1),故本实施例中θ=0.00028。
本实例中,每种状态特征提取总数为23个,通过测试不同数量特征值发现,当特征数量大于为12时,聚类精度与运行时间增长较为缓慢,如图3所示。根据α=Ac/ΔT*T,选取α值最大时对应的12个特征作为敏感特征,如图4所示。这些敏感特征是依据公式4计算得到的自权重数值,选取其中最大的前12个敏感特征作为后续聚类输入量。
第四步:故障自动识别。经过层层筛选,得到了优选的特征矩阵。在优选特征矩阵中,每一个特征都是和故障类别息息相关的。采用自适应快速搜索算法对最优特征矩阵进行聚类分析,即可自动识别不同故障。
自适应快速搜索算法主要步骤:
1、计算欧氏距离
设定数据集Is={1,2,…,N},则数据点之间欧式距离为
di,j=‖xi-xj‖2,j=i+1,i+2,…,N (5)
升序排列di,j得到初始化dc的值为前t%的值,同时初始化
t=1,假设有P
P=N*t/100 (6)
dc={Di,j}P (7)
2、计算局部密度
完成后,记下每个点的下标,同时对进行降序排列。
3、计算每个点的
4、确定聚类中心
4.1、按照计算的值,并将其正规化为
γi=ρi*δi (10)
4.2、对降序排列,依据实验确定阈值θ,如果βi-βi+1≥θ,那么点xi到xn被确定为聚类中心。
5、按照最邻近原则分配剩余的数据点,得到当前t值对应的聚类结果
6、聚类评价分析
6.1、计算每个点的轮廓度指标Sili,对公式(12),a(i)表示ith向量到同一簇内其他点不相似程度的平均值,b(i)表示ith向量到其他簇的平均不相似程度的最小值
6.2、将所有点的轮廓系数按公式(13)求平均,就得到该聚类结果总的轮廓系数Savt
6.3、检测t的值是否大于100,若是则输出对应最大值得聚类结果否则执行t=t+1后跳回步骤2。
在得到优选特征矩阵之后,就可以将其作为快速搜索算法的输入,识别不同种类的故障。结果如图5所示,算法将不同种类的信号识别了出来,包括内圈故障、外圈故障、滚动体故障、保持架故障以及正常信号5种。分类正确率达到了99.3%。
上述实施例,仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例,本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (1)
1.一种基于快速搜索算法的地铁列车轴承智能诊断方法,其特征在于,该方法采取如下步骤:
(1)采集城轨车辆轴承振动信号;
(2)对于采集到振动信号进行特征提取,形成原始特征矩阵;
(3)采用自适应特征优选算法,对原始特征矩阵进行特征选择操作,降低维数,得到最优特征矩阵;
(4)采用快速搜索算法对最优特征矩阵进行聚类分析,准确诊断出存在的故障;
步骤(3)中特征选择操作的具体步骤为:
设定包含了C种故障类别的特征矩阵为{fn,j,n=1,2,...,N;j=1,2,...,J}C,J是特征数,N是每种故障中的样本个数,fn,j是第n个样本的第j个特征值,将所有的特征集定义为{vk,j}k=1,2,...,K;j=1,2,...,J,K为样本总数,采用自适应特征优选算法过程如下:
(i)对vk,j进行正规化,得到正规化后的特征集{xk,j}=Xk,j
(ii)计算自相似因子Smk,j
Smk,j=||xm,j-xk,j||2,m,k=1,2...,K;j=1,2,...,J
(iii)对每个特征建立权重矩阵
(iv)计算每个特征的自权重Swj
根据步骤(iii)得到的权重,计算每个特征的自权重Swj
Swj=mean(Wj);
选取其中权重值最大的前M个敏感特征组成最优 特征矩阵;
步骤(4)中采用快速搜索算法对最优特征矩阵进行聚类分析的具体步骤为:
1)计算欧式距离
设定数据集Is={1,2,...,N},则数据点之间欧式距离为
di,j=||xi-xj||2,j=i+1,i+2,...,N
升序排列di,j得到初始化dc的值为前t%的值,同时初始化t=1,假设有P
P=N*t/100
dc={Di,j}P
2)计算局部密度
完成后,记下每个数据点的下标,同时对进行降序排列;
3)计算每个数据点的
4)确定聚类中心
4.1)计算的值,并将其正规化为
γi=ρi*δi
4.2)对降序排列,如果βi-βi+1≥θ,那么点xi到xN被确定为聚类中心,其中θ为阈值;
5)按照最邻近原则分配剩余的数据点,得到当前t值对应的聚类结果
6)聚类评价分析
6.1)计算每个点的轮廓度指标Sili,
其中,a(i)表示ith向量到同一簇内其他点不相似程度的平均值,b(i)表示ith向量到其他簇的平均不相似程度的最小值;
6.2)将所有点的轮廓系数平均,得到该聚类结果总的轮廓系数Savt
6.3)检测t的值是否大于100,若是则输出对应最大值得聚类结果否则执行t=t+1后跳回步骤2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711426157.0A CN108267312B (zh) | 2017-12-25 | 2017-12-25 | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711426157.0A CN108267312B (zh) | 2017-12-25 | 2017-12-25 | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267312A CN108267312A (zh) | 2018-07-10 |
CN108267312B true CN108267312B (zh) | 2019-10-29 |
Family
ID=62772459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711426157.0A Active CN108267312B (zh) | 2017-12-25 | 2017-12-25 | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267312B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029995B (zh) * | 2018-08-30 | 2021-06-04 | 上海海事大学 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
CN109583323B (zh) * | 2018-11-12 | 2021-05-18 | 浙江工业大学 | 基于门控制循环单元的地铁振动信号识别方法 |
CN109253883A (zh) * | 2018-11-12 | 2019-01-22 | 广西交通科学研究院有限公司 | 一种基于增量搜索聚类的旋转机械滚动轴承智能诊断方法 |
CN110262460B (zh) * | 2019-07-01 | 2020-07-03 | 浪潮集团有限公司 | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 |
CN111207938B (zh) * | 2020-01-13 | 2020-12-04 | 西南交通大学 | 一种铁道车辆故障检测方法 |
WO2022141213A1 (zh) * | 2020-12-30 | 2022-07-07 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
FR3144663A1 (fr) * | 2022-12-30 | 2024-07-05 | Developpement Et Production Pour L'industrie Et L'automotive - Dpia | Procédé de détermination d’un indicateur de défaut structurel |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101823746B1 (ko) * | 2016-02-05 | 2018-01-30 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN106769052B (zh) * | 2017-03-21 | 2018-12-21 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
-
2017
- 2017-12-25 CN CN201711426157.0A patent/CN108267312B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108267312A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 | |
Wang et al. | Feature trend extraction and adaptive density peaks search for intelligent fault diagnosis of machines | |
CN107228766B (zh) | 基于改进多尺度模糊熵的滚动轴承故障诊断方法 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN112257767B (zh) | 针对类不均衡数据的产品关键零部件状态分类方法 | |
CN111207938A (zh) | 一种铁道车辆故障检测方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN108760300A (zh) | 一种依据轴承振动信号对其进行故障智能诊断的方法 | |
CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
CN109978867A (zh) | 玩具外表质量检测方法及其相关设备 | |
CN108896308A (zh) | 一种基于概率包络的轮对轴承故障诊断方法 | |
CN114462480B (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN113204837A (zh) | 一种多源信息的滚动轴承故障诊断方法 | |
CN107655690A (zh) | 基于人工神经网络的电机轴承故障诊断方法 | |
CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN109726893A (zh) | 一种旋转机械故障数据集属性权重的确定及评价方法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |