CN115935153B - 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 - Google Patents

一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 Download PDF

Info

Publication number
CN115935153B
CN115935153B CN202310015478.0A CN202310015478A CN115935153B CN 115935153 B CN115935153 B CN 115935153B CN 202310015478 A CN202310015478 A CN 202310015478A CN 115935153 B CN115935153 B CN 115935153B
Authority
CN
China
Prior art keywords
representing
fault
distribution
source
sound source
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
Application number
CN202310015478.0A
Other languages
English (en)
Other versions
CN115935153A (zh
Inventor
王友武
倪一清
郑有梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Research Institute HKPU
Original Assignee
Shenzhen Research Institute HKPU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Research Institute HKPU filed Critical Shenzhen Research Institute HKPU
Priority to CN202310015478.0A priority Critical patent/CN115935153B/zh
Publication of CN115935153A publication Critical patent/CN115935153A/zh
Application granted granted Critical
Publication of CN115935153B publication Critical patent/CN115935153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，包括：通过若干个传声器获取列车行驶过程中轴承的观测声学信号；基于贝叶斯盲源分离模型，根据观测声学信号确定若干个故障源的声源信号；对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置。通过传声器获取列车在行驶过程中轴承所产生的声音，形成观测声学信号，并基于贝叶斯盲源分离模型，从观测声学信号中分离出各故障源的声源信号，针对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，实现轴承的故障诊断。采用贝叶斯盲源分离模型对观测声学信号进行分离，分离出轴承上故障源的声源信号，降低了轴承故障诊断的难度。

Description

一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法
技术领域
本发明涉及列车的轴承故障检测技术领域，尤其涉及的是一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法。
背景技术
高速铁路的发展对车辆走行部的安全提出更高要求，滚动轴承作为铁路列车走行部的关键部件，对车辆安全性起着非常重要的作用。在列车运行过程中，轴承是发生故障的主要部位，且多种故障同时出现的情况普遍存在。然而实际中不能安装较多的传感器，传感器的数量小于信号源数量的情况非常普遍；通过传感器测得复合故障信号是各故障源的混叠信号，其传递过程不明确且包含强烈的噪声，这给复合故障的诊断带来很大困难。针对轨旁监听系统噪声强度大、源信号的平稳性差和系统不确定大的特点。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，旨在解决现有技术中复合故障的诊断难度大的问题。
本发明解决技术问题所采用的技术方案如下：
一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其中，包括步骤：
通过若干个传声器获取列车行驶过程中轴承的观测声学信号；
基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号；
对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置；
所述贝叶斯盲源分离模型为：
Figure 774820DEST_PATH_IMAGE001
Figure 638870DEST_PATH_IMAGE002
Figure 453243DEST_PATH_IMAGE003
Figure 338022DEST_PATH_IMAGE004
其中，
Figure 870635DEST_PATH_IMAGE005
表示联合概率后验分布，/>
Figure 256485DEST_PATH_IMAGE006
表示正比于，/>
Figure 47068DEST_PATH_IMAGE007
表示观测声学信号/>
Figure 368328DEST_PATH_IMAGE008
的似然函数，/>
Figure 857078DEST_PATH_IMAGE009
表示故障源的声源信号/>
Figure 187566DEST_PATH_IMAGE010
的先验分布，/>
Figure 914213DEST_PATH_IMAGE011
表示平方指数核函数的方差，/>
Figure 937533DEST_PATH_IMAGE012
表示混合矩阵/>
Figure 382421DEST_PATH_IMAGE013
的先验分布，/>
Figure 188703DEST_PATH_IMAGE014
表示方差/>
Figure 425649DEST_PATH_IMAGE015
的先验分布，/>
Figure 964078DEST_PATH_IMAGE016
表示特征尺度/>
Figure 286475DEST_PATH_IMAGE017
的先验分布，/>
Figure 630868DEST_PATH_IMAGE018
表示对角协方差矩阵/>
Figure 332108DEST_PATH_IMAGE019
的先验分布，/>
Figure 431651DEST_PATH_IMAGE020
表示连乘积，/>
Figure 913448DEST_PATH_IMAGE021
表示时间，/>
Figure 999216DEST_PATH_IMAGE022
表示观测声学信号的截止时间，/>
Figure 948105DEST_PATH_IMAGE023
表示正态分布，/>
Figure 156232DEST_PATH_IMAGE024
表示噪声水平，/>
Figure 63008DEST_PATH_IMAGE025
表示时间
Figure 811521DEST_PATH_IMAGE026
的观测声学信号，/>
Figure 549670DEST_PATH_IMAGE027
表示时间/>
Figure 866382DEST_PATH_IMAGE026
的故障源的声源信号，/>
Figure 119509DEST_PATH_IMAGE028
表示时间/>
Figure 609396DEST_PATH_IMAGE026
的噪声水平。
所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其中，所述故障源的声源信号的先验分布为：
Figure 405314DEST_PATH_IMAGE029
其中，
Figure 17561DEST_PATH_IMAGE030
表示广义帕累托分布，/>
Figure 898929DEST_PATH_IMAGE031
表示第/>
Figure 926928DEST_PATH_IMAGE032
个故障源的声源信号，/>
Figure 436407DEST_PATH_IMAGE033
表示转置，
Figure 360500DEST_PATH_IMAGE034
表示故障源的数量，/>
Figure 525902DEST_PATH_IMAGE035
表示第/>
Figure 685488DEST_PATH_IMAGE032
个故障源的平方指数核函数的方差，/>
Figure 924840DEST_PATH_IMAGE036
表示第/>
Figure 144468DEST_PATH_IMAGE032
个故障源的特征尺度，/>
Figure 797167DEST_PATH_IMAGE037
表示核函数自变量，/>
Figure 370230DEST_PATH_IMAGE038
表示比例因子，/>
Figure 854301DEST_PATH_IMAGE039
表示以自然常数/>
Figure 120198DEST_PATH_IMAGE040
为底的指数函数；
所述混合矩阵的先验分布为：
Figure 994613DEST_PATH_IMAGE041
其中，
Figure 782088DEST_PATH_IMAGE042
表示混合矩阵/>
Figure 996032DEST_PATH_IMAGE043
中第/>
Figure 229567DEST_PATH_IMAGE044
行第/>
Figure 919174DEST_PATH_IMAGE032
列的元素，/>
Figure 568462DEST_PATH_IMAGE045
表示/>
Figure 292704DEST_PATH_IMAGE046
的方差。
所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其中，所述方差的先验分布为：
Figure 697141DEST_PATH_IMAGE047
其中，
Figure 483831DEST_PATH_IMAGE048
表示逆伽马分布，/>
Figure 327022DEST_PATH_IMAGE049
，/>
Figure 577875DEST_PATH_IMAGE050
表示超参数；
所述特征尺度的先验分布为：
Figure 90896DEST_PATH_IMAGE051
其中，
Figure 755095DEST_PATH_IMAGE052
表示伽马分布，/>
Figure 74081DEST_PATH_IMAGE053
表示第/>
Figure 382703DEST_PATH_IMAGE032
个故障源的特征尺度，/>
Figure 191259DEST_PATH_IMAGE054
，/>
Figure 952541DEST_PATH_IMAGE055
表示超参数；
所述对角协方差矩阵的先验分布为：
Figure 75218DEST_PATH_IMAGE056
其中，
Figure 97401DEST_PATH_IMAGE057
表示对角协方差矩阵的对角线上第/>
Figure 217804DEST_PATH_IMAGE044
个方差，/>
Figure 528699DEST_PATH_IMAGE058
，/>
Figure 251805DEST_PATH_IMAGE059
表示超参数。
所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其中，所述对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，包括：
对每一个故障源的声源信号进行频谱分析，计算每一个故障源对应的频率；
确定所述频率中的异常频率；
根据所述异常频率，确定轴承的损伤位置。
所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其中，所述基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号，包括：
利用马尔可夫链蒙特卡罗算法，根据所述观测声学信号估算贝叶斯盲源分离模型中联合概率后验分布的各个变量的概率分布，以确定若干个故障源的声源信号。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
有益效果：通过传声器获取列车在行驶过程中轴承所产生的声音，形成观测声学信号，并基于贝叶斯盲源分离模型，根据观测声学信号确定故障源的声源信号，即从观测声学信号中分离出各故障源的声源信号，然后针对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，实现轴承的故障诊断。采用贝叶斯盲源分离模型对观测声学信号进行分离，分离出轴承上故障源的声源信号，可以降低轴承故障诊断的难度。
附图说明
图1是本发明中基于贝叶斯盲源分离技术的列车轴承故障诊断方法的流程图。
图2是本发明中嵌入高斯过程的贝叶斯盲源分离技术原理图。
图3是本发明中真实故障源的声源信号的示意图。
图4是本发明中观测声学信号的示意图。
图5是本发明中真实故障源的声源信号与估算的故障源的声源信号的对比示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请同时参阅图1-图5，本发明提供了一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法的一些实施例。
如图1-图2所示，本发明的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，包括以下步骤：
步骤S100、通过若干个传声器获取列车行驶过程中轴承的观测声学信号。
步骤S200、基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号。
步骤S300、对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置。
具体地，通过传声器获取列车在行驶过程中轴承所产生的声音，形成观测声学信号，并基于贝叶斯盲源分离模型，根据观测声学信号确定故障源的声源信号，即从观测声学信号中分离出各故障源的声源信号，然后针对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，实现轴承的故障诊断。采用贝叶斯盲源分离模型对观测声学信号进行分离，分离出轴承上故障源的声源信号，可以降低轴承故障诊断的难度。
步骤S100具体包括：
步骤S110、通过所述升降支撑座调整所述传声器的高度，以使所述传声器位于与列车的轴承对应的位置。
步骤S120、启动所述传声器以获取列车行驶过程中轴承的观测声学信号。
具体地，通过升降支撑座调整传声器的高度，从而使得传声器对应于轴承的位置，便于采集轴承的声音，得到观测声学信号。需要说明的是，由于传声器有若干个，各传声器所采集的观测声学信号并不完全相同。
贝叶斯盲源分离问题可以写成：
Figure 269439DEST_PATH_IMAGE060
Figure 623060DEST_PATH_IMAGE061
Figure 220919DEST_PATH_IMAGE062
Figure 623082DEST_PATH_IMAGE063
Figure 557540DEST_PATH_IMAGE065
Figure 409958DEST_PATH_IMAGE066
Figure 101970DEST_PATH_IMAGE067
Figure 698037DEST_PATH_IMAGE068
Figure 487001DEST_PATH_IMAGE069
其中，
Figure 854529DEST_PATH_IMAGE070
表示观测声学信号，/>
Figure 689630DEST_PATH_IMAGE071
表示无噪声污染的理想观测信号，/>
Figure 495912DEST_PATH_IMAGE072
表示混合矩阵，即从故障源到观测声学信号的传递函数，/>
Figure 77066DEST_PATH_IMAGE073
表示故障源的声源信号，/>
Figure 271287DEST_PATH_IMAGE074
表示噪声水平，/>
Figure 208DEST_PATH_IMAGE075
表示时间/>
Figure 547864DEST_PATH_IMAGE026
的观测声学信号，/>
Figure 639317DEST_PATH_IMAGE076
表示传声器的数量，/>
Figure 410964DEST_PATH_IMAGE077
表示时间/>
Figure 96023DEST_PATH_IMAGE026
的第/>
Figure 306425DEST_PATH_IMAGE044
个传声器的观测声学信号，/>
Figure 127750DEST_PATH_IMAGE078
表示时间/>
Figure 70298DEST_PATH_IMAGE026
的无噪声污染的理想观测信号，/>
Figure 836129DEST_PATH_IMAGE079
表示时间/>
Figure 787905DEST_PATH_IMAGE026
的故障源的声源信号，/>
Figure 463736DEST_PATH_IMAGE080
表示轴承上故障源的数量，/>
Figure 902152DEST_PATH_IMAGE031
表示第/>
Figure 296225DEST_PATH_IMAGE032
个故障源的声源信号，/>
Figure 786112DEST_PATH_IMAGE081
表示时间/>
Figure 441084DEST_PATH_IMAGE026
的第/>
Figure 194276DEST_PATH_IMAGE032
个故障源的声源信号，/>
Figure 606803DEST_PATH_IMAGE082
表示时间/>
Figure 962698DEST_PATH_IMAGE026
的噪声水平，/>
Figure 613122DEST_PATH_IMAGE083
表示时间/>
Figure 333954DEST_PATH_IMAGE026
的第/>
Figure 561673DEST_PATH_IMAGE044
个传声器的噪声水平，/>
Figure 596625DEST_PATH_IMAGE033
表示转置。
所述贝叶斯盲源分离模型为：
Figure 898293DEST_PATH_IMAGE085
Figure 852343DEST_PATH_IMAGE086
Figure 442724DEST_PATH_IMAGE087
Figure 78105DEST_PATH_IMAGE088
其中，
Figure 827755DEST_PATH_IMAGE005
表示联合概率后验分布，/>
Figure 828072DEST_PATH_IMAGE006
表示正比于，/>
Figure 30383DEST_PATH_IMAGE007
表示观测声学信号/>
Figure 203876DEST_PATH_IMAGE008
的似然函数，/>
Figure 417819DEST_PATH_IMAGE009
表示故障源的声源信号/>
Figure 651354DEST_PATH_IMAGE010
的先验分布，/>
Figure 340962DEST_PATH_IMAGE011
表示平方指数核函数的方差，/>
Figure 255828DEST_PATH_IMAGE012
表示混合矩阵/>
Figure 983000DEST_PATH_IMAGE013
的先验分布，/>
Figure 387437DEST_PATH_IMAGE014
表示方差/>
Figure 174127DEST_PATH_IMAGE015
的先验分布，/>
Figure 17318DEST_PATH_IMAGE016
表示特征尺度/>
Figure 268171DEST_PATH_IMAGE017
的先验分布，/>
Figure 46771DEST_PATH_IMAGE018
表示对角协方差矩阵/>
Figure 179812DEST_PATH_IMAGE019
的先验分布，/>
Figure 498798DEST_PATH_IMAGE020
表示连乘积，/>
Figure 807420DEST_PATH_IMAGE021
表示时间，/>
Figure 881555DEST_PATH_IMAGE022
表示观测声学信号的截止时间，/>
Figure 642838DEST_PATH_IMAGE023
表示正态分布，/>
Figure 827831DEST_PATH_IMAGE024
表示噪声水平，/>
Figure 53276DEST_PATH_IMAGE025
表示时间/>
Figure 908100DEST_PATH_IMAGE021
的观测声学信号，/>
Figure 281312DEST_PATH_IMAGE027
表示时间/>
Figure 145363DEST_PATH_IMAGE021
的故障源的声源信号，/>
Figure 225315DEST_PATH_IMAGE028
表示时间/>
Figure 641252DEST_PATH_IMAGE021
的噪声水平。
故障源的声源信号的先验分布为：
Figure 111548DEST_PATH_IMAGE029
其中，
Figure 576027DEST_PATH_IMAGE089
表示第/>
Figure 838381DEST_PATH_IMAGE032
个故障源的声源信号的先验分布，/>
Figure 35008DEST_PATH_IMAGE030
表示广义帕累托分布，/>
Figure 379883DEST_PATH_IMAGE031
表示第/>
Figure 851315DEST_PATH_IMAGE032
个故障源的声源信号，/>
Figure 640280DEST_PATH_IMAGE033
表示转置，/>
Figure 398020DEST_PATH_IMAGE034
表示故障源的数量，/>
Figure 842908DEST_PATH_IMAGE035
表示第/>
Figure 977086DEST_PATH_IMAGE032
个故障源的平方指数核函数的方差，/>
Figure 620557DEST_PATH_IMAGE036
表示第/>
Figure 690144DEST_PATH_IMAGE032
个故障源的特征尺度，/>
Figure 481383DEST_PATH_IMAGE037
表示核函数自变量，/>
Figure 294618DEST_PATH_IMAGE038
表示比例因子，/>
Figure 792595DEST_PATH_IMAGE039
表示以自然常数/>
Figure 157718DEST_PATH_IMAGE040
为底的指数函数。
混合矩阵的先验分布为：
Figure 311618DEST_PATH_IMAGE090
其中，
Figure 787599DEST_PATH_IMAGE091
表示混合矩阵/>
Figure 405662DEST_PATH_IMAGE013
中第/>
Figure 817052DEST_PATH_IMAGE044
行第/>
Figure 848462DEST_PATH_IMAGE032
列的元素的先验分布，/>
Figure 737921DEST_PATH_IMAGE042
表示混合矩阵
Figure 210490DEST_PATH_IMAGE013
中第/>
Figure 917415DEST_PATH_IMAGE044
行第/>
Figure 45908DEST_PATH_IMAGE032
列的元素，/>
Figure 866621DEST_PATH_IMAGE045
表示/>
Figure 662539DEST_PATH_IMAGE046
的方差。
方差的先验分布为：
Figure 946890DEST_PATH_IMAGE047
其中，
Figure 687312DEST_PATH_IMAGE048
表示逆伽马分布，/>
Figure 184153DEST_PATH_IMAGE049
，/>
Figure 959211DEST_PATH_IMAGE050
表示超参数。
特征尺度的先验分布为：
Figure 680042DEST_PATH_IMAGE092
其中，
Figure 783127DEST_PATH_IMAGE093
表示伽马分布，/>
Figure 677134DEST_PATH_IMAGE094
表示第/>
Figure 447644DEST_PATH_IMAGE032
个故障源的特征尺度的先验分布，/>
Figure 339377DEST_PATH_IMAGE053
表示第/>
Figure 788812DEST_PATH_IMAGE032
个故障源的特征尺度，/>
Figure 627455DEST_PATH_IMAGE054
，/>
Figure 377106DEST_PATH_IMAGE055
表示超参数。
对角协方差矩阵的先验分布为：
Figure 439740DEST_PATH_IMAGE095
其中，
Figure 517417DEST_PATH_IMAGE096
表示在/>
Figure 753226DEST_PATH_IMAGE058
，/>
Figure 232749DEST_PATH_IMAGE059
条件下第/>
Figure 466284DEST_PATH_IMAGE044
个协方差矩阵/>
Figure 155892DEST_PATH_IMAGE097
对应的概率，
Figure 70758DEST_PATH_IMAGE097
表示第/>
Figure 201525DEST_PATH_IMAGE044
个协方差矩阵，/>
Figure 930928DEST_PATH_IMAGE057
表示对角协方差矩阵的对角线上第/>
Figure 717619DEST_PATH_IMAGE044
个方差，/>
Figure 826389DEST_PATH_IMAGE058
，/>
Figure 811662DEST_PATH_IMAGE059
表示超参数。
步骤S200具体包括：
步骤S210、利用马尔可夫链蒙特卡罗算法，根据所述观测声学信号估算贝叶斯盲源分离模型中联合概率后验分布的各个变量的概率分布，以确定若干个故障源的声源信号。
具体地，为解决这个复杂的高维的联合概率分布函数，利用马尔可夫链蒙特卡罗算法（MCMC）算法中sequential Metropolis-Hasting联合采用算法，估算出联合分布中和各个变量的概率分布，这样就可以确定每个故障源的声源信号。
步骤：（1）采样源分布
Figure 590263DEST_PATH_IMAGE098
Figure 988883DEST_PATH_IMAGE100
其中，
Figure 511131DEST_PATH_IMAGE101
第/>
Figure 944386DEST_PATH_IMAGE102
次采样得到的源分布；/>
Figure 690626DEST_PATH_IMAGE103
表示第/>
Figure 451908DEST_PATH_IMAGE104
次采样得到的混合矩阵；
Figure 636902DEST_PATH_IMAGE105
表示第/>
Figure 596768DEST_PATH_IMAGE104
次采样得到误差对角协方差矩阵；/>
Figure 982750DEST_PATH_IMAGE106
表示第/>
Figure 90383DEST_PATH_IMAGE104
次采样得到的特征尺度；/>
Figure 954434DEST_PATH_IMAGE107
表示上一时刻的源分布。
（2）采样混合矩阵分布
Figure 362281DEST_PATH_IMAGE108
Figure 450323DEST_PATH_IMAGE109
其中，
Figure 186198DEST_PATH_IMAGE110
表示第/>
Figure 712994DEST_PATH_IMAGE111
次采样得到的混合矩阵；/>
Figure 850714DEST_PATH_IMAGE112
表示上一时刻的混合矩阵。
（3）采样误差对角协方差矩阵
Figure 109657DEST_PATH_IMAGE113
Figure 460392DEST_PATH_IMAGE115
其中，
Figure 400666DEST_PATH_IMAGE116
表示第/>
Figure 517527DEST_PATH_IMAGE117
次采样得到误差对角协方差矩阵。
（4）采样混合矩阵超参数
Figure 212950DEST_PATH_IMAGE118
Figure 923417DEST_PATH_IMAGE119
（5）从分布
Figure 526437DEST_PATH_IMAGE120
中采样新特征尺度/>
Figure 638749DEST_PATH_IMAGE121
，按照以下准则判断是否接受新采样数据。
Figure 239495DEST_PATH_IMAGE122
（6）重复1-5的步骤直到获取足够的样本获得每个故障源的声源信号。
步骤S300具体包括：
步骤S310、对每一个故障源的声源信号进行频谱分析，计算每一个故障源对应的频率。
步骤S320、确定所述频率中的异常频率；
步骤S330、根据所述异常频率，确定轴承的损伤位置。
具体地，根据上面贝叶斯盲源分离技术分离出每个故障源的声源信号，然后对每一个故障源的声源信号
Figure 561892DEST_PATH_IMAGE123
进行频谱分析，计算每一个声源对应的频率，根据频率信息找出异常频率，由此确定轴承相应的损伤位置。
如图3所示，故障源有3个，且真实的故障源的声源信号各不相同。如图4所示，传声器有2个，采集的观测声学信号也完全不相同。如图5所示，基于贝叶斯盲源分离模型估算的故障源的声源信号与真实的故障源的声源信号基本一致，表明本发明的基于贝叶斯盲源分离模型的预测效果较好。
基于上述任意一实施例所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，本发明还提供了一种计算机设备的实施例：
本发明的计算机设备，包括储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任意一实施例所述方法的步骤。
基于上述任意一实施例所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，本发明还提供了一种计算机可读存储介质的实施例：
本发明的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一实施例所述方法的步骤。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，包括步骤：
通过若干个传声器获取列车行驶过程中轴承的观测声学信号；
基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号；
对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置；
所述贝叶斯盲源分离模型为：
Figure QLYQS_1
，
Figure QLYQS_2
，
Figure QLYQS_3
，
Figure QLYQS_4
，
其中，
Figure QLYQS_6
表示联合概率后验分布，/>
Figure QLYQS_21
表示正比于，/>
Figure QLYQS_29
表示观测声学信号/>
Figure QLYQS_10
的似然函数，/>
Figure QLYQS_12
表示故障源的声源信号/>
Figure QLYQS_16
的先验分布，/>
Figure QLYQS_17
表示平方指数核函数的方差，/>
Figure QLYQS_9
表示混合矩阵/>
Figure QLYQS_18
的先验分布，/>
Figure QLYQS_25
表示方差/>
Figure QLYQS_27
的先验分布，
Figure QLYQS_11
表示特征尺度/>
Figure QLYQS_14
的先验分布，/>
Figure QLYQS_20
表示对角协方差矩阵/>
Figure QLYQS_26
的先验分布，/>
Figure QLYQS_8
表示连乘积，/>
Figure QLYQS_22
表示时间，/>
Figure QLYQS_28
表示观测声学信号的截止时间，/>
Figure QLYQS_30
表示正态分布，/>
Figure QLYQS_5
表示噪声水平，/>
Figure QLYQS_15
表示时间/>
Figure QLYQS_19
的观测声学信号，/>
Figure QLYQS_23
表示时间/>
Figure QLYQS_7
的故障源的声源信号，/>
Figure QLYQS_13
表示时间/>
Figure QLYQS_24
的噪声水平；
所述故障源的声源信号的先验分布为：
Figure QLYQS_31
，
Figure QLYQS_32
，
其中，
Figure QLYQS_35
表示广义帕累托分布，/>
Figure QLYQS_37
表示第/>
Figure QLYQS_43
个故障源的声源信号，/>
Figure QLYQS_34
表示转置，/>
Figure QLYQS_38
表示故障源的数量，/>
Figure QLYQS_42
表示第/>
Figure QLYQS_44
个故障源的平方指数核函数的方差，/>
Figure QLYQS_33
表示第/>
Figure QLYQS_39
个故障源的特征尺度，/>
Figure QLYQS_40
表示核函数自变量，/>
Figure QLYQS_41
表示比例因子，/>
Figure QLYQS_36
表示以自然常数e为底的指数函数；
所述混合矩阵的先验分布为：
Figure QLYQS_45
，
其中，
Figure QLYQS_46
表示混合矩阵/>
Figure QLYQS_47
中第/>
Figure QLYQS_48
行第/>
Figure QLYQS_49
列的元素，/>
Figure QLYQS_50
表示/>
Figure QLYQS_51
的方差；
所述方差的先验分布为：
Figure QLYQS_52
，
其中，
Figure QLYQS_53
表示逆伽马分布，/>
Figure QLYQS_54
表示超参数；
所述特征尺度的先验分布为：
Figure QLYQS_55
，
其中，
Figure QLYQS_56
表示伽马分布，/>
Figure QLYQS_57
表示第/>
Figure QLYQS_58
个故障源的特征尺度，/>
Figure QLYQS_59
表示超参数；
所述对角协方差矩阵的先验分布为：
Figure QLYQS_60
，
其中，
Figure QLYQS_61
表示对角协方差矩阵的对角线上第/>
Figure QLYQS_62
个方差，/>
Figure QLYQS_63
表示超参数；
所述基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号，包括：
利用马尔可夫链蒙特卡罗算法，根据所述观测声学信号估算贝叶斯盲源分离模型中联合概率后验分布的各个变量的概率分布，以确定若干个故障源的声源信号；
所述利用马尔可夫链蒙特卡罗算法，根据所述观测声学信号估算贝叶斯盲源分离模型中联合概率后验分布的各个变量的概率分布，以确定若干个故障源的声源信号，具体包括：
步骤（1）采样源分布
Figure QLYQS_64
，
Figure QLYQS_65
，
其中，
Figure QLYQS_68
表示第/>
Figure QLYQS_70
次采样得到的源分布；/>
Figure QLYQS_72
表示第/>
Figure QLYQS_67
次采样得到的混合矩阵；/>
Figure QLYQS_71
表示第/>
Figure QLYQS_73
次采样得到误差对角协方差矩阵；/>
Figure QLYQS_74
表示第/>
Figure QLYQS_66
次采样得到的特征尺度；
Figure QLYQS_69
表示上一时刻的源分布；
步骤（2）采样混合矩阵分布
Figure QLYQS_75
，
Figure QLYQS_76
，
其中，
Figure QLYQS_77
表示第/>
Figure QLYQS_78
次采样得到的混合矩阵；/>
Figure QLYQS_79
表示上一时刻的混合矩阵；
步骤（3）采样误差对角协方差矩阵
Figure QLYQS_80
，
Figure QLYQS_81
，
其中，
Figure QLYQS_82
表示第/>
Figure QLYQS_83
次采样得到误差对角协方差矩阵；
步骤（4）采样混合矩阵超参数
Figure QLYQS_84
，
Figure QLYQS_85
，
步骤（5）从分布
Figure QLYQS_86
中采样新特征尺度/>
Figure QLYQS_87
，按照以下准则判断是否接受新采样数据；
Figure QLYQS_88
，
步骤（6）重复步骤（1）-步骤（5）的步骤直到获取足够的样本获得每个故障源的声源信号。
2.根据权利要求1所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，所述对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，包括：
对每一个故障源的声源信号进行频谱分析，计算每一个故障源对应的频率；
确定所述频率中的异常频率；
根据所述异常频率，确定轴承的损伤位置。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至2中任一项所述的方法的步骤。
CN202310015478.0A 2023-01-06 2023-01-06 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法 Active CN115935153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310015478.0A CN115935153B (zh) 2023-01-06 2023-01-06 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310015478.0A CN115935153B (zh) 2023-01-06 2023-01-06 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN115935153A CN115935153A (zh) 2023-04-07
CN115935153B true CN115935153B (zh) 2023-06-20

Family

ID=86649236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310015478.0A Active CN115935153B (zh) 2023-01-06 2023-01-06 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN115935153B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374575A (zh) * 2014-11-25 2015-02-25 沈阳化工大学 一种基于盲源分离的风力机主轴承故障诊断方法
CN104390780A (zh) * 2014-11-25 2015-03-04 沈阳化工大学 一种基于盲源分离的齿轮箱故障诊断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699080B (zh) * 2015-12-18 2019-09-03 华北电力大学（保定） 一种基于振动数据的风电机组轴承故障特征提取方法
US10776718B2 (en) * 2016-08-30 2020-09-15 Triad National Security, Llc Source identification by non-negative matrix factorization combined with semi-supervised clustering
CN107677472B (zh) * 2017-08-25 2019-07-09 中国矿业大学 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN107884188B (zh) * 2017-10-11 2019-10-29 温州大学 一种基于模式转换的变转速/变负载滚动轴承故障诊断方法
CN107817106B (zh) * 2017-10-11 2019-08-02 温州大学 基于贝叶斯残余变换-奇异值分解-高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法
CN110703151A (zh) * 2019-10-10 2020-01-17 重庆大学 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法
CN112464712B (zh) * 2020-10-20 2022-07-22 浙江大学 一种基于盲抽取算法的旋转机械故障诊断方法
CN112565119B (zh) * 2020-11-30 2022-09-27 西北工业大学 一种基于时变混合信号盲分离的宽带doa估计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374575A (zh) * 2014-11-25 2015-02-25 沈阳化工大学 一种基于盲源分离的风力机主轴承故障诊断方法
CN104390780A (zh) * 2014-11-25 2015-03-04 沈阳化工大学 一种基于盲源分离的齿轮箱故障诊断方法

Also Published As

Publication number Publication date
CN115935153A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN104330471B (zh) 航空结构损伤的Lamb波时变概率模型监测方法
CN112200244B (zh) 一种基于递阶对抗训练的航天发动机异常智能检测方法
JP7340265B2 (ja) 異常検出装置、異常検出方法、およびプログラム
CN110633353B (zh) 一种基于集成学习的船舶类型仿冒监测方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110717472B (zh) 基于改进的小波阈值去噪的故障诊断方法及系统
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN102063907A (zh) 一种针对音频扩频隐写的隐写分析方法
CN112395382A (zh) 基于变分自编码器的船舶异常航迹数据检测方法和装置
CN114332008A (zh) 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN106649745A (zh) 一种机车运用综合分析方法
CN114509811A (zh) 一种基于深度学习的单台站后方位角估计方法与装置
CN115935153B (zh) 一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
Zhang et al. A novel deep sparse filtering method for intelligent fault diagnosis by acoustic signal processing
Nguyen et al. GPS data processing for driving cycle development in Hanoi, Vietnam
CN114694640A (zh) 基于音频频谱图的异常声音提取识别方法及装置
CN108764112A (zh) 一种遥感图像目标物检测方法及设备
CN112697270A (zh) 故障检测方法、装置、无人设备及存储介质
CN112975574B (zh) 一种铝合金薄壁件铣削过程表面质量在线检测系统
US20210271989A1 (en) Method for predicting vessel density in a surveillance area
CN112735436A (zh) 声纹识别方法及声纹识别系统
US10157166B2 (en) Method and system for measuring the performance of a diagnoser
CN117007606B (zh) 一种基于晶粒分割网络的晶圆晶粒缺陷检测方法及系统
US20210289303A1 (en) Monitoring apparatus and monitoring method

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