[发明专利]基于MSE和PSO-SVM的轮对轴承故障诊断方法

权利要求书

1.一种基于MSE与PSO-SVM的轮对轴承故障诊断方法，其特征在于:包括以下具体步骤：

1)通过加速度传感器和采集卡完成轮对轴承故障状态下的振动信号采集，并对轮对轴承振动信号做预处理；

2)对采集到的轮对轴承振动信号进行样本熵计算，构造MSE特征向量，作为PSO-SVM模型的输入；

3)将步骤2)得到的MSE特征向量输入到PSO-SVM模型中，对PSO-SVM模型进行训练，将测试数据输入到训练好的PSO-SVM模型中，从而判断轮对轴承的故障模式。

2.根据权利要求1所述的一种基于MSE和PSO-SVM的轮对轴承故障诊断方法，所述预处理具体为:对采集到的振动信号进行归一化处理，除去样本集中的奇异样本，从而减少误差。

3.根据权利要求1所述的一种基于MSE和PSO-SVM的轮对轴承机械故障诊断方法，所述故障状态包括轮对轴承六种故障类型：外圈轻度故障、外圈中度故障、滚动体轻度故障、保持架轻度故障、保持架和滚动体复合故障、内圈轻度故障。

4.根据权利要求1所述的一种基于MSE和PSO-SVM的轮对轴承故障诊断方法，所述加速度传感器安装在轴承外圈，型号为：CA-YD-187T型加速度传感器；采集卡型号为NI USB-4431，采样频率设置为20kHz。

5.根据权利要求1所述的一种基于MSE和PSO-SVM的轮对轴承故障诊断方法，所述多尺度熵MSE具体计算步骤为：

1）长度为n，给定嵌入维数m和相似容限r，建立新的初粒向量；

(7)

其中，尺度因子]为正整数；

2）计算每一个尺度对应的粗粒序列的样本熵，得到τ个粗粒序列的样本熵，将样本熵值表示为尺度因子τ的函数，利用粗粒化后的序列来获得多尺度时间序列，通过粗粒化获得样本熵的不同尺度。

6.根据权利要求5所述的一种基于MSE和PSO-SVM的轮对轴承机械故障诊断方法，归一化后的样本熵具体计算步骤为：

对于时间序列由组数据组合而成，其样本熵的求解过程如下：

（1）通过选定一组维数为的矢量序列

其中:；

（2）定义向量与两者之间的距离为对应元素的最大差值，其绝对值可表示为式（1）：

(1)

（3）设定相似容限参数，统计与元素之间距离不大于的数目，记为，则对于可表示为如下形式：

(2)

（4）计算个的平均值：

(3)

（5）通过将维改为，重复步骤（1）~（4），计算可得如下形式：

(4)

与是在相似容限参数下，分别匹配和个点的概率，则样本熵可定义为：

(5)

当为有限值时，可采用以下公式计算样本熵的估计值：

(6)

样本熵的数值与相似容限r，嵌入维数m和数据长度n有关系，一般情况r取0.15×SD（SD是原始数据的标准差），m取2。

7.根据权利要求1所述的一种基于MSE和PSO-SVM的轮对轴承机械故障诊断方法，其特征是:分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据，对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差，将MSE特征提取后的特征样本作为PSO-SVM模型的训练和测试样本，利用PSO对SVM的径向基核函数（RBF）参数g及惩罚因子c寻优，利用PSO优化后的SVM对测试集进行分类，确定轮对轴承的故障类型。