[发明专利]一种基于STFT与CNN的列车轴承故障诊断方法

说明书

本发明公开了一种基于STFT与CNN的列车轴承故障诊断方法，收集列车轴承的故障振动信号；通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；通过STFT提取振动信号的时频信息，并将时频信号分解为实部与虚部；构建基于CNN的故障识别深度学习网络；基于深度学习网络的识别结果，通过SoftMax函数得到轴承的故障诊断结果；本发明充分利用了列车轴承故障振动信号的时频信息，并基于CNN在图像分类领域的研究成果，提出了一种CNN新变种。

技术领域

本发明属于列车易损零部件的故障诊断技术领域，具体涉及一种基于STFT与CNN的列车轴承故障诊断方法。

背景技术

随着我国高铁的蓬勃发展，路网建设的迅速推进，高速列车运行安全已成为学者研究、工程建设和相关运营单位关注的重点。轮对轴承是列车转向架关键的旋转部件，它既承担了由列车自重及载重合成的垂向静态、动态力，还承担了列车轮轨间特有的横向非稳定力。对列车行车安全有最为直接的影响。随着我国高速列车运行速度不断提升轮对轴承的振动特性随轮轨间的动载荷加剧也变得更加复杂、恶劣，轮对轴承的磨损和擦伤等故障日趋严重。因此，针对高速列车轮对轴承开展故障检测与诊断研究并及时发现轮对轴承故障十分必要。

对此，国内外学者展开了广泛而深入的研究，取得了丰硕的研究成果。基于时域统计分析和傅里叶的频域分析的诊断方法是目前有效的故障检测方法。然而基于时域统计分析的诊断方法基于信号平稳、线性的假设。实际上，因轮对轴承的故障使得轴承原件的冲击超过了材料的线弹性范围，从而造成轴承振动信号呈现非线性非平稳性的特征。应用傅里叶变换拟合非线性震动需要许多的谐波成分，然而这些谐波成分只满足分解的数学关系，而对发现轴承故障没有任何物理意义。此外，实际情况中轮对轴承故障信号并不明显，而且采集时产生的噪声以及传递过程中出现的信号失真问题使得传统时频分析方法的适用性存在限制。为了有效处理非线性非平稳信号，时频分析得到了充分地利用，短时傅里叶变换(STFT,Short-time Fourier transform)相较于傅里叶变换而言，对原信号乘以一个窗口函数，之后再做傅里叶变换减少频率泄露的影响。

深度学习能学习到数据的多层次特征，随着深度学习的发展，其表现出克服传统机器学习不足的巨大潜力。深度学习在各个领域表现出强有力的应用潜力，包括计算机视觉，自然语言处理，医药图片分析和机器健康监控系统。其中卷积神经网络(CNN,Convolution Neural Network)及其变种适用于二维数据，并在图片分类领域表现出较高的精度。

目前，传统的列车轴承故障诊断领域鲜有基于时频特征信息，使用CNN对列车进行故障诊断的列车轴承故障诊断算法。

发明内容

本发明的目的是提供一种基于STFT与CNN的列车轴承故障诊断方法，填补列车轴承故障诊断领域的空白。

本发明所采用的技术方案是，一种基于STFT与CNN的列车轴承故障诊断方法，具体按以下步骤实施：

步骤1，收集列车轴承的故障振动信号；

步骤2，通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；

步骤3，通过STFT提取振动信号的时频信息，并将时频信号分解为实部与虚部；

步骤4，构建基于CNN的故障识别深度学习网络；

步骤5，基于深度学习网络的识别结果，通过SoftMax函数得到轴承的故障诊断结果。

本发明的特点还在于：

其中步骤2具体按以下步骤实施：

步骤2.1，求得序列数据的平均值x_mean，最大值x_max；

步骤2.2，用序列数据减去x_mean；