[发明专利]一种多振源系统的故障诊断系统及方法

说明书

本发明公开了一种多振源系统的故障诊断系统及方法，涉及机械故障诊断技术领域。本发明针对多振源系统中的复合振动信号，使用盲源分离方法实现复合振动信号的分离，获取独立振源的振动信号，生成正常状态下分离信号数据集。使用该分离信号数据集训练对抗式生成网络，通过判别网络对的独立振源的振动信号进行辨识，判断该独立振源是否处于异常状态，从而实现无样本下故障源的定位和达到对故障的定位和异常预警功能。该方法适用性强，能够在缺少故障样本的情况下，充分利用不同独立振源的正常稳定状态工作振动信号训练模型，并在故障发生时进行及时的定位和异常预警。

技术领域

本发明涉及一种电力机车转向架构架装配设备，特别是一种多振源系统的故障诊断系统及方法。

背景技术

高速列车是我国提升运输能力和带从产业发展的重要工具，其转向架旋转部件的振动信号监测和故障诊断对保障安全性与可持续性具有重要工程价值。转向架结构复杂、振源数多、空间密集，使其传感器布置数量有限，传统针对单部件的监控策略难以得到全面的监测信息。同时由于庞大的列车保有量和保守的维修策略，监测数据具有正常运行数据量巨大、故障运行数据稀少的特点，使基于分类方法的人工智能的诊断模型难以适用。传感器数量少、故障数据少成为了目前高速列车旋转部件状态监测和故障诊断的难点。因此，对有限数目传感器信号进行分离和识别，充分利用运行数据，对转向架旋转部件进行状态监测和故障预警，可以有效提升高速列车的安全性和可持续性，具有重要的工程应用价值。

现有的转向架旋转部件的振动监测系统，其传感器布置方式主要针对单个部件，使用变换域方法对信号进行处理，通过设置频谱或能量谱的阈值进行识别和预警。而高速列车转向架结构紧凑，传感器接收到的往往是多个振源的复合信号，其信号成分复杂。因此导致现有系统诊断精度低、易误诊，只能对单一部件严重故障进行有效的预警。

盲源分离技术可在信号源及其复合方式不确定的条件下，利用信源统计独立性，从复合信号中自适应分离信源信息，有效提升检测目标信噪比。同时，基于深度学习的人工智能模型在特征识别和分类任务上展现了卓越的效果，因此在故障诊断领域有着巨大的发展潜力。然而大部分模型在训练时需要大量的、模式类别丰富的样本数据。如卷积神经网络(CNN)，循环神经网络(RNN)、自动编码器(AE)等模型在有充足样本进行训练后，达到了较高的诊断精度。但在转向架旋转部件的诊断问题中大量数据模式单一，且故障样本稀少、模式不全，给模型的训练带来了巨大的挑战。目前针对少样本的故障诊断问题，提出了生成样本补充、模型精简、元学习等解决措施，但仍旧存在泛化能力弱、诊断精度不高等问题。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种多振源系统的故障诊断系统及方法，从多振源系统中分离出独立振源的振动信号，并判断该振动信是否为故障信号。

为解决上述技术问题，本发明所采用的技术方案是：一种多振源系统的故障诊断方法，所述多振源系统包括多个独立振源，其特征在于，所述多振源系统还包括n个数据采集装置，所述数据采集装置的采样信号长度为m，包括以下步骤：

A，获取分离信号数据集；搭建生成对抗神经网络模型；

分离信号数据集的具体实现方式包括：

S1，获取多振源系统的复合振动信号；

S2，基于所述复合振动信号获取复合信号矩阵，对所述复合信号矩阵依次进行零均值化与白化处理，获取白化处理后的复合信号矩阵；

S3，基于白化处理后的复合信号矩阵获取分离信号矩阵；

S4，将所述分离信号矩阵切分为个一维数组，输出单通道的波形.WAV文件，对于每一个独立振源，制作分离信号数据集；l为含振动特征的样本长度，根据所述独立振源的转速和所述数据采集装置的采样率确定；

所述生成对抗神经网络模型包括生成网络G和判别网络D；

所述生成网络G的网络结构包括：