[发明专利]轨道列车走行部滚动轴承故障的诊断方法

摘要

本发明公布了一种新的轨道列车走行部滚动轴承故障诊断方法，通过提出基于指数平滑预测的滑动时间窗分割算法，实现局部频谱的特征提取，结合改进的Adaboost算法，对轨道交通列车走行部转向架滚动轴承进行故障诊断。利用本发明提供的技术方案，可以有效地对轨道列车走行部非线性非平稳实时振动数据进行分割，并由此构建局部频谱图，选取局部频谱区间的中间点频率作为该样本的特征向量，为分类器提供了更加准确的输入，在滚动轴承故障诊断方面有很高的准确性，有效地保证故障分类的准确性，解决了现有方法准确率低、故障分类难的问题。

主权项

1.一种轨道列车走行部滚动轴承故障的诊断方法，包括状态信号采集过程、状态信号提取过程和状态模式识别过程，具体包括如下步骤：1)利用数据采集模块实时采集轨道列车走行部滚动轴承振动数据，得到实时时序数据样本，设为L；2)通过基于指数平滑预测的滑动时间窗分割算法对实时时序数据L进行分割，获得时间序列数据样本L的主要趋势，获得数据初始分割点；3)对上述初始分割点进行校验，得到最终分割点；4)根据K个分割点，确定V型波的范围，一个V型波即为一个局部周期范围；5)将实时时序数据样本L分割成l份局部周期数据，构建数据的局部频谱图；6)对局部频谱图的频谱区间进行一致化处理；处理步骤包括：a)针对所有训练样本Xi，i＝1，2…n；对每个样本进行局部频谱转换，得到各个样本的局部频谱v_ij，i＝1，2，…n，j＝0，1…m，i表示第i个样本，j表示该样本的第j个局部频谱；b)求取样本中局部频谱的最值Max(v_ij)、Min(v_ij)，用Min(v_ij)、Max(v_ij)两个值作为所有局部频谱图的跨度；c)考虑计算效率和对于原始信号的损失程度，选取局部频谱图的区间个数；通过上述步骤后，每个样本的局部频谱区间所对应的坐标刻度表示为式7：；7) 提取每个实时时序数据样本的局部频谱图中，幅值最高的前n项所对应的局部频谱区间的中间点频率，作为该样本的特征向量；8)状态模式识别：通过改进Adaboost算法进行故障分类，得到轴承故障诊断的分类结果；所述改进Adaboost算法针对抗噪声能力弱的缺点进行改进，针对噪声数据，通过将样本数据进行聚类过程使得样本数据中各类别的样本数据更加紧凑，不同类别之间的区别更大；同时优化所述聚类过程，以达到提高不同类别的区分度和剔除噪声的目的；所述聚类采用KNN聚类算法；所述通过改进Adaboost算法进行故障分类，具体采用如下基本步骤：给定(x₁，y₁)，(x₂，y₂)，…(x_m，y_m)，其中xi是样本数据，x_i∈X，y_i∈Y＝{1，‑1}；设定初始化样本的概率分布为Dt＝1/m，i＝1,2,…m；a)训练样本分布为D_t的弱分类器；b)把训练样本输入到该弱分类器，通过式8获取弱分类器的错误率e_t：e_t＝∑D_t[h_t(x_i)≠y_i]             (式8)其中，h_t(x_i)是弱分类器对于样本x_i的分类结果；c)通过式9获取该弱分类器的权值参数α_t：d)通过式10更新样本的分布：其中，Z_t是标准化因子，保证Di满足分布率，D_t是样本的分布概率；e)重复上述步骤b)～d)，直到所有弱分类器遍历完，完成一次迭代；设置迭代的次数，进行迭代；最终迭代完成，通过式11得到强分类器的结果：其中，H(x)为将弱分类器提升为强分类器的结果。