[发明专利]一种基于快速搜索算法的地铁列车轴承智能诊断方法

摘要

本发明提出了一种基于快速搜索算法的地铁列车轴承智能诊断方法，首先采集城轨车辆轴承振动信号，然后对于采集到振动信号进行特征提取，形成原始特征矩阵，在得到更多更精细的故障信息的同时，将原始特征矩阵输入自适应特征选择算法，自动将原始特征矩阵中非敏感特征全部剔除，最后利用快速搜索算法，自动识别不同故障。该方法利用特征选择技术选出对故障分类有用的信息，同时降低特征矩阵维度，减小模式识别算法的负担，提高了故障诊断自动化水平，避免突发性事故发生，减小经济损失。

主权项

1.一种基于快速搜索算法的地铁列车轴承智能诊断方法，其特征在于，该方法采取如下步骤：(1)采集城轨车辆轴承振动信号；(2)对于采集到振动信号进行特征提取，形成原始特征矩阵；(3)采用自适应特征优选算法，对原始特征矩阵进行特征选择操作，降低维数，得到最优特征矩阵；(4)采用快速搜索算法对最优特征矩阵进行聚类分析，准确诊断出存在的故障；步骤(3)中特征选择操作的具体步骤为：设定包含了C种故障类别的特征矩阵为{f_n，j，n＝1，2，...，N；j＝1，2，...，J}_C，J是特征数，N是每种故障中的样本个数，f_n，j是第n个样本的第j个特征值，将所有的特征集定义为{v_k，j}_{k＝1，2，...，K；j＝1，2，...，J}，K为样本总数，采用自适应特征优选算法过程如下：(i)对v_k，j进行正规化，得到正规化后的特征集{x_k，j}＝X_k，j(ii)计算自相似因子S_mk，jS_mk，j＝||x_m，j‑x_k，j||²，m，k＝1，2...，K；j＝1，2，...，J(iii)对每个特征建立权重矩阵(iv)计算每个特征的自权重Sw_j根据步骤(iii)得到的权重，计算每个特征的自权重Sw_jSw_j＝mean(W_j)；选取其中权重值最大的前M个敏感特征组成最优 特征矩阵；步骤(4)中采用快速搜索算法对最优特征矩阵进行聚类分析的具体步骤为：1)计算欧式距离设定数据集I_s＝{1，2，...，N}，则数据点之间欧式距离为d_i，j＝||x_i‑x_j||²，j＝i+1，i+2，...，N升序排列d_i，j得到初始化d_c的值为前t％的值，同时初始化t＝1，假设有PP＝N*t/100d_c＝{D_i，j}_P2)计算局部密度完成后，记下每个数据点的下标，同时对进行降序排列；3)计算每个数据点的4)确定聚类中心4.1)计算的值，并将其正规化为γ_i＝ρ_i*δ_i4.2)对降序排列，如果β_i‑β_i+1≥θ，那么点x_i到x_N被确定为聚类中心，其中θ为阈值；5)按照最邻近原则分配剩余的数据点，得到当前t值对应的聚类结果6)聚类评价分析6.1)计算每个点的轮廓度指标Sil_i，其中，a(i)表示ith向量到同一簇内其他点不相似程度的平均值，b(i)表示ith向量到其他簇的平均不相似程度的最小值；6.2)将所有点的轮廓系数平均，得到该聚类结果总的轮廓系数Sav_t6.3)检测t的值是否大于100，若是则输出对应最大值得聚类结果否则执行t＝t+1后跳回步骤2)。