[发明专利]基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法

权利要求书

1.一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，该方法包括如下步骤：

S1：从历史数据库中读取轨道列车滚动轴承状态的原始振动信号；

S2：对原始振动信号进行小波降噪，得到纯净振动信号；

S3：利用小波包对纯净振动信号进行分解和相空间重构，提取特征向量；

S4：利用特征向量作为输入，相对应的轴承状态作为输出，进行改进PSO-RBF神经网络的训练，得到神经网络故障诊断模型；

S5：获取待诊断的轨道列车滚动轴承原始振动信号，将其执行步骤S2-S3后得到的特征向量输入步骤S4得到的神经网络故障诊断模型中，得到滚动轴承的诊断结果。

2.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的轨道列车滚动轴承状态包括正常状态、内圈故障、外圈故障和滚子故障4种状态，所述的轨道列车滚动轴承原始振动信号包括纯净振动信号和噪声信号。

3.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的小波降噪包括以下步骤：

S21：利用小波函数对轨道列车滚动轴承原始振动信号进行分解；

S22：计算各层小波系数模长；

S23：滤掉模长低于阈值的小波系数；

S24：进行小波反变换，得到纯净振动信号。

4.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的S3包括以下步骤：

S31：利用db小波对纯净振动信号进行三层小波包分解，得到第三层中低频信号到高频信号的8个分解系数；

S32：对小波包各个分解系数进行相空间重构，从而得到8个频带范围内的信号特征；

S33：求解各个频带信号的能量，以能量为基本元素构造8个特征向量。

5.根据权利要求4所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的8个特征向量进行归一化处理后，作为改进PSO-RBF神经网络的输入信号。

6.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的改进PSO-RBF神经网络输出采用四个二进制元素组成的向量，(1000)表示轴承正常状态，(0100)表示内圈故障，(0010)表示外圈故障，(0001)表示滚子故障。

7.根据权利要求1所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的神经网络故障诊断模型为RBF神经网络模型，采用改进的粒子群算法对RBF神经网络的参数进行优化，使得RBF神经网络训练样本的均方误差最小。

8.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的RBF神经网络为多输入多输出的RBF神经网络，网络结构分为三层，包括输入层、隐含层和输出层，选择高斯分布函数作为隐含层的基函数。

9.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的RBF神经网络的参数包括：RBF神经网络中基函数的中心、基函数的场域宽度、隐含层与输出层的权重。

10.根据权利要求7所述的一种基于小波和改进PSO-RBF神经网络的滚动轴承故障诊断方法，其特征在于，所述的改进的粒子群算法和标准的粒子群算法相比，改进的粒子群算法惯性权重的取值采用递减的凸函数，粒子对自身的学习能力系数为递减函数，粒子对种群的学习能力系数为递增函数。