[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

说明书

本发明涉及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，其该方法包括如下步骤：S1，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；步骤S5，对于待诊断的轨道列车滚动轴承原始振动信号，将其进行步骤S1‑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。与现有技术相比，该方法结合了小波变换和人工智能算法的优点，可对轨道交通走行部进行准确的故障诊断。

技术领域

本发明涉及人工智能技术领域和轨道交通故障诊断技术领域，尤其是涉及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。

背景技术

近年来，轨道列车滚动轴承故障诊断的研究十分热门，例如，利用傅里叶变换进行振动信号特征的提取，由于快速傅里叶变换(FFT)能实现信号时域到频域的快速变换，因此基于FFT的各种频谱分析，如细化谱分析、最大熵值谱分析、全息谱分析等在轴承状态监测与故障诊断中发挥了巨大作用；利用历史数据样本来训练BP神经网络或径向基神经网络(Radial Basis Function Neural Networks，RBF神经网络)，获取故障诊断模型来进行故障诊断；利用粒子群算法(Particle Swarm Optimization，PSO)迭代寻找最优解；利用主成分分析方法提取特征向量，通过线性变换将高维数据空间变换到低维数据空间，并依据特征值累积贡献率确定主成分个数，来进行不同轴承状态的判别。

基于傅里叶变换的分析方法存在时域和频域的局部化矛盾这一根本缺陷，因此只能从全局上分析信号。BP神经网络收敛速度慢，待寻优的参数太多，而RBF神经网络结构的最优参数寻找困难。使用主成分分析法时，当主成分的因子负荷的符号有正有负时，综合评价函数意义就不明确。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供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。

本发明的目的可以通过以下技术方案来实现：

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，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。

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。

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。

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；