[发明专利]一种高速列车滚动轴承故障诊断方法

摘要

一种高速列车滚动轴承故障诊断方法，步骤如下：采集原始振动信号并利用EEMD方法进行分解，选取前a个IMF分量求分量的能量以及能量总和，归一化处理得到能量特征向量；确定RBF神经网络结构，确定输入层、输出层和隐藏层的节点数，确定训练目标精度和分布密度，选取训练样本和测试样本，将训练样本作为输入进行训练，达到目标精度后得到初步RBF神经网络诊断模型，将测试样本作为初步模型的输入对测试样本进行识别，若故障识别率达到理想标准，即得到RBF神经网络诊断最终模型用于诊断轴承故障类型。本发明为提高高速列车滚动轴承故障诊断的准确性和实时性提供了新思路，也为高速列车的性能和行车安全提供了进一步保证。

主权项

一种高速列车滚动轴承故障诊断方法，其特征在于，包括以下步骤：I、故障诊断模型的建立步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号；步骤2：EEMD故障特征向量构造1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，并分别求出每一个分量的能量Ei；Ei=∫-∞+∞|Ci(t)|2dt=Σ1n|Ci|2]]>式中，Ci(t)是第i个IMF分量，i＝1，2，3，L，a，Ci是离散点的幅值，n为采样点个数，2)求每组原始振动信号的各个IMF分量的能量总和E；E=Σi=1aEi]]>3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T；T＝[E1/E，E2/E,L，Ea/E]步骤3：RBF神经网络建模1)确定RBF神经网络结构虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，2)确定输入层的节点数将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝a，3)确定输出层的节点数理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，表1轴承故障输出形式4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到初步RBF神经网络诊断模型，然后将测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，6)初步模型的性能评价首先根据测试样本的识别结果计算识别误差，当识别误差在接受范围之内时，认为识别结果正确，反之认为识别结果错误；然后计算故障识别率Q，Q＝正确识别数目/总实验轴承数目，由故障识别率Q来衡量RBF神经网络性能优劣，若故障识别率Q达到理想标准，即得到RBF神经网络诊断最终模型，并用于步骤II未知状态的轴承故障诊断，否则，返回步骤5)，重新选择训练样本和测试样本，进行训练和测试，II、诊断轴承故障类型采集未知状态的待诊断轴承的原始振动信号，并作为RBF神经网络诊断最终模型的输入，由最终模型的输出与轴承故障输出形式比较确定轴承的状态。