[发明专利]一种基于概率包络的轮对轴承故障诊断方法

摘要

本发明涉及一种基于概率包络的轮对轴承故障诊断方法，属于故障检测技术领域。针对轮对轴承信号存在的不确定性，该方法先对采集到的原始信号进行分布类型检验，根据检测结果针对不同分布类型使用不同的概率包络建模方法进行建模，接着针对概率包络模型的几何形状对其进行特征提取，最后将特征向量作为输入，采用支持向量机(SVM)进行模型训练，得到诊断模型，输入测试集判断故障类型。该方法引入概率包络理论，有效地利用概率包络处理不确定性问题的优势，防止了特征提取时的信息丢失现象，该方法不仅在列车轮对轴承故障上具有较好的应用性，而且可以应用于其他类型的机械故障诊断中，是一种合理有效的诊断方法。

主权项

1.一种基于概率包络的轮对轴承故障检测方法，其特征在于：包括以下步骤：步骤1、将采集到的正常轴承数据和故障轴承数据分别进行时频域概率分布对比，判别其分布类型，使用MATLAB模型对采集到的数据进行数据样本分布类型检验，在该模型中使KS检验，*表示分布类型，H为原假设，当H＝0时表示采集到的数据满足*分布类型，当H≠0时表示采集到的数据不满足*分布类型，进而将采集到的数据进入下一次的分布测试，直至得到满足的分布类型，如正态分布对应的是均值参数μ和方差参数σ，指数分布对应的是指数参数λ；步骤2、若原始数据满足某种分布类型则采用基于原始参数概率分布类型的OPPEM建模方法进行建模，即分别获取这些参数的不确定性区间，取参数的最大值、最小值并将[min,max]作为参数区间，按照{([x₁,y₁],m₁),([x₂,y₂],m₂),…,([x_n,y_n],m_n)}结构将获取参数区间进行离散化建立DSS结构体，Dempster‑Shafer Structure，简称DSS，是由有限个焦元组成，每个焦元是由一个区间和相应区间对应的信度组成，每个焦元([x_i,y_i],m_i)满足以下条件x_i≤y_i且∑m_i＝1，其中i＝1,2,…,n，m为信度值，x，y为区间上下界，将DSS结构体的各焦元区间的下边界值按照公式累积叠高可以得到概率包络下边界，区间的上边界值按照公式累积叠高可以得到概率包络的上边界，带入概率分布函数其中来表示CDF上界，Y(x)来表示CDF下界，从而获取概率包络；步骤3、若原始数据不能确定其分布类型则提取时频域特征，在特征选择方面，采用歪度和峭度作为特征向量，其中N为数据量，x_i为测得数据，为均值，X_rms为均方值，即根据采样频率将数据分为若干组，获得每组数据的歪度或峭度，确定歪度或峭度数据的概率分布类型，然后判别所提取特征的分布类型；步骤4、若提取出的特征满足某种分布类型则采用基于特征参数概率包络的CPPEM建模方法进行建模，如提取出的歪度数据满足正态分布则确定歪度数据的均值和方差的DSS结构体，并且对DSS进行离散化，然后将离散化的DSS上界和下界分别累和得到概率包络的上界和下界，过程与步骤2一致；步骤5、若提取出的特征不满足则采用基于概率包络定义的DPEM建模方法进行建模，即将原始数据按采样频率转化为m行n列的数组，其中m为采样次数，n为采样频率，截除多余数据；将每次采样数据按从小到大的次序排列，得到新的数组；从m次采样数据中找到每列中的最小值和最大值，分别得到一个最小值和最大值的行向量，分别累加最小值行向量和最大值行向量得到概率包络的下界和上界；步骤6、通过累积不确定度测量的方法实现对概率包络建模后的特征提取，针对概率包络的几何形状，有以下6种特征：(A)利用对所有焦点元素区间权重的基本概率分布获得累积宽度，具体提取过程如下：(1)将概率包络离散化(DSS结构体)，假如可以离散n份；(2)将上界值减去下界值x_i并取绝对值，再乘以其对应的信度值m，可以得到n个值；(3)将得到的n个值进行累积求和；即为(B)利用对所有焦点元素区间权重的基本概率分布获取累积对数宽度，其求取过程与(A)类似，只是将第二步改为上界值减去下界值取绝对值后再求对数，然后再乘以其对应的信度值m，即为(C)利用累积区间边界权重值的基本概率分布获取概率包络下限和上限，求取过程如下：(1)将概率包络离散化成多个DSS结构体；(2)分别将上界值和下界值乘以其对应的信度值m，可以得到多个组区间；(3)将得到的多个组区间边界值进行累积求和，即可得到累积区间；即为(D)在累积分布函数的条件值下，获取概率包络的上界和下界的累积边界值，假设构成概率包络的如果累计分布函数值α表示为则概率包络下界和上界的累计边界值为(E)利用累积区间边界权重值的基本概率分布获得概率包络的下界和上限，累积的不确定测量结果可以被表达为其中c1＇和c2＇表示DSS的左右边界的平均概率统计；(F)获得1作为基数的累积对数宽度，用基本概率分布计算所有焦点单元的权重区间，具体过程与(B)类似，只是用1减去上界值减去下界值取绝对值取对数，再乘以相对应的信度值m，即为步骤7、将提取出来的特征向量作为SVM的输入，采用支持向量机方法对特征向量进行故障分类，具体过程如下：(1)将提取出的特征向量建立训练数据和测试数据；(2)归一化训练数据和测试数据；(3)交叉验证选定SVM超参数和核函数；(4)输入训练数据得到训练模型；(5)将测试数据送入训练模型中，得到分类结果。