一种港机车轮轴承的故障状态识别方法与流程

本发明涉及装备系统故障监测诊断技术领域，特别是涉及一种基于相关系数以及深度学习的港机车轮轴承的故障状态识别方法。

背景技术：

港机台车轴承是一种承载量大、工作转速低且工作频繁的滚动轴承，在运行中承受较大载荷。轴承一旦发生故障会严重影响生产，同时轴承相应的维修更换工作周期较长，这会导致较大经济损失。因此有必要对轴承故障状态进行监测以提高的生产工作效率。传统的轴承故障检测技术主要包括铁谱诊断技术以及温度诊断技术等，但铁铺诊断技术仅适用于润滑油润滑的轴承故障诊断，不具有推广性；温度诊断技术对轴承烧伤判断较好，但仅适用于机器中轴承的简单常规诊断。

技术实现要素：

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种港机车轮轴承的故障状态识别方法。

为实现本发明的目的所采用的技术方案是：

一种港机车轮轴承的故障状态识别方法，包括以下步骤：

s1、在港机车轮轴承上安装振动传感器，通过振动传感器采集不同故障类别下运转状态的轴承振动加速度信号；

s2、将不同故障状态下的轴承振动信号数据均匀分割形成多个样本，每种轴承故障状态都有由n个样本形成的样本集，样本总数t＝n*c，c是轴承故障类别数；按轴承故障类别对相应的样本进行标记，标注值为1、2、…c,构建形成分类标签矩阵l＝t×1，其中行数与样本总数相同为t，列数为1列；

s3、对所有样本分别进行时域、频域以及时频域特征提取得到特征数b，然后以样本总数t作为高维原始特征数据集的行数，以特征数b作为高维原始特征数据集的列数，得到高维原始特征数据集矩阵t×b；

s4、采用皮尔逊相关系数和残差分析相结合方法，对所得到的高维原始特征数据集矩阵t×b进行相关性分析，提取最具有预定判别度的z个特征对高维原始特征数据集矩阵降维，得到样本特征矩阵为t×z；

s5、在计算机中输入降维后的样本特征矩阵t×z以及对应的分类标签矩阵l，导入深度置信网络算法进行分类训练，得到轴承故障状态分类模型；

s6、利用所述轴承故障状态分类模型，通过步骤s3、s4对采集的港机车轮轴承振动加速度信号进行特征提取以及特征降维，将降维后的特征矩阵作为模型输入，输出状态识别的结果。

所述振动传感器为压电式振动传感器。

所述的时域特征包括均值、均方根值、峰值、方差、峰峰值、信号能量、波峰因数、峭度、脉冲指标、偏度和裕度系数；

所述的频域特征包括功率谱和、功率谱均值、功率谱方差、功率谱偏度、功率谱峭度和功率谱峰值；

所述的时频域特征包括时频总能量、时频能量随时间分布方差、时频能量随时间分布偏度、时频能量随时间分布峭度、时频能量随频率分布方差、时频能量随频率分布偏度、时频能量随频率分布峭度。

本发明提出的基于相关系数以及深度学习的港机车轮轴承的故障状态识别方法，利用相关性分析算法以及深度学习理论，深层次地挖掘轴承信号数据中的有效信息，能准确有效地检测轴承故障，克服了传统方法在轴承故障识别中的不足。

本发明提出的基于相关系数以及深度学习的港机车轮轴承的故障状态识别方法，通过对高维特征数据集进行皮尔逊相关系数和残差分析降维处理，进行分类处理后得到轴承故障状态分类模型，之后与贝叶斯分类器做对比，采用测试数据对故障状态分类模型进行测试，客观评估分类性能，从结果中发现，基于相关系数以及深度学习的故障状态识别方法更准确，提高了轴承故障状态的准确率，对轴承故障识别具有重要意义，在提高生产效率方面也具有重要意义。

附图说明

图1为本发明的港机车轮轴承的故障状态识别方法的识别流程图；

图2为本发明运用的深度置信网络结构图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1-2所示，本发明的港机车轮轴承的故障状态识别方法，包括以下的步骤：

步骤一、在港机车轮轴承上安装振动传感器，通过振动传感器采集不同故障类别下运转的轴承振动加速度信号；

作为本发明的一种实施方式，所述的轴承故障状态类别包括故障直径为0.007英寸、0.014英寸以及0.021英寸三个类别。

其中，所述振动传感器为压电式振动传感器。

步骤二、采集不同故障类别下(如故障直径为0.007英寸、0.014英寸以及0.021英寸三种)的轴承振动加速度信号，然后将各故障状态下的振动信号数据按照设定的采样周期均匀分割形成多个样本，则每种轴承故障状态都有由n个样本形成的样本集，样本总数t＝n*c，c是轴承故障类别数，若轴承故障状态类别有3个，则c＝3；最后按照故障类别对相应的样本进行标记，标注值为1、2、…c,从而构建形成分类标签矩阵l＝t×1，其中行数与样本总数相同为t，列数为1列；

步骤三、对所有样本分别进行时域、频域以及时频域特征提取得到特征数b，然后以样本总数t作为高维原始特征数据集的行数，以特征数b作为高维原始特征数据集的列数，得到高维原始特征数据集矩阵t×b；

作为本发明的一种实施方式，其中时域特征包括：均值、均方根值、峰值、方差、峰峰值、信号能量、波峰因数、峭度、脉冲指标、偏度和裕度系数。

频域特征包括：功率谱和、功率谱均值、功率谱方差、功率谱偏度、功率谱峭度和功率谱峰值。

时频域特征包括：时频总能量、时频能量随时间分布方差、时频能量随时间分布偏度、时频能量随时间分布峭度、时频能量随频率分布方差、时频能量随频率分布偏度、时频能量随频率分布峭度。

步骤四、采用皮尔逊相关系数和残差分析相结合方法，对所得到的高维原始特征数据集矩阵t×b进行相关性分析，通过提取预定的具有相应判别度的z个特征(如提取最具有判别性的z个优选特征)对高维原始特征数据集矩阵降维，此时获得降维后的样本特征矩阵为t×z；

作为本发明的一种实施方式，其中皮尔逊相关系数表示两个变量x和y之间的相关程度，即：

式中，x为特征参数；y为故障直径；为x和y的协方差；为x的协方差；为y的协方差，特征参数与轴承磨损量之间的相关系数越大，则相关性越强，反之相关性越弱。

残差分析表示不同时刻的同一特征参数值曲线与之差的加权均值，算法公式为：

^e值越小，特征参数之间自相关性越强。

步骤五、在计算机中输入降维后的样本特征矩阵以及对应的标签矩阵，导入深度置信网络算法进行分类训练，得到轴承故障状态分类模型。

步骤六、利用所述轴承故障状态分类模型，通过步骤三、步骤四对采集的港机车轮轴承振动加速度信号进行特征提取以及特征降维，将降维后的特征矩阵作为模型输入，输出状态识别的结果。

如图2所示，深度置信神经网络由受限制玻尔兹曼机(rbm)网络和一层前馈反向传播(bp)神经网络组成。图中w为神经元间的连接权重。

其中，深度置信网络理论具体可参见文献“hintong.deepbeliefnets[m].springerus,2011”。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。