1.一种变速工况下的列车轴承轨边声学诊断方法,其特征在于:包括以下步骤:步骤1:历史轨边信号采集与预处理
通过麦克风阵列采集M种不同故障类型的轴承声源在N种不同速度下的声音信号,并将采集到的信号进行带通滤波处理,除去低频噪声,得到去噪后的共M*N个历史轨边信号;
步骤2:制作历史样本集
①标记步骤1中经过滤波后的第i种故障类型在第j种速度下的k维矩阵向量为定义其对应故障类型标签为 则共得到M*N个滤波后的历史轨边信号矩阵为 其中i=1,2…M,j=1,2…N;
②对标有故障类型标签 的矩阵 进行特
征提取,提取峰值因子C、方差Va、均方根值Rm、峭度Ku、波形因子S、脉冲因子I、裕度因子L7种特征;
③将列车车速Vs作为一个新的特征加入,则矩阵X中的每个向量都可以提取到包含列车车速Vs在内的共8种特征参数;
④将8种特征值进行标准化处理,使每种特征的特征值按比例放缩至0附近;再将故障类型标签作标签二值化处理,则第1种故障类型对应输出为 第i种故障类型输出为 即第i个值为1,其余均为零,对特征值和故障类型标签进行数据预处理后,即完成了历史数据集的制作过程;
步骤3:构建BP神经网络
创建一个4层的BP神经网络,包括一个输入层、两个隐藏层和一个输出层,根据经验和试探法搭建合适的隐藏层神经元个数,按实际需求给定学习率和迭代步数、选取合适激励函数、拟定最优优化算法与迭代步数;神经网络具体参数设置如下:①输入层神经元的个数与输入特征种类数相同,两个隐藏层的神经元个数均为100,输出层神经元个数与故障类型数目相同;
②神经网络激励函数为S型函数,其表达式为:
其中,x为神经元接收到的总输入值,f(x)为通过激励函数处理后神经元的输出;
步骤4:建立BP神经网络模型
用步骤2中的历史样本集训练步骤3中构建的网络,得到BP神经网络模型;
训练BP神经网络所用的方法为带有动量项的Adam算法,其算法公式为:其中,μ,ν分别为一阶矩衰减系数、二阶矩衰减系数,且0≤μ<1,0<ν<1,μt是μ的t次方,表示第t次迭代时一阶矩的衰减系数,νt是ν的t次方,表示第t次迭代时二阶矩的衰减系数,gt为梯度,mt、nt分别是对梯度的一阶矩估计和二阶矩估计, 是对mt、nt的校正,η为学习率,ε是常量,ε取10-8,Δθt是参数更新前后的差值,动量法降低了网络对于误差曲面局部细节的敏感性,有效地抑制网络陷入局部极小,促进超参数动态调整;
步骤5:利用模型对当前待检轴承进行故障诊断
采集待检测的轴承的轨边声学信号和当前车速,利用步骤4中训练的网络进行故障诊断;
该变速工况下的列车轴承轨边声学诊断方法消除了列车变速工况下多普勒声学信号畸变对故障特征的影响,实现了在变速工况下对列车轴承故障的精准辨识;
该变速工况下的列车轴承轨边声学诊断方法只需测量车速值,需要的传感器数量更少;
该变速工况下的列车轴承轨边声学诊断方法实现“不矫正前提下的精确诊断”,计算量更少;
该变速工况下的列车轴承轨边声学诊断方法充分利用历史数据信息,诊断结果可靠性得到有效提升。