欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118054230
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种列车轴箱轴承早期故障诊断方法,其特征在于,所述方法包括:获取列车轴箱轴承运行数据,以得到所述列车轴箱轴承早期状态的早期原始信号数据集;

采用合成少数类过采样技术以及欠采样技术平衡所述早期原始信号数据集,并对所述早期原始信号数据集进行连续小波变换,以得到初步时频分布,基于所述初步时频分布以得到二维时频图像;

采用双参数三段小波阈值去噪法对平衡后的所述早期原始信号数据集进行去噪,对去噪后的小波系数进行预定尺度的放大或保留,以突出所述早期原始信号数据集的频段特征,并通过逆小波变换重构去噪后的所述早期原始信号数据集,以得到初步优化时频图;

归一化所述初步优化时频图,通过二维高斯拟合,以简化归一化后的所述初步优化时频图的复杂能量分布,以获得集中表示,并使用高斯分布参数表征归一化后的所述初步优化时频图的主要能量区域,以增强早期微弱故障信号在时频图中的表征,得到增强后的时频图;

变换所述增强后的时频图,以基于所述增强后的时频图得到模态区间;

对所述二维时频图像进行编码处理,根据编码处理后的所述二维时频图像按状态类型进行预设比例划分,以得到划分后的样本;

建立MIA-Mamba2模型,将所述划分后的样本输入至所述MIA-Mamba2模型中,以使所述MIA-Mamba2模型基于所述划分后的样本进行训练,得到训练后的MIA-Mamba2模型,并基于所述训练后的MIA-Mamba2模型识别所述模态区间。

2.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述获取列车轴箱轴承运行数据,以得到所述列车轴箱轴承早期状态的早期原始信号数据集的步骤包括:基于传感设备获取所述列车轴箱轴承的运行数据;

将所述运行数据转换为数字信号,并存储至PC机中,以得到所述早期原始信号数据集。

3.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述采用合成少数类过采样技术以及欠采样技术平衡所述早期原始信号数据集的步骤包括:基于欧几里得距离选取所述早期原始信号数据集中若干个故障类型的最近邻样本;

基于合成少数类过采样方法且通过线性插值的方式生成新的合成样本,并基于欠采样技术消除所述合成样本中的模糊区域。

4.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述基于所述初步时频分布以得到二维时频图像的步骤包括:通过小波变换结果的相位导数计算所述初步时频分布每一个时频点的瞬时频率;

将小波变换系数的能量分配至对应的所述瞬时频率。

5.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述采用双参数三段小波阈值去噪法对平衡后的所述早期原始信号数据集进行去噪的步骤包括:对平衡后的所述早期原始信号数据集进行小波变换,并将所述早期原始信号数据集转化为时频域,以分解成不同尺度和频带的小波系数;

引入双参数控制所述小波系数的阈值处理,以得到处理后的小波系数,其中所述阈值处理为三段阈值函数,所述三段阈值函数的表达式为:;

式中,表示所述三段阈值函数,表示第一参数,表示第二参数,表示小波系数;

对所述处理后的小波系数进行逆小波变换,并进行归一化处理。

6.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述连续小波变换的表达式为:;

式中,表示时频系数,表示尺度参数,表示时间位移参数,表示时间域信号,表示母小波函数,表示时间,表示时间域信号的幅值。

7.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述归一化所述初步优化时频图,通过二维高斯拟合,以简化归一化后的所述初步优化时频图的复杂能量分布,以获得集中表示,并使用高斯分布参数表征归一化后的所述初步优化时频图的主要能量区域,以增强早期微弱故障信号在时频图中的表征,得到增强后的时频图的步骤包括;

对所述初步优化时频图进行归一化处理,并提取二维高斯分布初始参数,以得到所述初步优化时频图的能量质心、时间的标准差、频率方向的标准差以及幅值;

构建拟合模型并提取高斯拟合参数,以生成高斯分布图,并将所述高斯分布图叠加在所述初步优化时频图上,得到增强后的时频图,以增强早期微弱故障信号在时频图中的表征;

其中,所述能量质心的表达式为:

式中,表示时间,表示频率,表示时频图中的能量值,表示时频图中能量在时间方向上的加权平均值,表示能量在时间上的中心位置,表示时频图中能量在频率方向上的加权平均值,表示能量在频率上的中心位置;

所述时间的标准差以及频率方向的标准差的计算表达式为:;

式中,表示时间的标准差,代表时频图能量分布在时间轴上的离散程度,表示频率方向的标准差,代表时频图能量分布在频率轴上的离散程度;

所述幅值的计算表达式为:

;

式中,表示时频图中能量的最大值,代表能量分布的峰值。

8.根据权利要求7所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述构建拟合模型并提取高斯拟合参数的表达式为:;

式中,表示拟合的二维高斯分布,代表时频图的能量集中区域;

所述并将所述高斯分布图叠加在所述初步优化时频图上,得到增强后的时频图的表达式为:;

式中,表示增强后的时频图,表示增强权重系数,表示拟合的二维高斯分布,代表时频图的能量集中区域,表示去噪后的时频图,,其中,表示时频系数,表示尺度参数,表示时间位移参数。

9.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述模态区间的数学定义表达式为:;

式中,表示所述模态区间,表示下界,表示上界,表示所述模态区间中的区间。

10.根据权利要求1所述的列车轴箱轴承早期故障诊断方法,其特征在于,所述将所述划分后的样本输入至所述MIA-Mamba2模型中,以使所述MIA-Mamba2模型基于所述划分后的样本进行训练,得到训练后的MIA-Mamba2模型,并基于所述训练后的MIA-Mamba2模型识别所述模态区间的步骤包括:将划分后的样本中的训练集输入至所述MIA-Mamba2模型,以使所述MIA-Mamba2模型基于所述训练集并通过损失函数进行训练,以得到训练后的MIA-Mamba2模型;

基于所述划分后的样本中的验证集对所述训练后的MIA-Mamba2模型进行验证;

将所述划分后的样本中的测试集输入至所述训练后的MIA-Mamba2模型中,并通过所述训练后的MIA-Mamba2模型识别所述模态区间,以输出诊断结果。