轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质

技术领域

本发明主要涉及轴承故障诊断技术领域，特指一种轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质。

背景技术

轴承是一种典型的旋转机械设备，也是一种易损的通用零部件，在轨道交通领域的应用极为广泛。轴承的运行正常与否直接影响到机车设备的精度、可靠性和寿命，其故障诊断也越来越受到重视。利用轴承的振动信号对其进行状态监测和故障诊断是目前普遍且行之有效的方法。快速实现车辆设备轴承的故障诊断，可提高机车设备的可靠性和寿命水平，减少因定位故障所需的时间与经济成本。目前现有对轴承进行在线状态监控和故障诊断的技术，整体诊断方法的复杂度高，精确性较低。

发明内容

本发明要解决的技术问题就在于：针对现有轴承故障诊断技术存在精度较低的技术问题，本发明提供一种诊断精度高的轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质。

为解决上述技术问题，本发明提出的技术方案为：

一种轨道交通机车车辆轴承的故障诊断方法，包括以下步骤：

S01、建立故障样本集：基于轴承的结构，将轴承故障划分为与结构相对应的故障模式；

S02、采集故障样本集中各故障模式的轴承以及正常轴承在工作时的振动信号，并提取振动信号的特征向量；

S03、根据所述特征向量，进行多层堆叠模型的训练及模型参数调优，建立最终的多层堆叠模型；

S04、采用训练成熟的堆叠模型，对相同型号的轴承进行实时的状态监测及故障诊断。

作为上述技术方案的进一步改进：

所述步骤S03中，采用两层堆叠模型，具体的训练步骤包括：

第一层堆叠模型训练：将特征向量集划分为训练集和测试集，利用K折交叉验证完成训练特征向量从特征化到概率化的转化过程；同时对测试集进行K次测试，得到概率化的结果，然后求K次测试集输出结果的算数平均值；结合训练集和测试集输出的结果，得到输出矩阵；

第二层堆叠模型训练：以输出矩阵作为第二层堆叠模型训练的输入，采用集成学习算法进行自学习，建立堆叠模型。

所述第一层堆叠模型训练中的算法包括向量机、神经网络、逻辑回归或集成学习算法的多种，所述集成学习算法包括GBDT、XGBoost或随机森林的一种。

K折交叉验证的过程为：将训练集分为完全不相交的5等份，利用5份中的4份作训练集进行模型训练，余下的1份作测试集进行模型精度测试；如此进行5次，训练集划分的5等份每份都会做一次测试集。

在步骤S01中，所述故障模式包括内圈故障、外圈故障、滚动体故障和保持架故障中的一种或多种。

所述特征向量包括最大值、最小值、有效值、奇异值或能量熵的一种或多种。

在步骤S02中，对特征向量提取的过程中对振动信号进行滤波。

本发明还公开了一种轨道交通机车车辆轴承的故障诊断装置，包括

第一模块，用于建立故障样本集：基于轴承的结构将轴承故障划分为与结构相对应的故障模式；

第二模块，用于采集故障样本集中各故障模式的轴承以及正常轴承在工作时的振动信号，并提取振动信号的特征向量；

第三模块，用于根据所述特征向量，进行多层堆叠模型的训练及模型参数调优，建立最终的多层堆叠模型；

第四模块，用于采用训练成熟的堆叠模型，对相同型号的轴承进行实时的状态监测及故障诊断。

本发明进一步公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述的故障诊断方法的步骤。

本发明还公开了一种轨道交通机车车辆轴承的故障诊断系统，包括计算机设备，该计算机设备被编程或配置以执行如上所述故障诊断方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行如上所述故障诊断方法的计算机程序。

与现有技术相比，本发明的优点在于：

本发明的轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质，基于轴承的结构将轴承故障划分与结构相对应的故障模式，并采用多层堆叠训练建立多层堆叠模型，能够获得较高的故障诊断精度，并能实现相同型号轴承的精准在线监控。

附图说明

图1为本发明的方法流程图。

图2为本发明的堆叠模型结构示意图。

图3为本发明的堆叠模型训练示意图。

图4为本发明的堆叠模型输入输出示意图。

具体实施方式

以下结合说明书附图和具体实施例对本发明作进一步描述。

如图1所示，本实施例的轨道交通机车车辆轴承的故障诊断方法，包括以下步骤：

S01、建立故障样本集：基于轴承的结构将轴承故障划分与结构相对应的故障模式；

S02、获取故障样本集中各故障模式的轴承以及正常轴承在工作时的振动信号，并提取振动信号的特征向量；

S03、根据特征向量，进行多层堆叠训练及调整，建立堆叠模型；

S04、采用堆叠模型对轴承的实时数据进行诊断。

本发明的轨道交通机车车辆轴承的故障诊断方法，利用先验的轴承故障数据对多层堆叠模型进行训练，训练成熟的堆叠模型能够用于相同型号轴承的故障诊断工作，并且能够获得较高的故障诊断精度，实现轴承运行状态的在线精准监控。堆叠模型

本实施例中，步骤S03中，采用两层堆叠模型训练，具体包括：

第一层堆叠模型训练：将特征向量集划分为训练集和测试集，利用K折交叉验证对训练集完成特征向量从特征化到概率化的转化；同时对测试集进行K次测试，得到测试集输出结果的算数平均值；由于第一层堆叠模型中包含多个算法，因此第一层的诊断结果会以矩阵的形式进行输出，作为第二层堆叠模型的输入；

第二层堆叠模型训练：以第一层堆叠模型训练的输出矩阵作为第二层堆叠模型训练的输入，采用集成学习算法进行自学习，建立堆叠模型。

本实施例中，第一层堆叠模型中的算法包括支持向量机、神经网络、逻辑回归或集成学习算法中的多种，第一层堆叠模型中的集成学习算法包括GBDT、XGBoost或随机森林。

本实施例中，在步骤S01中，故障模式包括内圈故障、外圈故障、滚动体故障和保持架故障中的一种或多种；

特征向量包括最大值、最小值、有效值或能量熵的一种或多种。

本实施例中，在步骤S02中，对特征向量提取的过程中对振动信号进行滤波；如果特征向量维度较大，可对特征向量进行特征选择，获得较为重要的特征向量。

本发明还公开了一种轨道交通机车车辆轴承的故障诊断装置，包括

第一模块，用于建立故障样本集：基于轴承的结构，将轴承故障划分与结构相对应的故障模式；

第二模块，用于获取故障样本集中各故障模式的轴承以及正常轴承在工作时的振动信号，并提取特征向量；

第三模块，用于根据特征向量，进行多层堆叠训练及调整，建立堆叠模型；

第四模块，用于采用堆叠模型对轴承的实时数据进行诊断。

本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的故障诊断方法的步骤。

本发明进一步公开了一种轨道交通机车车辆轴承的故障诊断系统，包括计算机设备，该计算机设备被编程或配置以执行如上所述的故障诊断方法的步骤；或者该计算机设备的存储介质上存储有被编程或配置以执行如上所述的故障诊断方法的计算机程序。

下面结合一具体实施例对本发明的方法做进一步说明：

本发明通过采集某型轴承工作时产生的振动信号，对振动信号进行特征向量的提取，利用特征向量完成对智能模型的训练，在智能模型训练完成、上线运行后，实现对该型轴承健康状态的在线监控与故障诊断。在智能算法的选择上，采用堆叠算法作为诊断方法，具体包括以下步骤：

步骤(1)对轴承进行故障模式分析，制造故障样本

轴承由外圈、内圈、滚动体、保持架等部件组成。从工程经验可知，轴承除正常工作状态外，按故障发生位置对其故障模式进行划分，常见的故障模式有四种：内圈故障、外圈故障、滚动体故障和保持架故障。

在明确典型的四种轴承故障后，制造每种故障模式下的故障样本。在本实施例中，仅以上面介绍的四种故障模式为例进行方法说明(在此并不做限定，在其它实施例中，也可以采用一种、两种、三种、五种或更多种的故障进行分析)。(注：在同一故障模式下的故障程度有一定的区别，如轴承的内圈故障尺寸可设置为0.007英寸、0.014英寸、0.021英寸，属于三种不同程度的故障；同一故障模式下的故障位置也有一定的区别，如轴承故障的3点钟方向、6点钟方向、12点钟方向属于三种不同位置的故障。具体的故障尺寸设置可根据实际的情况而定。)

步骤(2)获取步骤(1)中的故障样本工作时的振动信号

模拟轴承工作状态进行试验，采集轴承工作过程中产生的振动信号；

将采集的振动信号进行分类，如：轴承正常状态振动信号记录为1类数据，内圈故障振动信号记录为2类数据，外圈故障振动信号记录为3类数据，滚动体故障振动信号记录为4类数据，保持架故障振动信号记录为5类数据；

步骤(3)振动信号的特征向量提取

对1到5类振动信号进行特征向量提取。

振动信号只能反映轴承振动幅度随运行时间的变化情况，信号特征能更深层次地反映信号的时域特性、频域特性、统计特性、能量特征。可以提取信号的几种典型特征作为特征向量。例如信号的最大值、最小值、…、能量熵等组成特征向量，形式如X＝(最大值，最小值，…，能量熵)。

步骤(4)堆叠模型的框架搭建

以堆叠算法(Stacking)作为故障诊断算法，建立故障诊断模型，对轴承进行故障诊断。堆叠算法是一种多层智能自学习诊断算法，可以根据现实情况需要进行灵活的调整，在本实施例中采用两层堆叠。

堆叠模型的基本结构如图2所示。第一层要遵循最大化差异原则，第一层的诊断算法可以是机器学习中诊断功能较弱的几种单分类算法，如支持向量机、神经网络、逻辑回归，也可以是诊断功能较强的集成学习算法。算法第二层通常选取学习功能更强的集成学习算法，如GBDT、XGBoost等，可以更好的学习到第一层的输出结果，提高最终的诊断正确率。

步骤(5)堆叠模型的模型训练、调整参数。

将步骤(3)中提取的特征向量X＝(最大值，最小值，…，能量熵)作为步骤(4)中堆叠模型的输入，对堆叠模型进行分层训练(即先训练图2中的第一层，再训练图2中的第二层)，通过调整模型参数获得更高的诊断精度。

1、堆叠模型第一层训练：

将步骤(3)的特征向量集划分为训练集和测试集，训练集占70％，测试集占30％。在第一层的堆叠模型训练过程中，利用5折交叉验证完成特征向量X从特征化到概率化的过程(算法会输出特征向量属于何种故障类型的概率)。具体操作方法为：将训练集分为完全不相交的5等份，利用5份中的4份作训练集对第一层的模型进行训练，余下的1份作测试集对第一层进行精度测试。

如此进行5次，训练集划分的5等份每份都会做一次测试集，训练集会完整的输出成为第二层的输入。训练集由X＝(最大值，最小值，…，能量熵)的向量形式转化为y＝(p0,p1,……,pn)，p0代表轴承正常状态概率，p1代表内圈故障概率，……，pn代表轴承第n类故障概率。

与此同时，测试集也将进行测试(注意：测试集不用5等分，只需将测试集输入模型5次即可)，由于5折交叉验证的原因，测试集会进行5次测试，产生5个测试结果，y1＝(p0,p1,…,pn)，……，y5＝(p0,p1,…,pn)，最后对y1到y5取算数平均值。

2、堆叠模型第二层的训练：

由于堆叠模型的第一层包含多个算法，因此第一层输出的结果不再是一个向量y1＝(p0,p1,…,pn)，而是会以矩阵的形式呈现，如图4所示。矩阵Y中的第一行代表第一层诊断算法1诊断的各类故障的概率，第二行代表第一层诊断算法2诊断的各类故障的概率，第三行代表第一层诊断算法3诊断的各类故障的概率。以矩阵Y为堆叠模型第二层的输入，通过第二层的诊断算法进行自学习，进行故障诊断。

如诊断结果不满意，可以调节基本模型的参数，获得更理想的诊断结果。

步骤(6)故障诊断模型上线

在堆叠模型获得理想的故障诊断精度后，可以上线运行，对该型轴承进行实时的状态监控和故障诊断。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，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前提下的若干改进和润饰，应视为本发明的保护范围。