一种基于小样本的地铁车轮轴承故障诊断方法

1.本发明涉及故障诊断领域，特别涉及一种基于小样本的地铁车轮轴承故障诊断方法


背景技术：

2.近些年来随着城市的发展，我国城市轨道交通行业发展非常迅速，很多城市都在大力建设轨道交通。截至2020年12月31日,我国城市轨道交通运营总里程约7655km,通车城市43个,通车线路共246条。城市轨道交通方便人们的出行、带来了很多便利，但是由于速度快、结构复杂、运载量大，轨道交通一旦发生事故容易造成重大损失并且救援难度大。地铁车轮轴承故障是导致列车事故的主要原因之一，因此寻求一种有效的方法，来对车轮轴承进行故障诊断是非常有必要的。
3.随着神经网络的发展成熟，目前有很多基于深度学习的轴承故障诊断方法。但是深度学习需要大量的训练样本，对于地铁车轮轴承来说短时间内难以采集到数以万计的故障样本，因此提出一种基于小样本的地铁车轮轴承故障诊断方法。


技术实现要素：

4.本发明的目的是提供一种基于小样本的地铁车轮轴承故障诊断方法，能够根据少量的样本设计出合理有效的故障诊断规则，通过采集地铁运行过程中车轮轴承的声音信号实现非接触的故障诊断。
5.为了达到上述技术目的，本发明采用如下技术方案：一种基于小样本的地铁车轮轴承故障诊断方法，具体包括以下几个步骤：
6.步骤1，采集地铁运行过程中车轮轴承的声音信号，对其进行短时傅里叶变换得到大小为m*n的时频图；
7.步骤2，使用大小可变的滑动窗口h*n多次截取时频图，对截取区间进行计算得到每个时间点对应的不同频率处信号强度的叠加，得到长度为pl的信号强度叠加折线图；其中，n为滑动窗口宽度，与时频图宽度一致，h为滑动窗口高度；窗口从上到下按照设定的步长遍历整个时频图，每遍历一次h递增一个固定量h_inc；
8.步骤3，计算折线图的等间距峰值数量pn、有效间距pd；选取等间距峰值数量pn最大的区间得到最优的信号强度叠加折线图；
9.步骤4，判断最优信号强度叠加折线图所对应的等间距峰值数量pn是否大于采样区间内车轮转动的圈数，如果大于则继续进行判断执行步骤5，否则判断该信号为正常信号并且结束该次诊断；
10.步骤5，对最优信号强度叠加折线图进行傅里叶变换得到频谱图；
11.步骤6，根据d对频谱图分区，具体划分规则为：第i个分区的区间是[d/2+(i-1)*d,d/2+i*d]；记录每个区间内强度最大的谱线所在的位置fp，得到最大谱线之间的间距fdi；其中，fdi表示第i个区间内最大谱线到第i-1个区间内最大谱线之间的距离。fd1表示第一
个区间内最大谱线到原点的距离；
[0012]
步骤7，根据步骤6中得到的最大谱线之间的间距fdi，计算最大谱线之间的间距fdi中与间距fd1相同的数量记作n1、与间距fd2相同的数量记作n2，取n＝max(n1,n2)作为特征谱线的数量，根据数量n与故障诊断标准value的对比，判断是否发生故障，当数量n大于故障诊断标准value的值时，则判断为发生故障。
[0013]
进一步的，步骤1中，所述声音信号为离散信号；离散短时傅里叶变换公式为：
[0014][0015]
进一步的，步骤2还包括对信号强度叠加折线图进行降噪，具体步骤如下：
[0016]
步骤2.1，采用自适应循环降噪算法，首先需要计算尖峰的相对高度high[p]，尖峰相对高度为：
[0017]
high[p]＝h[p]-max(lh[p],rh[p])
[0018]
其中h[p]为第p个尖峰的绝对高度，lh[p]、rh[p]分别为尖峰两侧相邻的极小值，
[0019]
步骤2.2，判断尖峰相对高度是否小于参考值h，如果小于参考值h则进行尖峰消除操作，否则不需要进行尖峰消除。其中参考值h是尖峰消除条件，需要通过分析噪音尖峰的高度进行设置；
[0020]
若尖峰相对高度小于参考值h，具体的尖峰消除是以minh为标准，将尖峰中高度大于minh的部分变为与minh一致，其中minh为：
[0021]
minh＝max(lh[p],rh[p])
[0022]
步骤2.3，遍历完一次后，统计所有尖峰之间的距离，如果为等间距则认为尖峰是有效的；如果不是等间距则认为尖峰是无效的，且无效尖峰数量小于2则认为降噪效果良好，完成降噪；
[0023]
否则，参考值h递增一次，返回步骤2.1，参考值h的具体递增量需要根据实际情况设置；以实现由小到大消除噪音。
[0024]
进一步的，步骤3中计算折线图的等间距峰值数量pn、有效间距pd；选取等间距峰值数量pn最大的区间得到最优的信号强度叠加折线图，具体包括如下步骤：
[0025]
步骤3.1，计算折线图的等间距峰值数量pn、有效间距pd；
[0026]
统计所有峰值所在的位置，根据num个位置计算得到num-1个间距，从间距中筛选出现次数最大的值为有效间距pd，有效间距pd的数目就是出现次数dn，等间距峰值数量pn＝dn+1。
[0027]
步骤3.2，得到最优的信号强度叠加折线图；
[0028]
依据是等间距峰值数量pn，在可变滑动窗口对时频图的多次遍历中，获取折线图中pn为最大值时对应的折线图，即为最优信号强度叠加折线图。
[0029]
进一步的，步骤5还包括，将频谱图中[0,d-2]区间的谱线清零，即频谱高度置零，其中d＝pl/pd。
[0030]
进一步的，步骤7中，在n1、n2的计算过程中设置了冗余值r，计算fdi-fd1或fdi-fd2是否小于r，如果成立则认为间距相等；
[0031]
有益效果：本发明提出的一种基于小样本的地铁车轮轴承故障诊断方法，可以根据小样本设计有效的故障诊断方案，实现地铁车轮轴承的非接触故障诊断。
附图说明
[0032]
图1是本发明的算法流程图。
[0033]
图2是原始信号的时域波形图。
[0034]
图3是短时傅里叶变换后的时频图。
[0035]
图4是最优信号强度叠加折线图。
[0036]
图5是频谱图与部分清零后频谱图的对比图。
[0037]
图6是频谱图分区示意图。
具体实施方案
[0038]
为了使本发明的目的、技术方案更加清楚、明白、完善，以下结合附图与具体实例进行进一步详细说明。
[0039]
一种基于小样本的地铁车轮轴承故障诊断方法，如图1所示包括以下几个步骤：
[0040]
1)采集地铁运行过程中车轮轴承的声音信号，对其进行短时傅里叶变换得到大小为m*n的时频图。
[0041]
其中离散短时傅里叶变换公式为：
[0042][0043]
其中x(k)为输入信号序列，g(m)为窗函数，n为窗宽度。
[0044]
图2所示为某个故障信号的时域波形图，采样频率为76800hz，采样点数为28142。
[0045]
使用长度为256的blackman窗作为窗函数对图1的信号进行短时傅里叶变换，设置重叠样本数为192、变换点数为512，可以得到如图3所示的时频图。
[0046]
时频图中竖直方向上的纹理就是故障特征，时频图的大小为257*436，明亮的部分代表此处信号强度较大。
[0047]
2)使用大小可变的滑动窗口多次截取时频图，对截取区间进行计算得到每个时间点对应的不同频率处信号强度的叠加，得到长度为pl的信号强度叠加折线图并且降噪。
[0048]
降噪算法为自适应循环降噪算法，通过遍历折线图消除相对高度小于h的尖峰，每遍历一次h递增一次，由小到大消除噪音。其中尖峰相对高度为：
[0049]
high[p]＝h[p]-max(lh[p],rh[p])
[0050]
其中h[p]为尖峰所在的极大值的绝对高度，lh[p]、rh[p]分别为极大值两侧相邻的极小值。
[0051]
尖峰消除的策略以minh为标准，将尖峰中高度大于minh的部分变为与minh一致，其中minh为：
[0052]
minh＝min(lh[p],rh[p])
[0053]
本例中初始设置的降噪标准为50，递增量为50，也就是将信号强度小于50的尖峰消除，然后消除信号强度小于100的尖峰，以此类推直到满足降噪终止条件。
[0054]
降噪终止的标准是在某次遍历完成后，统计所有尖峰之间的距离，如果为等间距则认为尖峰是有效的，如果不是等间距则认为尖峰是无效的，若无效尖峰数量小于2则认为降噪效果良好，完成降噪。
[0055]
其中大小可变的滑动窗口为h*n的窗口，窗口宽度为n与时频图宽度一致，窗口从上到下按照指定的步长遍历整个时频图，其中h为窗口高度，每遍历一次h递增一个固定量h_inc。
[0056]
本例中使用的滑动窗口初始大小为50*436，滑动步长为10，每次遍历时频图后窗口高度递增10，继续遍历时频图，直到窗口高度h为220。
[0057]
3)对步骤2)中所生成的信号强度叠加折线图降噪，计算折线图的等间距峰值数量pn、间距pd，选取等间距峰值数量pn最大的区间得到最优的信号强度叠加折线图。
[0058]
计算折线图的等间距峰值数量需要统计所有峰值所在的位置，根据num个位置计算得到num-1个间距，从间距中筛选出现次数最大的值为有效间距pd，有效间距的数目就是出现次数dn，等间距峰值数量pn＝dn+1。
[0059]
在本例中，最后一次降噪后得到等间距峰值数量pn＝19，间距pd＝17。
[0060]
最优信号强度叠加折线图的选取依据是有效尖峰数量pn，若在可变滑动窗口对时频图的多次遍历中某次得到的折线图中pn为最大值，则此时的折线图为最优信号强度叠加折线图。
[0061]
本例中等间距峰值数量pn最大值为19，此次对应的最优信号强度叠加折线图如图4所示，折线图中有规律分布的高度较大的尖峰信号就是故障特征。
[0062]
4)判断最优信号强度叠加折线图所对应的等间距峰值数量pn是否大于采样区间内车轮转动的圈数，如果大于则继续进行判断执行步骤5，否则判断该信号为正常信号并且结束该次诊断。
[0063]
5)对信号强度叠加折线图进行傅里叶变换得到频谱图，将[0,d-2]区间的谱线清零，其中d＝pl/pd；
[0064]
图5位频谱图与部分清零后频谱图的对比图。
[0065]
其中d＝pl/pd≈26，将区间[0,24]的谱线高度设置为0后，可见故障特征谱线突出，便于进一步的计算与识别。
[0066]
6)根据步骤5)中所计算出来的d对频谱图分区，记录每个区域内强度最大的谱线所在的位置fp，得到最大谱线之间的间距fd。
[0067]
最大谱线间距fd的数量与最大谱线数量一致，第一个间距fd1为第一个区间内的最大谱线到原点的距离。
[0068]
分区的划分规则为第i个分区的区间是[d/2+(i-1)*d,d/2+i*d]。
[0069]
图6为本例中的分区示意图，每个区间宽度为26，分区从第13开始计算。
[0070]
每个区域内强度最大的谱线所在的位置fp1-fp8分别为：27、52、78、103、129、155、180、212。
[0071]
最大谱线之间的间距fd1-fd2分别为：27、25、26、25、26、26、25、32。
[0072]
7)根据步骤6)中得到的最大谱线之间的间距fd，计算fdi与第一个间距fd1相同的数量n1、与第二个间距fd2相同的数量n2，取n＝max(n1,n2)作为特征谱线的数量，根据n的数量与故障诊断标准value的对比，判断是否发生故障。
[0073]
特征谱线的数量n是根据n1和n2计算出来的，并且n1、n2的计算过程中需要设置冗余值r，计算fdi-fd1或fdi-fd2是否小于r，如果成立则认为间距相等。
[0074]
本例中冗余值r为1，故障诊断标准value设置为1。
[0075]
计算出来的n1,n2分别为6、2，因此n＝max(n1,n2)＝6。
[0076]
特征谱线数量n》value，则判断该数据为故障数据，到此完成一个数据的故障诊断流程。
[0077]
基于以上所述的故障诊断整体流程，使用1500个数据样本进行实验，测试所提出的故障诊断方法的准确率，最后测得准确率为97.05％，效果良好。
[0078]
上述实施例仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。