参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；
[0215] 选取轴承信号的训练样本，获取所述训练样本的轴承各种状态下的数据，将所述 测量数据中的时频域特征参数和所述训练样本的轴承各种状态下的数据作为非线性的故 障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承 状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。
[0216] 当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频 域特征参数：
[0217]设输入向量为，
[0218] 目标向量关
[0219]隐层向量为Sk=(s!，s2,…，sq);
[0220] 输出向量为Bk=(b!，b2，…，bq);
[0221] 输出层的输入向量为Lk= (Ul2，…，ln)，输出向量为Ck= (Cl，c2，…，cn);
[0222] 输入层与隐层的连接权值为Wij，i= 1，2, . ..，m;j= 1，2. . .p;
[0223] 隐层至输出层的连接权值为Vjt，j= 1，2, ...，q;t= 1，2,. ..，n ;
[0224]隐层各单兀阐值为Θ」，j= 1，2,· ··，q;
[0225] 输出层各单兀阐值为yt,t= 1，2, · ··，n;
[0226]参数k=1，2,· · ·，m ;
[0227] 训练的样本的轴承各种状态下的数据，其训练过程如下：
[0228] 1.给连接权值和阈值Θ j、yt赋值，选定输入向量Xk和目标向量Yk;
[0229]2.根据输入向量Xk、连接权值Wl]和阈值Θ ,计算隐层各单元的输入8]，并计算隐 层的实际输出b,，计算公式为：
[0230]
[0231]bj=f(sj),j= 1, 2,···,q
[0232] 3.根据隐层输出b,、连接权值v]t和阈值γt计算输出层各单元的输入lt，，并通过 传递函数计算输出层各单元的实际输出ct，计算公式如下：
[0233]
[0234]ct=f(1t)，t= 1，2,…，η
[0235] 4.比较目标向量Yk与网络实际输出ct，根据下述公式计算输出层各单元的误差 di;
[0236]
[0237]5.根据连接权值v]t、输出层误差df和隐层输出b,计算隐层各单元误差计算 公式如下：
[0238]
[0239] 6.根据输出层各单元的误差、隐层各单元的输出b,修正连接权值v]t和阈值 yt，修正公式如下：
[0240]
[0242] 7.利用隐层各单元误差f、输入向量Xk、修正连接权值Wl]和阈值θ,，修正公式 如下：
[0243]
[0244]
[0245] 8.选取下一组模式输入，返回到步骤2,重新开始训练，直到训练完所有模式，最 后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检 验标准；
[0246]
[0247] 给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误 差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定 的阈值；
[0248]BP神经网络的输出为（0,1，0,0,0,0,0)、（1，1，0,0,0)、 (0, 0, 1，0, 0, 0, 0)、（0, 0, 0, 0, 0, 1，0)、（0, 0, 0, 0, 1，0, 0)、（0, 0, 0, 0, 0, 0, 1)
[0249] 分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻 微故障、滚动体严重故障、无故障。
[0250] 结果显示单元，用于位于地铁列车司机室的专用或者多用显示屏内，接入故障诊 断单元的诊断结果，显示轴承的运行状态并报警。
[0251]用本发明实施例的装置进行列车轴承故障诊断的具体过程与前述方法实施例类 似，此处不再赘述。
[0252] 综上所述，本发明实施例通过利用振动传感器采集列车轴承和构架的振动数据， 得到轴承信号的时频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故 障，并同时定位故障的位置，辨别故障的严重程度。本发明实施例实现了地铁列车轴承的故 障准确诊断、故障定位与故障严重程度辨别。
[0253] 应用本发明实施例的方法和装置可以实时诊断列车轴承的故障，可以避免由于轴 承故障而引发的地铁列车事故；可以定位故障位置，可以提高维修效率；可以辨别轴承的 故障严重程度，可以给地铁运营维修部门安排列车轴承故障检修提供数据支持，检修部门 根据故障严重程度合理安排检修日程，避免一部分轴承因过度检修而占用资源，一部分轴 承因不能及时检修而使故障恶化，影响运营。
[0254] 本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或 流程并不一定是实施本发明所必须的。
[0255] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可 借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质 上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品 可以存储在存储介质中，如R0M/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置 (可以是个人计算机，服务器，或者网络装置等）执行本发明各个实施例或者实施例的某些 部分所述的方法。
[0256] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或 系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法 实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为 分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或 者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根 据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术 人员在不付出创造性劳动的情况下，即可以理解并实施。
[0257] 以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
【主权项】
1. 一种列车轴承故障的诊断方法，其特征在于，包括： 用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据 获取轴承信号； 对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数； 基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下 的数据，采用故障分类算法求解出轴承的故障状态信息。2. 根据权利要求1所述的列车轴承故障的诊断方法，其特征在于，所述的用振动传感 器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号， 包括： 在列车的轴箱轴承和构架侧架上分别安装双坐标振动传感器，所述双坐标振动传感器 包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分 别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信 号； 将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除 噪声处理，获取代表轴承状态的轴承信号。3. 根据权利要求1所述的列车轴承故障的诊断方法，其特征在于，所述的对所述轴承 信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数，包括： 通过信号处理单元实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析 处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对 所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能 量值作为所述轴承信号的频域特征参数； 将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所 述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征 参数的测量数据输出。4. 根据权利要求3所述的列车轴承故障的诊断方法，其特征在于，所述的方法还包括： 选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为： 偏度α的计算公式为：其中，N为时域信号采样点总数，X1为时域采样信号，f为时域信号的平均值； 峭度β的计算公式为：其中，N为时域信号采样点总数，X1为时域采样信号，为时域信号的平均值； 选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之 后得到8个分量431，031，432,032,433,033,434,034，对于其中的某个分量&1/}，1 = 3; j = 1，2, 3, · · ·，8, k = 1，2, · · ·，m，其能量的计算公式为：其中Eli,为小波包分解后第i层第j个分量的能量值，S u为小波包分解后第i层第j 个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第 j个分量的第k个样本点。5. 根据权利要求4所述的列车轴承故障的诊断方法，其特征在于，所述的基于所述轴 承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故 障分类算法求解出轴承的故障状态信息包括： 通过故障诊断单元接收所述包含归一化处理后的时频域特征参数的测量数据，对所述 测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8 个频域能量参数，2个时域特征参数：偏度和峭度； 采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特征参 数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算法的 训练样本； 将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为非线 性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息， 该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。6. 根据权利要求5所述的列车轴承故障的诊断方法，其特征在于，所述的方法还包括： 当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特 征参数和所述轴承故障分类算法的训练样本： 设输入向量为为轴承的某种状态 的样本，包含10个时频域特征参数； 目标