一种高速列车滚动轴承故障诊断方法与流程

本发明涉及一种利用特征信号进行建模和分类的故障诊断方法，具体涉及一种基于EEMD和RBF神经网络的高速列车滚动轴承故障诊断方法。

背景技术：

滚动轴承作为高速列车的重要部件之一，其状态好坏对列车安全运行至关重要。增速增载是世界各国铁路发展的趋势，而拥有牵引力十足的列车是提高速度、加大运量的前提，此时作为高速列车重要部件之一的滚动轴承值得更多的关注。作为机械易损件的滚动轴承，一个显著的特点是寿命离散性大，故障原因复杂。滚动轴承在实际应用中，有的使用时间远没有达到设计寿命却出现各种故障，有的远超过设计寿命却仍然能正常工作。因此为了预防轴承故障，监测轴承的运转状态十分有必要。

目前，对轴承故障的诊断大多是分析其振动信号，而振动信号具有非线性、非平稳性等特征。EEMD是一种噪声辅助数据处理方法，适合于分析处理非线性、非平稳信号，利用它可获取充分表达信号特征的信息。基于RBF神经网络的轴承故障诊断比BP神经网络诊断准确性高、速度更快，而且不易出现局部极小值，更适合于进行轴承的故障诊断。

技术实现要素：

本发明针对现有技术构建模型速度不快，故障识别准确率不高的缺陷，提供一种高速列车滚动轴承故障诊断方法。它可以为高速列车滚动轴承故障诊断和状态监测研究提供一种新的思路，也为列车的性能和行车安全提供进一步保证。

本发明针对现有技术的不足，提供一种

为了实现上述目的，本发明采用了以下技术方案：

一种高速列车滚动轴承故障诊断方法，包括以下步骤：

I、故障诊断模型的建立

步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号；

步骤2：EEMD故障特征向量构造

1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，并分别求出每一个分量的能量E_i；

式中，C_it是第i个IMF分量，i＝1，2，3，L，a，C_i是离散点的幅值，n为采样点个数，

2)求每组原始振动信号的各个IMF分量的能量总和E；

3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T；

T＝E₁/E，E₂/E,L，E_a/E

步骤3：RBF神经网络建模

1)确定RBF神经网络结构

虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，

2)确定输入层的节点数

将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝a，

3)确定输出层的节点数

理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，

4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，

5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到初步RBF神经网络诊断模型，然后将测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，

6)初步模型的性能评价

首先根据测试样本的识别结果计算识别误差，当识别误差在接受范围之内时，认为识别结果正确，反之认为识别结果错误；然后计算故障识别率Q，Q＝正确识别数目/总实验轴承 数目，由故障识别率Q来衡量RBF神经网络性能优劣，若故障识别率Q达到理想标准，即得到RBF神经网络诊断最终模型，并用于步骤II未知状态的轴承故障诊断，否则，返回步骤5)，重新选择训练样本和测试样本，进行训练和测试，

II、诊断轴承故障类型

采集未知状态的待诊断轴承的原始振动信号，并作为RBF神经网络诊断最终模型的输入，由最终模型的输出与轴承故障输出形式比较确定轴承的状态。

所述EEMD方法具体分解步骤如下：

(1)在待分解信号R(t)中加入频谱均匀分布的白噪声a_m(t)，得到信号S(t)；

(2)对信号S(t)进行EMD，分解过程如下；

1)确定信号S(t)上的所有局部极值点，上、下两条包络线是用三次样条曲线分别将所有的局部极大值点和局部极小值点联结起来而得到的，即s(t)_max和S(t)_min；

2)求每个时刻的上下包络的平均值，即

3)得到新信号

Y₁(t)＝S(t)-u(t)

判断是否对称于局部零均值，并且有相同的极值点与过零点，如果是，记为C₁(t)，即为第一个IMF分量，否则重复步骤1)和2)；

4)将C₁(t)从S(t)中分离出来，得到一个差值信号V₁(t)，

V₁(t)＝S(t)-C₁(t)

5)将V₁(t)作为原始数据，重复步骤1)～3)得到IMF2，重复n次得到n个IMF分量，于是有

当V_n(t)符合给定的终止条件时，终止条件即V_n(t)为单调函数，循环结束，

由Y₁(t)和V₁(t)可得到

即原始信号被表示为本征模函数分量和一个残余函数V_n(t)的和，各分量C₁(t)，C₂(t)，…C_n(t)分别涵盖了原始信号中从高到低不同频率段的信息，且随信号自身的改变而改变，

(3)每次加入不同白噪声后重复过程(1)和(2)；

(4)将多次分解后的各IMF分量的集成均值C_i作为最终结果，

与现有技术相比较，本发明具备的有益效果：

本专利提供了一种基于EEMD和RBF神经网络的滚动轴承故障诊断方法，通过该方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态，为提高高速列车滚动轴承故障诊断的准确性和实时性提供了新思路，也为列车的性能和行车安全提供了进一步保证。

附图说明

图1是EEMD算法的具体流程。

图2是RBF神经网络的结构。

图3是列车滚动体故障轴承的原始信号图。

图4是列车滚动体故障轴承的EEMD分解图。

图5是列车滚动体故障轴承归一化后的能量特征向量图。

图6是RBF神经网络的训练过程图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

实施例1 本实施例在Matlab R2010a软件完成。

一种高速列车滚动轴承故障诊断方法，包括以下步骤：

I、故障诊断模型的建立

步骤1：将轴承分为正常轴承、滚动体故障轴承、外圈故障轴承和内圈故障轴承四种状态类型，对以上四种状态类型的轴承，每种分别采集若干组原始振动信号，

本实施例具体方法如下：首先使用电火花加工技术在滚动轴承上布置了滚动体故障、外圈故障和内圈故障，故障直径均为0.018厘米，在采样频率为1.2KHz，轴承转速为1797r/min的工况下，采用加速度传感器采集振动信号，通过16通道的DAT记录器采集。数据共采用40组，即正常轴承，滚动体故障轴承，外圈故障轴承，内圈故障轴承各10组，以滚动体故障轴承数据为例，采样点数为12000个，原始信号波形如图3所示。

步骤2：EEMD故障特征向量构造

1)利用EEMD方法对每组原始振动信号进行分解，选取分解得到的前a个IMF分量，本实施例a＝8，如图4所示，并分别求出每一个分量的能量E_i；

式中，C_i(t)是第i个IMF分量，i＝1，2，3，L，a，C_i是离散点的幅值，n为采样点个数，

2)求每组原始振动信号的各个IMF分量的能量总和E；

3)由于不同状态轴承所受的振动幅度相差较大，使每个IMF分量数值相差也较大，所以对能量进行归一化处理，即将每一个IMF分量的能量与总能量求比值，得一组原始振动信号的能量特征向量T，如图5所示；

T＝[E₁/E，E₂/E,L，E_a/E]

重复步骤2的1)～4)对每一组数据分别进行EEMD，从而得到40组对应不同状态轴承的能量特征向量。

步骤3：RBF神经网络建模

1)确定RBF神经网络结构

虽然增加隐藏层神经元的数量可以提高RBF神经网络的非线性映射能力，但神经元数量太多会降低网络预测性能，所以采用单隐藏层的三层RBF神经网络，

2)确定输入层的节点数

将能量特征向量T作为RBF神经网络的输入，因此输入层的节点数M＝8，

3)确定输出层的节点数

理想的输出结果应能直接看出故障的分类，所以采用3个二进制码，即输出层的节点数为3，见表1，

表1 轴承故障输出形式

4)确定隐藏层的节点数，确定RBF神经网络的训练目标精度和径向基函数的分布密度SPREAD，

本实施例采用法经验和试验结合的方法，对4∶24内的不同节点个数进行逐个尝试，选取性能最优的节点数目22作为模型的隐节点个数，同时，将RBF神经网络的训练目标设定为10^-5，径向基函数的分布密度SPREAD取默认值1，

5)从每种轴承状态的原始振动信号中选取b组作为训练样本，其余作为测试样本，将训练样本作为RBF神经网络的输入进行训练，训练达到步骤4)设定的目标精度后，得到初步RBF神经网络诊断模型，然后将测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，

本实施例中，从每种轴承状态中选取6组作为训练样本，4组作为测试样本，因此四种轴承状态共24组训练样本，其余为测试样本，将这24组训练样本作为RBF神经网络的输入进行训练，RBF神经网络的训练过程如图6所示，只需经过18步训练已达到设定精度，得到初步RBF神经网络诊断模型，然后将余下的16个测试样本作为RBF神经网络诊断初步模型的输入，对测试样本轴承的状态进行识别，

6)初步模型的性能评价

首先根据测试样本的识别结果计算识别误差，当识别误差在接受范围之内时，认为识别结果正确，反之认为识别结果错误；然后计算故障识别率Q，Q＝正确识别数目/总实验轴承数目，由故障识别率Q来衡量RBF神经网络性能优劣，若故障识别率Q达到理想标准，即得到RBF神经网络诊断最终模型，并用于步骤II未知状态的轴承故障诊断，否则，返回步骤5)，重新选择训练样本和测试样本，进行训练和测试，

本实施例采用1，2，3和4分别表示正常轴承，滚动体故障轴承，外圈轴承和内圈轴承，RBF神经网络输出结果后计算识别误差ε，本实施例规定若|ε|≤0.5，说明识别结果正确，反之识别结果错误，EEMD结合RBF神经网络诊断结果如表2所示，可知RBF神经网络诊 断初步模型识别输出结果与目标测试输出结果十分接近，由此可知该轴承故障诊断模型能精确识别轴承故障类型，

进一步的，对每种测试轴承类型进行统计并求取模型的故障识别率，经计算正常轴承、滚动体故障、外圈故障、内圈故障的正确识别率都为100％，所以总识别率为100％，因此可以清晰地说明EEMD结合RBF神经网络模型用于滚动轴承的故障诊断，模型分类识别效果很理想，即可以作为RBF神经网络诊断最终模型，

II、诊断轴承故障类型

采集未知状态的待诊断轴承的原始振动信号，并作为RBF神经网络诊断最终模型的输入，由最终模型的输出与轴承故障输出形式比较确定轴承的状态，经比较本实施能够正确诊断轴承故障类型。

表2 EEMD结合RBF神经网络故障诊断

为了验证本发明方法比其他方法更优，分别采用EMD和EEMD两种方法分别提取不同状态轴承数据的特征向量，然后分别建立了EMD和BP、EMD和RBF、EEMD和BP和EEMD和RBF四种轴承故障诊断模型，通过利用提取的特征向量进行轴承故障诊断的分类识别，仿真结果如表3所示。由表可知，EEMD方法在故障特征向量提取上比EMD有优势；BP神经网络不适合于大量数据的快速建模，训练收敛速度慢。而RBF神经网络模型精度更高，比BP神经网络更适合于轴承故障的模式识别。因此EEMD和RBF方法在列车滚动轴承故障诊断上有其独有的优势。

表3 四种轴承故障诊断模型的结果对比

结论

1)针对EMD方法在轴承故障诊断中存在模态混叠等问题，提出了EEMD方法，该方法能更加精确地获取轴承振动信号的IMF能量，作为不同状态轴承的特征向量。

2)仿真结果表明，本发明是一种具有良好性能的非线性逼近网络，能十分准确地识别轴承故障类型。网络训练过程中，在相同期望误差平方和与相等的输入节点、输出节点的条件下，本发明的收敛速度明显高于BP神经网络，不仅缩短了样本的学习时间和降低了复杂度，而且不易出现局部极小值。

3)通过对比分析可知，采用本发明对列车滚动轴承进行故障诊断是可行的，而且本发明比BP神经网络诊断效率高且更准确，更适合于进行故障诊断。

因此本文提出的方法不仅可用于滚动轴承故障诊断，也完全可应用于齿轮箱、大型旋转设备等的故障诊断，具有十分广泛的应用前景。

EEMD全称为Ensemble Empirical Mode Decomposition(集合经验模态分解)，是EMD(经验模分解)的改进算法，EMD方法是根据振动信号自身的时间尺度特征来进行分解且事先不需设定任何基函数，但该方法存在模态混叠缺陷，EEMD方法能够很好的克服上述缺陷，有效的解决了EMD的混频现象。所述EEMD方法具体分解步骤如下：

(1)在待分解信号R(t)中加入频谱均匀分布的白噪声a_m(t)，得到信号S(t)；

(2)对信号S(t)进行EMD，分解过程如下；

1)确定信号S(t)上的所有局部极值点，上、下两条包络线是用三次样条曲线分别将所有的局部极大值点和局部极小值点联结起来而得到的，即S(t)_max和S(t)_min；

2)求每个时刻的上下包络的平均值，即

3)得到新信号

Y₁(t)＝S(t)-u(t)

判断是否对称于局部零均值，并且有相同的极值点与过零点，如果是，记为C₁(t)，即为第一个IMF分量，否则重复步骤1)和2)；

4)将C₁(t)从S(t)中分离出来，得到一个差值信号V₁(t)，

V₁(t)＝S(t)-C₁(t)

5)将V₁(t)作为原始数据，重复步骤1)～3)得到IMF2，重复n次得到n个IMF分量，于是有

当V_n(t)符合给定的终止条件时，终止条件即V_n(t)为单调函数，循环结束，

由Y₁(t)和V₁(t)可得到

即原始信号被表示为本征模函数分量和一个残余函数V_n(t)的和，各分量C₁(t)，C₂(t)，···C_n(t)分别涵盖了原始信号中从高到低不同频率段的信息，且随 信号自身的改变而改变，

(3)每次加入不同白噪声后重复过程(1)和(2)；

(4)将多次分解后的各IMF分量的集成均值C_i作为最终结果，

径向基函数(Radial Basis Function，RBF)神经网络是三层前馈型神经网络，由输入层、隐藏层和输出层组成，如图2所示。由输入层到输出层的映射是非线性的，而隐藏层到输出层的映射是线性的。RBF神经网络的本质是：使低维空间内的线性不可区分问题在高维空间内线性可区分。基函数的方差、基函数的中心和隐藏层到输出层的权值是RBF神经网络算法需求解的参数，RBF神经网络中最常用的径向基函数是高斯函数，因此RBF神经网络的激活函数可以表示为：

式中，X_m为输入变量；σ为高斯函数的方差；||X_m-c_i||为欧式范数；c_i为高斯函数的中心。

由图2所示的RBF神经网络的结构可获得的网络输出为：

式中，ω_ij为隐藏层到输出层的连接权值；i＝1，2，L，N为隐藏层节点数；y_j为与输入网络对应的第j个节点的输出网络。