一种机车走行部滚动轴承故障诊断方法和装置的制造方法
【技术领域】
[0001] 本发明涉及机械故障诊断技术领域，具体地，涉及一种基于小波包和朴素贝叶斯 分类的机车走行部滚动轴承故障诊断方法和装置。
【背景技术】
[0002] 铁路是国家的重要基础设施，对我国社会经济发展和国防起着不可替代的作用。 近年来，随着我国经济建设的飞速发展，国家加大了对铁路运输的投入，高速重载就是其中 一个重点体现。速度和载重是评价列车性能的两个相互制约的重要指标，随着列车运行速 度的不断提高和牵引载重的不断提升，机车的安全运行便有了更高的要求，机车的维护也 随之显得愈加重要。
[0003] 机车走行部是机车的关键部件之一，保证列车能够顺利通过曲线，而滚动轴承作 为机车走行部的支撑部件，其状况的好坏直接关系到机车的性能和列车的安全。由于滚动 轴承的工作面与接触应力的长期反复作用，极易引起轴承疲劳、裂纹、压痕等故障，导致轴 承破损，造成重大事故。因此，针对机车走行部滚动轴承的故障诊断和状态监测开展研宄， 对保证机车的性能和列车的正常安全运行有着十分重要的意义。
[0004] 机车走行部滚动轴承出现异常时，故障会直接反映到振动信号（振动加速度信 号）上，因此，对振动数据作数据融合分析以辨别故障类型的方法是行之有效的，然而，想 要在复杂、动态的环境下提取故障特征信号继而进行快速准确的故障诊断，是一个非常艰 巨的任务。
[0005] 目前，国内外针对机车走行部滚动轴承故障诊断所采取的方法有小波变换、小波 包变换、BP神经网络、支持向量机、最小二乘支持向量机等。小波变换方法不仅可以对信号 作频域分析，而且可以对局部频域过程作时域分析，在处理非平稳信号方面有其优势，但小 波变换方法只对低频部分做了进一步分解，对高频部分不再分解，所以小波变换方法可以 很好的处理以低频信号为主要成分的信号，但不能很好的分析信号的细节部分。
[0006] 小波包变换是对小波变换的细化，是将小波分解中未继续分解的高频部分作进一 步分解，即对原信号进行迭代分解，迭代次数越多，频段分解越细化，时频分辨率就越高，故 障诊断准确率也更高，但其模型建立时间也会相应增加。BP神经网络是一种目前应用广泛 的状态识别方法，它具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力等优 点，但其存在局部极小化、网络结构难以确定、收敛速度较慢的问题。支持向量机方法克服 了 BP神经网络收敛速度慢等不足，但训练时间还是不能满足需要；最小二乘支持向量机方 法训练时间非常快，但故障诊断准确率不如支持向量机和BP神经网络等学习方法。
[0007] 因此，在现有技术中，在对机车走行部滚动轴承进行故障诊断时，存在诊断准确率 较低、建立诊断模型耗时较长的问题。
【发明内容】
[0008] 为了解决现有技术中存在的机车走行部滚动轴承故障诊断准确率较低、建立诊断 模型耗时较长的问题，本发明提出了一种基于小波包和朴素贝叶斯分类的机车走行部滚动 轴承故障诊断方法和装置。
[0009] 本发明的机车走行部滚动轴承故障诊断方法，包括：
[0010] 采集不同故障类型下机车走行部滚动轴承的振动加速度数据，并根据故障类型对 数据进行分组，总组数为A，所述四种不同故障类型包括：正常信号、内圈故障、外圈故障和 滚动体故障；
[0011] 根据分组后的振动加速度数据，得到所述振动加速度数据的频域信号；
[0012] 对所述频域信号进行三层小波包分解，并构建故障特征集；
[0013] 将所述故障特征集进行随机排列，将前B组作为训练集，后C组作为测试集，其中， B+C = A，B>C ;
[0014] 采用朴素贝叶斯分类器对所述B组训练集进行训练，建立基于朴素贝叶斯的机车 走行部滚动轴承故障诊断模型；
[0015] 根据所述故障诊断模型对所述C组测试集进行分类，根据分类结果结合所述故障 特征集评估故障诊断模型的分类性能。
[0016] 在上述技术方案中，所述根据分组后的振动加速度数据，得到所述振动加速度数 据的频域信号包括：
[0017] 对所述分组后的振动加速度数据进行消除趋势项处理，去除所述振动加速度数据 中的噪声；
[0018] 对消除趋势项后的振动加速度数据信号进行二次积分得到位移信号，即得到时域 分析后的时域信号；
[0019] 对所述时域信号进行快速傅里叶变换，得到频谱分析后的频域信号。
[0020] 在上述技术方案中，所述对所述频域信号进行三层小波包分解，并构建故障特征 集包括：
[0021] 对去噪后的A组频域信号进行三层小波包分解，每组信号得到8个频域分量f1/8， 4/8,心/8, 4/8, 4/8, 4/8, fV/8, f的信号；
[0022] 计算所述频域信号的各个频域分量的能量E1/8, E2/8, E3/8, E4/8, EM，E6iZ8, E7iZ8, E，构建 A*8的能量特征向量力·=巧8，尽8，心，'，48，馬 8，五;8，五、其中1为八组信号中的第1组，每 个频域分量的能量可以表示为：￡=?^ι2，其中xk为小波包分解系数中的各个元素，小波 包分解系数是一个矩阵，N为小波包分解系数的长度，k的取值为I-N ;
[0023] 根据所述A*8的能量特征向量和故障类型，构建（A+1) *8的故障特征集 S=!(甩邱，其中Yi e {1，2, 3, 4}，为故障类型。
[0024] 在上述技术方案中，所述采用朴素贝叶斯分类器对所述B组训练集进行训练，建 立基于朴素贝叶斯的机车走行部滚动轴承故障诊断模型包括：
[0025] 采用朴素贝叶斯分类器对所述B组训练集进行训练，确定朴素贝叶斯分类后的结 构、故障类型概率表及推理引擎；
[0026] 根据所述朴素贝叶斯分类后的结构、故障类型概率表及推理引擎，构建基于朴素 贝叶斯的机车走行部滚动轴承故障诊断模型，所述故障诊断模型包括朴素贝叶斯结构、故 障类型概率表及推理引擎。
[0027] 在上述技术方案中，所述根据所述故障诊断模型对所述C组测试集进行分类，根 据分类结果结合所述故障特征集评估故障诊断模型的分类性能包括：
[0028] 根据所述C组测试集中每组数据的8个频域分量的能量和所述故障诊断模型，得 到每组数据在所述故障诊断模型中对应的故障类型；
[0029] 将所述对应的故障类型与所述故障特征集中每组数据对应的故障类型进行比对， 根据两者一致的组数多少确定所述故障诊断类型分类性能的高低。
[0030] 本发明的机车走行部滚动轴承故障诊断方法，模型训练时间更短，分类准确率更 高。将小波包和朴素贝叶斯分类方法引进到机车走行部滚动轴承故障诊断中，为机车走行 部滚动轴承故障诊断提供了理论基础，对列车的安全运行具有重要意义。基于小波包和朴 素贝叶斯分类的机车走行部滚动轴承故障诊断方法，适合于复杂、动态的环境，可以大大提 高机车走行部滚动轴承故障诊断的速度和准确度，是解决机车走行部滚动轴承故障诊断问 题的有效途径，也可将该方法推广应用至冶金、化工、航空等其他领域。
[0031] 本发明的机车走行部滚动轴承故障诊断装置，包括：