r>[0032] 信号采集模块，用于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；
[0033] 信号处理模块，用于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；
[0034] 特征集建立模块，用于对所述频域信号进行三层小波包分解，并构建故障特征 集；
[0035] 特征集划分模块，用于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 ;
[0036] 模型建立模块，用于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；
[0037] 模型评估模块，用于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。
[0038] 在上述技术方案中，所述信号处理模块包括：
[0039] 信号去噪子模块，用于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；
[0040] 时域分析子模块，用于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；
[0041] 频域分析子模块，用于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。
[0042] 在上述技术方案中，所述特征集建立模块包括：
[0043] 小波包分解子模块，用于对去噪后的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 fl/8, f*2/8, f*3/8, f*4/8, 6/8, f*6/8, 4/8, f的信号；
[0044] 向量构建子模块，用于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 /8^5/8^6/8^ 7/8^，构建八*8的能莖特征向莖1 -尽8為8名8，五4,8，五5 8，五6 8，五7 8，^':*其中1为 A组信号中的第i组，每个频域分量的能量可以表示为：￡ = ，其中Xk为小波包分解 左=1 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 ；
[0045] 特征集构建子模块，用于根据所述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 = KUOA，其中Yi e {1，2, 3, 4}，为故障类型。
[0046] 在上述技术方案中，所述模型建立模块包括：
[0047] 贝叶斯分类子模块，用于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；
[0048] 模型构建子模块，用于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。
[0049] 在上述技术方案中，所述模型评估模块包括：
[0050] 故障对应子模块，用于根据所述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；
[0051] 故障比对子模块，用于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。
[0052] 本发明的机车走行部滚动轴承故障诊断装置，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。
[0053] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明 书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0054] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
【附图说明】
[0055] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实 施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0056] 图1为本发明实施例的机车走行部滚动轴承故障诊断方法的流程图；
[0057] 图2为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S102的流程 图；
[0058] 图3为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S103的流程 图；
[0059] 图4为本发明实施例的三层小波包分解的示意图；
[0060] 图5为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S105的流程 图；
[0061] 图6为本发明实施例的朴素贝叶斯分类的结构示意图；
[0062] 图7为本发明实施例的机车走行部滚动轴承故障诊断方法的步骤S106的流程 图；
[0063] 图8为本发明实施例中使用训练集构建的朴素贝叶斯故障诊断模型对测试集的 分类结果示意图；
[0064] 图9为本发明实施例的机车走行部滚动轴承故障诊断装置的结构示意图；
[0065] 图10为本发明实施例的信号处理模块的结构示意图；
[0066] 图11为本发明实施例的特征集建立模块的结构示意图；
[0067] 图12为本发明实施例的模型建立模块的结构示意图；
[0068] 图13为本发明实施例的模型评估模块的结构示意图。
【具体实施方式】
[0069] 下面结合附图，对本发明的【具体实施方式】进行详细描述，但应当理解本发明的保 护范围并不受【具体实施方式】的限制。
[0070] 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。使用小波包分解从原始数据中提取故障特征集，利用朴素贝叶 斯分类方法的学习能力和推理作机车走行部滚动轴承的故障诊断，为机车走行部滚动轴承 故障诊断和状态监测的研宄提供了一种新方法，进一步保证了机车的性能和列车的安全。
[0071] 该方法首先获取样本数据（本发明中为振动加速度数据信号），然后去除数据中 的趋势项进行消噪，经过两次积分得到位移信号，即获取时域信号。对时域信号作傅里叶变 换，将时域信号转成频域信号。通过三层小波包变换构造故障特征集，将故障特征集随机排 列后分为训练集和测试集，利用训练集建立故障诊断模型，即朴素贝叶斯分类模型，使用测 试集对朴素贝叶斯分类模型的性能进行测试，本发明能够快速、准确地预测和诊断机车走 行部滚动轴承的故障。
[00