文摘

在不同运输保护、示例数据城市轨道车辆转向架牵引电动机轴承的严重不平衡,和故障诊断能力和泛化效果很差,这使得它难以有效评估轴承的保护效应。摘要multimeasure混合评价模型提出了基于压缩感知评价轴承运输保护数据不平衡的影响。首先,轴承振动信号在不同运输保护条件下压缩和采样,和原high-Witt收集在时域、频域和时频域提取。然后,multimeasure混合特性相关的评价模型,距离,和信号构造,最优multimeasure组合优化策略是通过综合得分评价指标的敏感性。最后,轴承保护效果的评价模型基于统一的特征指数评估由使用最好的功能子集,并统一指标量化描述不同保护状态的保护效果。实验结果表明,该模型可以有效地评估轴承在不同运输保护。

1。介绍

走的一个重要组成部分的一部分城市轨道交通车辆、转向架的角色运动方向、轴承、减振和也牵引和制动的最终执行者,扮演着一个重要的角色在火车的安全驾驶1]。在现阶段,妖怪投入使用在中国主要是基于焊接。由于焊接过程本身的特点,焊接位置的妖怪很容易传播残余应力和变形影响,和牵引传动装置的车辆的质量将直接关系到部队传播,和结构是否安全可靠将直接影响列车的运行安全2]。牵引电动机的关键部分是城市轨道车辆传动装置,其运行状态直接影响到列车性能和运输效率,包括滚动轴承是应用最广泛的零件之一的牵引电动机,和相关的研究结果表明,最容易失败的部分牵引电动机滚动轴承;轴承损坏占大约44%的牵引电动机故障(3]。因此,确保转向架牵引电动机轴承的质量的一个重要因素,确保安全、稳定、舒适的城市轨道车辆的操作。城市轨道车辆经常运送到所有者的站点(4]。如果不保护轴承在运输期间,pseudocloth标志会出现由于道路动荡,轴承异常声在现场操作,并最终质量更换,严重影响轴承的制造商的产品质量和造成严重隐患城市轨道列车的安全运行。

保护效果的评估城市轨道车辆的牵引电动机轴承在不同运输保护有两个主要困难:(1)信号采集的城市轨道车辆操舵装置牵引电动机轴承,有严重的数据不平衡现象。这一现象的主要原因如下。(一)车辆运行速度和复杂的环境中,数据流加速,状态数据的数量增加。由于设备的发展和恶化状态,监测周期的缩短也会导致国家数据量的增加。(b)轴承产生振动信号包含衰减影响组件在不同运输的保护,都具有明显的非线性行为,最终导致信号的频谱带宽,过度数量的数据收集,对数据传输和大规模数据带来巨大压力,存储和处理。(c)在实际工作条件下,轴承故障信号样本的数量通常是远低于正常状态信号。总之,提到的因素会导致不平衡的数据集(2)轴承的故障诊断能力差,和防护效果评估很难得到有效的评估。这一现象的原因如下:复杂旋转机械结构和恶劣的操作环境使故障模式通常显示出强劲的复杂性(5),“underlearning”问题广泛使用的单一故障特征灵敏度的测量评价模型和不同分析的共同特征参数提取字段只能国家机械设备振动信号的特征信息从不同的角度描述。上述情况导致未能获得轴承故障诊断的状态信息,这样就不会提供一个准确的数据依据模式识别,然后影响随后的分类性能和效果评估

2。相关研究工作

先前的研究的应用程序对象通常仅限于与类似的错误数据分布常数和稳定的条件下。不幸的是,这一限制在现实场景中影响不大。工作环境是复杂多变的,这使得它很难提取有效的故障诊断在实际应用之前深表示学习方法(6,7]。解决严重的数据不平衡下的轴承振动信号连续抽样高,本文采用压缩传感(压缩感知(CS))理论也称为压缩采样理论。压缩传感理论提出的Donoho et al。8- - - - - -10),其信号压缩理论突破了奈奎斯特极限,可以实现少测量压缩采样和完整高概率精确重建。虽然观测数据减少,它包含足够的信号恢复原始信号信息实现压缩采样的信号。这一理论的概念可以描述如下:收集目标时域信号,只要信号压缩在一定的稀疏变换基础上,一个线性无关的测量矩阵的稀疏变换基础和选择适当的重建算法精确重构信号基于低维压缩测量。目前,压缩传感热点集中在三个关键问题:稀疏表示,信号的观察,和信号重建11,12]。早期研究执行有限的抽样研究使用连续信号的压缩和采样信号使用一个固定的结构基函数信息率的两倍,而不是两次采样频率(13]。稀疏表示的不确定性原理的概念被首次提出Donoho et al。14]。基于这个结果,El广告和Bruckstein15进一步讨论稀疏表示的唯一性和证明的稀疏重建的边界条件。Tropp [16)提出了更一般的条件下,统一重建条件的稀疏表示问题和规范约束。萤石et al。16]提出的重建原则,进一步展示了稀疏表示的唯一性问题,并讨论了稳定性、鲁棒性,算法的扩展。Baraniuk et al。17,18]提出约束等距观测矩阵的设计提供了理论依据和信号重建。近年来,CS在图像压缩方面取得了一些进展,人脸识别、雷达成像、沟通、和其他领域(19),但目前,在机械设备故障诊断领域的研究仍然是广泛参与,和小研究城市轨道车辆领域的应用。

故障特征灵敏度“underlearning”问题的单一指标评价模型和特征参数提取的特征信息不同的单一分析域通常有重大undercompleteness。不难发现,提取多畴的multifeature参数是一个必要的保证,全面描述设备故障状态模式。同时,特征加权特征灵敏度信息丰富的原始特性集eigenweights不丢失任何特性参数,给出了加权特性集歧视有更好的分类能力。根据特征权重的原则,计算其权重系数密切相关,各种类型的功能评估标准,基于典型特征的各种特征加权方法评估措施或改进版本是天生的,例如,基于补偿故障特征加权距离评估技术(20.),核空间距离测量(21),基于熵特征加权方案,意味着方差和互信息,基于共同的特征加权拉普拉斯算分数,根据Fisher线性鉴别分析和特征权重。此外,塞斯et al。22)提出了一个新颖的特征加权方案基于插值法和Kolmogorov-Smirnov参数统计检验的性能改善有限noise-containing,冗余,和弱相关特性;伊斯梅尔和Frigui23)提出了一个健壮的无监督学习算法广义狄利克雷有限混合模型实现模糊聚类和特征加权noise-containing高维数据。类似于特征选择最优特征子集的选择的决心feature-weighted权重系数可视为一类组合优化问题,所以各种进化算法(包括禁忌搜索、谐波搜索和多目标优化算法)(24]介绍了feature-weighted框架的建设。然而,大多数现有的权重系数计算方法基于功能评价标准学习的灵敏度特性从一个测量距离等信息,和相关性,这常常导致学习成绩差故障特性的敏感性,这是不利于提高特征聚类和分类性能。根据学者的研究,本文提出一种multimeasure混合轴承准确评价模型和综合评价。

本文研究了在城市轨道车辆转向架牵引电动机轴承和评估合理的轴承在公路运输运输防护措施。multimeasure混合评价模型提出了基于压缩感知和应用于运输保护宁波3号线轴承的例子,来验证该方法的可行性和技术优势,评价最好的保护措施,减少轴承的故障率,提供理论依据和技术参考描述城市轨道车辆的运输保护效果,然后提供一定保障城市轨道车辆的安全运行。总体技术路线的保护效果评价城市轨道车辆转向架牵引电动机轴承在不同运输保护如图1。

3所示。轴承振动信号的压缩采样的轨道交通领域

机械设备的状态数据可以反映设备的实时运行状态,这是一个重要基础获取设备状态的变化趋势,分析设备故障的根本原因。在轨道交通领域的故障诊断、状态数据是不可或缺的重要资源相关的操作,城市轨道车辆的监控和管理。为了准确掌握设备的健康状态,这是紧急的问题解决轴承的不平衡数据集。压缩传感理论为信号采集提供了新思路,分析和特征提取,目前很少参与故障诊断领域的轨道交通。紧凑的数据是用来获取压缩数据的存储和处理大量的数据,分析从压缩数据压缩数据,减少分析和计算链接,节省计算资源,提高监测和诊断的效率。压缩传感理论的应用在铁路车辆设备的信号采样提供了一个有效的解决方案中不平衡及其应用的数据存储、传输和分析城市轨道车辆设备的数据。CS首先执行原始信号的稀疏变换处理,然后测量稀疏数据和观测矩阵,得到观测值远低于原始信号维度,然后重建算法恢复信号的压缩感知理论框架来获得重建信号与原始信号进行很少的错误。具体的过程如图2。

CS在许多领域得到了广泛的研究,但在机械故障诊断领域的相对较少。本文使用CS技术车辆关键部件的振动信号在城市轨道交通领域。在整个评估过程的城市轨道车辆转向架、牵引电动机轴承的加工过程压缩传感的轴承振动信号的处理过程主要分为两个部分:一、采集和压缩的信号;2、数据重建和分析。加工过程中牵引电动机的轴承信号如图3。

3.1。信号的稀疏表示的压缩采样

稀疏表示的信号感知观察问题:压缩感知理论是稀疏表示理论的逆问题,其理论基础意味着信号稀疏的基础。如图4是一个稀疏表示理论的原理图。信号的稀疏表示是将信号到一个特定的稀疏空间,产生一个小的价值大部分的转换系数,即产生的转换系数是稀疏的或者近似稀疏。找到一个基地或紧凑的框架使信号稀疏的上并找到变换系数: 在哪里是一个等效或近似稀疏表示的 。变换基础上的选择可以是某种形式的基础上已广泛应用,如小波基、傅里叶基地,当地傅里叶基地。此外,一个紧凑的框架可以用来制造等信号的稀疏表示曲线波和轮廓波,两类变换基地有更好的方向性(25]。压缩传感的先决条件是必须谨慎稀疏信号。对大多数信号来说,它通常不是稀疏,但它总是能找到适当的信号的稀疏变换基地。

3.2。选择观测矩阵的压缩采样

主要内容信号的观察研究:如何设计 - - - - - -维观测矩阵 ,与稀疏信号后,确保基础减少从尺寸长度维度,主要的信息仍不丢失,和原始信号可以从dimension-dimensional信号中恢复过来 。观测信号的核心:研究采样协议可以有效地提取原始信号的有用信息,获得尽可能少的采样点。的需要设计一个稳定的 维观测矩阵需要获得吗集 。这个过程也可以被表示为一个信号通过矩阵为非适应观测 : ( 被称为CS信息运营商)。令人担忧的是观测矩阵的选择 ,需要保证重要信息不被破坏时,稀疏向量从维度维度。在压缩感知理论中,一个重要的标准判断一个矩阵是否能成为一个测量矩阵是有限的等距特性(RIP)。例如,对于稀疏的向量 ,当它满足公式(1),测量矩阵满足撕裂。大部分随机矩阵满足撕裂,如高斯和伯努利随机测量(17]。

3.3。设计重建算法的压缩采样

重建恢复信号主要解决欠问题在给定的稀疏约束和恢复原始信号的高概率部分抽样数据。信号的重建是指重建原始信号 降维的信号 。关键问题是如何设计高效、健壮、稳定的重建算法。在现阶段,CS重建算法大致可以分为四类:第一节课:贪婪迭代算法,目标组合优化问题,主要以信号之间的联系和原子字典为更有效的或非零方法测量原子(系数)。基本原则是找到支持的一组稀疏向量的迭代方法和重建信号使用约束最小二乘估计的支持。第二类:凸优化算法和优化近似方法,找到近似的信号将非凸问题转化为凸问题解决方案。第三种算法:基于贝叶斯框架提出的重建算法,该算法考虑了信号的时间相关,特别是当信号有很强的时间相关,提供优越的比其他重建算法重建精度。类4:其他算法:这些方法支持快速信号采样和重建包测试,如傅里叶抽样,链跟踪和沉重的打者类固醇(HHS)跟踪。

4所示。评价模型基于Multimeasure混合评价基于压缩传感

4.1。压缩传感的转向架牵引电动机的轴承振动信号

观测矩阵维度必须重构信号的压缩传感理论过程是独立于数据采样率和最大频率的信号,只有稀疏的直接相关。实现压缩采样,必要的稀疏信号处理需要获得稀疏信号在一个特定的空间。在现实生活中,信号数据主要是nonsparse和需要一些空间变换方法。在本文中,我们分析了稀疏表示性能的轴承使用三种常见的离散余弦变换(DCT) [17),离散傅里叶变换(DFT) [22),和离散小波变换(DWT) [26]。为了直观地从量化的角度分析稀疏性能指标,阈值的2% ,数据第一组峰值作为阈值区间。也就是说, ,假设数据值之间的数据点 为0,然后抽风机非零元素的个数数据点在 ,定义了稀疏的比率 , ,在哪里代表数据的数量与数字零,稀疏比越小 ,稀疏信号的能力越好。广义正交匹配追踪算法(GOMP)被选为重建算法,输入观测矩阵 ,检验的测量得到的观测矩阵 ,稀疏度 ,选择原子的数量 , 重构信号的输出 。GOMP算法训练过程:首先初始化的剩余价值 ,指标设置 ,数量的变化 (1号线);连续搜索匹配的原子, ,搜索出原子最大的剩余产品改变其对应的索引值添加, (2 - 7日行);更新候选人的支持以及残余和相关系数。相应的支持组使用更新的候选人获得原子指数吗 。计算更新后的残余和相关系数, 。如果迭代停止条件满足 ,迭代过程返回步骤2;否则,迭代停止与重建信号 ,具体来说,如算法所示1。

4.2。轴承振动信号的故障特征提取转向架牵引电动机

转向架的一部分的失败或部分转向架,转向架状态信号的时域波形和相应的频谱从正常状态是不同的,所以认为信号时域和频域的特征参数分布信息是可行的,露出转向架故障的发生。此外,考虑到轴承是旋转电机,故障信号信噪比低,非线性、非平稳的特点,时频分析方法的特点(如短波频率傅里叶变换、小波变换和EMD)有更高的故障状态信息的能力比时域和频域特征参数。为了获得轴承故障状态信息尽可能全面,实验选择10时域频域和5和10时-频域能量和Lempel-Ziv频域参数。选中的时域特征参数形成原始时域特性集, (分别为:高峰,意思是,方差、谐波平均利润率指标,悬崖指数,wavedness指数脉冲指数峰值指数和偏差指数)。频域特征参数形成最初的频域特征集 (分别为:平均频率,重心频率、均方根频率、标准的差频,和悬崖的频率)。时频特征参数是基于自适应使用EMD分解原始故障信号。能量的特性 提取首先的五固有模式组件包含有用的信息:lempel - ziv复杂性特征 。

4.3。综合特性指标的轴承振动信号基于Multimeasure混合评价模型

multicategory故障特征参数的提取通常被认为是准确的故障诊断的基本保证。然而,如果应用不当,很难提高故障诊断的准确性,因为特征参数的敏感性是不同的。如果原始Gavett收集直接用作后续分类器的输入,敏感的优势特征对故障分类不能突出,和非敏感特征之间的相关性会削弱分类效果,提高故障诊断的准确性。特征评价为上述问题提供了一个有效的解决方案。的基础上确定评估标准,每个特征参数的敏感性,和原始特征集过滤或加权根据学习结果,从而起到提高特征聚类和分类性能的目的。最广泛使用的特征加权方法用权重系数(权重系数)为核心内容22)和屏幕的特点和权重高急速地恳求基于单个敏感性评价模型。目前,功能评价模型使用更多的距离,一致性,信息,相关措施等。26)常见措施巴氏距离距离、欧氏距离,和Marchhedean距离;信息测量主要包括互信息和信息增益;一致性测量的主要指标;相关措施包括培生(Pearson)相关系数(27),最小平方回归误差,误差概率,费舍尔得分,拉普拉斯算子的分数,线性分类和分析,计算效率高。上述单一测量功能评价方法可以屏幕deredundancy特性从特定的角度来看,但其局限性是强大的,不能全面的筛选功能,充分反映了保护信息。现有feature-weighted方法是实现学习和加权处理特性灵敏度基于特性评价模型的一个指标,忽视multimeasure的互补效应评价模型和复合对高维特征筛选获得的影响。因此,实验测量混合特性的随机组合组成的评价模型典型特征在每个测量基准指数评估模型,以及具体的实现过程如图5。不同的测量组合混合策略的形式 然后选择最优测量组合策略最大的变异系数。其次,multimeasure最优混合评价模型计算的重量和原始特征值结合特性。详细的流程如图5。

十个共同特征评价模型被选中作为替代subevaluation模型的混合测量策略模型。它包括测量信息,相关措施,和距离测量功能评价模型。由于大量的混合测量模型与随机自由组合不同的单一的措施,一个大运行工作负载和过于繁琐的混合测量策略将产生一个首选的比较分析过程。考虑到每一个测量的灵敏度high-Witt征集各不相同,不同的特征子集维度仍当feature-weighted和过滤、衡量的情况下删除只少非敏感特性。特征子集仍过于冗余,它甚至可能很难选择更敏感特征形成特征子集的分类。因此,最初的筛选和过滤的子模型构成的混合测量模型是必需的。单个测量功能评价模型具有良好的敏感性歧视是保留。避免困难的学习综合性能差大量的混合测量组合策略敏感性,导致优化的过程。因此,初步选择一个单一的测量功能评价模型在一个测量特性的混合组合评价模型,和几个单测量功能评价模型与出色的灵敏度为随后的随机混合选择策略,然后最大的混合离散系数的原理测量灵敏度和最大的悬崖选择最好的测量组合策略。

十种常见的单一测量功能评价模型,从时间域的敏感性得分,频域和时频域的三种不同保护州的转向架获得10个单独的测量模型。发现不同的措施有不同的灵敏度特性集,一些单一措施非常敏感的特性集,它几乎是不可能得到减少良好的特征子集。一些单一措施具有良好的灵敏度特性集学习效果,更突出的高灵敏度特性,和无灵敏度功能被削弱,使得特征灵敏度分化更加明显。本节初步选择十个单一指标评价模型和子模型的后续选择混合测量功能评价模型。因为每个测量的尺寸不一致,但在每个单一特征的维数测量相当,统一定义的阈值 , 是那种功能敏感性得分的一个衡量每个单一的测量。如果超过10的敏感性得分的特点一个测量大于平均值 ,单一措施的敏感性得分学习效果差,如果单一措施是废弃的,后续评价模型的子模型的混合测量特征被保留。其次,构造一个混合测量特性灵敏度学习模型与组成的累积效应的措施,其数学表达式如下:

的公式,代表的综合测量灵敏度值的特征样本的特性集混合策略; ,分别代表了 这种单一的测量灵敏度值灵敏度学的结果功能特性集的一个测量特性的评价模型 学习这是一种灵敏度值正相关的特征的敏感性特征灵敏度的一个单一的测量评价模型。 灵敏度学习价值的第一特性灵敏度分单一指标评价模型和单一测量模型的敏感性特征。其中之一是 。为了避免敏感的多样性学习不同的单测量功能评价模型的结果,影响学习的混合灵敏度测量评价模型、敏感性得分值每一个测量模型应该规范化。归一化的公式的综合措施敏感性得分的类型功能类型混合模型如下:

产品混合后,全面衡量敏感性的学习成果得到了。意义是比较和评价综合测量灵敏度的分数从产品获得同一尺度下不同尺度系数的影响,这也让高灵敏度特性更加突出和削弱了的敏感性影响分类和聚类的无灵敏度特性。因此,最优特征子集的聚类效果有所改善。

为了评估multimeasure混合后评价模型单一测量功能评价模型,multimeasure multimeasure评价模型评价模型与最大离散系数和最大的悬崖和提取敏感的特征子集最佳组合随后集群战略和评估。的核心思想是一个无量纲参数指标,反映了数据离散化的程度根据时间序列的离散化系数和悬崖。的具体标准 这是悬崖值越大吗和离散系数越大混合灵敏度特性的分数序列,特征数据序列的离散程度越高越大价值。浓度的反应性能特性是加强特性灵敏度学习效果具有灵敏度高、无灵敏度特性的学习效果减弱。让高灵敏度特性脱颖而出的混合测量策略。因此,它可以被认为是高的悬崖价值特征值和离散混合特征系数灵敏度越大得分值,混合灵敏度测量最有效的学习,和更流线型的特征值的子集用于聚类分类。的公式计算综合特性的离散系数灵敏度分数序列定义随着这种混合测量功能评价模型如下:

的公式,是标准的混合特性的序列差异敏感性类型和结果是什么是混合特性的敏感性得分的均值系列的这种混合测量特性评价模型: , 是功能的特性集的总数,然后呢综合敏感性得分吗不同的保护状态特性的特性这种混合测量功能评价模型。悬崖的公式定义的值的这种混合测量功能评价模型如下:

的公式, , ,和数据系列,意思是,和标准的不同类型的混合测量功能评价模型吗 ,分别。

的具体标准 基于大悬崖价值和离散系数越大混合灵敏度特性的分数序列,数据序列特征越高越大价值。浓度的反应性能特性是加强特性灵敏度学习效果具有灵敏度高、无灵敏度特性的学习效果减弱。让高灵敏度特性脱颖而出的混合测量策略。因此,它可以被认为是高的悬崖价值特征值和离散混合特征系数灵敏度越大得分值,混合灵敏度测量最有效的学习和更流线型的特征值的子集用于聚类分类。

传统的特性与单个测量评价模型通常只考虑从一个角度提取最优特征子集,这使得它很难评估在整个时域振动信号在不同保护条件。为了更好地评估牵引电动机轴承的保护效应在不同的保护条件下运输期间,本章提出了一种multimeasure混合评价模型,可以提取multicategory和multimeasure特征参数特性集。新颖性在于基于特征指数,灵敏度特性的学习进行全面分析领域,multimeasure混合评价模型建立了基于单一测量特征评价特征指数,和最优特征子集更有利于评估不同保护状态的影响通过使用综合特性评价指标进行了优化。然后,建立了统一的特征指数基于最优特征子集,全面评估不同保护条件下的保护效果。

4.4。建立一个基于压缩传感Multimeasure混合评价模型

本文基于转向架牵引电动机轴承的实际操作条件在城市轨道车辆,因为轴承难以有效地评估在不同运输保护、multimeasure混合评价模型提出了基于压缩传感。首先,牵引电动机轴承的振动信号的采样和压缩是基于压缩传感理论。其次,最优混合模型等特性评价框架与单一措施距离,相关性,构造和信息学习特性灵敏度从原始特性集由时频、频域和频域特征参数。同时,基于灵敏度设计综合特性得分multimeasure组合策略优化的序列变异系数法和混合最优策略组合测量相应的综合评价模型对原始故障特性集敏感性研究,然后每个特性的最佳综合得分为每个特征权重灵敏度,建立一个新的加权特性集。最后,提出功能灵敏度学习方法应用于交通宁波3号线转向架牵引电动机轴承的城市轨道车辆,以验证提出了新方法的可行性和技术优势。这种方法的困难提供了技术依据牵引电动机轴承存在的交通轨道交通领域的句子框架,为数据采集提供了一个新的想法和减少轴承的振动信号在运输的过程中,以及合理的运输保护。

5。实验分析

5.1。实验测量

5.1.1。保护三个州的牵引电动机轴承

测试对象是宁波的动力转向架第3行。转向架轮对支持和固定铁鞋。在运输过程中,转向架的两个引导汽车采取不同的保护方法,测试转向架和电机轴承的振动加速度在株洲宁波部分。公路运输的过程中,电机轴承保护如图6。保护状态1和保护状态2是用于两个电机,分别在离职期间,和保护状态1保持不变而保护状态2是改变保护状态3返回期间,以研究三个保护的保护作用在牵引电动机轴承状态。

图6在防御状态1,显示了防御模式7在防御状态2显示了防御模式,人物8显示了整个布局处于防御状态。此外,三向加速度传感器的坐标方向定义。由于沿垂直方向方向由道路湍流影响最大,垂直振动加速度信号的分析主要是执行。表1显示了三个设置相同的保护状态。

5.1.2中。牵引电动机轴承的测点布置

共有8个加速度传感器在转向架上安排,和加速度传感器在每个测点胶水和磁吸的座位是固定的。根据设计的传感器点位置和传感器类型、传感器安排转向架牵引电动机。据的位置在转向架牵引电动机轴承,为了更好地收集轴承振动信号的过程中牵引电动机在路上,振动传感器测量的安排点如图9。数据10(一)-10(h)对应传感器数字1 - 8。

5.2。轴承数据压缩感知

经过实验测试,实验数据是254 GB,为后续的数据分析是很困难的。本文提出了一个方法来解决数据质量和冗余数据的问题。首先,交通轴承的振动信号是随机选择进行压缩传感稀疏表示的分析,和DCT, DFT和DWT变换实验信号的。在图11,原始振动信号的稀疏的比率是91.4%。图12直观地显示了DCT变换后的稀疏的比率是27.6%,和DCT变换后的振动信号的稀疏高于原来的信号。图13的结果后的振动信号DFT变换,DFT系数的稀疏的比率是24.4%和25.2%,分别与DCT变换相比更加突出。图14表明,振动信号的稀疏改善与原始信号。Daubechies子波长度的稀疏得分8日,12日和16是41.8%,39.6%,和37%,Daubechies子波长度的变化对转换后的稀疏系数影响不大。

接下来,考虑不同稀疏字典转换的影响轴承振动信号的压缩效果,通过设置三种不同的字典稀疏变换(DFT, DCT和DWT),在DWT的Daubechies子波长度设置为16,选择高斯随机观测矩阵和GOMP重建算法。使用这三种不同的稀疏字典执行数据压缩测量和重建实验信号,得到的参数指标的信号重建性能三个不同的稀疏字典。比较数据15- - - - - -17显示基本DFT的信号重建性能指标优于DCT和DWT;在三个不同的稀疏变换方法,DFT有更好的稀疏数据压缩性能和性能。

5.3。定量表征轴承保护效应基于统一的特征指数

原high-Witt集合包括时域特征,频域特性,能量特性,基于EMD和Lempel-Ziv EMD提取的复杂性特征。为了进一步实现降维high-Witt收集和提高集群的性能分类,十敏感性得分如上所述,3、6、7,10单测量功能评价模型选为混合multimeasure特性的子根据敏感性评价模型学习的结果。组内和组内的综合距离模型,皮尔逊相关系数模型,费舍尔得分模型,和拉普拉斯算子的评分模型。最好的敏感性特征子集敏感性得分分布在四个单测量功能评价指标如图18。混合测量功能评价模型建立的四个衡量评价子。自四个随机组合成混合测量模型有11个组合方法,11混合测量功能评价模型学习灵敏度,获得全面的敏感性分数序列,并获得离散系数,悬崖价值,综合评价指标的敏感性学习结果的基础上,综合得分评价指标的敏感性 。结果如表所示2。

从上表可以看出,离散系数,悬崖的价值,和综合敏感性得分后的混合测量功能评价模型评价指标四个单一措施的随机组合是最好的执行3,6、7和10措施充分结合。因此可以认为混合策略展品表现突出加强敏感特性,削弱非敏感特性,以及减少最优特性的一个子集。特性与大敏感性得分提取subfeatures子集的最优特征子集。其功能号码是1、2、3、7、9、16。

进一步验证提取的敏感性得分表现良好的聚类效果最优特性的一个子集,主成分分析(PCA) [28)最好的最优评价模型的子集。为了便于应用PCA,视觉执行分析。图19显示的第一个特征子集的视觉分析图表3,6、7和10单一指标评价模型。可以看出3和6的最佳特征子集的特征单一措施无法分类和集群的数据样本不顾严重的旅行距离和不同类别之间的重叠。相对应的最佳特征子集的7和10单一指标评价模型能有效集群不同的防护状态数据样本,但分布分散,内部类的范围很大。从阶级之间的距离的角度来看,集群效应不突出,和最优multimeasure混合评价模型远比其他四个单一测量子集分类聚类。

执行一个笛卡儿积的首选最佳subfeature子集基于multimeasure混合评价模型。笛卡儿积的计算表达式定义统一的特性指标

的公式, 保护是负的, 积极的价值与保护效果,在哪里是一个统一的特性指标; , 。特征子集的特点是负相关的保护作用,也就是说,越大的特点,更糟糕的保护效果,所以综合特性指标。和统一的特征指标越大,越保护效果。

图20.显示了不同保护状态的分布在时间域和综合评价从单一功能。图21是转向架的综合特性指标后轴承振动信号特征的组合。统一的基于完整的时域特征指数最重要的保护状态3(没有保护)和最糟糕的保护效果,而统一的特征指数的保护状态1并不显著;远低于峰值保护州2和3,最好的保护效果,保护状态2的保护效果是次要的。

6。结论

摘要转向架牵引电动机轴承在不同交通状态描述保护研究和multimeasure基于压缩传感理论的混合特征模型,提出了由公路运输的例子验证宁波第3行城市轨道车辆转向架牵引电动机轴承。实验:当保护状态是undecoupled +螺丝不是抬高(保护状态3),轴承破坏是最严重的。第二个是当保护状态解耦+螺丝顶(保护状态2)。在保护国家undecoupled +绑定+螺旋盖(保护状态1)轴承几乎没有损失。即保护效果是保护状态1 >保护状态2 >保护状态3。

数据可用性

数据和Matlab程序用于支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

作者的贡献

作者的贡献如下。易刘负责指导概念化和方法论、批评和修正。七张负责概念化、方法论、数据管理、软件、验证,调查,和最初的草案。嘉鑫罗负责审查和编辑。林李负责调查,提供测试指导和审查。Junfeng人负责审查和编辑。魏沼泽负责调查和审核。麒麟陈负责软件和审查。yip沈负责指导概念化、批评和修正。

确认

这项研究是由国家重点研发项目(批准号2019 yfb1405400),中国国家自然科学基金(批准号51805161),和“湖湘青年人才项目(批准号2019 rs2062和2020 rc3049)。