一种新型轴承故障诊断模型的铁路车辆使用振动信号基于对称Alpha-Stable分布特征提取

文摘

轴箱轴承是最关键机械部件的铁路车辆。状态监测具有重要的利益,以确保铁路列车轴承的健康状态。摘要小说轴箱轴承故障诊断模型基于对称alpha-stable分布特征提取和最小二乘支持向量机(二)使用振动信号提出了三个主要步骤进行。首先,快速外地意味着用于去噪和集成经验模态分解应用于提取故障特征信息。然后一个新的统计特征提取方法,采用对称alpha-stable分布,获得代表特性从内在模式功能。此外,混合故障特性集输入为生物识别故障类型。提高性能的回归模型在小样本的情况下,Morlet小波核函数结合生物分类的故障类型和故障严重程度和粒子群优化用于LS-WSVM参数的优化。最后,实验结果表明,该方法执行比其他方法更有效和有力的小规模样本铁路车辆轴承故障检测和分类。

1。介绍

滚动轴承被广泛应用于工业应用。轴箱轴承是铁路车辆的关键机械部件之一。频繁的失败包括点蚀、剥离、磨损、裂纹、磨损火车轴承有一个伟大的对交通安全的影响。因此,有效的识别轴承健康状况监测是必不可少的列车轴箱轴承的工作状态维护(1,2]。目前,振动分析和声学分析是两种主要的方法对缺陷检测3,4]。Vibration-based诊断已成为最常见的监测技术由于其较高的可靠性。

故障诊断的过程中,从嘈杂的振动信号中提取缺陷特征仍然是一个巨大的挑战。许多信号污染的来源包括加性噪声,信号从轴,变速箱,和其他机械部件的铁路车辆感兴趣的信号在时域和频域重叠。因此,它是至关重要的进步信号去噪方法去除噪声,提取故障特征。因为这个原因,很多算法开发了振动信号进行消噪处理。近年来,该方法基于离散小波变换(DWT) [5- - - - - -7)系数收缩,经验模态分解(EMD) [8- - - - - -13),外地意味着(NLMs) [14,15]介绍了三个受欢迎的旋转机械故障诊断方法。DWT被丢弃的特点分析信号在多尺度级越低,和小波变换的性能依赖于小波基函数的选择。EMD方法,干净的振动信号是通过丢弃前几个固有模式函数(货币)。混合模式(16),造成信号时断时续,EMD的缺点。为了克服这个障碍,提出的合奏EMD (EEMD)吴和黄17]。快速NLMs (FNLM)方法是一个非常成功的图像去噪方法(14),已申请了旋转机械故障诊断。在这项研究中,FNLM方法和EEMD方法结合原始振动信号降噪。

去噪后一步,正确的特征参数代表轴箱轴承的健康状况应该提取。根据先前的研究,故障特征,如排列熵(18,19],子带能量[20.),和统计特性(方差、峰度)(13在频域、时域和频域可以提取。然而,上述方法是复杂的信号不稳定。非高斯信号的数量有一个冲动的财产和沉重的尾巴在工程,alpha-stable分布已被广泛应用于各领域(21- - - - - -23]。三种评估方法理论上alpha-stable分布进行了比较分析(21,结果表明,稳定和经验特征函数方法的估计精度(ECF)排名第一。kurtogram稳定参数α提出了检测的轴承故障(22]。参数的稳定性和灵敏度分析后,选择最优参数对轴承故障诊断(23]。

然而,对称参数的估计β和位置参数μ可以计算的估计价值α和γ,导致累积误差传播的β和μ。与此同时,由于特征函数α稳定分布是断断续续的,估计误差尤其严重和。此外,轴承的几何结构是对称的,所以分布是一个更准确的统计模型来描述轴承信号。因此,为了提高计算效率和识别滚动轴承诊断的准确性,它试图使用对称提取故障特征α稳定分布。

特征提取和选择后,轴箱轴承的早期故障应通过所选的分类检测到故障特征。最近,基于统计学习理论的支持向量机广泛用于模式分类和故障诊断旋转机械由于其分类精度高(18,19,24- - - - - -27]。因其低复杂度和提高计算效率,为生物已经在应用程序更好的性能。的内核函数回归模型的关键一个更好的分类结果。多种类型的内核函数包括多项式内核,高斯内核和乙状结肠内核是适用的。为了获得更好的性能,提出了WSVM这里Morlet小波内核和SVM的组合。与RBF核相比,内核显示了一个更合理的hyperlane Morlet小波。因此,本文将采用回归模型与小波核函数和参数优化算法来提高故障诊断的准确性。

本文的其余部分组织如下。我们简要描述FNLM EEMD部分去噪方法2。引入基于对称alpha-stable特征提取分布提出了部分3。部分4描述该PSO-LSWSVM方法。节5该方法由实验数据验证。结论是在一节6。

2。去噪和特征提取

2.1。快速外地意味着算法

加性噪声模型,可以表示为噪音信号的定义,在那里是真正的信号吗是加性噪声。对于一个给定的样本的估计信号是一个加权和的值在其附近吗: 在哪里,重量(14]

这种相似性通过加权欧氏距离来衡量。重量需要一个较大的值,如果补丁类似于补丁j反之亦然。在(2),是一个带宽参数,代表一个本地块样品周围,样品包括在内。减少计算时间,快速NLM已提上日程。一个信号的长度鉴于翻译向量,对应于离散集成方不同的样本y和它的翻译。 现在我们和定义;块大小是。因此,可以改写如下: 我们分裂和使用单位(3);我们获得 这是关键表达式,计算重量在常数时间一对像素。

2.2。集成经验模态分解

作为一个改进版的EMD, EEMD可以减少模式混合的效果。该算法可以得到如下(17]。

添加白噪声用给定的原始信号的振幅生成一个新的信号: 在哪里代表的杂音附加信号th审判,而。

EMD算法,信号分解为一些货币基金。 在哪里代表了货币基金,是最后的残渣,然后呢是货币的数量。

重复步骤和而,各种白噪声系列每次获得货币的合奏。

整体意味着相应的分解计算的货币基金;最终结果如下: 在哪里是th IMF由EEMD来分解,,。imf的包括不同频带范围从高到低。在这项研究中,前五首先选择进行分析。

3所示。对称Alpha-Stable分布

3.1。Alpha-Stable分布

发现alpha-stable分布可以提供有用的模型为非高斯信号脉冲波形和重尾概率密度。自alpha-stable随机变量的概率密度函数不能被封闭,特征函数总是可以得到如下: 在哪里

因此,特征函数是一个四个参数分布和用的家庭。第一个参数是特征指数,描述了密度函数的尾部。第二个参数被称为对称参数控制偏态。的参数和分别是尺度参数和位置参数。

3.2。对称Alpha-Stable分布

在的情况下分布是对称的,称为对称alpha-stable (),它有一个特征函数等 此外,较大的估计误差、位置参数不能描述轴承的健康状况。因此,参数设置为零,以提高处理速度;特征函数可以写成

3.3。经验特征函数参数估计方法

在工程实际应用,实时参数估计alpha-stable分布的随机序列是至关重要的。在文献中,有三个主要方法得到参数值:分位数的方法,对数矩法,经验特征函数方法。通过比较分析(21),经验特征函数方法有四个参数的估计精度最高alpha-stable分布与最好的稳定。参数估计过程基于ECF描述如下(28]:

计算样本特征函数如下: 在哪里是一个随机变量的样本。

方程(14)可以很容易地实现基于(12):

特征指数和尺度参数通过线性回归估计: 在哪里,,,是随机误差,和参数可以从表吗在[28]。

的分布密度不同和值如图1。轴承故障信号的缺陷特征参数,如指数规模参数,最大的PDF (MPDF)值表示轴承的健康状态,可以获得的分布的方法。

4所示。基于PSO-LS-WSVM轴承缺陷诊断方法

4.1。Morlet基于小波支持向量机

支持向量机(SVM)已被证明是有效的对许多分类问题。支持向量机,一种新的监督机器学习技术的基础上,统计学习理论,目的是找到最优超平面在不同种类的输入训练数据在高维特征空间中。随后,分离超平面,测试数据可以进行排序。为了减少计算时间,提高识别精度,提出了最小二乘支持向量机(二)。内核映射应用于数据输入空间映射到一个高维特征空间,问题是线性可分的。因此,核函数分类精度的一个关键因素。几种类型的内核函数包括乙状结肠内核,高斯(RBF)内核,内核和多项式通常被用在许多应用程序;具体来说,高斯内核由于出色的性能得到了广泛的应用。近年来,小波的内核是一种多维小波可以近似任意非线性函数、张等人证明,小波内核比高斯内核(26]。

我们考虑到小波分析是一个函数的函数与一个家庭从母小波函数的扩张和翻译: 在哪里,是一个扩张的因素,是一个翻译的因素,是母小波。一维小波函数的产品可以写成: 在哪里。如果,点积小波内核 平移不变小波内核 没有损失的普遍性,人们可以构造小波函数作为Morlet平移不变小波核函数如下: Morlet小波函数如图2。方程(19)定义了母亲小波,小波的内核可以描述如下:

4.2。粒子群优化LS-WSVM的参数

粒子群优化(PSO)是一种人口基于随机优化技术受社会行为的鸟类聚集或鱼教育(29日]。相比遗传算法(GA) [30.),算法的优点是容易实现并且有几个参数来调整。因此,它显示了更好的性能优化问题。

在算法,假设搜索空间维;有粒子的数量。粒子的位置在一代表示为维向量,。这个职位代表了粒子速度矢量,。每个粒子的位置和速度不断取代根据公式如下: 在哪里是粒子的更新迭代。最好的位置th粒子在维搜索空间可以记录如下:,最好的位置在整个游记录如下:。和加速度是常数。和是两个独立随机参数服从均匀分布范围。参数,被应用到解决全球和本地的功能探索,应设置如下: 在哪里最小的惯性权重和吗是最大的惯性权重,iter是当前迭代数,然后呢最大迭代数。优化过程如图3。

5。提出了智能轴承故障诊断方法和实验结果

5.1。提出了智能轴承故障诊断方法

的基础上的优势FNLM, EEMD,PSO-LS-WSVM,研究人员提出了一种新的轴承故障诊断的方法,和排序的目的多种正常的有缺陷的轴承类型。图4显示了该程序和步骤显示如下。(1)振动信号的样本是由加速度传感器在不同的操作条件下在一个特定的采样频率。(2)FNLM和EEMD方法应用于vibration-based信号进行预处理,针对收购一系列国际货币基金组织(IMF)的组件。随后,特征提取,IMF前五个组件状态信息选择更重要。(3)提取,使用,MPDF特性参数;然后选择最好的国际货币基金组织(IMF)与特征参数描述轴承健康状况来构造新的故障特征向量。(4)获得的特性数据划分为训练样本和测试样本。(5)LS-WSVM Morlet小波核函数选择的分类及其参数优化算法。(6)把训练和测试样本的分类器进行自动故障诊断。

5.2。实验结果

的目的和检验该方法的有效性,轴箱轴承振动数据作为一个例子。图5显示了实验测试铁路轴箱轴承的试验装置中进行。试验台的数据采集包括两个马达,两摩擦轮,液压加载装置和控制电子产品(没有显示)。实验轴承安装在轮副的安装固定的测试平台,和轮副摩擦轮驱动。图6显示了实验测试铁路轴箱轴承的试验装置中进行。每一个故障条件包括两个尺寸:宽度设置为0.1毫米;深度设置为0.23毫米和0.43毫米,分别。一个加速度计,附着在住房用胶水,应用于收集振动数据。六点钟占领的住房、加速度计是位于两个点钟位置住房,与25.6 kHz的采样频率。轴箱轴承的参数如表所示1;和轴箱轴承缺陷频率如表所示2。

如表所示2,目前的研究需要区分共有7类。对于每一个条件,可以获得80个样本。收集原始信号分为训练样本和测试样本为每个条件,与每个样本包含5000数据点。使用训练样本训练分类器模型和测试样本被用来评估该故障诊断方法的有效性。

图7显示了典型的波形在时域FNLM去噪方法和EEMD分解算法。一般来说,缺陷信息包含在国际货币基金组织前五的组件,可以用来提取缺陷特征使用。提取的详细步骤功能已经被部分中讨论3.2。

表3显示所有五个特征指数的值模式,第三种模式(c3)执行一个更好的故障显示,在三个值观察在正常情况和异常情况下内座圈(0.43毫米)和辊出错(0.43毫米)是1.1757,1.1618,和1.1409,分别。上面的三个值应该是相当接近。因此,单一的α值模式c3无法显示轴承健康状态的差异。尺度参数和MPDF价值模式c3的表4和5显示不同轴承故障条件下的差别。因此,特征指数、尺度参数和MPDF价值已经结合来描述轴箱轴承的工作条件。的参数α,γMPDF价值40训练样本的数据是一致的8(一个),8 (b),8 (c),分别。三个参数可以看出,任何人不能识别不同的故障类型,但三参数组合时,同一个类的样品表现出优良的聚类结果图8 (d)。

特征提取后,不同的特性集,包括α,γ、MPDF和混合特性集,作为故障诊断的小波回归模型的输入。根据经验和实验测试,实验和计算复杂性考虑PSO优化的参数设置如下:粒子的数量设置为20,加速常数都设置为2.0,进化一代是设置为100。如表所示640,当使用40训练样本和测试样本作为输入,提出分类器,分类器识别率收益率为88.57%α功能,为92.86%γMPDF特性集特性集,93.57%,和95.71%的混合特性集。它表明,混合特性集包含描述轴箱轴承的状态的更多信息。此外,图9表明Morlet波内核的消耗时间短于RBF内核。

的原因,诊断方法的性能密切相关,训练样本的数量,我们将学习识别利率在不同样本。在测试实验中,5、10、20、30和40为每个类作为训练和测试样本集是随机挑选的,针对不同的分类精度评估方法,分别。显示小波回归模型的分类精度和RBF-based回归模型在不同数量的样品,上述的训练集分类器的输入,分别。比较识别结果如图10,证明了该方法达到了较高的识别精度比RBF-based为生物在不同的训练样本。与样品的数量的增加,分类准确率也在不断上升,该方法表现出良好的性能在一个非常小的样本数量。

获得更好的识别精度,许多优化算法包括算法、遗传算法和网格搜索(GS)与二分类器相结合。摘要PSO算法用于我们的工作;因此,遗传算法和网格搜索算法相比,PSO优化参数。遗传算法的参数设置如下:人口规模设置为20,迭代次数设置为100,和交叉概率和变异概率设置为0.5和0.1,分别。40对每个故障类样本的比较结果如表所示7和图11;PSO-LS-WSVM的分类结果是95.71%,相比之下使用GS-LS-WSVM和GA-LS-WSVM 92.14%和93.57%,分别。如图11,PSO-LS-WSVM的消耗时间长比其他两种方法。主要原因是算法不擅长二进制编码。此外,小波回归模型的平均分类精度优化算法,遗传算法,GS相比,不同数量的训练集和测试集。从图12可以看出,PSO算法的识别率明显高于其他两种方法。可以得出的结论是,分类精度受到训练样本的数量。

应该指出的是,Morlet-LSSVM方法具有更好的性能比RBF-LSSVM小数据集特征。从上面的分析,RBF-LSSVM的结果是严重影响了训练样本的数量在小尺寸样品。分类器的训练时间和测试时间依赖于样本量和编码编程。因此,在同等条件下,样本容量越小,消耗的时间越少。此外,消费时间的Morlet-LSSVM小于RBF-LSSVM的方法。这一现象可能归因于Morlet内核大约是正交的,但RBF内核不是。

6。结论

我们提出了一个新颖的基于FNLM轴承multifault诊断方法和去噪EEMD,对称alpha-stable分布特性计算,一个适当的PSO-LS-WSVM分类器。实验的结果表明,去噪方法FNLM-EEMD提高效率的缺陷特征提取,提出了参数提取方法能够使最歧视和高效的故障诊断功能。通过比较的组合特性参数与生物基础Morlet小波内核和RBF-based分类器,然后用不同的优化算法,分别以上分类方法的分类能力研究在不同大小的训练和测试样本。所有结果表明wavelet-LSSVM更好的性能比RBF-LSSVM当数据样本的大小非常小。较高的识别精度和计算效率,基于FNLM-EEMD轴承故障诊断,,PSO-LS-WSVM分类器是一种有效的和强大的工具来监控轴箱轴承的健康状况。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金支持的(没有。U1234208)和牵引动力国家重点实验室的基础研究基金,西南交通大学(2013 tpl_t04)。

引用

1. r . Lagneback评估线路状态监测技术状态维修铁路车辆(管理学副博士的论文)瑞典吕勒奥理工大学吕勒奥,2007。
2. w·h·德·r·l·史密斯,”车载实时铁路轴承缺陷检测和监控,”美国ASME / IEEE联合铁路会议IEEE,页149 - 153年,费城,宾夕法尼亚州,美国,1998年4月。视图:谷歌学术搜索
3. h, s . Lu,问:他和f .香港“Multi-bearing缺陷检测与演播室声学信号基于伪时频分析和Dopplerlet过滤器,”机械系统和信号处理卷,70 - 71,176 - 200年,2016页。视图:出版商的网站|谷歌学术搜索
4. g .他k .叮,h·林,“滚动轴承故障特征提取使用稀疏表示,“杂志的声音和振动卷,366年,第527 - 514页,2016年。视图:出版商的网站|谷歌学术搜索
5. j .高h .苏丹,j·胡,裴伟伟。东,“非线性时间序列自适应滤波和小波阈值收缩去噪:比较,”IEEE信号处理信件,17卷,不。3、237 - 240年,2010页。视图:出版商的网站|谷歌学术搜索
6. a . Bouzida o . Touhami r . Ibtiouen a . Belouchrani Fadel, m和a . Rezzoug”故障诊断在工业感应机通过离散小波变换,“IEEE工业电子产品,卷。58岁的没有。9日,第4395 - 4385页,2011年。视图:出版商的网站|谷歌学术搜索
7. j·s·罗、d . j . Yu和m .梁”kurtosis-guided自适应解调技术,基于小波变换tunable-Q轴承故障检测,”测量科学与技术,24卷,不。5、文章ID 055009, 2013。视图:出版商的网站|谷歌学术搜索
8. a . Soualhi k Medjaher, n .塞”轴承健康监测的基础上简要地变换,支持向量机,和回归,”IEEE仪表和测量,卷64,不。1、52 - 62年,2015页。视图:出版商的网站|谷歌学术搜索
9. 和i Prebil m .Žvokelj s朱潘表示,“EEMD-based多尺度ICA的回转支承轴承故障检测和诊断的方法,”杂志的声音和振动卷,370年,第423 - 394页,2016年。视图:出版商的网站|谷歌学术搜索
10. 黄永发。安,D.-H。夸克和B.-H。Koh”,通过EMD的滚动轴承故障检测系统的小波去噪信号,”传感器,14卷,不。8,15022 - 15038年,2014页。视图:出版商的网站|谷歌学术搜索
11. 刘问:他,y, f .香港“机器故障特征分析midpoint-based经验模态分解,“测量科学与技术,22卷,不。1,文章ID 015702, 2011。视图:出版商的网站|谷歌学术搜索
12. 诉k·拉伊和a·r·莫汉蒂”轴承故障诊断使用FFT的固有模式函数在简要地变换,“机械系统和信号处理,21卷,不。6,2607 - 2615年,2007页。视图:出版商的网站|谷歌学术搜索
13. m·克里希纳和i r . Praveen Amarnath”经验模态分解的声学信号诊断故障的齿轮和滚动轴承、”专业科学,测量和技术》第六卷,没有。4、279 - 287年,2012页。视图:出版商的网站|谷歌学术搜索
14. A . Buades b·科尔和j·m·莫雷尔”的图像去噪算法,用一个新的“多尺度建模和仿真,4卷,不。2、490 - 530年,2005页。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. y Lv、朱问:l和r .元,“基于快速外地的滚动轴承故障诊断手段和包络谱,”传感器,15卷,不。1,第1198 - 1182页,2015。视图:出版商的网站|谷歌学术搜索
16. r·里奇·Pennacchi m . Lombardi, c . Mirabile“螺旋斜齿轮箱的故障诊断使用EMD和遗传性出血性毛细血管扩张症,”《24日噪音和振动工程国际会议(互联网统计的10),结合第三届国际会议上的不确定性结构动力学(USD 10)比利时鲁汶,页2965 - 2979年,2010年9月。视图:谷歌学术搜索
17. 吴z和n . e .黄”集成经验模态分解:noise-assisted数据分析方法,”先进的自适应数据分析,1卷,不。1,1-41,2009页。视图:出版商的网站|谷歌学术搜索
18. 梁张x, y, j .周和y藏,“一种新型轴承故障诊断模型集成排列熵,合奏经验模态分解和优化的支持向量机,”测量,69卷,第3321条,第179 - 164页,2015年。视图:出版商的网站|谷歌学术搜索
19. m . y . Li徐、y . Wei和w·黄”一种新的滚动轴承故障诊断方法基于多尺度排列熵和基于改进支持向量机的二叉树,”测量卷,77年,第94 - 80页,2016年。视图:出版商的网站|谷歌学术搜索
20. D.-L。赵,w .妈,W.-K。梁和X.-Q。罗,“数据融合故障诊断和模拟水力机组振动、”中国电机工程学会学报》上,25卷,不。20日,第142 - 137页,2005年。视图:谷歌学术搜索
21. x, k, p .高,s .孟”α稳定噪声参数估计方法研究激光陀螺仪的随机误差,“传感器,15卷,不。8,18550 - 18564年,2015页。视图:出版商的网站|谷歌学术搜索
22. g . Yu c·李,j·张,“一个新的统计建模并对滚动轴承故障检测方法基于alpha-stable分布,“机械系统和信号处理第41卷。。1 - 2、155 - 175年,2013页。视图:出版商的网站|谷歌学术搜索
23. 问:熊,w•张陆t、g .梅和梁,“一个滚动轴承的故障诊断方法基于特征融合的多重分形去趋势波动分析和α稳定分布,“冲击和振动卷,2016篇文章ID 1232893, 12页,2016。视图:出版商的网站|谷歌学术搜索
24. r . Jegadeeshwaran诉Sugumaran,“汽车液压制动系统的故障诊断使用统计特征和支持向量机,”机械系统和信号处理情况下,卷。满足52 - 53,需求没有。1,第446 - 436页,2015。视图:出版商的网站|谷歌学术搜索
25. x l . Si z . Wang, c . Tan z . Liu和j .徐,”希勒切割模式的识别利用振动信号基于最小二乘支持向量机与一种改进的果蝇优化算法,”传感器,16卷,不。1,第90条,2016。视图:出版商的网站|谷歌学术搜索
26. l . Zhang w·周,l .娇,“小波支持向量机,”IEEE系统,人,控制论,B部分:控制论,34卷,不。1,34-39,2004页。视图:出版商的网站|谷歌学术搜索
27. b . f . Chen唐,r·陈,“一种新型齿轮箱故障诊断模型基于小波支持向量机与免疫遗传算法,”测量,46卷,不。1,第232 - 220页,2013。视图:出版商的网站|谷歌学术搜索
28. 中情局Koutrouvelis”,回归估计的参数稳定的法律。”美国统计协会杂志》上,卷75,不。372年,第928 - 918页,1980年。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学|MathSciNet
29. 进行j·肯尼迪和r·埃伯哈特,“粒子群优化”《IEEE国际会议上神经网络,页1942 - 1948,珀斯,澳大利亚,1995年11月。视图:谷歌学术搜索
30. m . s . Elbisy”,海浪参数预测使用遗传算法的支持向量机,”沿海研究期刊》的研究没有,卷。31日。4、892 - 899年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Yongjian李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。