一种基于模糊宽度学习模型的轴承故障诊断方法技术

本发明专利技术提供了一种基于模糊宽度学习模型的轴承故障诊断方法，包括：构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型；通过训练集数据对所述输出模糊宽度学习模型进行训练，得到目标模糊宽度学习模型，所述训练集数据包括多个带有故障类型标签的轴承振动信号数据；利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断待测试轴承的故障类型。通过本申请，不仅大大缩短了学习时间，同时通过本模型来判断待测试轴承的故障类型，鲁棒性强，诊断速度快，故障诊断精度也很高。故障诊断精度也很高。故障诊断精度也很高。

【技术实现步骤摘要】
一种基于模糊宽度学习模型的轴承故障诊断方法


[0001]本专利技术涉及轴承检测
，特别涉及一种基于模糊宽度学习模型的轴承故障诊断方法。

技术介绍

[0002]铁路列车轴承是列车在运行中使用频率最高的部件之一，在现代铁路列车运行中，轴承是决定铁路列车安全运行的关键零部件。铁路列车轴承因其恶劣的工作条件，众多的故障诱因都会导致安全问题多发，对社会经济和安全效益造成一定的损失和影响，因此及时有效地发现列车轴承的故障程度和类型意义重大。
[0003]目前，传统的基于模糊宽度学习模型的轴承故障诊断方法主要包括特征提取和故障分类。特征提取是故障诊断的一个重要步骤，而在特征提取之前，则需要收集轴承在运行时的信号，在滚动轴承故障诊断的各类研究中，最实用和成熟的方法是机械信号分析，因为它可以通过关注具有微小振动的固有频率来识别轴承故障。众多学者通过分析得出结论，虽然利用电机电流频率、杂散磁通信号、热成像图像、声发射信号来检测轴承故障是可行的，但诊断准确低，且采集难度高，同时考虑到在实际应用中，要进行快速、准确地诊断出故障类型，传统的方法常常无法在两方面都兼具。

技术实现思路

[0004]基于此，本专利技术的目的是提供一种基于模糊宽度学习模型的轴承故障诊断方法，以解决上述现有技术中的不足。
[0005]为实现上述目的，本专利技术提供了一种基于模糊宽度学习模型的轴承故障诊断方法，包括：采集运行中的轴承上的振动信号数据，并对所述振动信号数据进行预处理；从预处理后的所述振动信号数据中提取时域特征参数、频域特征参数以及时频域特征参数；对所述时域特征参数、所述频域特征参数以及所述时频域特征参数依次进行融合及归一化处理，得到融合数据集，并将所述融合数据集按照预设比例划分为训练集数据和测试集数据；构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型；通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型；利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断待测试轴承的故障类型。
[0006]本专利技术的有益效果是：通过构建初始模糊宽度学习模型，并通过处理后的训练集数据对初始模糊宽度学习模型进行训练，以此得到保留了宽度学习系统结构，并能够推广到模糊系统中模糊子系统的增量、输入和增强节点的目标模糊宽度学习模型，使得目标模
糊宽度学习可以很容易地适应输入、特征节点和增强节点的增量，不需要对模型进行再训练，当基于目标模糊宽度学习对待测试轴承振动信号数据计算出相应的隶属度值，以根据该隶属度值判断待测试轴承的故障类型时，不仅大大缩短了学习时间，同时通过本模型来判断待测试轴承的故障类型，鲁棒性强，诊断速度快，故障诊断精度也很高。
[0007]优选的，对所述振动信号数据进行预处理的步骤包括：从所述振动信号数据中提取不同振动信号数据特征；裁剪所述振动信号数据，得到多个振动信号样本，各所述振动信号样本均匹配一个所述振动信号数据特征。
[0008]优选的，所述归一化处理的函数表达式如下所示：其中，为所述时域特征参数、所述频域特征参数和所述时频域特征参数融合后构成的总特征集，为归一化后的特征集，为总特征集的最小值，为总特征集的最大值。
[0009]优选的，构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型的步骤包括：将模糊系统中的模糊子系统替换宽度学习系统中的特征节点；将替换至所述宽度学习系统中的模糊子系统产生的中间输出发送至所述宽度学习系统的增强节点进行非线性变换；整合来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入，以构建初始模糊宽度学习模型，所述初始模糊宽度学习模型根据整合后的来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入来生成模型输出。
[0010]优选的，通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型的步骤之后，所述方法还包括：利用所述测试集数据对所述目标模糊宽度学习模型进行测试，并根据测试结果判断所述目标模糊宽度学习模型是否合格；若是，则执行利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值的步骤。
[0011]优选的，所述目标模糊宽度学习模型包括模糊宽度学习算法，利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断相应的待测试轴承的故障类型的步骤包括：通过所述模糊宽度学习算法计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值计算出所述待测试轴承振动信号数据的分类矩阵；根据故障样本特征库和所述分类矩阵判断所述待测试轴承的故障类型。
[0012]优选的，根据故障样本特征库和所述分类矩阵判断所述待测试轴承的故障类型之前，所述方法还包括：构建故障样本特征库，所述故障样本特征库包括多个带有故障类型标签的历史轴
承振动信号样本，各所述故障类型标签匹配有一个标签矩阵。
[0013]优选的，所述构建故障样本特征库之后，所述方法还包括：基于所述故障样本特征库，通过所述模糊宽度学习模型对已知故障类型的样本进行分类。
[0014]优选的，所述分类矩阵的计算公式如下所示：其中，为目标函数，为任意数据点相对聚类中心的隶属度值，为任意数据点相对聚类中心的欧氏距离，为分类矩阵，为聚类中心向量，为第个输入样本，为第个聚类中心向量，为聚类中心向量的数量，为输入样本的数量，为模糊加权指数，为转置符号。
[0015]优选的，所述初始模糊宽度学习模型包括模糊子系统、增强节点和系统输出，通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型的步骤包括：将所述训练集数据输入至所述初始模糊宽度学习模型后，持续调整所述模糊子系统、所述增强节点以及所述系统输出的参数值，直至输出最优结果，以得到目标模糊宽度学习模型。
[0016]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0017]图1为本专利技术实施例提供的基于模糊宽度学习模型的轴承故障诊断方法的流程图；图2为本专利技术实施例提供的初始模糊宽度学习模型的结构框架图；图3为本专利技术实施例提供的目标模糊宽度学习模型的结构框架图；图4为本专利技术实施例提供的步骤S104的流程图；图5为本专利技术实施例提供的步骤S106的流程图。
[0018]如下具体实施方式将结合上述附图进一步说明本专利技术。
具体实施方式
[0019]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0020]显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，包括：采集运行中的轴承上的振动信号数据，并对所述振动信号数据进行预处理；从预处理后的所述振动信号数据中提取时域特征参数、频域特征参数以及时频域特征参数；对所述时域特征参数、所述频域特征参数以及所述时频域特征参数依次进行融合及归一化处理，得到融合数据集，并将所述融合数据集按照预设比例划分为训练集数据和测试集数据；构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型；通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型；利用所述目标模糊宽度学习模型计算出待测试轴承振动信号数据的隶属度值，并根据所述隶属度值判断待测试轴承的故障类型。2.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，对所述振动信号数据进行预处理的步骤包括：从所述振动信号数据中提取不同振动信号数据特征；裁剪所述振动信号数据，得到多个振动信号样本，各所述振动信号样本均匹配一个所述振动信号数据特征。3.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，所述归一化处理的函数表达式如下所示：其中，为所述时域特征参数、所述频域特征参数和所述时频域特征参数融合后构成的总特征集，为归一化后的特征集，为总特征集的最小值，为总特征集的最大值。4.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，构建基于宽度学习系统和模糊系统的初始模糊宽度学习模型的步骤包括：将模糊系统中的模糊子系统替换宽度学习系统中的特征节点；将替换至所述宽度学习系统中的模糊子系统产生的中间输出发送至所述宽度学习系统的增强节点进行非线性变换；整合来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入，以构建初始模糊宽度学习模型，所述初始模糊宽度学习模型根据整合后的来自替换至所述宽度学习系统中的模糊子系统和所述宽度学习系统的增强节点的输入来生成模型输出。5.根据权利要求1所述的基于模糊宽度学习模型的轴承故障诊断方法，其特征在于，通过所述训练集数据对所述初始模糊宽度学习模型进行训练，得到目标模糊宽度学习模型的步骤之后，所述方法还包括：利用所...

【专利技术属性】
技术研发人员：周建民，杨晓彤，尹洪妍，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：