申请/专利权人:广西大学
申请日:2022-05-31
公开(公告)日:2024-06-25
公开(公告)号:CN114964781B
主分类号:G01M13/045
分类号:G01M13/045;G01M17/08;G01M17/10
优先权:
专利状态码:有效-授权
法律状态:2024.06.25#授权;2022.09.16#实质审查的生效;2022.08.30#公开
摘要:本发明公开了一种列车轴承故障智能诊断方法,包括如下步骤:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优;采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:对降噪信号进行预处理、构建列车轴承故障诊断的SE‑WDCNN模型以及SE‑WDCNN模型的训练、验证与测试,最后将测试集输入已训练好的模型进行性能评估。本发明能对列车轴承振动信号进行降噪处理,自适应提取轴承振动信号的故障特征,有效提高识别精度和诊断速度。
主权项:1.一种列车轴承故障智能诊断方法,其特征在于:所述诊断方法包括如下步骤:步骤1:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;步骤2:建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优,获取最优模态分量数和惩罚因子;步骤3:采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:根据各固有模态分量的样本熵值对其中的高噪分量进行去除,低噪分量进行重构,得到降噪后的信号数据;步骤4:对降噪信号进行预处理,根据每组数据的故障类型进行编号,然后通过独热编码将已编号的数据存于独立寄存器,用于后续的模型训练、验证与测试,同时将处理好的数据按比例划分为训练集、验证集、测试集;步骤5:构建列车轴承故障诊断的SE-WDCNN模型:该SE-WDCNN模型的第一层卷积层的卷积核采用宽卷积核,再加入批量归一化层,然后嵌入SE模块强化重要特征信息;,SE-WDCNN模型的首层卷积层的卷积核采用宽卷积核,并加入批量归一化层提高网络的泛化能力,然后嵌入SE模块强化重要特征信息;步骤6:SE-WDCNN模型的训练、验证与测试:首先通过训练集对模型进行训练,然后根据模型在训练集和验证集上的准确率和损失值判断模型参数是否需要调整,如果诊断精度达到目标要求,则将测试集输入已训练好的模型进行性能评估。
全文数据:
权利要求:
百度查询: 广西大学 一种列车轴承故障智能诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。