CN114659789A - 转向架牵引电机轴承的故障测定方法、***、介质及设备 - Google Patents

转向架牵引电机轴承的故障测定方法、***、介质及设备 Download PDF

Info

Publication number
CN114659789A
CN114659789A CN202210227440.5A CN202210227440A CN114659789A CN 114659789 A CN114659789 A CN 114659789A CN 202210227440 A CN202210227440 A CN 202210227440A CN 114659789 A CN114659789 A CN 114659789A
Authority
CN
China
Prior art keywords
traction motor
motor bearing
fault
signal
bogie traction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210227440.5A
Other languages
English (en)
Inventor
满君丰
常琪
刘翊
郑明磊
沈意平
周剑
朱建辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan First Normal University
Original Assignee
Hunan First Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan First Normal University filed Critical Hunan First Normal University
Priority to CN202210227440.5A priority Critical patent/CN114659789A/zh
Publication of CN114659789A publication Critical patent/CN114659789A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Discrete Mathematics (AREA)
  • Computing Systems (AREA)
  • Acoustics & Sound (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明属于轨道交通故障诊断技术领域，公开了一种转向架牵引电机轴承的故障测定方法、***、介质及设备，采用压缩采样方法进行信号采样，所述压缩采样方法包括信号的稀疏表示，设计测量矩阵，采用测量矩阵采集获得测量值，根据测量值利用重构算法恢复信号。本发明将压缩采样方法应用于轨道交通故障诊断领域，能够突破香农‑奈奎斯特采样定理限制的信号压缩理论，解决了采样过程中海量数据导致存储资源过大问题。本发明以城轨车辆中转向架牵引电机轴承为研究对象，提出了基于压缩感知的多测度混合评价的综合评估模型，为今后城轨车辆的设备的运输防护效果的表征提供理论依据与技术参考，进而为城轨车辆的安全运行提供一定的保障。

Description

转向架牵引电机轴承的故障测定方法、***、介质及设备
技术领域
本发明属于轨道交通故障诊断技术领域，尤其涉及一种转向架牵引电机轴承的故障测定方法、***、介质及设备。
背景技术
目前，现阶段对不同运输防护下城轨车辆转向架牵引电机轴承的故障测定，主要存在两个方面问题：(1)电机轴承在不同运输防护下会产生含有冲击衰减成分的振动信号，这些信号均具有明显的非线性行为，最终导致信号的频谱带宽，数据采集的数量过大，目前广泛采用的信号采样方法是香农-奈奎斯特采样定理(Nyquis)，通常需要连续高采样，由此必然产生海量的监测数据，而这些海量的数据对于数据的传输，存储和处理都带来巨大压力；(2)城轨车辆转向架牵引电机轴承属于结构复杂的旋转机械部件，且其运行环境恶劣等特性使得其故障模式通常表现为较强的复杂性，目前广泛使用的单测度评价模型存在故障特征敏感度的“欠学习”问题，以及常用的从时域、频域、时频提取特征集不能全面刻画振动信号所表征机械设备的状态信息的情况。上述情况在轴承的故障诊断中，会造成无法完备得获取故障信息，从而无法为模式识别提供精确的数据基础，进而影响后续分类性能和故障诊断的精确性。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有的故障诊断方式需要连续高采样，产生海量的监测数据，对于数据的传输，存储和处理都带来巨大压力。
(2)现有的故障诊断方式在轴承的故障诊断中无法完备得获取故障信息，从而无法为模式识别提供精确的数据基础，进而影响后续分类性能和效果评估。
解决以上问题及缺陷的难度为：对轴承振动信号的采样过程，如何高效地采集数据信息、如何解决数据不平衡现象、降低数据存储空间、提高传输速度、降低城轨车辆故障诊断的生产成本。
解决以上问题及缺陷的意义为：转向架作为城市轨道交通车辆走行部的重要部件，起运动导向、承载、减振作用，也是牵引和制动的最终执行者，对于列车的安全行驶起到了重要作用。牵引电机是城轨车辆驱动装置的关键部件，其运行状态会直接对列车性能和运输效率造成影响，而滚动轴承是转向架牵引电机中应用最为广泛的部件之一，且有关研究结果表明：牵引电机中最容易发生失效的零部件是滚动轴承，轴承损坏约占牵引电机失效的44％。因此，保障转向架牵引电机轴承的品质是城轨车辆能否安全、平稳、舒适运行重要因素之一。城轨车辆常采用整车公路运输至业主现场，若是在运输过程中未对轴承进行运输防护，在运输过程中将会因为路面颠簸而产生不同程度的损坏，导致在实际现场运行时出现轴承故障，最终造成轴承失效而批量更换，这严重影响制造商产品质量，同时对城轨列车的安全运行造成严重的隐患。因此，研究不同运输防护下转向架牵引电机轴承的故障测定方法，将提高地铁转向架识别结果的可靠性，对城轨车辆安全、可靠地运行具有重要意义。
发明内容
针对现有技术存在的问题，本发明提供了一种转向架牵引电机轴承的故障测定方法、***、介质及设备。
本发明是这样实现的，一种转向架牵引电机轴承的故障测定方法，所述转向架牵引电机轴承的故障测定方法首先，对不同运输防护状态下的轴承振动信号进行压缩采样，同时提取出时域、频域以及时频域的原始高维特征集；然后，构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；最后，利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。
进一步，所述转向架牵引电机轴承的故障测定方法采用压缩采样方法进行信号采样，所述压缩采样方法包括：
步骤一，信号的稀疏表示；
步骤二，设计测量矩阵；
步骤三，采用测量矩阵采集获得测量值，根据测量值利用重构算法恢复信号。
进一步，所述步骤二中的测量矩阵为多测度混合的综合评估模型，所述测量矩阵的设计方法包括：
提取出时域、频域以及时频域的原始高维特征集；
构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；
利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。
进一步，所述转向架牵引电机轴承的故障测定方法使用离散余弦变换DCT、离散傅里叶变换DFT和离散小波变换DWT三种稀疏字典分析轴承的稀疏表示性能；阈值ε，数据x峰峰值的2％为该阈值区间，ε＝2％|max(xi-min(xi))|，将数据值处于[-ε，ε]的数据点为0；穷举出x中N个数据点中非零元素的个数N0，定义稀疏比η2％，η2％＝N0/N，其中N0代表数值非零的数据个数，稀疏比η2％越小则信号的稀疏能力越好。
进一步，所述转向架牵引电机轴承的故障测定方法选用广义正交匹配追踪算法GOMP作为重构算法，输入观测矩阵Φp×l，观测矩阵获得的观测测量值yp×l，稀疏度k，选择原子数S，(S≤K&S≤p/K)，输出则为重构信号
Figure BDA0003536490340000031
GOMP算法训练过程：先初始化残余值r0＝y，索引集
Figure BDA0003536490340000032
更迭次数k＝1；连续搜索出S个匹配原子，k＝k+1，搜索出残差内积最大的S个原子变其对应的索引值加入：
Figure BDA0003536490340000033
，Γk＝Γk-1∪P：更新候选支撑集以及残差和相关系数，利用更新的候选原子索引集Γk得到对应的支撑集
Figure BDA0003536490340000041
计算更新后的残差和相关系数，
Figure BDA0003536490340000042
迭代停止条件满足k＜min(K，P/S)，则迭代过程回到步骤2，否则迭代停止，同时得出重构信号
Figure BDA0003536490340000043
进一步，所述重构算法采用贪婪类算法和凸优化算法。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述转向架牵引电机轴承的故障测定方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述转向架牵引电机轴承的故障测定方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述转向架牵引电机轴承的故障测定方法。
本发明的另一目的在于提供一种转向架牵引电机轴承的故障测定***，所述转向架牵引电机轴承的故障测定***包括：
压缩采样模块，用于对城轨车辆转向架牵引电机轴承的振动信号进行压缩采样；
所述压缩采样模块包括：
信号的稀疏表示单元，用于对信号进行稀疏表示；
测量矩阵单元，用于采用测量矩阵采集获得测量值；
重构算法单元，用于根据测量值利用重构算法恢复信号。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明将压缩采样方法应用于轨道交通故障诊断领域，能够突破香农-奈奎斯特采样定理限制的信号压缩理论，解决了采样过程中海量数据导致存储资源过大问题。
本发明以城轨车辆中转向架牵引电机轴承为研究对象，当其进行公路运输时，评估出合理的轴承运输防护措施。提出了基于压缩感知的多测度混合评价的综合评估模型，对所提出新方法的可行性及技术优势进行验证，可评估出哪种防护措施来减少轴承的故障率，为今后城轨车辆的设备的运输防护效果的表征提供理论依据与技术参考，进而为城轨车辆的安全运行提供一定的保障。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的转向架牵引电机轴承的故障测定方法的原理图。
图2是本发明实施例提供的压缩采样方法的流程图。
图3是本发明实施例提供的测量矩阵的设计方法流程图。
图4是本发明实施例提供的仿真试验结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种转向架牵引电机轴承的故障测定方法、***、介质及设备，下面结合附图对本发明作详细的描述。
本发明实施例提供的转向架牵引电机轴承的故障测定方法以城轨车辆中转向架牵引电机轴承为研究对象，当其进行公路运输时，评估出合理的轴承运输防护措施。本方案提出了基于压缩感知的多测度混合评价的综合评估模型，并将将该模型应用于宁波3号线轴承的运输防护实例中，对所提出新方法的可行性及技术优势进行验证，可评估出哪种防护措施来减少轴承的故障率，为今后城轨车辆的设备的运输防护效果的表征提供理论依据与技术参考，进而为城轨车辆的安全运行提供一定的保障。
本发明首先，对不同运输防护状态下的轴承振动信号进行压缩采样，同时提取出时域、频域以及时频域的原始高维特征集；然后，构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；最后，利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。实验结果表明：该模型能对不同运输防护下的轴承进行有效的综合评估。
如图1所示，可概括出本方案整体技术流程，通过宁波3号线的转向架牵引电机轴承运输实例验证了该方法的可行性。得出防护效果：防护状态1＞防护状态2＞无防护。研究不同防护策略对公路运输中的转向架牵引电机轴承的防护效果，将压缩感知理论引入到防护效果评估中，通过研究不同稀疏变换方法对信号稀疏表示以及不同稀疏变换方法在广义正交匹配追踪重构算法下的重构性能，优选最佳的压缩采样方案，同时针对单一测度难以全面评价特征，提出了一种综合敏感度分值评估指标用于优选最佳多测度组合策略，基于最佳组合策略的最佳特征子集构建基于统一特征指标的牵引电机轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。得出防护效果：防护状态1＞防护状态2＞无防护。本发明提出的基于压缩感知理论和多测度混合评价的转向架牵引电机轴承的综合评估模型，通过宁波3号线的转向架牵引电机轴承运输示例验证了该方法的可行性。
机械设备的状态数据可以反映设备的实时运行状态，是获取设备状态变化趋势、分析设备故障根源的重要依据。在轨道交通领域的故障诊断中，状态数据是关系到城轨车辆运行、监控和管理不可缺少的重要资源。为了能够准确的掌握设备的健康状态，解决轴承数据集失衡成为亟待解决的问题。压缩感知理论为信号采集、分析和特征提取提供了新的思路，目前在轨道交通领域的故障诊断中很少涉及。利用压缩采样直接获取压缩数据，应对海量数据的存储问题；通过直接对压缩数据进行分析，从压缩数据中提取故障特征来解决数据失衡问题，同时减少分析和计算环节，节约计算资源，提高监测和诊断效率。将压缩感知理论应用于轨道车辆中设备的信号采样，这思路为解决数据不平衡问题提供了有效的方案，且在城轨车辆设备数据的存储、传输、分析等方面的应用具有研究前景。CS首先对原始信号进行稀疏变换处理，进而利用观测矩阵对稀疏化数据进行观测测量，得到远低于原始信号维度的观测值，再利用压缩感知理论框架的信号重构算法对观测值还原，得到与原始信号误差极小的重构信号。
CS在很多领域中被广泛研究，但在机械故障诊断领域中的研究相对较少，本发明在城轨交通领域，对车辆的关键零部件的振动信号运用CS技术。在城轨车辆转向架牵引电机轴承的整个评估流程中，从轴承振动信号的处理流程上分析压缩感知的处理流程主要分两个部分：一、信号的采集与压缩：；二、数据重构与分析。压缩感知面向城轨车辆转向架牵引电机轴承信号的处理流程。
如图2所示，本发明实施例中的转向架牵引电机轴承的故障测定方法采用压缩采样方法进行信号采样，所述压缩采样方法包括：
S101，信号的稀疏表示；
S102，设计测量矩阵；
S103，采用测量矩阵采集获得测量值，根据测量值利用重构算法恢复信号。
本发明实施例中的测量矩阵为多测度混合的综合评估模型，可从测量矩阵的构造原则、产生方法、结构设计、优化设计四个方面出发，针对测量矩阵的构造展开研究，提出更有优势的构造算法信号的重构算法。
如图3所示，本发明实施例中的测量矩阵的设计方法包括：
S201，提取出时域、频域以及时频域的原始高维特征集；
S202，构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；
S203，利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。
本发明实施例中的重构算法采用贪婪类算法和凸优化算法。可优化上述两种算法进行改进。压缩感知理论流程中重构信号所需要的观测矩阵维度与数据采样率以及信号的最大频率等无关，只和稀疏性具有直接关系，若要实现压缩采样则需要对信号进行必要的稀疏化处理得到特定空间下的稀疏信号。实际生活中信号数据大多是非稀疏的，需要利用一些空间转换方法对信号在该变换域投影。本发明使用离散余弦变换(DCT)、离散傅里叶变换(DFT)和离散小波变换(DWT)三种常用稀疏字典来分析轴承的稀疏表示性能。为了能从量化指标的角度直观的分析稀疏性能，首先设定阈值ε，数据x峰峰值的2％为该阈值区间。即ε＝2％|max(xi-min(xi))|，将数据值处于[-ε，ε]之间的数据点假设为0，然后穷举出x中N个数据点中非零元素的个数N0，定义稀疏比η2％，η2％＝N0/N，其中N0代表数值非零的数据个数，稀疏比η2％越小则信号的稀疏能力越好。本发明选用广义正交匹配追踪算法(generalizedorthogonal matching pursuit，GOMP)作为重构算法，输入观测矩阵Φp×l，观测矩阵获得的观测测量值yp×l，稀疏度k，选择原子数S，(S≤K&S≤p/K)，输出则为重构信号
Figure BDA0003536490340000081
GOMP算法训练过程：先初始化残余值r0＝y，索引集
Figure BDA0003536490340000082
更迭次数k＝1(line1)；连续搜索出S个匹配原子，k＝k+1，搜索出残差内积最大的S个原子变其对应的索引值加入：
Figure BDA0003536490340000083
，Γk＝Γk-1∪P：更新候选支撑集以及残差和相关系数，利用更新的候选原子索引集Γk得到对应的支撑集
Figure BDA0003536490340000084
计算更新后的残差和相关系数，
Figure BDA0003536490340000085
迭代停止条件满足k＜min(K，P/S)，则迭代过程回到k＝k+1，否则迭代停止，同时得出重构信号
Figure BDA0003536490340000086
图4是本发明的仿真试验结果示意图。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行***，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种转向架牵引电机轴承的故障测定方法，其特征在于，所述转向架牵引电机轴承的故障测定方法首先，对不同运输防护状态下的轴承振动信号进行压缩采样，同时提取出时域、频域以及时频域的原始高维特征集；然后，构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；最后，利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。
2.如权利要求1所述的转向架牵引电机轴承的故障测定方法，其特征在于，所述转向架牵引电机轴承的故障测定方法采用压缩采样方法进行信号采样，所述压缩采样方法包括：
步骤一，信号的稀疏表示；
步骤二，设计测量矩阵；
步骤三，采用测量矩阵采集获得测量值，根据测量值利用重构算法恢复信号。
3.如权利要求2所述的转向架牵引电机轴承的故障测定方法，其特征在于，所述步骤二中的测量矩阵为多测度混合的综合评估模型，所述测量矩阵的设计方法包括：
提取出时域、频域以及时频域的原始高维特征集；
构建相关性、距离以及信号等多测度的混合特征评价模型，再运用综合敏感度分值评估指标优选出最佳多测度组合策略；
利用评估出的最佳特征子集构建基于统一特征指标的轴承防护效果评估模型，对不同防护状态的防护效果进行统一指标的量化表征。
4.如权利要求1所述的转向架牵引电机轴承的故障测定方法，其特征在于，所述转向架牵引电机轴承的故障测定方法使用离散余弦变换DCT、离散傅里叶变换DFT和离散小波变换DWT三种稀疏字典分析轴承的稀疏表示性能；阈值ε,数据x峰峰值的2％为该阈值区间，ε＝2％|max(xi-min(xi))|，将数据值处于[-ε，ε]的数据点为0；穷举出x中N个数据点中非零元素的个数N0，定义稀疏比η2％,η2％＝N0/N，其中N0代表数值非零的数据个数，稀疏比η2％越小则信号的稀疏能力越好。
5.如权利要求4所述的转向架牵引电机轴承的故障测定方法，其特征在于，所述转向架牵引电机轴承的故障测定方法选用广义正交匹配追踪算法GOMP作为重构算法，输入观测矩阵Φp×l,观测矩阵获得的观测测量值yp×l,稀疏度k,选择原子数S,(S≤K&S≤p/K),输出则为重构信号
Figure FDA0003536490330000026
GOMP算法训练过程：先初始化残余值r0＝y，索引集
Figure FDA0003536490330000021
更迭次数k＝1；连续搜索出S个匹配原子,k＝k+1，搜索出残差内积最大的S个原子变其对应的索引值加入：
Figure FDA0003536490330000022
，
Γk＝Γk-1∪P：更新候选支撑集以及残差和相关系数，利用更新的候选原子索引集Γk得到对应的支撑集
Figure FDA0003536490330000023
计算更新后的残差和相关系数，
Figure FDA0003536490330000024
迭代停止条件满足k＜min(K，P/S)，则迭代过程回到步骤2，否则迭代停止，同时得出重构信号
Figure FDA0003536490330000025
6.如权利要求1所述的转向架牵引电机轴承的故障测定方法，其特征在于，所述重构算法采用贪婪类算法和凸优化算法。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～6任意一项所述转向架牵引电机轴承的故障测定方法的步骤。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～6任意一项所述转向架牵引电机轴承的故障测定方法的步骤。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任意一项所述转向架牵引电机轴承的故障测定方法。
10.一种实施权利要求1～6任意一项所述的转向架牵引电机轴承的故障测定方法的转向架牵引电机轴承的故障测定***，其特征在于，所述转向架牵引电机轴承的故障测定***包括：
压缩采样模块，用于对城轨车辆转向架牵引电机轴承的振动信号进行压缩采样；
所述压缩采样模块包括：
信号的稀疏表示单元，用于对信号进行稀疏表示；
测量矩阵单元，用于采用测量矩阵采集获得测量值；
重构算法单元，用于根据测量值利用重构算法恢复信号。
CN202210227440.5A 2022-03-08 2022-03-08 转向架牵引电机轴承的故障测定方法、***、介质及设备 Pending CN114659789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210227440.5A CN114659789A (zh) 2022-03-08 2022-03-08 转向架牵引电机轴承的故障测定方法、***、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210227440.5A CN114659789A (zh) 2022-03-08 2022-03-08 转向架牵引电机轴承的故障测定方法、***、介质及设备

Publications (1)

Publication Number Publication Date
CN114659789A true CN114659789A (zh) 2022-06-24

Family

ID=82030007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227440.5A Pending CN114659789A (zh) 2022-03-08 2022-03-08 转向架牵引电机轴承的故障测定方法、***、介质及设备

Country Status (1)

Country Link
CN (1) CN114659789A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105258947A (zh) * 2015-11-06 2016-01-20 北京航空航天大学 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法
US20160266207A1 (en) * 2015-03-10 2016-09-15 Mitsubishi Electric Research Laboratories, Inc. Fault Detection in Induction Motors Based on Current Signature Analysis
CN107229774A (zh) * 2017-04-26 2017-10-03 江苏大学 一种基于广义正交匹配追踪的电能质量信号重构方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断***
CN112287889A (zh) * 2020-11-22 2021-01-29 西北工业大学 一种基于压缩感知和相关向量机的轴承故障智能诊断方法
CN112896237A (zh) * 2021-03-19 2021-06-04 中车大连机车研究所有限公司 一种动车组转向架综合安全监测***硬件平台
CN113780055A (zh) * 2021-07-19 2021-12-10 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160266207A1 (en) * 2015-03-10 2016-09-15 Mitsubishi Electric Research Laboratories, Inc. Fault Detection in Induction Motors Based on Current Signature Analysis
CN105258947A (zh) * 2015-11-06 2016-01-20 北京航空航天大学 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法
CN107229774A (zh) * 2017-04-26 2017-10-03 江苏大学 一种基于广义正交匹配追踪的电能质量信号重构方法
CN107368809A (zh) * 2017-07-20 2017-11-21 合肥工业大学 一种基于稀疏表示和字典学习的轴承故障分类方法
CN110057584A (zh) * 2019-04-01 2019-07-26 西安交通大学 一种机车牵引电机轴承退化监测方法
CN110849626A (zh) * 2019-11-18 2020-02-28 东南大学 一种自适应稀疏压缩自编码的滚动轴承故障诊断***
CN112287889A (zh) * 2020-11-22 2021-01-29 西北工业大学 一种基于压缩感知和相关向量机的轴承故障智能诊断方法
CN112896237A (zh) * 2021-03-19 2021-06-04 中车大连机车研究所有限公司 一种动车组转向架综合安全监测***硬件平台
CN113780055A (zh) * 2021-07-19 2021-12-10 北京交通大学 一种momeda与压缩感知的滚动轴承故障诊断方法

Similar Documents

Publication Publication Date Title
Zhao et al. Dual-scale cascaded adaptive stochastic resonance for rotary machine health monitoring
CN110543903A (zh) 一种gis局部放电大数据***的数据清洗方法及***
CN105973593A (zh) 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法
Chen et al. A fault pulse extraction and feature enhancement method for bearing fault diagnosis
Noman et al. Oscillation based permutation entropy calculation as a dynamic nonlinear feature for health monitoring of rolling element bearing
Cheng et al. Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains
Guo et al. A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process
Belmiloud et al. Deep convolutional neural networks for Bearings failure predictionand temperature correlation
CN114528879A (zh) 轴承故障周期自动检测方法和***
Cao et al. Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern
CN117171657A (zh) 风力发电设备故障诊断方法、装置、电子设备及存储介质
Zheng et al. Criterion to determine the minimum sample size for load spectrum measurement and statistical extrapolation
CN111291918A (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
Zheng et al. An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis
Tang et al. Integrating adaptive input length selection strategy and unsupervised transfer learning for bearing fault diagnosis under noisy conditions
CN114659789A (zh) 转向架牵引电机轴承的故障测定方法、***、介质及设备
Shuai et al. Adaptive morphological feature extraction and support vector regressive classification for bearing fault diagnosis
Zhang et al. Bearing fault diagnosis based on iterative 1.5-dimensional spectral kurtosis
An et al. A Parameter‐Optimized Variational Mode Decomposition Investigation for Fault Feature Extraction of Rolling Element Bearings
Deng et al. Compressed feature reconstruction for localized fault diagnosis with generalized minimax-concave penalty
Xiao et al. A new fault feature extraction method of rolling bearings based on the improved self-selection ICEEMDAN-permutation entropy
Kaur et al. Damage detection and localization for indirect bridge monitoring exploiting adversarial autoencoder and wavelet transform
CN116642696A (zh) 铁路轴承健康监测方法、装置、***、终端及存储介质
CN116861320A (zh) 基于短时傅里叶同步压缩变换的转子故障诊断方法
Jiang et al. Multi-bandwidth mode manifold for fault diagnosis of rolling bearings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination