CN105424364A - 列车轴承故障的诊断方法和装置 - Google Patents

Abstract

本发明实施例提供了一种列车轴承故障的诊断方法和装置。该方法主要包括：用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。本发明实施例通过利用振动传感器采集列车轴承和构架的振动数据，得到轴承信号的时频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故障，并同时定位故障的位置，辨别故障的严重程度。本发明实施例实现了地铁列车轴承的故障准确诊断、故障定位与故障严重程度辨别。

Description

列车轴承故障的诊断方法和装置

技术领域

本发明涉及媒体通信技术领域，尤其涉及一种列车轴承故障的诊断方法和装置。

背景技术

地铁已经成为我国(特)大城市公共交通最重要的组成部分，地铁建设正处于高速建设和运营开通高峰期。轴承作为地铁列车的关键部件，它的状态对列车的安全有极大影响，而现有基于时域特征参数或者频域特征参数的轴承故障诊断方法都有一定的局限性，因此，研制一种新的列车轴承故障诊断装置具有重要的理论意义和现实意义。

发明内容

本发明的实施例提供了一种列车轴承故障的诊断方法和装置，以实现准确地对列车轴承故障进行诊断。

为了实现上述目的，本发明采取了如下技术方案。

根据本发明的一个方面，提供了一种列车轴承故障的诊断方法，包括：

用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；

对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；

基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。

进一步地，所述的用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号，包括：

在列车的轴箱轴承和构架侧架上分别安装双坐标振动传感器，所述双坐标振动传感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号；

将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除噪声处理，获取代表轴承状态的轴承信号。

进一步地，所述的对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数，包括：

通过信号处理单元实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能量值作为所述轴承信号的频域特征参数；

将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征参数的测量数据输出。

进一步地，所述的方法还包括：

选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\α}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

峭度β的计算公式为：

$\mathrm{\β}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(x_i-\stackrel{\‾}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之后得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量其能量的计算公式为：

$E_{i,j}=\∫{\left|S_{i,j}\left(t\right)\right|}^{2}dt=\underset{k=1}{\overset{m}{\Σ}}{\left|x_{ij}^k\right|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点。

进一步地，所述的基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息包括：

通过故障诊断单元接收所述包含归一化处理后的时频域特征参数的测量数据，对所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；

采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特征参数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算法的训练样本；

将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。

进一步地，所述的方法还包括：

当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特征参数和所述轴承故障分类算法的训练样本：

设输入向量为 $X_k=(x_1^k,x_2^k,...,x_m^k);,$ 其中为轴承的某种状态的样本，包含10个时频域特征参数；

目标向量为 $Y_k=(y_1^k,y_2^k,...,y_n^k);,$ 其中为轴承的7种诊断状态中的一种；

隐层向量为S_k＝(s₁,s₂,…,s_q)；，其中s_i，i＝1,2,...,q为隐层各单元的输入；

输出向量为B_k＝(b₁,b₂,…,b_q)；,其中b_i，i＝1,2,...,q为隐层各单元的实际输入；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，其中l_i，i＝1,2,...,n为输出层各单元的输入；输出向量为C_k＝(c₁,c₂,…,c_n)；，其中c_i，i＝1,2,...,n为输出层各单元的实际输出；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\Σ}}{w}_{ij}+{\mathrm{\θ}}_j,j=1,2,...,q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\Σ}}{v}_{jt}+{\mathrm{\γ}}_t,t=1,2,...,n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,...,n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\Σ}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,...,q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$\begin{array}{c}\begin{array}{cc}{v}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\Δv}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\α}}_1{d}_t^k{b}_j& j=1,2,...,q;t=\end{array}\\ 1,2,\mathrm{...},n\end{array}$

$\begin{array}{c}\begin{array}{cc}{\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k& t=1,2,...,n;0<{\mathrm{\&alpha;}}_1\end{array}\\ <1\end{array}$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准。

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定的阈值；

BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障。

根据本发明的另一个方面，提供了一种列车轴承故障的诊断装置，其特征在于，包括：振动传感器单元、信号处理单元和故障诊断单元；

所述的振动传感器单元，用于通过振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；

所述的信号分析单元，用于对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；

所述的故障诊断单元，用于基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。

进一步地，其特征在于：

所述的振动传感器单元，用于包含在列车的轴箱轴承和构架侧架上分别安装的双坐标振动传感器，所述双坐标振动传感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号；

将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除噪声处理，获取代表轴承状态的轴承信号。

进一步地，其特征在于：

所述的信号分析单元，用于实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能量值作为所述轴承信号的频域特征参数；

将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征参数的测量数据输出。

进一步地，其特征在于：

所述的信号分析单元，具体用于选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\&alpha;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

峭度β的计算公式为：

$\mathrm{\&beta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之后得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量其能量的计算公式为：

$E_{i,j}=\&Integral;{\left|S_{i,j}\left(t\right)\right|}^{2}dt=\underset{k=1}{\overset{m}{\&Sigma;}}{\left|x_{ij}^k\right|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点。

进一步地，其特征在于：

所述的故障诊断单元，具体用于接收所述包含归一化处理后的时频域特征参数的测量数据，对所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；

采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特征参数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算法的训练样本；

将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。

进一步地，其特征在于：

所述的故障诊断单元，具体用于当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特征参数和所述轴承故障分类算法的训练样本：

设输入向量为 $X_k=(x_1^k,x_2^k,...,x_m^k);,$ 其中为轴承的某种状态的样本，包含10个时频域特征参数；

目标向量为 $Y_k=(y_1^k,y_2^k,...,y_n^k);,$ 其中为轴承的7种诊断状态中的一种；

隐层向量为S_k＝(s₁,s₂,…,s_q)；，其中s_i，i＝1,2,...,q为隐层各单元的输入；

输出向量为B_k＝(b₁,b₂,…,b_q)；,其中b_i，i＝1,2,...,q为隐层各单元的实际输入；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，其中l_i，i＝1,2,...,n为输出层各单元的输入；输出向量为C_k＝(c₁,c₂,…,c_n)；，其中c_i，i＝1,2,...,n为输出层各单元的实际输出；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{ij}+{\mathrm{\&theta;}}_j,j=1,2,...,q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\&Sigma;}}{v}_{jt}+{\mathrm{\&gamma;}}_t,t=1,2,...,n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,...,n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\&Sigma;}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,...,q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$\begin{array}{c}\begin{array}{cc}{v}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&Delta;v}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k{b}_j& j=1,2,...,q;t=\end{array}\\ 1,2,\mathrm{...},n\end{array}$

$\begin{array}{c}\begin{array}{cc}{\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k& t=1,2,...,n;0<{\mathrm{\&alpha;}}_1\end{array}\\ <1\end{array}$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准。

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定的阈值；

BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过利用振动传感器采集列车轴承和构架的振动数据，得到轴承信号的时频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故障，并同时定位故障的位置，辨别故障的严重程度。本发明实施例实现了地铁列车轴承的故障准确诊断、故障定位与故障严重程度辨别。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的一种地铁列车轴承故障诊断方法的处理流程图；

图2为本发明实施例一提供的一种小波包分解流程示意图；

图3为本发明实施例二提供的一种列车轴承故障诊断装置的结构示意图，振动传感单元、信号处理单元、故障诊断单元和结果显示单元。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

实施例一

本发明实施例提供的一种地铁列车轴承故障诊断方法的处理流程如图1所示，包括如下的处理步骤：

步骤1：用振动传感器采集地铁列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号。

在本发明实施例中，振动传感单元是一种检测振动加速度的装置，能将被测量的信息按一定规律变换为电信号或其他所需形式的信息输出，并进行简单的小波去噪，以满足信息的传输、处理、存储和显示的要求。

振动传感单元采用双坐标振动传感器，分别安装在列车的轴箱轴承和构架侧架上，内含垂直和水平两个方向的振动冲击信息敏感元件，内置调理电路，用于测量轴承的振动数据和架构的振动数据，并将测量数据信息转化为原始电信号。

步骤2：振动传感单元用小波变换对测量的原始电信号进行去除噪声等预处理，获取最接近轴承状态的轴承信号，将该轴承信号发送至信号处理单元。

步骤3：信号处理单元主要负责实时采集振动传感单元输出的轴承信号，并对轴承信号进行处理，计算轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，同时利用小波包对轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值作为频域特征参数；然后将时域特征参数和频域特征参数融合得到时频域特征参数，对上述时频域特征参数进行归一化处理。

信号处理单元在计算时域与频域特征参数时，轴承信号的时域特征参数与轴承的故障程度息息相关，但容易受噪声干扰，误差大，频域特征参数对于噪声抗干扰性很强，误判率低，但不能判断轴承的故障严重程度，将频域特征参数与时域特征参数融合在一起诊断轴承故障，既准确地诊断轴承的故障，又分辨轴承的故障类型与程度。

对大量数据分析，选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\&alpha;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值。

峭度β的计算公式为：

$\mathrm{\&beta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值。

选取轴承信号的小波包分解分量的能量作为频域特征参数，本发明实施例提供的一种小波包分解流程示意图如图2所示，原始信号{x}分解3层之后可以得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量其能量的计算公式为：

$E_{i,j}=\&Integral;{\left|S_{i,j}\left(t\right)\right|}^{2}dt=\underset{k=1}{\overset{m}{\&Sigma;}}{\left|x_{ij}^k\right|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点；

步骤4：信号处理单元融合轴承信号的时域特征参数与频域特征参数并归一化，得到的样本点序列如下：

[z₁,z₂,z₃,z₄,z₅,z₆,z₇,z₈,z₉,z₁₀]

其中，z₁+z₂+z₃+z₄+z₅+z₆+z₇+z₈+z₉+z₁₀＝1，z₁,z₂,z₃,z₄,z₅,z₆,z₇,z₈为归一化之后的能量包，z₉和z₁₀为归一化之后的偏度和峭度。

信号处理单元将包含归一化处理后的时频域特征参数的测量数据发送给故障诊断单元。

步骤5：故障诊断单元负责将信号处理单元传来的测量数据进行汇聚，分析测量数据中的时、频域特征参数，采用BP神经网络等故障分类算法实时诊断轴承的运行状态，并将诊断结果以有线的方式发送到司机室显示台显示，以无线发送的方式发送到地铁OCC中心服务器实现预警功能。

基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息，上述故障分类算法包括BP神经网络、LVQ神经网络和SVM支持向量机等。

基于时频域特征参数融合的轴承状态识别过程，其输入为时频域特征参数和轴承故障分类算法的训练样本。

上述时频域特征参数包括上述8个频域能量参数，2个时域特征参数-偏度和峭度，采集轴承各种状态(如内圈轻微故障、外圈轻微故障等)的信号，每种轴承状态的信号计算设定数量(5-8)组的10个时频域特征参数作为该状态的样本，将所有状态的样本组合在一起，作为轴承故障分类算法的训练样本。

轴承状态识别过程的输出为轴承状态是否发生故障，故障的定位以及故障的严重程度，这是典型的非线性分类问题，因此，本发明实施例采用典型的非线性分类器--神经网络作为状态识别器对轴承状态进行分类。

BP神经网络的输入为归一化的时频域特征参数：

设输入向量为 $X_k=(x_1^k,x_2^k,...,x_m^k);,$ 其中为轴承的某种状态的样本，包含10个时频域特征参数；

目标向量为 $Y_k=(y_1^k,y_2^k,...,y_n^k);,$ 其中为轴承的7种诊断状态中的一种；

隐层向量为S_k＝(s₁,s₂,…,s_q)；，其中s_i，i＝1,2,...,q为隐层各单元的输入；

输出向量为B_k＝(b₁,b₂,…,b_q)；,其中b_i，i＝1,2,...,q为隐层各单元的实际输入；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，其中l_i，i＝1,2,...,n为输出层各单元的输入；输出向量为C_k＝(c₁,c₂,…,c_n)；，其中c_i，i＝1,2,...,n为输出层各单元的实际输出；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{ij}+{\mathrm{\&theta;}}_j,j=1,2,...,q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\&Sigma;}}{v}_{jt}+{\mathrm{\&gamma;}}_t,t=1,2,...,n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,...,n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\&Sigma;}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,...,q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$\begin{array}{c}\begin{array}{cc}{v}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&Delta;v}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k{b}_j& j=1,2,...,q;t=\end{array}\\ 1,2,\mathrm{...},n\end{array}$

$\begin{array}{c}\begin{array}{cc}{\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k& t=1,2,...,n;0<{\mathrm{\&alpha;}}_1\end{array}\\ <1\end{array}$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准。

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定所述BP神经网络收敛的阈值，如果误差E小于给定的阈值，则所述BP神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至所述BP神经网络的误差E小于给定的阈值：所述BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示列车轴承的内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障，BP神经网络每次输出上述7组数字中的一组。

实施例二

本发明提供的列车轴承故障诊断装置的结构示意图如图3所示，包括顺序相连的振动传感单元、信号处理单元、故障诊断单元和结果显示单元。上述列车可以为地铁列车、轨道列车等。

所述的振动传感器单元，用于通过振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；

所述的信号分析单元，用于对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；

所述的故障诊断单元，用于基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。

进一步地，所述的振动传感器单元，用于包含在列车的轴箱轴承和构架侧架上分别安装的双坐标振动传感器，所述双坐标振动传感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号；

将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除噪声处理，获取代表轴承状态的轴承信号。

进一步地，所述的信号分析单元，用于实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能量值作为所述轴承信号的频域特征参数；

将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征参数的测量数据输出。

选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\&alpha;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值。

峭度β的计算公式为：

$\mathrm{\&beta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值。

选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之后得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量其能量的计算公式为：

$E_{i,j}=\&Integral;{\left|S_{i,j}\left(t\right)\right|}^{2}dt=\underset{k=1}{\overset{m}{\&Sigma;}}{\left|x_{ij}^k\right|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点。

进一步地，所述的故障诊断单元，具体用于接收所述包含归一化处理后的时频域特征参数的测量数据，对所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；

选取轴承信号的训练样本，获取所述训练样本的轴承各种状态下的数据，将所述测量数据中的时频域特征参数和所述训练样本的轴承各种状态下的数据作为非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。

当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特征参数：

设输入向量为 $X_k=(x_1^k,x_2^k,...,x_m^k);$

目标向量为 $Y_k=(y_1^k,y_2^k,...,y_n^k);$

隐层向量为S_k＝(s₁,s₂,…,s_q)；

输出向量为B_k＝(b₁,b₂,…,b_q)；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，输出向量为C_k＝(c₁,c₂,…,c_n)；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练的样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{ij}+{\mathrm{\&theta;}}_j,j=1,2,...,q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\&Sigma;}}{v}_{jt}+{\mathrm{\&gamma;}}_t,t=1,2,...,n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,...,n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\&Sigma;}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,...,q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$\begin{array}{c}\begin{array}{cc}{v}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&Delta;v}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k{b}_j& j=1,2,...,q;t=\end{array}\\ 1,2,\mathrm{...},n\end{array}$

$\begin{array}{c}\begin{array}{cc}{\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k& t=1,2,...,n;0<{\mathrm{\&alpha;}}_1\end{array}\\ <1\end{array}$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j\left(N+1\right)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准；

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定的阈值；

BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障。

结果显示单元，用于位于地铁列车司机室的专用或者多用显示屏内，接入故障诊断单元的诊断结果，显示轴承的运行状态并报警。

用本发明实施例的装置进行列车轴承故障诊断的具体过程与前述方法实施例类似，此处不再赘述。

综上所述，本发明实施例通过利用振动传感器采集列车轴承和构架的振动数据，得到轴承信号的时频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故障，并同时定位故障的位置，辨别故障的严重程度。本发明实施例实现了地铁列车轴承的故障准确诊断、故障定位与故障严重程度辨别。

应用本发明实施例的方法和装置可以实时诊断列车轴承的故障，可以避免由于轴承故障而引发的地铁列车事故；可以定位故障位置，可以提高维修效率；可以辨别轴承的故障严重程度，可以给地铁运营维修部门安排列车轴承故障检修提供数据支持，检修部门根据故障严重程度合理安排检修日程，避免一部分轴承因过度检修而占用资源，一部分轴承因不能及时检修而使故障恶化，影响运营。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种列车轴承故障的诊断方法，其特征在于，包括：

用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；

对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；

基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。

2.根据权利要求1所述的列车轴承故障的诊断方法，其特征在于，所述的用振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号，包括：

在列车的轴箱轴承和构架侧架上分别安装双坐标振动传感器，所述双坐标振动传感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号；

将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除噪声处理，获取代表轴承状态的轴承信号。

3.根据权利要求1所述的列车轴承故障的诊断方法，其特征在于，所述的对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数，包括：

通过信号处理单元实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能量值作为所述轴承信号的频域特征参数；

将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征参数的测量数据输出。

4.根据权利要求3所述的列车轴承故障的诊断方法，其特征在于，所述的方法还包括：

选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\&alpha;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

峭度β的计算公式为：

$\mathrm{\&beta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之后得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量{x_ij ^k}，i＝3；j＝1,2,3，...,8，k＝1,2,...,m，其能量的计算公式为：

$E_{i,j}=\&Integral;|S_{i,j}\left(t\right){|}^{2}dt=\underset{k=1}{\overset{m}{\&Sigma;}}|x_{ij}^k{|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点。

5.根据权利要求4所述的列车轴承故障的诊断方法，其特征在于，所述的基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息包括：

通过故障诊断单元接收所述包含归一化处理后的时频域特征参数的测量数据，对所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；

采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特征参数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算法的训练样本；

将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。

6.根据权利要求5所述的列车轴承故障的诊断方法，其特征在于，所述的方法还包括：

当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特征参数和所述轴承故障分类算法的训练样本：

设输入向量为其中i＝1,2,...,m为轴承的某种状态的样本，包含10个时频域特征参数；

目标向量为其中i＝1,2,...,n为轴承的7种诊断状态中的一种；

隐层向量为S_k＝(s₁,s₂,…,s_q)；，其中s_i，i＝1,2,...,q为隐层各单元的输入；

输出向量为B_k＝(b₁,b₂,…,b_q)；,其中b_i，i＝1,2,...,q为隐层各单元的实际输入；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，其中l_i，i＝1,2,...,n为输出层各单元的输入；输出向量为C_k＝(c₁,c₂,…,c_n)；，其中c_i，i＝1,2,...,n为输出层各单元的实际输出；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{ij}+{\mathrm{\&theta;}}_j,j=1,2,\mathrm{...},q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\&Sigma;}}{v}_{jt}+{\mathrm{\&gamma;}}_t,t=1,2,\mathrm{...},n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,\mathrm{...},n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\&Sigma;}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,\mathrm{...},q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$v_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&Delta;v}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k{b}_j,j=1,2,\mathrm{...},q;t=1,2,\mathrm{...},n$

${\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k,t=1,2,\mathrm{...},n;0<{\mathrm{\&alpha;}}_1<1$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j(N+1)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j(N+1)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准。

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定的阈值；

BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障。

7.一种列车轴承故障的诊断装置，其特征在于，包括：振动传感器单元、信号处理单元和故障诊断单元；

所述的振动传感器单元，用于通过振动传感器采集列车轴承和构架的振动数据，根据所述列车轴承和构架的振动数据获取轴承信号；

所述的信号分析单元，用于对所述轴承信号进行分析处理，得到所述轴承信号的时域特征参数和频域特征参数；

所述的故障诊断单元，用于基于所述轴承信号的时域特征参数和频域特征参数，以及训练样本的轴承各种状态下的数据，采用故障分类算法求解出轴承的故障状态信息。

8.根据权利要求7所述的列车轴承故障的诊断装置，其特征在于：

所述的振动传感器单元，用于包含在列车的轴箱轴承和构架侧架上分别安装的双坐标振动传感器，所述双坐标振动传感器包含调理电路、垂直和水平两个方向的振动冲击信息敏感元件，所述双坐标振动传感器分别采集列车轴承的振动数据和构架的振动数据，将构架的振动作为轴承振动的背景振动信号；

将所述列车轴承的振动数据和构架的振动数据转化为电信号，对所述电信号进行去除噪声处理，获取代表轴承状态的轴承信号。

9.根据权利要求7所述的列车轴承故障的诊断装置，其特征在于：

所述的信号分析单元，用于实时采集振动传感单元输出的轴承信号，对所述轴承信号进行分析处理，计算所述轴承信号的时域特征参数，该时域特征参数包括偏度与峭度，利用小波包对所述轴承信号进行分解，得到轴承信号的各层的分量，计算分量的能量值，将所述分量的能量值作为所述轴承信号的频域特征参数；

将所述轴承信号的时域特征参数和频域特征参数进行融合得到时频域特征参数，对所述时频域特征参数进行归一化处理，所述信号处理单元将包含归一化处理后的时频域特征参数的测量数据输出。

10.根据权利要求9所述的列车轴承故障的诊断装置，其特征在于：

所述的信号分析单元，具体用于选取轴承信号的时域特征参数为偏度和峭度，计算公式分别为：

偏度α的计算公式为：

$\mathrm{\&alpha;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^3$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

峭度β的计算公式为：

$\mathrm{\&beta;}=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{(x_i-\stackrel{\&OverBar;}{x})}^4$

其中，N为时域信号采样点总数，x_i为时域采样信号，为时域信号的平均值；

选取轴承信号的小波包分解分量的能量作为频域特征参数，原始信号{x}分解3层之后得到8个分量A31，D31，A32，D32，A33，D33，A34，D34，对于其中的某个分量{x_ij ^k}，i＝3；j＝1,2,3，...,8，k＝1,2,...,m，其能量的计算公式为：

$E_{i,j}=\&Integral;|S_{i,j}\left(t\right){|}^{2}dt=\underset{k=1}{\overset{m}{\&Sigma;}}|x_{ij}^k{|}^2$

其中E_i,j为小波包分解后第i层第j个分量的能量值，S_i,j为小波包分解后第i层第j个分量，m为小波包分解后第i层第j个分量的样本点个数，为小波包分解后第i层第j个分量的第k个样本点。

11.根据权利要求10所述的列车轴承故障的诊断装置，其特征在于：

所述的故障诊断单元，具体用于接收所述包含归一化处理后的时频域特征参数的测量数据，对所述测量数据进行汇聚，提取所述测量数据中的时频域特征参数，所述时频域特征参数包括8个频域能量参数，2个时域特征参数：偏度和峭度；

采集各种轴承状态的信号，针对每种轴承状态的信号计算设定数量组的时频域特征参数作为该轴承状态的样本，将所有轴承状态的样本组合在一起，作为轴承故障分类算法的训练样本；

将所述测量数据中的时频域特征参数和所述轴承故障分类算法的训练样本作为非线性的故障分类算法的输入，所述故障分类算法经过轴承状态识别过程输出轴承状态信息，该轴承状态信息包括轴承状态是否发生故障，故障的定位以及故障的严重程度。

12.根据权利要求11所述的列车轴承故障的诊断装置，其特征在于：

所述的故障诊断单元，具体用于当所述故障分类算法为BP神经网络时，所述BP神经网络的输入为归一化的时频域特征参数和所述轴承故障分类算法的训练样本：

设输入向量为其中i＝1,2,...,m为轴承的某种状态的样本，包含10个时频域特征参数；

目标向量为其中i＝1,2,...,n为轴承的7种诊断状态中的一种；

隐层向量为S_k＝(s₁,s₂,…,s_q)；，其中s_i，i＝1,2,...,q为隐层各单元的输入；

输出向量为B_k＝(b₁,b₂,…,b_q)；,其中b_i，i＝1,2,...,q为隐层各单元的实际输入；

输出层的输入向量为L_k＝(l₁,l₂,…,l_n)，其中l_i，i＝1,2,...,n为输出层各单元的输入；输出向量为C_k＝(c₁,c₂,…,c_n)；，其中c_i，i＝1,2,...,n为输出层各单元的实际输出；

输入层与隐层的连接权值为W_ij，i＝1,2,...,m；j＝1,2...p；

隐层至输出层的连接权值为V_jt，j＝1,2,...,q；t＝1,2,...,n；

隐层各单元阈值为θ_j,j＝1,2,...,q；

输出层各单元阈值为γ_t,t＝1,2,...,n；

参数k＝1,2,...,m；

训练样本的轴承各种状态下的数据，其训练过程如下：

1.给连接权值w_ij、v_jt和阈值θ_j、γ_t赋值，选定输入向量X_k和目标向量Y_k；

2.根据输入向量X_k、连接权值w_ij和阈值θ_j计算隐层各单元的输入s_j，并计算隐层的实际输出b_j，计算公式为：

$s_j=\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{ij}+{\mathrm{\&theta;}}_j,j=1,2,\mathrm{...},q$

b_j＝f(s_j),j＝1,2,…,q

3.根据隐层输出b_j、连接权值v_jt和阈值γ_t计算输出层各单元的输入l_t,，并通过传递函数计算输出层各单元的实际输出c_t，计算公式如下：

$l_t=\underset{j=1}{\overset{q}{\&Sigma;}}{v}_{jt}+{\mathrm{\&gamma;}}_t,t=1,2,\mathrm{...},n$

c_t＝f(l_t),t＝1,2,…,n

4.比较目标向量Y_k与网络实际输出c_t，根据下述公式计算输出层各单元的误差

$d_t^k=(y_t^k-c_t)c_t(1-c_t),t=1,2,\mathrm{...},n$

5.根据连接权值v_jt、输出层误差和隐层输出b_j计算隐层各单元误差计算公式如下：

$e_j^k=\left(\underset{i=1}{\overset{n}{\&Sigma;}}{d}_t^k{v}_{jt}\right)b_j(1-b_j),j=1,2,\mathrm{...},q$

6.根据输出层各单元的误差隐层各单元的输出b_j修正连接权值v_jt和阈值γ_t，修正公式如下：

$v_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&Delta;v}}_{jt}(N+1)=v_{jt}\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k{b}_j,j=1,2,\mathrm{...},q;t=1,2,\mathrm{...},n$

${\mathrm{\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&Delta;\&gamma;}}_t(N+1)={\mathrm{\&gamma;}}_t\left(N\right)+{\mathrm{\&alpha;}}_1{d}_t^k,t=1,2,\mathrm{...},n;0<{\mathrm{\&alpha;}}_1<1$

7.利用隐层各单元误差输入向量X_k、修正连接权值w_ij和阈值θ_j，修正公式如下：

$w_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&Delta;w}}_{ij}(N+1)=w_{ij}\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k{x}_i^k$

$\begin{array}{c}{\mathrm{\&theta;}}_j(N+1)={\mathrm{\&theta;}}_j\left(N\right)+{\mathrm{\&Delta;\&theta;}}_j(N+1)={\mathrm{\&theta;}}_t\left(N\right)+{\mathrm{\&alpha;}}_2{e}_j^k\\ i=1,2,\mathrm{...},m;j=1,2,\mathrm{...},q;0<{\mathrm{\&alpha;}}_2<1\end{array}$

8.选取下一组模式输入，返回到步骤2，重新开始训练，直到训练完所有模式，最后对所有的实际输出与期望输出的误差平方求和，得到误差E，将误差E作为网络收敛的检验标准。

$E=\left(\underset{k=1}{\overset{p}{\&Sigma;}}{E}_k\right)=\frac{1}{2}\underset{k=1}{\overset{p}{\&Sigma;}}\underset{k=1}{\overset{p}{\&Sigma;}}{(y_t^k-c_t^k)}^2$

给定网络收敛的阈值，如果误差E小于给定的阈值，则神经网络是收敛的；如果误差E大于给定阈值，则随机从样本中取一组输入重新训练网络，直至网络的误差E小于给定的阈值；

BP神经网络的输出为(0,1,0,0,0,0,0)、(1,0,0,0,0,0,0)、(0,0,0,1,0,0,0)、(0,0,1,0,0,0,0)、(0,0,0,0,0,1,0)、(0,0,0,0,1,0,0)、(0,0,0,0,0,0,1)

分别表示内圈轻微故障、内圈严重故障、外圈轻微故障、外圈严重故障、滚动体轻微故障、滚动体严重故障、无故障。