一种基于PHM的客车车辆轴承健康状态预测方法及系统与流程

本发明涉及铁路客车故障预测与健康管理领域，更具体地，涉及一种基于phm的客车车辆轴承健康状态预测方法及系统。

背景技术：

1、轴承作为客车车辆转向架的关键零部件，通过轴承外圈、滚动体和轴承内圈联系转向架构架和轮对，使轮对的旋转转化为构架沿着轨道纵向的平动。它不仅要承受车辆静态压力，还要受运行过程中轮轨间的径向非稳定动态载荷。由于轴承在十分恶劣复杂的工况下服役，使得轴承经常在达到额定寿命前失效，对车辆运行安全带来隐患。

2、目前客车车辆的轴承健康状态主要是依靠轴温和随车人员进行判断，这种诊断方式不仅效率低下，浪费人力物力，而且难以发现轴承内部早期的故障。phm技术可以通过客车车辆的轴承在转动过程中的振动数据，对其进行健康状态预测，既能改善轴承检修体制，提高检修效率，还可以保证车辆的安全运行。在前期建模中，合理地提取特征和准确地选取预测模型是phm技术的基础和关键，因此本发明提出了一种基于phm的客车车辆轴承健康状态预测方法，给客车车辆的轴承健康状态预测提供技术支持。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种基于phm的客车车辆轴承健康状态预测方法及系统，起到保证车辆的安全运行，提高客车车辆的轴承故障诊断效率，节约人力物力。

2、根据本发明的第一方面，提供了一种基于phm的客车车辆轴承健康状态预测方法，包括以下步骤：

3、采集轴承全生命周期的振动信号，建立轴承健康状态预测数据集；将所述健康状态预测数据集划分为训练数据集与测试数据集；

4、对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量；对提取后的特征向量进行无限特征选择，选取前几个特征组成新的特征集；

5、将特征集中的特征向量输入到长短期记忆神经网络分类器，利用交叉熵损失函数对模型进行训练，计算每次网络迭代的误差；

6、将测试数据集送入训练模型，获取网络输出参数，输出轴承健康状态在不同时期的分类结果。

7、在上述技术方案的基础上，本发明还可以作出如下改进。

8、可选的，所述采集轴承全生命周期的振动信号主要包含：对采集的轴承分别进行时域分析、频域分析和时频分析；其中，

9、时域分析：收集峰值、均值、方差、峭度、偏斜度统计参数，振动信号的包络分析，通过希尔伯特变换或波形因子分析来提取包络谱中的故障频率；

10、频域分析：通过快速傅里叶变换将时域信号转换为频域信号，识别出特定的频率成分；谱峭度分析，用于检测微弱的故障信号；

11、时频分析：短时傅里叶变换，用于分析非平稳信号。

12、可选的，所述状态预测数据集按3：1划分为训练数据集与测试数据集。

13、可选的，所述对不同健康状态的轴承振动信号进行熵值计算包括：

14、利用复合多尺度排列熵算法，对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量。

15、可选的，所述对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量包括：

16、设置每组样本数据点数、嵌入维数、延迟时间和尺度因数；

17、对时间序列进行粗粒化，得到新的粗粒化序列；

18、计算每个尺度因子下粗粒化序列的排列熵值，求出排列熵的平均值，根据排列熵的平均值得到每一个尺度因子下的复合多尺度排列熵值；

19、计算不同健康状态下轴承振动信号的复合多尺度排列熵值，得到反映信号复杂性的特征向量。

20、可选的，所述根据排列熵的平均值得到每一个尺度因子下的复合多尺度排列熵值表示为：

21、

22、式中，m为嵌入维数，λ为延迟时间；cmpe表示为复合多尺度排列熵值，

23、cmpe的熵值越小，说明时间序列越规则；反之，则时间序列越接近随机。

24、可选的，所述对提取后的特征向量进行无限特征选择包括：

25、利用无限特征选择算法，对提取后的特征向量进行选择。

26、可选的，所述利用交叉熵损失函数对模型进行训练评估，交叉熵计算公式为：

27、

28、式中，p(x)表示目标概率分布，q(x)表示输出概率分布。

29、可选的，所述计算每次网络迭代的误差包括:

30、在每次迭代中，模型都会根据前向传播的结果和真实标签计算损失，并通过反向传播调整权重以最小化所述损失；所述误差表示为损失函数的值，在训练过程中，损失值随迭代次数增加而逐渐减小，直到收敛。

31、根据本发明的第二方面，提供一种基于phm的客车车辆轴承健康状态预测系统，包括：

32、数据采集模块，用于采集轴承全生命周期的振动信号，建立轴承健康状态预测数据集；将所述健康状态预测数据集划分为训练数据集与测试数据集；

33、特征向量提取模块，用于对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量，对提取后的特征向量进行无限特征选择，选取前几个特征组成新的特征集；

34、模型训练模块，用于将特征集中的特征向量输入到长短期记忆神经网络分类器，利用交叉熵损失函数对模型进行训练评估，计算每次网络迭代的误差；

35、测试模型分类模块，用于将测试数据集送入训练模型，获取网络输出参数，输出轴承健康状态在不同时期的分类结果。

36、本发明的技术效果和优点：

37、本发明提出了一种基于phm的客车车辆轴承健康状态预测方法及系统，保证了车辆的安全运行，提高了客车车辆的轴承故障诊断效率，节约了人力物力。本发明明确了客车车辆轴承振动信号特征提取的方法，对于多种不同故障的轴承振动信号，可以得出不同的特征。本发明建立了客车车辆轴承健康状态预测模型，通过此模型，能满足多种轴承故障振动信号的分类。

技术特征：

1.一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述采集轴承全生命周期的振动信号包括：

3.根据权利要求1所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述状态预测数据集按3：1划分为训练数据集与测试数据集。

4.根据权利要求1所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述对不同健康状态的轴承振动信号进行熵值计算包括：

5.根据权利要求4所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量包括：

6.根据权利要求5所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述根据排列熵的平均值得到每一个尺度因子下的复合多尺度排列熵值表示为：

7.根据权利要求1所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述对提取后的特征向量进行无限特征选择包括：

8.根据权利要求1所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述利用交叉熵损失函数对模型进行训练评估，交叉熵计算公式为：

9.根据权利要求8所述的一种基于phm的客车车辆轴承健康状态预测方法，其特征在于，所述计算每次网络迭代的误差包括:

10.一种基于phm的客车车辆轴承健康状态预测系统，其特征在于，包括：

技术总结本发明提供一种基于PHM的客车车辆轴承健康状态预测方法及系统，所述方法包括：采集轴承全生命周期的振动信号，建立轴承健康状态预测数据集；将所述健康状态预测数据集划分为训练数据集与测试数据集；对不同健康状态的轴承振动信号进行熵值计算，从不同健康状态的轴承中提取特征向量；对提取后的特征向量进行无限特征选择，选取前几个特征组成新的特征集；将特征集中的特征向量输入到长短期记忆神经网络分类器，利用交叉熵损失函数对模型进行训练，计算每次网络迭代的误差；将测试数据集送入训练模型，获取网络输出参数，输出轴承健康状态在不同时期的分类结果。本发明保证了车辆的安全运行，提高了客车车辆的轴承故障诊断效率，节约了人力物力。技术研发人员：杨鸿泰,董云松,谢钦,周小斌,舒冬,种传强,李成洋,王德威,代刚,张明,占俊,李威,程春阳,陈东,赵文涛受保护的技术使用者：中铁第四勘察设计院集团有限公司技术研发日：技术公布日：2024/11/18