一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935153A(43)申请公布日2023.04.07(21)申请号202310015478.0(22)申请日2023.01.06(71)申请人香港理工大学深圳研究院地址518057广东省深圳市南山区粤海街道高新技术产业园南区粤兴一道18号香港理工大学产学研大楼205室(72)发明人王友武倪一清郑有梁(74)专利代理机构深圳市君胜知识产权代理事务所(普通合伙)44268专利代理师谢松(51)Int.Cl.G06F18/20(2023.01)G06F18/21(2023.01)G01M13/045(2019.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法(57)摘要本发明公开了一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，包括：通过若干个传声器获取列车行驶过程中轴承的观测声学信号；基于贝叶斯盲源分离模型，根据观测声学信号确定若干个故障源的声源信号；对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置。通过传声器获取列车在行驶过程中轴承所产生的声音，形成观测声学信号，并基于贝叶斯盲源分离模型，从观测声学信号中分离出各故障源的声源信号，针对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，实现轴承的故障诊断。采用贝叶斯盲源分离模型对观测声学信号进行分离，分离出轴承上故障源的声源信号，降低了轴承故障诊断的难度。CN115935153ACN115935153A权利要求书1/2页1.一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，包括步骤：通过若干个传声器获取列车行驶过程中轴承的观测声学信号；基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号；对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置；所述贝叶斯盲源分离模型为：其中，表示联合概率后验分布，表示正比于，表示观测声学信号的似然函数，表示故障源的声源信号的先验分布，表示平方指数核函数的方差，表示混合矩阵的先验分布，表示方差的先验分布，表示特征尺度的先验分布，表示对角协方差矩阵的先验分布，表示连乘积，表示时间，表示观测声学信号的截止时间，表示正态分布，表示噪声水平，表示时间的观测声学信号，表示时间的故障源的声源信号，表示时间的噪声水平。2.根据权利要求1所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，所述故障源的声源信号的先验分布为：其中，表示广义帕累托分布，表示第个故障源的声源信号，表示转置，表示故障源的数量，表示第个故障源的平方指数核函数的方差，表示第个故障源的特征尺度，表示核函数自变量，表示比例因子，表示以自然常数为底的指数函数；所述混合矩阵的先验分布为：其中，表示混合矩阵中第行第列的元素，表示的方差。3.根据权利要求2所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，所述方差的先验分布为：其中，表示逆伽马分布，，表示超参数；所述特征尺度的先验分布为：2CN115935153A权利要求书2/2页其中，表示伽马分布，表示第个故障源的特征尺度，，表示超参数；所述对角协方差矩阵的先验分布为：其中，表示对角协方差矩阵的对角线上第个方差，，表示超参数。4.根据权利要求1所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，所述对每一个故障源的声源信号进行频谱分析，确定轴承的损伤位置，包括：对每一个故障源的声源信号进行频谱分析，计算每一个故障源对应的频率；确定所述频率中的异常频率；根据所述异常频率，确定轴承的损伤位置。5.根据权利要求1所述的基于贝叶斯盲源分离技术的列车轴承故障诊断方法，其特征在于，所述基于贝叶斯盲源分离模型，根据所述观测声学信号确定若干个故障源的声源信号，包括：利用马尔可夫链蒙特卡罗算法，根据所述观测声学信号估算贝叶斯盲源分离模型中联合概率后验分布的各个变量的概率分布，以确定若干个故障源的声源信号。6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。3CN115935153A说明书1/7页一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法技术领域[0001]本发明涉及列车的轴承故障检测技术领域，尤其涉及的是一种基于贝叶斯盲源分离技术的列车轴承故障诊断方法。背景技术[0002]高速铁路的发展对车辆走行部的安全提出更高要求，滚动轴承作为铁路列车走行部的关键部件，对车辆安全性起着非常重要的作用。在列车运行过程中，轴承是发生故障的主要部位，且