r>[0032] 信號采集模塊，用于采集不同故障類型下機(jī)車走行部滾動軸承的振動加速度數(shù) 據(jù)，并根據(jù)故障類型對數(shù)據(jù)進(jìn)行分組，總組數(shù)為A，所述四種不同故障類型包括：正常信號、 內(nèi)圈故障、外圈故障和滾動體故障；
[0033] 信號處理模塊，用于根據(jù)分組后的振動加速度數(shù)據(jù)，得到所述振動加速度數(shù)據(jù)的 頻域信號；
[0034] 特征集建立模塊，用于對所述頻域信號進(jìn)行三層小波包分解，并構(gòu)建故障特征 集；
[0035] 特征集劃分模塊，用于將所述故障特征集進(jìn)行隨機(jī)排列，將前B組作為訓(xùn)練集，后 C組作為測試集，其中，B+C = A，B>C ;
[0036] 模型建立模塊，用于采用樸素貝葉斯分類器對所述B組訓(xùn)練集進(jìn)行訓(xùn)練，建立基 于樸素貝葉斯的機(jī)車走行部滾動軸承故障診斷模型；
[0037] 模型評估模塊，用于根據(jù)所述故障診斷模型對所述C組測試集進(jìn)行分類，根據(jù)分 類結(jié)果結(jié)合所述故障特征集評估故障診斷模型的分類性能。
[0038] 在上述技術(shù)方案中，所述信號處理模塊包括：
[0039] 信號去噪子模塊，用于對所述分組后的振動加速度數(shù)據(jù)進(jìn)行消除趨勢項(xiàng)處理，去 除所述振動加速度數(shù)據(jù)中的噪聲；
[0040] 時(shí)域分析子模塊，用于對消除趨勢項(xiàng)后的振動加速度數(shù)據(jù)信號進(jìn)行二次積分得到 位移信號，即得到時(shí)域分析后的時(shí)域信號；
[0041] 頻域分析子模塊，用于對所述時(shí)域信號進(jìn)行快速傅里葉變換，得到頻譜分析后的 頻域信號。
[0042] 在上述技術(shù)方案中，所述特征集建立模塊包括：
[0043] 小波包分解子模塊，用于對去噪后的A組頻域信號進(jìn)行三層小波包分解，每組信 號得到8個(gè)頻域分量 fl/8, f*2/8, f*3/8, f*4/8, 6/8, f*6/8, 4/8, f的信號；
[0044] 向量構(gòu)建子模塊，用于計(jì)算所述頻域信號的各個(gè)頻域分量的能量E1/8, E2/8, E3/8, E4 /8^5/8^6/8^ 7/8^，構(gòu)建八*8的能莖特征向莖1 -盡8為8名8，五4,8，五5 8，五6 8，五7 8，^':*其中1為 A組信號中的第i組，每個(gè)頻域分量的能量可以表示為：￡ = ，其中Xk為小波包分解 左=1 系數(shù)中的各個(gè)元素，小波包分解系數(shù)是一個(gè)矩陣，N為小波包分解系數(shù)的長度，k的取值為 I-N ；
[0045] 特征集構(gòu)建子模塊，用于根據(jù)所述A*8的能量特征向量和故障類型，構(gòu)建（A+1) *8 的故障特征集s = KUOA，其中Yi e {1，2, 3, 4}，為故障類型。
[0046] 在上述技術(shù)方案中，所述模型建立模塊包括：
[0047] 貝葉斯分類子模塊，用于采用樸素貝葉斯分類器對所述B組訓(xùn)練集進(jìn)行訓(xùn)練，確 定樸素貝葉斯分類后的結(jié)構(gòu)、故障類型概率表及推理引擎；
[0048] 模型構(gòu)建子模塊，用于根據(jù)所述樸素貝葉斯分類后的結(jié)構(gòu)、故障類型概率表及推 理引擎，構(gòu)建基于樸素貝葉斯的機(jī)車走行部滾動軸承故障診斷模型，所述故障診斷模型包 括樸素貝葉斯結(jié)構(gòu)、故障類型概率表及推理引擎。
[0049] 在上述技術(shù)方案中，所述模型評估模塊包括：
[0050] 故障對應(yīng)子模塊，用于根據(jù)所述C組測試集中每組數(shù)據(jù)的8個(gè)頻域分量的能量和 所述故障診斷模型，得到每組數(shù)據(jù)在所述故障診斷模型中對應(yīng)的故障類型；
[0051] 故障比對子模塊，用于將所述對應(yīng)的故障類型與所述故障特征集中每組數(shù)據(jù)對應(yīng) 的故障類型進(jìn)行比對，根據(jù)兩者一致的組數(shù)多少確定所述故障診斷類型分類性能的高低。
[0052] 本發(fā)明的機(jī)車走行部滾動軸承故障診斷裝置，模型訓(xùn)練時(shí)間更短，分類準(zhǔn)確率更 高。將小波包和樸素貝葉斯分類方法引進(jìn)到機(jī)車走行部滾動軸承故障診斷中，為機(jī)車走行 部滾動軸承故障診斷提供了理論基礎(chǔ)，對列車的安全運(yùn)行具有重要意義?；谛〔ò蜆?素貝葉斯分類的機(jī)車走行部滾動軸承故障診斷方法，適合于復(fù)雜、動態(tài)的環(huán)境，可以大大提 高機(jī)車走行部滾動軸承故障診斷的速度和準(zhǔn)確度，是解決機(jī)車走行部滾動軸承故障診斷問 題的有效途徑，也可將該方法推廣應(yīng)用至冶金、化工、航空等其他領(lǐng)域。
[0053] 本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變 得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過在所寫的說明 書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。
[0054] 下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。
【附圖說明】
[0055] 附圖用來提供對本發(fā)明的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實(shí) 施例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中：
[0056] 圖1為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷方法的流程圖；
[0057] 圖2為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷方法的步驟S102的流程 圖；
[0058] 圖3為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷方法的步驟S103的流程 圖；
[0059] 圖4為本發(fā)明實(shí)施例的三層小波包分解的示意圖；
[0060] 圖5為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷方法的步驟S105的流程 圖；
[0061] 圖6為本發(fā)明實(shí)施例的樸素貝葉斯分類的結(jié)構(gòu)示意圖；
[0062] 圖7為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷方法的步驟S106的流程 圖；
[0063] 圖8為本發(fā)明實(shí)施例中使用訓(xùn)練集構(gòu)建的樸素貝葉斯故障診斷模型對測試集的 分類結(jié)果示意圖；
[0064] 圖9為本發(fā)明實(shí)施例的機(jī)車走行部滾動軸承故障診斷裝置的結(jié)構(gòu)示意圖；
[0065] 圖10為本發(fā)明實(shí)施例的信號處理模塊的結(jié)構(gòu)示意圖；
[0066] 圖11為本發(fā)明實(shí)施例的特征集建立模塊的結(jié)構(gòu)示意圖；
[0067] 圖12為本發(fā)明實(shí)施例的模型建立模塊的結(jié)構(gòu)示意圖；
[0068] 圖13為本發(fā)明實(shí)施例的模型評估模塊的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0069] 下面結(jié)合附圖，對本發(fā)明的【具體實(shí)施方式】進(jìn)行詳細(xì)描述，但應(yīng)當(dāng)理解本發(fā)明的保 護(hù)范圍并不受【具體實(shí)施方式】的限制。
[0070] 為了解決現(xiàn)有技術(shù)中存在的機(jī)車走行部滾動軸承故障診斷準(zhǔn)確率較低、建立診斷 模型耗時(shí)較長的問題，本發(fā)明提出了一種基于小波包和樸素貝葉斯分類的機(jī)車走行部滾動 軸承故障診斷方法和裝置。使用小波包分解從原始數(shù)據(jù)中提取故障特征集，利用樸素貝葉 斯分類方法的學(xué)習(xí)能力和推理作機(jī)車走行部滾動軸承的故障診斷，為機(jī)車走行部滾動軸承 故障診斷和狀態(tài)監(jiān)測的研宄提供了一種新方法，進(jìn)一步保證了機(jī)車的性能和列車的安全。
[0071] 該方法首先獲取樣本數(shù)據(jù)（本發(fā)明中為振動加速度數(shù)據(jù)信號），然后去除數(shù)據(jù)中 的趨勢項(xiàng)進(jìn)行消噪，經(jīng)過兩次積分得到位移信號，即獲取時(shí)域信號。對時(shí)域信號作傅里葉變 換，將時(shí)域信號轉(zhuǎn)成頻域信號。通過三層小波包變換構(gòu)造故障特征集，將故障特征集隨機(jī)排 列后分為訓(xùn)練集和測試集，利用訓(xùn)練集建立故障診斷模型，即樸素貝葉斯分類模型，使用測 試集對樸素貝葉斯分類模型的性能進(jìn)行測試，本發(fā)明能夠快速、準(zhǔn)確地預(yù)測和診斷機(jī)車走 行部滾動軸承的故障。
[00