CN108304960A - 一种轨道交通设备故障诊断方法 - Google Patents
一种轨道交通设备故障诊断方法 Download PDFInfo
- Publication number
- CN108304960A CN108304960A CN201711474440.0A CN201711474440A CN108304960A CN 108304960 A CN108304960 A CN 108304960A CN 201711474440 A CN201711474440 A CN 201711474440A CN 108304960 A CN108304960 A CN 108304960A
- Authority
- CN
- China
- Prior art keywords
- transit equipment
- target track
- fault
- equipment
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 36
- 230000001537 neural effect Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000004927 fusion Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008439 repair process Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 210000004218 nerve net Anatomy 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种轨道交通设备故障诊断方法，包括：基于目标轨道交通设备的运行信息，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。本发明基于多传感器信息融合技术，利用人工智能神经网络，建立了智能故障预报和诊断模型，可以为交通设备检修维护提供依据，从而降低企业成本，实现按需检修和维护。
Description
技术领域
本发明涉及人工智能技术领域，更具体地，涉及一种轨道交通设备故障诊断方法。
背景技术
经济的飞速发展带来电力、石化、航空航天、交通运输等各行业大量设备的更新和系统复杂程度的提高。为了保障安全，避免不必要的经济损失，需要对这些设备进行管理与维护。
利用设备智能故障诊断技术，可以有效进行设备的按需维护，动态预测设备使用寿命；可以快速诊断已发生故障的设备故障类型，做到快速维修，减少停机时间，提高生产效率。并且能够在保证安全的情况下，有效降低企业成本。
另外，如果在早期给出设备的运行状态，就能实现故障的预测，降低故障发生率，从而可以大大提高设备的运行质量。
许多故障诊断技术可以用于轨道交通设备的智能监控系统，如采用多个通用传感器，通过故障信息数据的处理，快速识别可能产生故障的类别和部位，通过预报，实现设备的按需维护等。
但是，目前的故障诊断方法或者预测方法都不能对未知的或者未发生的故障做到有效识别或者精准识别，所采用的样本数量少，从而无法真正做到智能诊断或者智能预测，对于故障的及时发现和高效维护起不到有益的作用。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种轨道交通设备故障诊断方法，用以有效进行目标轨道交通设备的智能故障诊断或预测，实现设备故障的技术发现和高效维护。
本发明提供一种轨道交通设备故障诊断方法，包括：基于目标轨道交通设备的运行信号，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。
进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括：基于所述目标轨道交通设备的所有特征量信号采集点和所有典型故障类型，构建初始神经网络模型；提取所述目标轨道交通设备的振动信号频谱中的待诊断故障样本，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，形成训练样本；利用所述训练样本训练所述初始神经网络模型，获取所述神经网络故障诊断模型。
其中，所述运行信号为设备振动信号的频谱向量，所述设备振动信号的频谱向量表示设备的振动信号在不同波段上的相对能量。
其中，所述神经网络故障诊断模型采用RBF神经网络，所述RBF神经网络为单隐层RBF神经网络，所述RBF神经网络的隐层单元的转移函数是关于中心对称的径向基函数。
其中，所述RBF神经网络的单隐层的神经元传递函数采用S型正切函数tansig，输出层的神经元函数采用S型函数logsig。
进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括：读取所述目标轨道交通设备的振动信号，并将所述振动信号与其对应的故障或正常标签作为振动时序数据；对所述振动时序数据进行L2正则化处理，并将处理结果填充至矩阵中，形成矩阵组；对所述矩阵组进行初次卷积处理，并利用激活函数对初次卷积结果进行激活；对激活后的初次卷积结果进行下采样，并对下采样结果进行再次卷积处理，压缩所述振动时序数据的时间维度。
进一步的，所述方法还包括：将压缩后的所述振动时序数据输入所述RBF神经网络，经所述RBF神经网络的全连接层对整个网络进行细微特征提取；经过softmax层对网络输出进行处理，将网络输出定为故障与正常及二者的可能概率。
进一步的，所述方法还包括：利用给定误差公式，对照所述RBF神经网络输出的可能概率与所述标签，获取诊断误差；利用链式法则，获取每一权重对整体误差的影响比率，并按给定限值公式限制学习效率；基于所述诊断误差、所述每一权重对整体误差的影响比率和限制后的所述学习效率，通过反向传播对所述RBF神经网络的权重进行修正，直至所有权重达到收敛。
本发明提供的一种轨道交通设备故障诊断方法，以预报的方式来提高轨道交通设备的安全性、可靠性和舒适性。本发明基于多传感器信息融合技术，利用人工智能神经网络，建立了智能故障预报和诊断模型，可以为交通设备检修维护提供依据，从而降低企业成本，实现按需检修和维护。
附图说明
图1为本发明实施例一种轨道交通设备故障诊断方法的流程图；
图2为本发明实施例一种建立神经网络故障诊断模型的流程图；
图3为本发明实施例一种RBF神经网络的结构示意图；
图4为本发明实施例一种网络输入数据预处理的流程图；
图5为本发明实施例一种轨道交通设备故障诊断的RBF-LSTM网络结构示意图；
图6为本发明实施例一种反向传播修正网络参数的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，多数基于神经网络的故障诊断模型多采用多输入所输出的结构，通过一个复杂神经网络来构建多种故障模型的诊断，通过最近邻聚类的方式训练网络，基于隐层单元分配，实现输入和输出的直接映射关系，从而可以更优地确定故障。
其中，三层径向基神经网络(Radial Basis Function，RBF)是一种非线性多层前向网络，由输入层、隐层和输出层组成。隐层单元的转移函数是关于中心对称的径向基函数，可以在训练阶段自适应调整单元数量。
作为本发明实施例的一个实施例，本实施例提供一种轨道交通设备故障诊断方法，包括：基于目标轨道交通设备的运行信号，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。
可以理解为，总的来讲，基于从车站维护中心监控系统历史数据库中读取的交通设备信号，利用人工智能神经网络来融合多传感器信号，对交通设备的状态进行诊断。
首先利用车站设备的典型故障的输入输出信号作为人工神经网络的训练样本，进行网络模型的训练，使用tensorflow创建神经网络，使用故障样本数据训练网络，经过训练得到神经网络的故障诊断网络模型。故障诊断模型读取待诊断的数据,最后给出故障诊断预警的结果。
具体的，如图1所示，为本发明实施例一种轨道交通设备故障诊断方法的流程图，图1示出根据本发明实施例的基于神经网络进行轨道交通设备智能诊断方法的运行流程图。首先读取所采集的目标轨道交通设备的待诊断交通设备信号，即目标轨道交通设备运行中运行信号，基于该运行信号，利用根据交通设备典型故障的输入输出信号所训练获取的神经网络故障诊断模型，输出故障诊断结果。
其中，在一个实施例中，所述运行信号为设备振动信号的频谱向量。进一步的，所述设备振动信号的频谱向量表示设备的振动信号在不同波段上的相对能量。其中，由于列车上重要设备基本为旋转类设备，旋转类设备的故障可由振动信号在频域中不同波段上的相对能量来判断。
由于列车上重要设备基本为旋转类设备，因此旋转类设备的故障可由振动信号在频域中不同波段上的相对能量来判断。由于振动信号对设备的故障尤其敏感，所以可从设备振动信号的频谱中提取待诊断的故障样本，把每个故障类型的各个频段上的谱峰能量值作为故障特征量，形成标准训练样本来训练神经网络。
本发明实施例提供的一种轨道交通设备故障诊断方法，基于多传感器信息融合技术，利用人工智能神经网络，建立了智能故障预报和诊断模型，可以为交通设备检修维护提供依据，从而降低企业成本，实现按需检修和维护。
进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括如图2所示的处理流程，图2为本发明实施例一种建立神经网络故障诊断模型的流程图，包括：
S01，基于所述目标轨道交通设备的所有特征量信号采集点和所有典型故障类型，构建初始神经网络模型；
S02，提取所述目标轨道交通设备的振动信号频谱中的待诊断故障样本，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，形成训练样本；
S03，利用所述训练样本训练所述初始神经网络模型，获取所述神经网络故障诊断模型。
可以理解为，本实施例先根据目标轨道交通设备的运行信号进行神经网络故障诊断模型的建立。将交通设备典型故障的输入输出信号作为人工神经网络的训练样本，进行神经网络模型的训练。
步骤S01中先进行目标神经网络的初始化，包括确定神经网络的结构以及神经网络各节点的激励函数、初始权重等。神经网络的结构确定包括隐含层数、输入节点数、输出节点数、隐含层节点数等。具体根据目标轨道交通设备的所有特征量信号采集点数，即传感器输入的通道数，确定神经网络的输入节点数及输入节点激励函数。根据目标轨道交通设备的所有典型故障类型，确定神经网络的输出节点数及输出节点激励函数。考虑到数据处理能力，确定隐含层的层数，并确定各隐含层节点的个数及激励函数。
根据目前列车的统计，有15种常见故障：转向架一系减震故障，转向架二系空簧故障，转向架蛇形减震器故障，齿轮箱震动异常故障，齿轮箱油液温度异常，齿轮箱轴温异常，齿轮箱啮合故障，IGBT冷却故障，IGBT输出功率故障，电机震动异常，电机电压异常，电机电流异常，车体震动异常，车体气密门故障，构架震动异常。
步骤S02可以理解为，在初始化建立初始神经网络模型之后，需要采用一定的训练样本对该模型进行训练，以得到计算结果更精确的网络模型。在一个实施例中，由于振动信号对设备的故障尤其敏感，可以从目标轨道交通设备运行过程中各传感器采集到的振动信号的频谱中提取待诊断的故障样本，把每个故障类型的各个频段上的谱峰能量值作为故障特征量，形成标准训练样本来训练所述神经网络。即首先提取目标轨道交通设备的振动信号的频谱中的对应故障数据，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，构成训练样本。
步骤S03可以理解为，在根据上述步骤获取初始化后的神经网络模型，并建立了对应的训练样本集合之后，利用步骤S02中获取的训练样本训练初始化后的神经网络模型。训练好的神经网络即为所述的神经网络故障诊断模型。
其中，在使用人工智能系统来创建神经网络模型时，使用上述故障的训练样本数据训练所创建的神经网络，得到神经网络的故障诊断网络模型。其中，人工智能系统可以是基于DistBelief进行研发的第二代人工智能学习系统tensorflow。
其中，在一个实施例中，神经网络采用RBF网络，利用RBF网络来构建传感器数据融合和诊断。如图3所示，为本发明实施例一种RBF神经网络的结构示意图，可以知道，RBF网络有生理学基础，具有网络结构简单、学习速度快和优良的逼近性能等特点。RBF网络克服了网络存在局部最小问题，在多维曲面拟合、自由曲面重构和大型设备故障诊断等领域有着比较多的应用。
使用RBF网络对多特征进行融合处理，输出提取特征后，利用循环神经网络对时间维度特征进行提取，以此来判断故障的类型，可能发生故障的概率。神经网络采用RBF网络将多传感器数据特征融合并提取所需的的融合特征作为输出，循环神经网络将根据输出的特征与时间维度相结合，最终输出可能的故障类型与故障概率。
其中，RBF神经网络的输出为：
式中，X表示输入向量，i＝1,2,...,m，m表示隐含层神经元的总个数，wi表示输出权重，hi(X)表示故障诊断网络模型隐含层神经元的输出，f(X)表示故障诊断网络模型的整体输出。
神经网络故障诊断模型的隐含层神经元的输出h(X)为：
h(X)＝R1(||X-C||)；
式中，X表示输入向量，C表示中心向量，h(X)表示故障诊断网络模型隐含层神经元的输出，R()表示高斯函数。
高斯函数R()的目的是求X和C两者分布，使用的方法是高斯函数，这里取高斯标准公式，如下：
式中，X表示输入向量，C表示中心向量，R()表示高斯函数，δ表示正态分布参数，δ＝1时为标准正态分布，这里δ取1。
其中，R()具有局部感受的特点，仅在高斯函数的中心C附近才会有较强的输出，远离中心的输出几乎为零；如果中心选择合适，用较少的神经元就可获得很好的效果。
在一个实施例中，本发明采用单隐层的RBF网络。考虑到列车上轴温，齿轮箱油温等温度信息，IGBT等电压电流信息也十分重要，这就需要整个神经网络对多信息的融合处理能力。具体根据每辆列车车厢1个、转向架2个、电机2个以及构架1个，共计设置震动传感器6个。另外，设置电压、电流传感器各1个、轴温传感器1个以及齿轮箱油温传感器1个，与6个传感器一起共计10个传感器。因此输入向量为10个元素，设置网络输入层的神经元有10个。
输出神经元越多，另计算机表达的空间越大，但计算量也会成倍增长，选择输出的个数一般根据经验、计算机的计算能力、输入数据矩阵大小等因素考虑。根据目标轨道交通的典型故障类型，同时考虑输出的矩阵shape为多少，根据上述设置的输出矩阵shape为【batch,8】，此处设置输出神经元个数为8个。相当于分配8个维度用于表达之前收集到的数据。
由经验公式可知：
式中，n，m分别为输入、输出神经元个数，n1为中间层神经元个数，a表示经验常数。
于是，可取隐含层神经元个数为13个。
其中可选的，所述RBF神经网络的单隐层的神经元传递函数采用S型正切函数tansig，输出层的神经元函数采用S型函数logsig。其中，该神经元传递函数能够自适应地选择网络结构和最优聚类中心，使网络在满足分类精度要求的情况下，具有最简洁的结构。
本发明实施例基于多传感器信息融合技术，利用神经网络，建立智能故障预报和诊断模型，为车站设备检修维护提供依据，降低企业成本,实现按需检修和维护。
进一步的，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，所述方法还包括如图4所示的处理流程，图4为本发明实施例一种网络输入数据预处理的流程图，包括：
S11，读取所述目标轨道交通设备的振动信号，并将所述振动信号与其对应的故障或正常标签作为振动时序数据。
可以理解为，首先针对输入数据进行预处理。每一组输入数据包括振动信号与其对应的标签，其中，该标签包括故障与正常，对应为0和1，这一组数据为振动时序数据。
S12，对所述振动时序数据进行L2正则化处理，并将处理结果填充至矩阵中，形成矩阵组。
在一个实施例中，正常处理数据会让神经网络过拟合，因此需要一种方法来降低过拟合。对该数据进行预处理包括对振动数据进行L2正则化，其中，
式中，R(ω)表示高斯函数，ωi表示矩阵第i个维度的权重，n表示矩阵的总维数。
L2正则化为常见的正则化方式，其中ω为之前RBF网络的权重，这里取所有权重的和来作为正则项。这样通过梯度下降的算法时，就会让整体ω变小。整体变小后可以理解整个网络维度空间都降低了，因此计算复杂度也就降低，过拟合只会出现在高维度网络空间内。
之后，将正则化后的数据填充进一个60*40的矩阵，取7个矩阵为一组，新组成的矩阵维度分别代表[batch，x，y，1，7]。
S13，对所述矩阵组进行初次卷积处理，并利用激活函数对初次卷积结果进行激活。
可以理解为，对于上述步骤获取的矩阵组，用两个7*7*3的卷积分别对5个频道分别进行卷积，并利用激活函数tanh对卷积结果进行激活，公式如下：
式中，w表示权重，i、j、m分别表示对三个矩阵的维度，v表示输入矩阵，x、y、z表示输入矩阵维度，P、Q、R表示输入矩阵与w矩阵相乘所需维度。
其中，上述卷积计算公式分辨对每一个频道进行卷积，卷积即为加权累加和的方式，这里因为有4个频道，每个频道都要重新加权累加，b为bias。为防止加权为0的情况出现，导致神经网络没法进行反向传播，w对应的是每个频道上的权重，b是网络bias，这两个数据都是神经网络需要反向传播更新的数据。
因padding选择了valid，因此卷积后map大小为54*34。
S14，对激活后的初次卷积结果进行下采样，并对下采样结果进行再次卷积处理，压缩所述振动时序数据的时间维度。
可以理解为，对激活后的初次卷积结果，首先进行下采样。采用2*2的最大池化层，步长为2。下采样后为了提取更多的特征，用3个7*6*3的卷积核对结果进行卷积，之后进行3*3的最大池化，步长依旧为2。在进行两次3D卷积后，时间上的维度已经被压缩，无法再次进行3D卷积。
因此，对每个结果进行7*4的卷积激活函数依然为tanh，最后进行扁平化，经过几次池化与卷积，本层已经只有被压缩，只有[batch，128]的维度。经过这些预处理后，将处理后数据送入RBF网络。
其中，RBF网络输入为10个元素，因此batch为10，中间层为13个节点，输出为8个节点，全部为全连接层。除去输出层用logsig函数进行激活，其余都使用tansig函数进行激活处理。
根据上述实施例，神经网络可以对多传感器数据进行融合，并提取对神经网络有用的数据特征量。之后将提取的特征送入注意力(attention)层。Attention层的作用是筛选所需要的数据。
首先，将RBF网络输出矩阵[batch，8]根据时间轴进行堆叠。根据列车传感器采样率，设置100个时间步为一个诊断周期，矩阵reshape为[batch,100,8]。之后利用attention机制，有选择性的筛选所需要的输出矩阵。选择函数为：
St＝f(St-1,yt-1,ct)；
式中，st-1表示上一时刻输入状态值，yt-1表示上一时刻输出，ct表示达标RBF网络输出经过attention层后的编码矩阵，a表示权重，h表示没经过一个时间步网络的中间输出，j表示时间维度，根据上述实施例，这里为100。
其中，此处采用注意力机制的方法。已知网络输出是100个时间步的累积，每次交给LSTM为一个时间步，为了让这些时间步有所联系，可以采用平均相加的方法来处理100个时间步，让其降低维度到32维度。但会使每一个时间步的数据相当于平均折损达68％。实际情况可能有些时间步的数据重要，有些并不重要，因此此处引入权值，让权值来分配每个时间步的折损情况。权值为atj，hj为每个时间步。
输入100组数据，attention层根据数据权重分布的不同，计算哪些数据可以保留，哪些数据可以放弃。
进一步的，所述方法还包括：将压缩后的所述振动时序数据输入所述RBF神经网络，经所述RBF神经网络的全连接层对整个网络进行细微特征提取；经过softmax层对网络输出进行处理，将网络输出定为故障与正常及二者的可能概率。
可以理解为，在上述实施例的基础上，进行softmax归一化，将整个100组数据抛弃和保留权重总和相加为1。最后将原始输入矩阵[batch,100,8]*ct矩阵，输出为[batch,32,8]。其中100组数据根据权重筛选，保留32组。
之后，如图5所示，attention层输出输入至LSTM网络。图5为本发明实施例一种轨道交通设备故障诊断的RBF-LSTM网络结构示意图。每一个时刻的数据和上一时刻隐藏时刻作为输入，每一时刻的输出作为输出矩阵之一。经LSTM对整个网络的细微特征提取后，根据输出要求，按上述15种轨道交通设备典型故障，将输出定为15类。
经全连接层对整个网络的细微特征提取后，根据输出要求，将输出定为故障与正常两类。因此，经过softmax层对全部的输出进行处理，并输出每一种可能的概率。其中，Softmax公式如下：
式中，e表示自然对数，f()表示tanh变换函数。
其中，该式进行权值的计算，公式中f代表的是一种非线性变换函数，这里可以去tanh为变换函数。通过对权值进行softmax计算来进行归一化。
进一步的，所述方法还包括如图6所示的处理流程，图6为本发明实施例一种反向传播修正网络参数的流程图，包括：
S21，利用给定误差公式，对照所述RBF神经网络输出的可能概率与所述标签，获取诊断误差；
S22，利用链式法则，获取每一权重对整体误差的影响比率，并按给定限值公式限制学习效率；
S23，基于所述诊断误差、所述每一权重对整体误差的影响比率和限制后的所述学习效率，通过反向传播对所述RBF神经网络的权重进行修正，直至所有权重达到收敛。
首先步骤S21可以理解为，利用给定误差公式，根据输出的概率与标签进行对照，可以得出误差。在数据的反向传播过程中，通过计算目标值于输出值的方差来来计算梯度。其中给定误差公式如下：
式中，E表示计算误差，target表示标签值，output表示网络实际预测输出。
利用误差公式，可以通过反向传播进行权重修正。
步骤S22可以理解为，利用链式法则，可以求每一权重对整体误差的贡献，进而更新权重。为防止更新权重无法收敛，需要对学习速率η进行限制，具体可根据下式进行：
式中，E表示方差输出，w表示权重，out1至out n-1分别表示中间层1至n-1层网络输出，η表示学习率常数，一般取0.9-0.95。
其中，根据之前的计算误差对每一个w权重求解偏导数。所有偏导数可以构成一个向量，这个向量指向这个函数值上升最大的方向，为了寻找最低点，需要反向利用这个限量，通过对w求偏导数获取。
经过不断的训练，权重将不断更新，最终达到收敛，以确定输出。
可以知道，上述训练过程，在实际应用中，也可以是具体的待诊断数据的处理过程，也是基于待诊断数据进行设备诊断的处理过程，由于处理方式相似，本领域普通技术人员可以根据上述描述明白具体的诊断处理过程和数据处理方式，在此不再赘述。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种轨道交通设备故障诊断方法，其特征在于，包括：
基于目标轨道交通设备的运行信号，利用基于所述目标轨道交通设备的典型故障输入输出信号训练获取的神经网络故障诊断模型，获取故障诊断结果或者预测结果。
2.根据权利要求1所述的方法，其特征在于，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，还包括：
基于所述目标轨道交通设备的所有特征量信号采集点和所有典型故障类型，构建初始神经网络模型；
提取所述目标轨道交通设备的振动信号频谱中的待诊断故障样本，以每种故障类型对应的各频段上的谱峰能量值作为故障特征量，形成训练样本；
利用所述训练样本训练所述初始神经网络模型，获取所述神经网络故障诊断模型。
3.根据权利要求1或2所述的方法，其特征在于，所述运行信号为设备振动信号的频谱向量，所述设备振动信号的频谱向量表示设备的振动信号在不同波段上的相对能量。
4.根据权利要求3所述的方法，其特征在于，所述神经网络故障诊断模型采用RBF神经网络，所述RBF神经网络为单隐层RBF神经网络，所述RBF神经网络的隐层单元的转移函数是关于中心对称的径向基函数。
5.根据权利要求4所述的方法，其特征在于，所述RBF神经网络的单隐层的神经元传递函数采用S型正切函数tansig，输出层的神经元函数采用S型函数logsig。
6.根据权利要求4所述的方法，其特征在于，在基于所述目标轨道交通设备的运行信号，获取所述故障诊断结果或者预测结果的步骤之前，还包括：
读取所述目标轨道交通设备的振动信号，并将所述振动信号与其对应的故障或正常标签作为振动时序数据；
对所述振动时序数据进行L2正则化处理，并将处理结果填充至矩阵中，形成矩阵组；
对所述矩阵组进行初次卷积处理，并利用激活函数对初次卷积结果进行激活；
对激活后的初次卷积结果进行下采样，并对下采样结果进行再次卷积处理，压缩所述振动时序数据的时间维度。
7.根据权利要求6所述的方法，其特征在于，还包括：
将压缩后的所述振动时序数据输入所述RBF神经网络，经所述RBF神经网络的全连接层对整个网络进行细微特征提取；
经过softmax层对网络输出进行处理，将网络输出定为故障与正常及二者的可能概率。
8.根据权利要求7所述的方法，其特征在于，还包括：
利用给定误差公式，对照所述RBF神经网络输出的可能概率与所述标签，获取诊断误差；
利用链式法则，获取每一权重对整体误差的影响比率，并按给定限值公式限制学习效率；
基于所述诊断误差、所述每一权重对整体误差的影响比率和限制后的所述学习效率，通过反向传播对所述RBF神经网络的权重进行修正，直至所有权重达到收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711474440.0A CN108304960A (zh) | 2017-12-29 | 2017-12-29 | 一种轨道交通设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711474440.0A CN108304960A (zh) | 2017-12-29 | 2017-12-29 | 一种轨道交通设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108304960A true CN108304960A (zh) | 2018-07-20 |
Family
ID=62867622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711474440.0A Pending CN108304960A (zh) | 2017-12-29 | 2017-12-29 | 一种轨道交通设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108304960A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109204389A (zh) * | 2018-09-12 | 2019-01-15 | 济南轨道交通集团有限公司 | 一种地铁设备故障诊断和自愈方法、系统 |
| CN109739210A (zh) * | 2018-12-25 | 2019-05-10 | 中车工业研究院有限公司 | 设备部件健康状态的评估方法及装置 |
| CN109969895A (zh) * | 2019-04-15 | 2019-07-05 | 淄博东升电梯工程有限公司 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
| CN110046409A (zh) * | 2019-03-29 | 2019-07-23 | 西安交通大学 | 一种基于ResNet的汽轮机部件健康状态评估方法 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
| CN111516711A (zh) * | 2019-02-02 | 2020-08-11 | 株洲中车时代电气股份有限公司 | 一种动车组走行部安全监测方法及装置 |
| CN111582732A (zh) * | 2020-05-12 | 2020-08-25 | 胡伊婷 | 一种基于大数据的车况分析系统 |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN112098066A (zh) * | 2020-09-21 | 2020-12-18 | 陕西师范大学 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
| CN112257176A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
| CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
| CN114189456A (zh) * | 2021-11-22 | 2022-03-15 | 杭州海康威视系统技术有限公司 | 物联网设备的在线状态预测方法、装置及电子设备 |
| CN114207336A (zh) * | 2019-07-29 | 2022-03-18 | 西门子股份公司 | 用于能经由控制压力操纵的阀的诊断系统 |
| CN114638149A (zh) * | 2022-01-20 | 2022-06-17 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
| WO2022141213A1 (zh) * | 2020-12-30 | 2022-07-07 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160350194A1 (en) * | 2015-05-27 | 2016-12-01 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
-
2017
- 2017-12-29 CN CN201711474440.0A patent/CN108304960A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160350194A1 (en) * | 2015-05-27 | 2016-12-01 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丁国富、黎荣、邹益胜、张剑著: "《高速列车数字化设计、分析及集成技术》", 29 February 2016, 西南交通大学出版社 * |
| 李亚超等: "藏汉神经网络机器翻译研究", 《中文信息学报》 * |
| 董海鹰著: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109204389A (zh) * | 2018-09-12 | 2019-01-15 | 济南轨道交通集团有限公司 | 一种地铁设备故障诊断和自愈方法、系统 |
| CN109739210A (zh) * | 2018-12-25 | 2019-05-10 | 中车工业研究院有限公司 | 设备部件健康状态的评估方法及装置 |
| CN111516711A (zh) * | 2019-02-02 | 2020-08-11 | 株洲中车时代电气股份有限公司 | 一种动车组走行部安全监测方法及装置 |
| CN111516711B (zh) * | 2019-02-02 | 2021-08-20 | 株洲中车时代电气股份有限公司 | 一种动车组走行部安全监测方法及装置 |
| CN110046409A (zh) * | 2019-03-29 | 2019-07-23 | 西安交通大学 | 一种基于ResNet的汽轮机部件健康状态评估方法 |
| CN109969895B (zh) * | 2019-04-15 | 2021-07-23 | 淄博东升电梯工程有限公司 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
| CN109969895A (zh) * | 2019-04-15 | 2019-07-05 | 淄博东升电梯工程有限公司 | 一种基于电梯运行参数的故障预测方法，终端及可读存储介质 |
| CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
| CN114207336A (zh) * | 2019-07-29 | 2022-03-18 | 西门子股份公司 | 用于能经由控制压力操纵的阀的诊断系统 |
| CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
| CN110672343B (zh) * | 2019-09-29 | 2021-01-26 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
| CN111582732A (zh) * | 2020-05-12 | 2020-08-25 | 胡伊婷 | 一种基于大数据的车况分析系统 |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN111597759B (zh) * | 2020-05-18 | 2022-04-26 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
| CN112098066A (zh) * | 2020-09-21 | 2020-12-18 | 陕西师范大学 | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
| CN112257176A (zh) * | 2020-10-19 | 2021-01-22 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
| CN112257176B (zh) * | 2020-10-19 | 2023-11-07 | 北京交通大学 | 一种城轨列车系统的故障传播的分析方法 |
| CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
| WO2022141213A1 (zh) * | 2020-12-30 | 2022-07-07 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
| CN114189456A (zh) * | 2021-11-22 | 2022-03-15 | 杭州海康威视系统技术有限公司 | 物联网设备的在线状态预测方法、装置及电子设备 |
| CN114189456B (zh) * | 2021-11-22 | 2024-02-27 | 杭州海康威视系统技术有限公司 | 物联网设备的在线状态预测方法、装置及电子设备 |
| CN114638149A (zh) * | 2022-01-20 | 2022-06-17 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
| CN114638149B (zh) * | 2022-01-20 | 2023-08-08 | 佳都科技集团股份有限公司 | 一种基于卷积的故障诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304960A (zh) | 一种轨道交通设备故障诊断方法 | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
| CN110361176A (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
| CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
| CN109918752A (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
| CN108332970A (zh) | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 | |
| CN105956290A (zh) | 一种基于多数据融合技术的高压断路器机械故障诊断方法 | |
| CN107688825A (zh) | 一种改进型的集成加权极限学习机污水处理故障诊方法 | |
| CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
| CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
| CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
| CN111581880A (zh) | 基于apso-dbn的滚动轴承剩余寿命预测方法 | |
| CN108510126A (zh) | 一种基于pca和bp神经网络的交通事故预测方法 | |
| CN115659583A (zh) | 一种转辙机故障诊断方法 | |
| Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| WO2019178930A1 (zh) | 一种机械设备故障诊断方法 | |
| Qin et al. | Stepwise adaptive convolutional network for fault diagnosis of high-speed train bogie under variant running speeds | |
| CN115603446A (zh) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 | |
| CN112287586B (zh) | 基于中小桥损伤识别结果的快速可靠度评估方法 | |
| Kuo et al. | Neural-fuzzy fault diagnosis in a marine propulsion shaft system | |
| CN107016440A (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
| CN116644273A (zh) | 基于可释性乘法卷积网络的故障诊断方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |