CN109406147B - 一种变速工况下的列车轴承轨边声学诊断方法 - Google Patents

Abstract

本发明公开了一种变速工况下的列车轴承轨边声学诊断方法，包括:1)通过安装在铁轨两侧的麦克风采集列车在不同车速通过时列车轴承发出的声学信号并对其进行预处理；2)提取峰值因子、方差等7个特征并和车速Vs一起制作成具有8个特征量的历史样本集；3)利用历史样本集训练得到4层BP神经网络；4)采集当前列车轴承发出的轨边声学信号和列车车速，通过步骤3)的BP神经网络进行故障诊断。本发明消除了列车变速工况下多普勒声学信号畸变对故障特征的影响，实现了在变速工况下列车轴承故障的精准辨识；只需测量车速值，所需传感器数量更少；实现“不矫正前提下的精确诊断”，计算量更少；充分利用历史数据信息，诊断结果可靠性得到有效提升。

Description

一种变速工况下的列车轴承轨边声学诊断方法

技术领域

本发明属于高速列车轴承轨边声学故障诊断领域，具体涉及一种变速工况下的列车轴承轨边声学诊断方法。

背景技术

铁路作为重要的交通运输方式之一，由于运行成本低、运载量大等特点，其在货物运输及中短途旅客运输中承担着越来越重要的角色。而列车轴承作为列车的关键部件，其健康状况对列车的整体运行和乘客的生命安全有着重大的意义和影响。因此，对轴承进行在线故障检测具有非常重要的现实意义。轨边声学诊断技术使用安装在铁轨两侧的麦克风采集列车通过时轴承发出的声音信号，通过信号处理技术识别轴承的健康状况。由于列车的高速运行，轨边信号具有的多普勒畸变问题一直是困扰列车轴承轨边声学诊断的核心技术难题。现有方法是采用多普勒畸变矫正方法来消除多普勒畸变，但矫正处理需要预先获取车速、麦克风与轴承声源运动直线的垂直距离、横向距离等多个参数，并且需要进行插值处理，计算量较大。本发明旨在另辟蹊径，提出一种“不矫正前提下的精确诊断”，直接从采集信号中提取特征，使用神经网络来构建故障特征、车速与诊断结果之间的映射关系。

发明内容

本发明提供了一种变速工况下的列车轴承轨边声学诊断方法。本发明创新性地使用神经网络构建故障特征、车速Vs与诊断结果之间的关系，消除了多普勒畸变对传统故障特征的影响，实现了在变速工况下对轴承故障类型的精准判断。

本发明采用的技术方案为：一种变速工况下的列车轴承轨边声学诊断方法，包括以下5个步骤：

步骤1：历史轨边信号采集与预处理

通过麦克风阵列采集M种不同故障类型的轴承声源在N种不同速度下的声音信号，并将采集到的信号进行带通滤波处理，除去低频噪声，得到去噪后的共M*N个历史轨边信号；

步骤2：制作历史样本集

提取滤波后的轨边信号的传统特征，并将与之对应的列车车速Vs作为一个新的特征和传统特征一起制作成历史样本集。

步骤3：构建BP神经网络

创建一个4层的BP神经网络，包括一个输入层、两个隐藏层和一个输出层。根据经验和试探法搭建合适的隐层神经元个数，按实际需求给定学习率和迭代步数、选取合适激励函数、拟定最优优化算法与迭代步数；

步骤4：建立BP神经网络模型

用步骤2中的历史样本集训练步骤3中构建的网络，得到BP神经网络模型

步骤5：利用模型对当前类别未知的样本进行诊断

重新采集待检测的当前样本集，利用步骤4中训练的网络对当前样本集进行故障类别诊断。

其中，所述步骤2中历史数据集的制作，其具体为：

①标记步骤1中经过滤波后的第i种故障类型在第j种速度下的k维矩阵向量为

定义其对应故障类型标签为

则共得到M*N个滤波后的历史畸变信号矩阵为

其中i＝1,2…M，j＝1,2…N；

②对标有故障类型标签

的矩阵

进行特征提取，提取峰值因子C、方差Va、均方根值Rm、峭度Ku、波形因子S、脉冲因子I、裕度因子L等7种传统特征；

③将列车车速Vs作为一个新的特征加入，则矩阵X中的每个向量都可以提取到包含类车车速Vs在内的共8种特征参数；

④将8种特征进行标准化处理，使每种特征的特征值按比例放缩至0附近；再将故障类型标签作标签二值化处理：第1种故障类型对应输出为

第i种故障类型输出为

即第i个值为1，其余均为零。对特征值和故障类型标签进行数据预处理后，即完成了历史数据集的制作过程；

其中，所述步骤3中神经网络具体参数设置如下：

①输入层神经元的个数与输入特征种类数相同，两个隐层神经元个数分别为100、100，输出层神经元个数与故障类型数目相同；

②神经网络激励函数为S型函数，其表达式为：

其中，x为神经元接收到的总输入值，f(x)为通过激励函数处理后神经元的输出；

其中，所述步骤4中训练BP神经网络所用的方法为带有动量项的Adam算法，其算法公式为：

其中，μ为动量因子，0≤μ＜1。g_t为梯度，m_t、n_t分别是对梯度的一阶矩估计和二阶矩估计，

是对m_t、n_t的校正。动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷入局部极小，促进超参数动态调整。

本发明与现有技术相比的优点在于：

(1)本发明消除了列车变速工况下多普勒声学信号畸变对故障特征的影响，实现了在变速工况下对列车轴承故障的精准辨识。

(2)本发明只需测量车速值，需要的传感器数量更少。

(3)本发明实现“不矫正前提下的精确诊断”，计算量更少。

(4)本发明充分利用历史数据信息，诊断结果可靠性得到有效提升。

附图说明

图1为本发明方法流程图；

图2(a)为峭度Ku随速度变化图；

图2(b)为峰值因子C随速度变化图；

图3为本发明提供的方法和传统方法对比实施流程图；

图4为传统特征作为输入时BP神经网络结构示意图；

图5为提出的将车速Vs和传统特征同时作为输入时BP神经网络结构示意图；

图6为输入特征有无车速精度对比图；

图7(a)为传统特征作为输入时网络输出融合特征的类内间效果图；

图7(b)为车速Vs和传统特征同时作为输入时网络输出融合特征的类内间效果图。

具体实施方式

下面结合附图和实际的实验数据对本发明作进一步的详细说明。

本实施案例包括正常、内圈故障程度0.014英寸、外圈故障程度0.014英寸、滚子故障程度0.014英寸4种故障类型。将这4种故障类型对应神经网络输出类型标签分别标记为y₁,y₂,y₃,y₄。

如图1所示，本发明的实施包括以下步骤：

步骤1：历史轨边信号采集与预处理

首先通过麦克风采集正常、内圈故障程度0.014英寸、外圈故障程度0.014英寸、滚子故障程度0.014英寸4种故障类型的轴承声源在7种不同速度下的声音信号，采样频率为20kHz,并将采集到的信号用巴特沃斯(Butterworth)滤波器滤波，带通频率范围设置为[1000,4000]，除去低频噪声，最后得到每种类型147组、共588组历史畸变信号，且每组信号都通过光电传感器测得相应的列车车速Vs。

步骤2：制作历史样本集

对上述588组历史轨边信号进行特征提取，提取峰值因子C、方差Va、均方根值Rm、峭度Ku、波形因子S、脉冲因子I、裕度因子L等7种特征。如图2(a)和2(b)所示，同一故障类型在不同速度下峭度Ku、峰值因子C等特征均会发生不同程度改变，导致不同故障间的特征值交融到一起，给故障诊断带来一定的误诊率。

如图3所示，为了验证本发明提出的加入列车车速Vs来消除多普勒畸变对特征分类影响的有效性，本次制作了A和B两个历史样本集。其中历史样本集A中的输入特征只含有7种传统特征，历史样本集B中的输入特征除传统特征外，还加入与每次采集信号时相对应的列车车速Vs。

将提取的峰值因子C、方差Va、均方根值Rm、峭度Ku、波形因子S、脉冲因子I、裕度因子L等7种传统特征分别标记为x₁～x₇，对7种特征的特征值进行标准化处理，使每种特征特征值按比例放缩至0附近，将特征对应的故障类型标签y₁,y₂,y₃,y₄作标签二值化处理，将预处理后的特征值和标签一起作为历史样本集A；将每种特征值下对应的列车车速Vs标记为x₈作为新的特征和7种传统特征一起作为神经网络的输入特征，并对这8种特征进行标准化处理，并和经过标签二值化处理后的标签一起作为历史样本集B。

步骤3：构建BP神经网络

创建一个包含两个隐藏层的4层BP神经网络，根据经验和试探法最后确定两个隐层神经元的个数分别为50和50，输入层神经元个数与输入特征种类数目相同，输出层神经元个数为4；激励函数选定为S型函数，其表达式为：

最后确定学习率为0.0001，优化算法为带有动量项的Adam算法，具体过程如下：

其中，μ为动量因子，0≤μ＜1。g_t为梯度，m_t、n_t分别是对梯度的一阶矩估计和二阶矩估计，

是对m_t、n_t的校正。动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷入局部极小，促进超参数动态调整。

步骤4：建立BP神经网络模型

历史样本集A和历史样本集B训练步骤3中构建的神经网络，其过程分别如图4和图5所示。经过8万次迭代后，网络的均方误差收敛趋于平缓，得到训练好的BP神经网络模型A和模型B。

步骤5：利用模型对当前类别未知的样本进行诊断

采集测试信号样本集，采样频率为20kHz,并将采集到的信号用巴特沃斯(Butterworth)滤波器滤波，带通频率范围设置为[1000,4000]，除去低频噪声，得到252组当前测试信号，且每组信号都通过光电传感器测得相应的列车车速Vs。

分别利用模型A和模型B对当前样本集进行类别诊断，诊断准确率对比如图6所示，可以看出加入列车车速Vs后，模型B相比于模型A诊断准确率得到了显著提升。

为了检验输入网络的特征是否具有代表性，实验最后建立LDA模型进行可视化分析，将n_components数值设为2，即把第二个隐藏层输出的高维融合特征降维至2维，通过得到的类内间图可以直观观测到输入特征是否具有分类代表性；图7(a)和图7(b)分别为模型A和模型B对当前样本诊断时得到的隐层融合特征的类内间距离图。由图可明显看出，加入列车车速Vs后，类内间融合特征更加集中，类与类之间融合特征更加分散。

综上所述，本发明提出的方法有效消除了多普勒畸变给故障特征带来的影响，使网络的输入特征更具有分类代表性，从而大大提升了诊断的准确率。

Claims (1)

1.一种变速工况下的列车轴承轨边声学诊断方法，其特征在于：包括以下步骤：

步骤1：历史轨边信号采集与预处理

通过麦克风阵列采集M种不同故障类型的轴承声源在N种不同速度下的声音信号，并将采集到的信号进行带通滤波处理，除去低频噪声，得到去噪后的共M*N个历史轨边信号；

步骤2：制作历史样本集

①标记步骤1中经过滤波后的第i种故障类型在第j种速度下的k维矩阵向量为

定义其对应故障类型标签为

则共得到M*N个滤波后的历史轨边信号矩阵为

其中i＝1,2…M，j＝1,2…N；

②对标有故障类型标签

的矩阵

进行特征提取，提取峰值因子C、方差Va、均方根值Rm、峭度Ku、波形因子S、脉冲因子I、裕度因子L7种特征；

③将列车车速Vs作为一个新的特征加入，则矩阵X中的每个向量都可以提取到包含列车车速Vs在内的共8种特征参数；

④将8种特征值进行标准化处理，使每种特征的特征值按比例放缩至0附近；再将故障类型标签作标签二值化处理，则第1种故障类型对应输出为

第i种故障类型输出为

即第i个值为1，其余均为零，对特征值和故障类型标签进行数据预处理后，即完成了历史数据集的制作过程；

步骤3：构建BP神经网络

创建一个4层的BP神经网络，包括一个输入层、两个隐藏层和一个输出层，根据经验和试探法搭建合适的隐藏层神经元个数，按实际需求给定学习率和迭代步数、选取合适激励函数、拟定最优优化算法与迭代步数；神经网络具体参数设置如下：

①输入层神经元的个数与输入特征种类数相同，两个隐藏层的神经元个数均为100，输出层神经元个数与故障类型数目相同；

②神经网络激励函数为S型函数，其表达式为：

其中，x为神经元接收到的总输入值，f(x)为通过激励函数处理后神经元的输出；

步骤4：建立BP神经网络模型

用步骤2中的历史样本集训练步骤3中构建的网络，得到BP神经网络模型；

训练BP神经网络所用的方法为带有动量项的Adam算法，其算法公式为：

其中，μ，ν分别为一阶矩衰减系数、二阶矩衰减系数，且0≤μ＜1，0＜ν＜1，μ^t是μ的t次方，表示第t次迭代时一阶矩的衰减系数，ν^t是ν的t次方，表示第t次迭代时二阶矩的衰减系数，g_t为梯度，m_t、n_t分别是对梯度的一阶矩估计和二阶矩估计，

是对m_t、n_t的校正，η为学习率，ε是常量，ε取10^-8，Δθ_t是参数更新前后的差值，动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷入局部极小，促进超参数动态调整；

步骤5：利用模型对当前待检轴承进行故障诊断

采集待检测的轴承的轨边声学信号和当前车速，利用步骤4中训练的网络进行故障诊断；

该变速工况下的列车轴承轨边声学诊断方法消除了列车变速工况下多普勒声学信号畸变对故障特征的影响，实现了在变速工况下对列车轴承故障的精准辨识；

该变速工况下的列车轴承轨边声学诊断方法只需测量车速值，需要的传感器数量更少；

该变速工况下的列车轴承轨边声学诊断方法实现“不矫正前提下的精确诊断”，计算量更少；

该变速工况下的列车轴承轨边声学诊断方法充分利用历史数据信息，诊断结果可靠性得到有效提升。

Images