CN112149730B - 一种基于油样视觉的高速列车轴承故障预测方法 - Google Patents

Abstract

本发明公开了一种基于油样视觉的高速列车轴承故障预测方法，包括建立高速列车轴承故障数据库；构建列车轴承故障初步预测模型；采用高速列车轴承故障数据库训练列车轴承故障初步预测模型得到最终的列车轴承故障预测模型；采集待预测高速列车的轴承数据，采用列车轴承故障预测模型对待预测高速列车的轴承故障进行预测。本发明使用油样光谱仪提取采集到的待检测轴承的润滑油中的元素原子浓度信息，并将其集成为灰度特征图像，然后对每种故障分别建立混合深度神经网络CNN‑GRU进行预测；因此，本发明能够同时对多种列车轴承故障进行预测，而且可靠性高、实用性好且时效性较好。

Description

一种基于油样视觉的高速列车轴承故障预测方法

技术领域

本发明属于轨道交通领域，具体涉及一种基于油样视觉的高速列车轴承故障预测方法。

背景技术

随着经济技术的发展和人们生活水平的提高，轨道交通已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。高速列车时代的到来使得城市与城市间的距离进一步缩短，既给人民带来了生活上的便利，又促进了国家经济的发展。我国的高速列车运营有着运行区域大、运行时间久以及运行速度快等特性，这使得列车在日常运行过程中的安全问题更为严峻，如何为长期服役的列车提供安全保障是高速列车领域中亟待解决的重要问题之一。

高速列车轴承是列车中的核心部件之一，良好的轴承状态是列车安全平稳运行的重要保障，其使用寿命和可靠性直接影响行车安全。长时间服役列车的轴承难免会产生一些故障，如轴承擦伤、轴承腐蚀、轴承研磨以及外来污染物污染等。列车行驶过程中，轴承故障的轻则导致列车紧急停运，严重的还会导致重大安全事故，危及乘客和机组人员生命安全。

但是，现有的高速列车轴承故障诊断方法，如振动频谱分析、拆卸检查等，均只能在故障发生后对其进行诊断，时效性较差，而且属于事后检测，容易危及高速列车的正常运行，可靠性较差。

发明内容

本发明的目的在于提供一种可靠性高、实用性好且时效性较好的基于油样视觉的高速列车轴承故障预测方法。

本发明提供的这种基于油样视觉的高速列车轴承故障预测方法，包括如下步骤：

S1.建立高速列车轴承故障数据库；

S2.构建列车轴承故障初步预测模型；

S3.采用步骤S1构建的高速列车轴承故障数据库，对步骤S2得到的列车轴承故障初步预测模型进行训练，从而得到最终的列车轴承故障预测模型；

S4.采集待预测高速列车的轴承数据，并采用步骤S3得到的列车轴承故障预测模型，对待预测高速列车的轴承故障进行预测。

步骤S1所述的建立高速列车轴承故障数据库，具体为采用如下步骤建立数据库：

A.对处于不同状态的高速列车轴承的润滑油进行采集；

B.将步骤A采集到的的润滑油进行油样分析，以及分析数据预处理；

C.将步骤B得到的预处理后的油样分析数据转换为灰度图像数据，并进行存储。

步骤A所述的对处于不同状态的高速列车轴承的润滑油进行采集，具体为以高速列车轴承的一个换油周期为采样总时段，对处于不同状态的高速列车轴承的润滑油进行采集，每个轴承的润滑油采样五次，每次采样的时间间隔相等；同时每次采样的油液为N毫升，每一个状态的高速列车轴承的采样数为M组；N和M均为正整数。

步骤B所述的将步骤A采集到的的润滑油进行油样分析，以及分析数据预处理，具体为对步骤A采集到的润滑油油样，采用油样光谱分析仪获得样本中Fe、Cr、Zn、Al、Cu、Si、Ba、Na、Pb九种元素的原子浓度的数据，并剔除数据异常的样本；同时，获取所有样本中每种元素的浓度最大值和浓度最小值，同时对每种元素的浓度序列进行归一化处理，并记录归一化时的比例系数。

步骤C所述的将步骤B得到的预处理后的油样分析数据转换为灰度图像数据，具体为采用如下步骤转换为灰度图像数据：

C1.建立数据矩阵：

对于步骤B得到的样本数据，将后一采样时刻的样本数据中各元素的原子浓度，与前一采样时刻的样本数据中各元素的原子浓度做差，从而得到9×9的数据矩阵

矩阵中元素A_ij表示后一时刻中第j个元素原子浓度与前一时刻中第i个元素原子浓度之差；

C2.灰度图像转换：

将步骤C1得到的数据矩阵中的每一个元素的值域转换到[0,255]，从而得到转换后的图像矩阵Y，并将图像矩阵Y中的每个元素的数值视为灰度图像的灰度值，从而完成灰度图像转换。

所述的将步骤C1得到的数据矩阵中的每一个元素的值域转换到[0,255]，具体为将步骤C1得到的数据矩阵中的每一个元素的值乘以127，然后再加上127，从而将值域转换到[0,255]。

步骤S2所述的构建列车轴承故障初步预测模型，具体为采用CNN-GRU深度神经网络构建列车轴承故障初步预测模型。

所述的采用CNN-GRU深度神经网络构建列车轴承故障初步预测模型，具体为采用如下步骤构建模型：

a.构建网络输入层：

输入层神经元结构为9×9×1；

b.构建卷积层：

卷积层包括第一卷积层、第二卷积层和第三卷积层：第一卷积层的规格为7×7，卷积核规格为3×3，深度为16，卷积步长为1；第二卷积层的规格为5×5，卷积核规格为3×3，深度为16，卷积步长为1；第三卷积层的规格为4×4，卷积核规格为2×2，深度为32，卷积步长为1；同时在第三卷积层后增加一层Relu层，防止梯度爆炸现象；

c.构建GRU层：

采用一层1×512的全连接层接收步骤b构建的卷积层输出数据，然后采用连续的两层GRU网络进行特征挖掘；GRU网络的结构分别为1×256和1×128；

d.构建网络输出层：

网络输出层的激活函数为softmax函数，输出神经元的数目为1，对应于该类轴承的故障发生的预测概率。

步骤S3所述的对步骤S2得到的列车轴承故障初步预测模型进行训练，从而得到最终的列车轴承故障预测模型，具体为采用如下步骤进行训练：

采用如下步骤，对列车轴承故障初步预测模型中的单个网络进行训练：

(1)数据集处理：

采用平均法，将ImagNet数据集中的RGB彩色图片转换为灰度图像，从而作为CNN-GRU网络的输入数据；

(2)预训练：

从步骤(1)得到的数据集中，随机选择故障图像N2张和非故障图像M2张，对网络进行预训练，同时重复预训练步骤若干次，从而使得模型获得对图像特征的提取与分辨能力；训练时，模型的学习率设置为0.1，同时采用随机动量梯度下降法更新模型参数；N2和M2均为正整数；

(3)二次训练：

采用步骤S1得到的高速列车轴承故障数据库中的图片，再次对步骤(2)中预训练后的网络进行二次训练，从而得到最终的列车轴承故障预测模型；训练时，正常轴承的样本数据图片、待预测故障样本的数据图片和其他故障样本的数据图片的比例为1:2:1，模型的学习率设置为0.1，采用随机动量梯度下降法更新模型参数。

步骤S4所述的采集待预测高速列车的轴承数据，并采用步骤S3得到的列车轴承故障预测模型，对待预测高速列车的轴承故障进行预测，具体为采用如下步骤进行预测：

1)采用与步骤S1相同的技术方案获取待预测轴承的数据；

2)将步骤1)得到的待预测轴承的数据输入到步骤S3得到的列车轴承故障预测模型中，得到待预测轴承发生各种故障的可能性概率预测值，从而完成待预测高速列车的轴承故障预测。

本发明提供的这种基于油样视觉的高速列车轴承故障预测方法，使用油样光谱仪提取采集到的待检测轴承的润滑油中的元素原子浓度信息，并将其集成为灰度特征图像，然后对每种故障分别建立混合深度神经网络CNN-GRU进行预测；因此，本发明能够同时对多种列车轴承故障进行预测，而且可靠性高、实用性好且时效性较好。

附图说明

图1为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于油样视觉的高速列车轴承故障预测方法，包括如下步骤：

S1.建立高速列车轴承故障数据库；具体为采用如下步骤建立数据库：

A.对处于不同状态的高速列车轴承的润滑油进行采集；具体为以高速列车轴承的一个换油周期为采样总时段，对处于不同状态的高速列车轴承的润滑油进行采集，每个轴承的润滑油采样五次，每次采样的时间间隔相等；同时每次采样的油液为N毫升(优选为30ml)，每一个状态的高速列车轴承的采样数为M组(优选为3000组)；N和M均为正整数；

B.将步骤A采集到的的润滑油进行油样分析，以及分析数据预处理；具体为对步骤A采集到的润滑油油样，采用油样光谱分析仪获得样本中Fe、Cr、Zn、Al、Cu、Si、Ba、Na、Pb九种元素的原子浓度的数据，并剔除数据异常的样本；同时，获取所有样本中每种元素的浓度最大值和浓度最小值，同时对每种元素的浓度序列进行归一化处理，并记录归一化时的比例系数；

C.将步骤B得到的预处理后的油样分析数据转换为灰度图像数据，并进行存储；具体为采用如下步骤转换为灰度图像数据：

C1.建立数据矩阵：

对于步骤B得到的样本数据，将后一采样时刻的样本数据中各元素的原子浓度，与前一采样时刻的样本数据中各元素的原子浓度做差，从而得到9×9的数据矩阵

矩阵中元素A_ij表示后一时刻中第j个元素原子浓度与前一时刻中第i个元素原子浓度之差；

以A₃₂为例，其表示后一时刻中Cr元素原子浓度与前一时刻中Zn元素原子浓度的差值；

C2.灰度图像转换：

将步骤C1得到的数据矩阵中的每一个元素的值域转换到[0,255]，从而得到转换后的图像矩阵Y，并将图像矩阵Y中的每个元素的数值视为灰度图像的灰度值，从而完成灰度图像转换；具体为将步骤C1得到的数据矩阵中的每一个元素的值乘以127，然后再加上127，从而将值域转换到[0,255]；

通过上述步骤处理，采集的每个样本可以得到4张列车轴承故障特征灰度图像，按时间顺序将其排列，并根据轴承故障的类型对得到的特征图片进行存储，建立列车轴承寿命模板数据库；

S2.构建列车轴承故障初步预测模型；具体为采用CNN-GRU深度神经网络构建列车轴承故障初步预测模型，其中CNN层负责图片信息的初步获取，GRU层负责数据时序特征的深度挖掘；

模型构建包括如下步骤：

a.构建网络输入层：

输入层神经元结构为9×9×1；

b.构建卷积层：

相比于彩色图片，灰度图片蕴含的信息量较少，因此采用适中卷积层深度，以提升模型训练的效率；

卷积层包括第一卷积层、第二卷积层和第三卷积层：第一卷积层的规格为7×7，卷积核规格为3×3，深度为16，卷积步长为1；第二卷积层的规格为5×5，卷积核规格为3×3，深度为16，卷积步长为1；第三卷积层的规格为4×4，卷积核规格为2×2，深度为32，卷积步长为1；同时在第三卷积层后增加一层Relu层，防止梯度爆炸现象；

经上述几层网络进行特征提取后，输出一组格式为4×4×32的列车轴承故障特征矩阵；

c.构建GRU层：

门控循环单元网络(GRU)是LSTM网络的变种，其可以有效地提取数据中蕴含的时序特征，相比于LSTM网络GRU运行的计算代价更低，有利于提高模型的效率；

采用一层1×512的全连接层接收步骤b构建的卷积层输出数据，然后采用连续的两层GRU网络进行特征挖掘；GRU网络的结构分别为1×256和1×128；

d.构建网络输出层：

网络输出层的激活函数为softmax函数，输出神经元的数目为1，对应于该类轴承的故障发生的预测概率；

S3.采用步骤S1构建的高速列车轴承故障数据库，对步骤S2得到的列车轴承故障初步预测模型进行训练，从而得到最终的列车轴承故障预测模型；具体为采用如下步骤进行训练：

采用如下步骤，对列车轴承故障初步预测模型中的单个网络进行训练：

(1)数据集处理：

采用平均法，将ImagNet数据集中的RGB彩色图片转换为灰度图像，从而作为CNN-GRU网络的输入数据；

(2)预训练：

从步骤(1)得到的数据集中，随机选择故障图像N2张(优选为5000张)和非故障图像M2张(优选为5000张)，对网络进行预训练，同时重复预训练步骤若干次(优选为4次)，从而使得模型获得对图像特征的提取与分辨能力；训练时，模型的学习率设置为0.1，同时采用随机动量梯度下降法更新模型参数；N2和M2均为正整数；

(3)二次训练：

采用步骤S1得到的高速列车轴承故障数据库中的图片，再次对步骤(2)中预训练后的网络进行二次训练，从而得到最终的列车轴承故障预测模型；训练时，正常轴承的样本数据图片(优选为3000张)、待预测故障样本的数据图片(优选为6000张)和其他故障样本的数据图片(优选为3000张)的比例为1:2:1，模型的学习率设置为0.1，采用随机动量梯度下降法更新模型参数；

以样本为单位，按时间顺序，一次将其中的4张图片输入，对网络进行训练；重复模型训练步骤，直至GNN-GRU网络群中的每个网络训练完毕；

S4.采集待预测高速列车的轴承数据，并采用步骤S3得到的列车轴承故障预测模型，对待预测高速列车的轴承故障进行预测；具体为采用如下步骤进行预测：

1)采用与步骤S1相同的技术方案获取待预测轴承的数据；

具体实施时，在一个换油周期内，等时间间隔采集五次待检测轴承的润滑油样本，每次采样量为30ml，随后运用油样光谱仪提取其中的Fe、Cr、Zn、Al、Cu、Si、Ba、Na、Pb等九种元素原子浓度信息；采用与列车轴承故障数据库中的同样的数据处理方法，将该样本转化为4张灰度轴承故障特征图片，数据归一化的时候所用的比例系数与列车轴承故障数据库时(步骤S1中)记录的相同，归一化时数值大于1的记为1；

2)将步骤1)得到的待预测轴承的数据输入到步骤S3得到的列车轴承故障预测模型中，得到待预测轴承发生各种故障的可能性概率预测值，从而完成待预测高速列车的轴承故障预测；

具体实施时，按采样时间，依次输入得到的4张图片至建立CNN-GRU网络群的每个模型中，得到待检测的列车轴承发生各种故障的可能性概率，当输出值大于0.7时认为该轴承发生此种故障的可能性已经达到了警戒值，并提出预警。

Claims (6)

1.一种基于油样视觉 的高速列车轴承故障预测方法，包括如下步骤：

S1.建立高速列车轴承故障数据库；具体为采用如下步骤建立数据库：

A.对处于不同状态的高速列车轴承的润滑油进行采集；

B.将步骤A采集到的润滑油进行油样分析，以及分析数据预处理；具体为对步骤A采集到的润滑油油样，采用油样光谱分析仪获得样本中Fe、Cr、Zn、Al、Cu、Si、Ba、Na、Pb九种元素的原子浓度的数据，并剔除数据异常的样本；同时，获取所有样本中每种元素的浓度最大值和浓度最小值，同时对每种元素的浓度序列进行归一化处理，并记录归一化时的比例系数；

C.将步骤B得到的预处理后的油样分析数据转换为灰度图像数据，并进行存储；具体为采用如下步骤转换为灰度图像数据：

C1.建立数据矩阵：

对于步骤B得到的样本数据，将后一采样时刻的样本数据中各元素的原子浓度，与前一采样时刻的样本数据中各元素的原子浓度做差，从而得到9×9的数据矩阵

矩阵中元素A_ij表示后一时刻中第j个元素原子浓度与前一时刻中第i个元素原子浓度之差；

C2.灰度图像转换：

将步骤C1得到的数据矩阵中的每一个元素的值域转换到[0,255]，从而得到转换后的图像矩阵Y，并将图像矩阵Y中的每个元素的数值视为灰度图像的灰度值，从而完成灰度图像转换；

S2.构建列车轴承故障初步预测模型；具体为采用CNN-GRU深度神经网络构建列车轴承故障初步预测模型；

S3.采用步骤S1构建的高速列车轴承故障数据库，对步骤S2得到的列车轴承故障初步预测模型进行训练，从而得到最终的列车轴承故障预测模型；

S4.采集待预测高速列车的轴承数据，并采用步骤S3得到的列车轴承故障预测模型，对待预测高速列车的轴承故障进行预测。

2.根据权利要求1所述的一种基于油样视觉的高速列车轴承故障预测方法，其特征在于步骤A所述的对处于不同状态的高速列车轴承的润滑油进行采集，具体为以高速列车轴承的一个换油周期为采样总时段，对处于不同状态的高速列车轴承的润滑油进行采集，每个轴承的润滑油采样五次，每次采样的时间间隔相等；同时每次采样的油液为N毫升，每一个状态的高速列车轴承的采样数为M组；N和M均为正整数。

3.根据权利要求2所述的一种基于油样视觉的高速列车轴承故障预测方法，其特征在于所述的将步骤C1得到的数据矩阵中的每一个元素的值域转换到[0,255]，具体为将步骤C1得到的数据矩阵中的每一个元素的值乘以127，然后再加上127，从而将值域转换到[0,255]。

4.根据权利要求3所述的一种基于油样视觉的高速列车轴承故障预测方法，其特征在于所述的采用CNN-GRU深度神经网络构建列车轴承故障初步预测模型，具体为采用如下步骤构建模型：

a.构建网络输入层：

输入层神经元结构为9×9×1；

b.构建卷积层：

卷积层包括第一卷积层、第二卷积层和第三卷积层：第一卷积层的规格为7×7，卷积核规格为3×3，深度为16，卷积步长为1；第二卷积层的规格为5×5，卷积核规格为3×3，深度为16，卷积步长为1；第三卷积层的规格为4×4，卷积核规格为2×2，深度为32，卷积步长为1；同时在第三卷积层后增加一层Relu层，防止梯度爆炸现象；

c.构建GRU层：

采用一层1×512的全连接层接收步骤b构建的卷积层输出数据，然后采用连续的两层GRU网络进行特征挖掘；GRU网络的结构分别为1×256和1×128；

d.构建网络输出层：

网络输出层的激活函数为softmax函数，输出神经元的数目为1，对应于该类轴承的故障发生的预测概率。

5.根据权利要求4所述的一种基于油样视觉的高速列车轴承故障预测方法，其特征在于步骤S3所述的对步骤S2得到的列车轴承故障初步预测模型进行训练，从而得到最终的列车轴承故障预测模型，具体为采用如下步骤进行训练：

采用如下步骤，对列车轴承故障初步预测模型中的单个网络进行训练：

(1)数据集处理：

采用平均法，将ImagNet数据集中的RGB彩色图片转换为灰度图像，从而作为CNN-GRU网络的输入数据；

(2)预训练：

从步骤(1)得到的数据集中，随机选择故障图像N2张和非故障图像M2张，对网络进行预训练，同时重复预训练步骤若干次，从而使得模型获得对图像特征的提取与分辨能力；训练时，模型的学习率设置为0.1，同时采用随机动量梯度下降法更新模型参数；N2和M2均为正整数；

(3)二次训练：

采用步骤S1得到的高速列车轴承故障数据库中的图片，再次对步骤(2)中预训练后的网络进行二次训练，从而得到最终的列车轴承故障预测模型；训练时，正常轴承的样本数据图片、待预测故障样本的数据图片和其他故障样本的数据图片的比例为1:2:1，模型的学习率设置为0.1，采用随机动量梯度下降法更新模型参数。

6.根据权利要求5所述的一种基于油样视觉的高速列车轴承故障预测方法，其特征在于步骤S4所述的采集待预测高速列车的轴承数据，并采用步骤S3得到的列车轴承故障预测模型，对待预测高速列车的轴承故障进行预测，具体为采用如下步骤进行预测：

1)采用与步骤S1相同的技术方案获取待预测轴承的数据；

2)将步骤1)得到的待预测轴承的数据输入到步骤S3得到的列车轴承故障预测模型中，得到待预测轴承发生各种故障的可能性概率预测值，从而完成待预测高速列车的轴承故障预测。

Images