CN112364925A - 一种基于深度学习的滚动轴承甩油故障识别方法 - Google Patents

一种基于深度学习的滚动轴承甩油故障识别方法 Download PDF

Info

Publication number
CN112364925A
CN112364925A CN202011278899.5A CN202011278899A CN112364925A CN 112364925 A CN112364925 A CN 112364925A CN 202011278899 A CN202011278899 A CN 202011278899A CN 112364925 A CN112364925 A CN 112364925A
Authority
CN
China
Prior art keywords
rolling bearing
oil
classification network
suspected
oil stain
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.)
Granted
Application number
CN202011278899.5A
Other languages
English (en)
Other versions
CN112364925B (zh
Inventor
蒋弘瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011278899.5A priority Critical patent/CN112364925B/zh
Publication of CN112364925A publication Critical patent/CN112364925A/zh
Application granted granted Critical
Publication of CN112364925B publication Critical patent/CN112364925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

一种基于深度学习的滚动轴承甩油故障识别方法，属于铁路货车故障检测领域。本发明为了解决采用人工检查方式对滚动轴承甩油故障进行判断时，存在的检测准确率和检测效率低的问题。本发明方法包括：获取铁路货车灰度图像，并根据轴距信息截取灰度图像中包含滚动轴承和侧架的子图像；基于RetinaNet目标检测算法，对包含滚动轴承和侧架的子图像中疑似油渍区域进行定位，获取疑似油渍的子图像；对疑似油渍的子图像通过分类网络进行二次分类，判断是否为真实油渍；若故障子图中存在油渍，则报警，上传平台，若故障子图中不存在油渍，则不报警。本发明用于滚动轴承甩油的故障检测。

Description

一种基于深度学习的滚动轴承甩油故障识别方法
技术领域
本发明属于铁路货车故障检测领域，具体涉及一种基于深度学习的滚动轴承甩油故障识别方法。
背景技术
铁路货车是我国主要的货物运输方式，每日有大量的货车在线上运行。在各种外界环境的影响下，各部件产生故障无法避免。
滚动轴承甩油故障是一种危及行车安全的故障，如果危机时发现故障，可能产生严重后果。目前主要是用人眼对整车进行故障查找，查找范围大部件多、车辆多、故障形态多，所以这项工作是一个重复性强且强度高易疲劳的机械性作业。当工人疲劳时，很容易造成漏检、错检的情况出现，影响行车安全。
滚动轴承甩油故障，总结起来只有一种形态，对于故障形态固定的故障，使用深度学习的方式进行故障识别可以有效识别故障。进而代替传统的人工检测，提高了检测速率和准确率，进而改善人工工作状态，减少其工作量，人工只需对自动识别报警进行确认即可。
发明内容
本发明的目的是为解决采用人工检查方式对滚动轴承甩油故障进行判断时，存在的检测准确率和检测效率低的问题，而提出了一种基于深度学习的滚动轴承甩油故障识别方法。
一种基于深度学习的滚动轴承甩油故障识别方法，包括：
步骤一、获取铁路货车灰度图像，并根据轴距信息截取灰度图像中包含滚动轴承和侧架的子图像；
步骤二、利用目标检测算法，对包含滚动轴承和侧架的子图像中疑似油渍区域进行定位，获取疑似油渍的子图像；
步骤三、对疑似油渍的子图像通过分类网络进行二分类，判断疑似油渍是否为真实油渍；具体过程为：
使用ShuffleNet作为弱分类网络，对ShuffleNet分类网络使用混精度训练；
训练一族弱分类网络时，其中第一个弱分类网络中的训练样本的权重相同，训练其它弱分类网络时，对于上一个弱分类网络对分类正确的权重进行衰减，对分类错误的权重进行增强；
训练好一族弱分类网络后，将这族弱分类网络进行整合，作为训练好的强分类网络，将疑似油渍的子图像送入训练好的强分类网络中，进而得到最终推断结果；所述推断结果指示疑似油渍的子图是否存在油渍；若推断结果指示疑似油渍的子图像中存在油渍，则疑似油渍为真实油渍。
本发明的有益效果是：
利用图像自动识别的方式代替人工检测，可以解决人工检测长时间重复看图的疲劳问题，借鉴机器学习boosting的思想，提出了一种将一族弱分类网络提升为强分类网络的方法，对于同种故障统一标准，提高检测效率、准确率。
附图说明
图1为本发明故障识别流程图。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间可以相互组合。
具体实施方式一：结合图1说明本实施方式。本实施方式一种基于深度学习的滚动轴承甩油故障识别方法，包括：
步骤一、通过成像设备获取铁路货车各部位高清线阵灰度图像；收集不同时间段和不同环境下的图像，以获取多的样本图像，并保证样本图像中存在各种自然干扰如光照、雨水和泥渍等图像，以保证数据的多样性，也保证设计出的算法能够有更好的鲁棒性；同型号的货车，结构相同，在灰度图像中，可以根据轴距信息，截取灰度图像中包含滚动轴承和侧架的子图像；
步骤二、利用目标检测算法，从待检测部件的子图像中获取疑似油渍的子图像：
下雨天气侧架会出现大量水渍，其在灰度图像中与油渍的形态基本相同，只利用目标检测算法(例如faster-rcnn算法)可以完成定位，但是无法很好的区分油渍和水渍，会存在大量的误报，所以本发明先利用RetinaNet算法对待检测部件的子图像中疑似油渍区域进行定位，RetinaNet算法是单阶段目标检测算法中性能比较好的算法，能够保证精度，同时相比双阶段的目标检测算法，在速度上有优势，可以直接输出疑似油渍区域在整张图像上的位置坐标，截取疑似油渍区域的子图像，并对疑似油渍子图像进行旋转、裁剪和对比度变换等扩增操作；
步骤三、对疑似油渍区域的子图像通过分类网络进行二分类来进一步确定是否为真实油渍：
油渍和水渍的图像高度相似，普通的分类网络无法很好的解决误报的问题，因此本发明提出了一种将一族弱分类网络提升为强分类网络的方法；具体过程包括：
弱分类网络选择：
由于要训练多个弱分类网络，最后将分类结果进行融合，因此期望弱分类网络参数数量少，推断时间短；本发明利用轻量级网络ShuffleNet作为弱分类网络，ShuffleNet是一种轻量级的网络，参数量少，推断速度快；后续要对多个弱分类网络进行集成，所以不需要弱分类网络有特别强的分类能力，这种轻量级的网络比较适合；
样本权重更新：
在训练第一个弱分类网络时，所有训练样本的权重是一样的，无差别，训练其他弱分类网络时，会根据上一个弱分类网络中训练样本的测试结果对训练样本的权重进行调整，更加关注被错误分类的样本；根据上一个弱分类网络的推断结果，来确定当前弱分类网络的损失函数，对当前的弱分类网络进行训练，所述推断结果为是油渍和非油渍两种结果；使用混精度训练(网络训练时参数在存储和计算时使用的是单精度浮点数，而混精度训练在训练时权值、激活值、梯度都是以半精度格式存储的，这样内存需求减半，且加速了算术运算)，进一步加快训练和推断速度；
样本权重更新的策略为：对于上一个弱分类网络能轻松对分类正确的权重适当衰减(预测值与真实偏差小于0.2)，对分类错误的样本权重进行适当增强；
在训练好一族弱分类网络后，需要将他们的推断结果进行整合，作为训练好的强分类网络，进而得到最终推断结果；最终得到的推断结果包括存在油渍和不存在油渍；
本发明选择学习的方式去自动学习各个弱分类网络的权重，即将一族弱分类网络的输出结果看作一组特征向量，样本标签看作真值，通过逻辑回归进行训练，去学习各个弱分类网络的权重；进而得到最终的推断结果；
将疑似油渍的子图送入训练好的强分类网络中，判断是否为真实油渍，若故障子图中存在油渍，则报警，上传平台，若故障子图中不存在油渍，则不报警。
具体实施方式二：本实施方式与具体实施方式一不同的是，步骤三中样本权重更新函数表示为：
Figure BDA0002780066910000031
其中xi为上个弱分类网络与标签的偏差，即
Figure BDA0002780066910000032
其中，yi表示第i个样本标签；
Figure BDA0002780066910000033
表示上个弱分类网络的推断结果；wi表示第i个样本损失函数的权重。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，步骤三中训练第一个弱分类网络时使用的损失函数为二分类问题(即是油渍和非油渍两类)的交叉熵损失函数，表示为：
Figure BDA0002780066910000041
其中，L表示第一个弱分类网络损失函数；yi表示第i个样本，p(yi)表示当前弱分类网络推断结果；N为样本数。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，步骤三中训练其它弱分类网络所用到的损失函数为：
Figure BDA0002780066910000042
其中，L其它表示其它弱分类网络损失函数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，步骤二中目标检测网络选用RetinaNet。
其它步骤及参数与具体实施方式一至四之一相同。

Claims (7)

1.一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，包括：
步骤一、获取铁路货车灰度图像，并根据轴距信息截取灰度图像中包含滚动轴承和侧架的子图像；
步骤二、利用目标检测算法，对包含滚动轴承和侧架的子图像中疑似油渍区域进行定位，获取疑似油渍的子图像；
步骤三、对疑似油渍的子图像通过分类网络进行二分类，判断疑似油渍是否为真实油渍；具体过程为：
使用ShuffleNet作为弱分类网络，对ShuffleNet分类网络使用混精度训练；
训练一族弱分类网络时，其中第一个弱分类网络中的训练样本的权重相同，训练其它弱分类网络时，对于上一个弱分类网络对分类正确的权重进行衰减，对分类错误的权重进行增强；
训练好一族弱分类网络后，将这族弱分类网络进行整合，作为训练好的强分类网络，将疑似油渍的子图像送入训练好的强分类网络中，进而得到最终推断结果；所述推断结果指示疑似油渍的子图是否存在油渍；若推断结果指示疑似油渍的子图像中存在油渍，则疑似油渍为真实油渍。
2.根据权利要求1所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，所述步骤二中还需要对疑似油渍子图像进行旋转、裁剪和对比度变换扩增操作。
3.根据权利要求1所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，所述步骤三中对于上一个弱分类网络对分类正确的权重进行衰减，对分类错误的权重进行增强，具体通过以下函数实现：
Figure FDA0002780066900000011
其中xi为上个弱分类网络与标签的偏差，即
Figure FDA0002780066900000012
其中，yi表示第i个样本标签；
Figure FDA0002780066900000013
表示上个弱分类网络的推断结果；wi表示第i个样本损失函数的权重。
4.根据权利要求1所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，训练第一个弱分类网络时使用的损失函数为：
Figure FDA0002780066900000014
其中yi表示第i个样本，p(yi)为当前弱分类网络推断结果，N为样本数。
5.根据权利要求1所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，训练其他弱分类网络时，使用的损失函数为：
Figure FDA0002780066900000021
其中，L其它表示其它弱分类网络损失函数。
6.根据权利要求1或2所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，所述整合的过程为：将各个弱分类网络的推断结果与各自弱分类网络的权重相乘，进行加和。
7.根据权利要求1所述一种基于深度学习的滚动轴承甩油故障识别方法，其特征在于，所述步骤一中利用的目标检测算法为RetinaNet。
CN202011278899.5A 2020-11-16 2020-11-16 一种基于深度学习的滚动轴承甩油故障识别方法 Active CN112364925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011278899.5A CN112364925B (zh) 2020-11-16 2020-11-16 一种基于深度学习的滚动轴承甩油故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011278899.5A CN112364925B (zh) 2020-11-16 2020-11-16 一种基于深度学习的滚动轴承甩油故障识别方法

Publications (2)

Publication Number Publication Date
CN112364925A true CN112364925A (zh) 2021-02-12
CN112364925B CN112364925B (zh) 2021-06-04

Family

ID=74515732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011278899.5A Active CN112364925B (zh) 2020-11-16 2020-11-16 一种基于深度学习的滚动轴承甩油故障识别方法

Country Status (1)

Country Link
CN (1) CN112364925B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464954A (zh) * 2007-12-21 2009-06-24 三星电子株式会社 训练多类Boosting分类器的方法
CN102589884A (zh) * 2012-03-01 2012-07-18 西北工业大学 一种基于GentleBoost的飞机发电机轴承故障诊断方法
CN105260744A (zh) * 2015-10-08 2016-01-20 北京航空航天大学 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN105738109A (zh) * 2016-02-22 2016-07-06 重庆大学 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN106446926A (zh) * 2016-07-12 2017-02-22 重庆大学 一种基于视频分析的变电站工人安全帽佩戴检测方法
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
US20180129968A1 (en) * 2016-11-07 2018-05-10 International Business Machines Corporation Update of attenuation coefficient for a model corresponding to time-series input data
CN108520535A (zh) * 2018-03-26 2018-09-11 天津大学 基于深度恢复信息的物体分类方法
CN109739844A (zh) * 2018-12-26 2019-05-10 西安电子科技大学 基于衰减权重的数据分类方法
CN110009565A (zh) * 2019-04-04 2019-07-12 武汉大学 一种基于轻量化网络的超分辨率图像重建方法
CN110070072A (zh) * 2019-05-05 2019-07-30 厦门美图之家科技有限公司 一种生成物体检测模型的方法
CN110135267A (zh) * 2019-04-17 2019-08-16 电子科技大学 一种大场景sar图像细微目标检测方法
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN111079699A (zh) * 2019-12-30 2020-04-28 北京每日优鲜电子商务有限公司 商品识别方法及装置
CN111080607A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种基于图像识别的滚动轴承甩油故障检测方法
CN111079748A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车滚轴承甩油故障检测方法
CN111428621A (zh) * 2020-03-20 2020-07-17 京东方科技集团股份有限公司 货架交互方法、装置和货架
CN111611848A (zh) * 2020-04-02 2020-09-01 北京中科虹霸科技有限公司 尸体虹膜识别方法和装置
CN111652840A (zh) * 2020-04-22 2020-09-11 北京航空航天大学 一种x光胸透图像肺部浑浊筛查分类装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464954A (zh) * 2007-12-21 2009-06-24 三星电子株式会社 训练多类Boosting分类器的方法
CN102589884A (zh) * 2012-03-01 2012-07-18 西北工业大学 一种基于GentleBoost的飞机发电机轴承故障诊断方法
CN105260744A (zh) * 2015-10-08 2016-01-20 北京航空航天大学 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN105738109A (zh) * 2016-02-22 2016-07-06 重庆大学 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN106446926A (zh) * 2016-07-12 2017-02-22 重庆大学 一种基于视频分析的变电站工人安全帽佩戴检测方法
US20180129968A1 (en) * 2016-11-07 2018-05-10 International Business Machines Corporation Update of attenuation coefficient for a model corresponding to time-series input data
CN107784320A (zh) * 2017-09-27 2018-03-09 电子科技大学 基于卷积支持向量机的雷达一维距离像目标识别方法
CN108520535A (zh) * 2018-03-26 2018-09-11 天津大学 基于深度恢复信息的物体分类方法
CN109739844A (zh) * 2018-12-26 2019-05-10 西安电子科技大学 基于衰减权重的数据分类方法
CN110009565A (zh) * 2019-04-04 2019-07-12 武汉大学 一种基于轻量化网络的超分辨率图像重建方法
CN110135267A (zh) * 2019-04-17 2019-08-16 电子科技大学 一种大场景sar图像细微目标检测方法
CN110070072A (zh) * 2019-05-05 2019-07-30 厦门美图之家科技有限公司 一种生成物体检测模型的方法
CN110298397A (zh) * 2019-06-25 2019-10-01 东北大学 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN111080607A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种基于图像识别的滚动轴承甩油故障检测方法
CN111079748A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车滚轴承甩油故障检测方法
CN111079699A (zh) * 2019-12-30 2020-04-28 北京每日优鲜电子商务有限公司 商品识别方法及装置
CN111428621A (zh) * 2020-03-20 2020-07-17 京东方科技集团股份有限公司 货架交互方法、装置和货架
CN111611848A (zh) * 2020-04-02 2020-09-01 北京中科虹霸科技有限公司 尸体虹膜识别方法和装置
CN111652840A (zh) * 2020-04-22 2020-09-11 北京航空航天大学 一种x光胸透图像肺部浑浊筛查分类装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANCHENG LYU等: "AutoShuffleNet: Learning Permutation Matrices via an Exact Lipschitz Continuous Penalty in Deep Convolutional Neural Networks", 《ARXIV:1901.08624V1》 *
THACHAN SOPHANYOULY: "基于ShuffleNet的人脸识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
XIANGYU ZHANG等: "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices", 《ARXIV:1707.01083V2》 *
张坤: "城轨列车走行部滚动轴承故障诊断算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
张彭程: "开放环境下目标物体快速识别研究与系统实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN112364925B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN111091545B (zh) 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN111091546B (zh) 铁路货车钩尾框折断故障识别方法
CN111080609B (zh) 一种基于深度学习的闸瓦插销丢失检测方法
CN114743119B (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080607B (zh) 一种基于图像识别的滚动轴承甩油故障检测方法
CN109165541A (zh) 用于智能识别轨道交通车辆图像中车辆零部件的编码方法
CN111652295A (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
CN113096085A (zh) 基于两阶段卷积神经网络的集装箱表面损伤检测方法
CN112330631A (zh) 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN115457304A (zh) 一种基于目标检测的行李破损分析方法及系统
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN114998234A (zh) 一种基于数据增强策略的自监督弹簧缺陷检测方法
CN113033451A (zh) 基于深度学习的架空线路故障识别方法及系统
CN112101205A (zh) 基于多任务网络的训练方法和装置
CN112364925B (zh) 一种基于深度学习的滚动轴承甩油故障识别方法
CN112749741B (zh) 一种基于深度学习的手闸紧固故障识别方法
CN112329858B (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN112102280A (zh) 铁路货车小部件承挡键螺母松动和丢失故障检测方法
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统
CN116129100A (zh) 一种货车零件定位与故障识别方法、装置、设备及介质
CN112949630B (zh) 基于边框分级筛选的弱监督目标检测方法
CN115731478B (zh) 一种基于多级目标检测的输电线路开口销目标检测方法
CN113642382A (zh) 一种基于多标签目标检测的重车识别方法
CN112102293B (zh) 铁路货车三角孔异物快速检测方法

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
GR01 Patent grant
GR01 Patent grant