CN112861799A - 一种轨道交通设备的大数据诊断方法 - Google Patents

Abstract

本发明公开了一种轨道交通设备的大数据诊断方法，包括：获取一设备的至少两组设备信号；对所述设备信号进行预设特征提取，将提取的所述预设特征作为子特征得到特征集；筛选出所述特征集内满足所述预设筛选条件的所述子特征作为优质特征，得到优质特征集合；将所述优质特征集合进行智能故障识别，得到识别结果；将各组的所述识别结果进行集成，获得所述交通设备的最终诊断数据。本发明通过自动化诊断的方法，能够不依赖于人工，就对机械设备故障进行长期、在线、快速、及时的诊断和判断，并且受人为主观因素影响小，诊断结果精度高、稳定性强。

Description

一种轨道交通设备的大数据诊断方法

技术领域

本发明属于故障诊断技术领域，尤其涉及一种轨道交通设备的大数据诊断方法。

背景技术

随着近几年中国城市轨道交通行业迅猛发展，为乘客持续提供更安全、更高效、更友好的在途体验，成为各城市地铁运营面临的重大挑战和课题。传统的人工故障诊断，主要依靠运维人员的从业经验，辅以频谱分析等专业知识，对机械设备的故障类型、位置、严重程度等进行现场工作和判断。

因此，这种传统的故障诊断方式费时耗力，受人为主观因素的影响较大，即无法准确的对故障做出诊断性的预判，需要大量依赖人的经验、工作效率较低。

发明内容

本发明的目的是提供一种轨道交通设备的大数据诊断方法，能够不依赖于人工，就对机械设备故障进行长期、在线、快速、及时的诊断和判断。

为了实现上述目的，本发明采用如下技术方案：

一种轨道交通设备的大数据诊断方法，包括：

获取交通设备的至少两组设备信号；

对所述设备信号进行特征提取，利用提取的特征生成特征集；

筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合；

对所述优质特征集合进行智能故障识别，得到识别结果；

将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据。

进一步地，筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合，包括：

对所述特征集内的所述子特征进行距离评估分析，得到所述子特征的距离评估值；

筛选出所述距离评估值大于预设评估值的所述子特征，作为优质特征；

利用多个所述优质特征生成优质特征集合。

进一步地，对所述特征集内的所述子特征进行距离评估分析，得到各个所述子特征的距离评估值，包括：

获取特征集，{q_m,c,j|m＝1,2,…,M_c；c＝1,2,…,C；j＝1,2,…,J},其中M_c为第c类的所述子特征的样本数，C为所述子特征的种类，J为每一类的所述子特征个数；q_m,c,j是第c类的第m个样本的第j个特征；

计算第c类中第j个特征的类内距离d_c,j，和第c类M_c个样本第j个特征的平均值u_c,j；

根据所述类内距离d_c,j计算得到d_c,j的平均类内距离

根据所述平均值u_c,j计算得到第j个特征的平均类间距离

根据所述平均类内距离

和所述平均类间距离

计算第j个特征的距离评估值α_j。

进一步地，对所述优质特征集合进行智能故障识别，得到识别结果，包括：

针对每组的所述设备信号，分别构建深度ReSNet模型；

将所述优质特征集合内的所述优质特征作为对应的所述深度ReSNet模型的输入进行智能故障识别，输出识别结果。

进一步地，所述深度ReSNet模型至少包括两个残差学习单元，所述残差学习单元包括卷积结构。

进一步地，所述方法还包括：

通过所述卷积结构中的卷积层对输入的所述优质特征进行卷积操作，得到卷积结果；

通过所述卷积结构中的池化层对所述卷积结果进行下采样池化操作，通过所述池化操作对所述卷积结果内的所述优质特征进行降维。

进一步地，所述深度ReSNet模型至少还包括两层全连接层；

所述方法还包括，将降维后的所述优质特征输入全连接层；

在所述全连接层内通过激活函数对输入的所述优质特征进行激活，得到输出结果，将所述输出结果传递到下一所述全连接层；

所述全连接层的最后一层的所述输出结果为模式分类结果，作为所述识别结果。

进一步地，将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据，计算公式为：

式中，

为第n组对应的最后一层所述全连接层的输出，

的表达式为

式中，Q为健康状态数；

label表示算法识别的设备健康状态标签，MaxL(·)输出向量最大值所在的位置编号，N为所述设备信号的组的数量。

一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的轨道交通设备的大数据诊断方法。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的轨道交通设备的大数据诊断方法。

由以上本申请实施方式提供的技术方案可见，通过对设备信号的特征进行提取得到特征集，再通过计算各个特征的距离评估值筛选出对设备健康状态变化敏感的特征，作为优质特征得到优质特征集合，基于构建的深度ReSNet模型将集合内的特征进行智能故障识别，将设备的各个组的识别结果进行行等权集成，得到设备最终诊断数据。这样能够不依赖于人工，自动对机械设备故障进行长期、在线、快速、及时的诊断和判断，并且受人为主观因素影响小，诊断结果精度高、稳定性强。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例一提供的轨道交通设备的大数据诊断方法的示意图；

图2a为本发明实施例一提供的轨道交通设备的大数据诊断方法中设备信号中的预设特征的类型示意图；

图2b为本发明实施例一提供的轨道交通设备的大数据诊断方法中设备信号中的特征类型示意图；

图3为本发明实施例一提供的轨道交通设备的大数据诊断方法的图1中步骤S4的具体示意图；

图4为本发明实施例一提供的轨道交通设备的大数据诊断方法中深度ReSNet模型的结构示意图；

图5本发明实施例一提供的轨道交通设备的大数据诊断方法的步骤S4中步骤S420的示意图；

图6为本发明提供的大数据诊断方法应用于电机故障诊断的各工况下的测试精度示意图；

图7为本发明提供的大数据诊断方法应用于电机故障诊断的诊断结果的混淆矩阵图；

图8为本发明另一实施例的计算机设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例一

本申请的该实施例提供了能够不依赖于人工，自动对机械设备故障进行长期、在线、快速、及时的诊断的轨道交通设备的大数据诊断方法，如图1所示，其方法步骤包括：

步骤S1，获取交通设备的至少两组设备信号。其中，每组的所述设备信号号为不同方向的设备信号，这样获取多方向的设备信号后得到的结果能够全面的对对应设备的状态进行健康诊断，实现大数据诊断。

步骤S2，对所述设备信号进行特征提取，利用提取的特征生成特征集。

本实施例中，需要提取的特征为时域特征和频域特征，如图2a和图2b所示，本实施例对每组设备信号提取了有20个时域特征和15个频域特征共35个设备信号的特征，这35种特征作为子特征形成所述的特征集。

步骤S3，筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合。

本实施例中，所述预设条件为特征集内子特征的距离评估值，若属于同一种类样本的子特征的类内距离越小，不同种类的类间距离越大，则该特征对故障分类敏感度较高，贡献较大，所以能够根据子特征的距离评估值少选出对设备健康状态变化敏感的优质特征，敏感值不高的特征为不相关或冗杂的特征。

故本实施例中，步骤S3具体包括，步骤S301，对所述特征集内的子特征进行距离评估分析，得到所述子特征的距离评估值。

其具体包括：获取一个具有C种特征的特征集，这样该特征集可以表示为，{q_m,c,j|m＝1,2,…,M_c；c＝1,2,…,C；j＝1,2,…,J},其中M_c为第c类的所述子特征的样本数，J为每一类的所述子特征个数；q_m,c,j是第c类的第m个样本的第j个特征；

计算第c类中第j个特征的类内距离d_c,j，计算式表示为，

根据所述类内距离d_c,j计算得到d_c,j的平均类内距离

计算式表示为，

计算第c类M_c个样本第j个特征的平均值u_c,j，计算式为，

根据所述平均值u_c,j计算得到第j个特征的平均类间距离

计算式表示为，

计算第j个特征的距离评估值α_j，计算式为

步骤S302，筛选出所述距离评估值大于预设评估值的所述子特征，作为优质特征；步骤S303，利用多个所述优质特征生成优质特征集合。α_j值越大则第j个特征越敏感，更容易对目标类进行分类,故将距离评估值大于预设评估值的子特征筛选出来作为优质特征，得到优质特征集合。

步骤S4，对所述优质特征集合进行智能故障识别，得到识别结果。

本申请通过建立深度ReSNet(Residual Network，深度残差网络)模型对所述优质特征进行智能故障识别。这样，步骤S4中将所述优质特征集合进行智能故障识别，得到识别结果，如图3所示，步骤S4具体包括：

步骤S410，针对每组的所述设备信号，分别构建深度ReSNet模型。

如图4所示，所述深度ReSNet模型由多个残差学习单元堆叠构成，一个残差学习单元可以被描述为，H(X)＝F(X,{W_i})+X，式中，X为残差学习单元的输入，H(X)为残差学习单元的输出，F(X,{W_i})为需要学习的残差映射，i为残差学习单元包括的层序号，一般i＝1,2，其中F(X,{W_i})可以具体表现为，F(X,{W_i})＝W₂σ(W₁X),式中σ表示ReLU激活函数。

在残差学习单元中，F(X,{W_i})+X通过残差连接实现，残差连接的引入并不会增加额外参数或者计算复杂度，但在进行F(X,{W_i})+X的操作时，前后两项的维度必须相同，若不相同，则对X进行线性映射W_s以匹配与F的维度，这样，H(X)＝F(X,{W_i})+W_SX。

所述残差学习单元包括卷积结构，所述残差学习单元的层序号的值与所述卷积结构的数量相同，本实施例中，层序号i＝2，则包括2层卷积结构，如图3所示，结构为卷积层-池化层-卷积层-池化层，本实施例中，最后一层池化层连接有3层全连接层。

步骤S420，将所述优质特征集合内的所述优质特征作为对应的所述深度ReSNet模型的输入进行智能故障识别，输出识别结果。

具体包括，如图5所示，步骤S421，通过所述卷积结构中的卷积层对输入的所述优质特征进行卷积操作，得到卷积结果。

卷积层的权重矩阵由一组卷积核组成，每个卷积核对输入信号进行卷积操作，得到的卷积结果可视为提取输入信号的特征。假设在第l层卷积层中，使用卷积核

对该层的输入进行特征提取，其中：J表示卷积核的个数、D表示卷积核的通道数、H表示卷积核的维数，则提取的特征可以表示为：

式中，

为第l层的第j个输出特征向量，j＝1,2,…,J，

为卷积层的线性输出，σ(·)为激活函数，

为第l-1层的第d个特征组，d＝1,2,…,D，

为第j个卷积核的第d个通道的卷积向量，

为卷积层的编织向量。

步骤S422，通过所述卷积结构中的池化层对所述卷积结果进行下采样池化操作，通过所述池化操作对所述卷积结果内的所述优质特征进行降维。

池化层通常与卷积层组合作用，主要用来对卷积层提取的特征进行下采样，最大池化与平均池化是常用的两种下采样方法，其实质均是对卷积层提取特征的降维。

以最大池化为例，在第l层池化层中，池化操作可以表示为：

式中，down(·)为最大池化的下采样函数，

为第l-1层中提取的特征向量，

为此话后的特征向量，即降维后的特征，s为池化参数。

池化不仅缩减了网络的参数、缩短了其计算的时间，而且抑制了过拟合现象的发生。

步骤S423，将降维后的所述优质特征输入全连接层。本实施例中，残差学习单元将特征调整为1维向量，并作为3层全连接层的输入。

步骤S424，在所述全连接层内通过激活函数对输入的所述优质特征进行激活，得到输出结果，将所述输出结果传递到下一所述全连接层。

这样，第l层全连接层的输出x^l可以表示为：x^l＝σ(u^l)，

式中，u^l为全连接层的线性激活，x^l-1为第l-1层全连接层的输出，

为全连接层的权重矩阵，其中N₁为x^l-1的维数，N₂为x^l的维数，

为全连接层的偏置向量。

其中所述深度ReSNet模型的损失函数为交叉熵损失函数，计算公式为：

式中，y^k为训练样本实际标签，

为最后一层全连接层的输出，K为最后一层所述全连接层的神经元个数。

步骤S425，所述全连接层的最后一层的所述输出结果为模式分类结果，作为所述识别结果。

步骤S5，将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据。

本实施例中，对各组的所述识别结果进行加权集成，计算公式为：

式中，

为第n组对应的最后一层所述全连接层的输出，

的表达式为

式中，Q为健康状态数；

label表示算法识别的设备健康状态标签，MaxL(·)输出向量最大值所在的位置编号，N为所述设备信号的组的数量。

基于本申请提供的上述实施例，若需要对轨道交通内电机设备进行电机故障诊断可以体现为，首先，采集实验数据，如下表所示，采集了正常(NC)、驱动端轴承外圈故障(OF)、驱动端轴承内圈故障(IF)、驱动端轴承滚动体故障(BF)、驱动端轴承保持架故障(CF)、转子不平衡(IBS)、断相(PL)、电压不平衡(VIB)共8种健康状态下的振动信号数据，采样频率为25.6kHz。每种健康状态下采集的振动信号包含方向1(竖直径向)、方向2(水平径向)、方向3(轴向)，采集数据时，电机转频为15、25、35、45Hz，空载运行。每种健康状态下共包含512个样本，每个样本长度为2560个数据点。随机选取30％的样本作为训练样本，剩余的样本作为测试样本。

其中特征选择，利用距离评估技术优选得到的敏感特征包含图2a和图2b中的，17个时域特征(tf2、tf3、tf4、tf5、tf6、tf7、tf8、tf9、tf10、tf12、tf13、tf15、tf16、tf17、tf18、tf19、tf20)和13个频域特征(ff1、ff2、ff3、ff4、ff5、ff7、ff8、ff9、ff11、ff12、ff13、ff14、ff15)共30个特征。

深度ResNet模型共堆叠了10个残差学习单元。其中，第1个残差学习单元卷积核长度为10，其余残差学习单元卷积核长度为3，卷积核个数均为20。第1层全连接层神经元个数为300，第2层全连接层神经元个数为20，第3层全连接层神经元个数等于健康状态数为8。除最后一层全连接层激活函数为softmax激活函数外，其他各层激活函数均为ReLU激活函数。利用Adam算法对ResNet进行训练，学习率为0.01。训练后，各工况下的测试精度如图6所示，可以看出，深度ResNet智能故障诊断算法在各工况下的诊断精度均接近100％。如图7所示，为深度ResNet诊断结果的混淆矩阵，可以看出深度ResNet智能故障诊断算法在对各健康状态的识别精度均达到99％以上。

通过上述实施例以及对电机故障诊断的实际应用，可以看出本申请通过对设备信号的特征进行提取得到特征集，再通过计算各个特征的距离评估值筛选出对设备健康状态变化敏感的特征，作为优质特征得到优质特征集合，基于构建的深度ReSNet模型将集合内的特征进行智能故障识别，将设备的各个组的识别结果进行行等权集成，得到设备最终诊断数据。其中深度ReSNet智能故障诊断的算法可自由扩展至任意数目通道的集成，扩展性强，诊断结果可信度高，并降低了用户的应用门槛，提供了直观、易懂的诊断结果。这样能够不依赖于人工，自动对机械设备故障进行长期、在线、快速、及时的诊断和判断，并且受人为主观因素影响小，诊断结果精度高、稳定性强。

本发明公开的计算机设备的一个实施例的结构示意图如图8所示，其包括存储器101和处理器102。其中:存储器101可以是磁盘、闪存或其它任何非易失性存储介质。存储器102用于存储上述的轨道交通设备的大数据诊断方法的对应实施例中的指令。处理器102耦接至存储器101,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器102用于执行存储器101中存储的指令,能够不依赖于人工，就对机械设备故障进行长期、在线、快速、及时的诊断和判断。

在另一实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现所述的轨道交通设备的大数据诊断方法的步骤。本领域内的技术人员应明白,本发明的实施例可提供为方法、设备、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轨道交通设备的大数据诊断方法，包括：

获取交通设备的至少两组设备信号；

对所述设备信号进行特征提取，利用提取的特征生成特征集；

筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合；

对所述优质特征集合进行智能故障识别，得到识别结果；

将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据。

2.根据权利要求1所述的一种轨道交通设备的大数据诊断方法，其特征在于，筛选出所述特征集内满足所述预设条件的优质特征，得到优质特征集合，包括：

对所述特征集内的子特征进行距离评估分析，得到所述子特征的距离评估值；

筛选出所述距离评估值大于预设评估值的所述子特征，作为优质特征；

利用多个所述优质特征生成优质特征集合。

3.根据权利要求2所述的一种轨道交通设备的大数据诊断方法，其特征在于，对所述特征集内的所述子特征进行距离评估分析，得到各个所述子特征的距离评估值，包括：

获取特征集，{q_m,c,j|m＝1,2,…,M_c；c＝1,2,…,C；j＝1,2,…,J},其中M_c为第c类的所述子特征的样本数，C为所述子特征的种类，J为每一类的所述子特征个数；q_m,c,j是第c类的第m个样本的第j个特征；

计算第c类中第j个特征的类内距离d_c,j，和第c类M_c个样本第j个特征的平均值u_c,j；

根据所述类内距离d_c,j计算得到d_c,j的平均类内距离

根据所述平均值u_c,j计算得到第j个特征的平均类间距离

根据所述平均类内距离

和所述平均类间距离

计算第j个特征的距离评估值α_j。

4.根据权利要求1所述的一种轨道交通设备的大数据诊断方法，其特征在于，对所述优质特征集合进行智能故障识别，得到识别结果，包括：

针对每组的所述设备信号，分别构建深度ReSNet模型；

将所述优质特征集合内的所述优质特征作为对应的所述深度ReSNet模型的输入进行智能故障识别，输出识别结果。

5.根据权利要求4所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述深度ReSNet模型至少包括两个残差学习单元，所述残差学习单元包括卷积结构。

6.根据权利要求5所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述方法还包括：

通过所述卷积结构中的卷积层对输入的所述优质特征进行卷积操作，得到卷积结果；

通过所述卷积结构中的池化层对所述卷积结果进行下采样池化操作，通过所述池化操作对所述卷积结果内的所述优质特征进行降维。

7.根据权利要求6所述的一种轨道交通设备的大数据诊断方法，其特征在于，所述深度ReSNet模型至少还包括两层全连接层；

所述方法还包括，将降维后的所述优质特征输入全连接层；

在所述全连接层内通过激活函数对输入的所述优质特征进行激活，得到输出结果，将所述输出结果传递到下一所述全连接层；

所述全连接层的最后一层的所述输出结果为模式分类结果，作为所述识别结果。

8.根据权利要求7所述的一种轨道交通设备的大数据诊断方法，其特征在于，将各组设备信号对应的的所述识别结果进行集成，生成所述交通设备的最终诊断数据，计算公式为：

式中，

为第n组对应的最后一层所述全连接层的输出，

的表达式为

式中，Q为健康状态数；

label表示算法识别的设备健康状态标签，MaxL(·)输出向量最大值所在的位置编号，N为所述设备信号的组的数量。

9.一种计算机设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被所述处理器执行时实现权利要求1至8任一项所述的轨道交通设备的大数据诊断方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述的轨道交通设备的大数据诊断方法。

Images