CN113516159A - 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 - Google Patents

Abstract

本发明公开了轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统，涉及列车故障检测技术领域，其技术方案要点是：获取列车运行过程中小齿轮轴的振动加速度数据；对振动加速度数据进行预处理，并转换为二维时频图像数据；基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果；根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库；对数据库中的故障数据进行统计分析后输出报警与运维策略。本发明采用非拆卸式诊断技术，降低了检修难度，提高了检修效率与经济效益；在列车运营过程中即可进行小齿轮裂纹诊断，具有良好的实用性与安全性；且采用基于CNN的深度学习模型进行诊断，提高了诊断精度。

Description

轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统

技术领域

本发明涉及列车故障检测技术领域，更具体地说，它涉及轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统。

背景技术

随着我国高速、重载铁路和城市轨道交通的快速发展，对轨道交通车辆运营和维护提出了挑战。我国现有的轨道车辆关键部件健康状态监测和在线故障诊断技术主要集中在轴承、齿轮和踏面故障，对于小齿轮轴监测关注较少。但是小齿轮轴作为轨道车辆走行部的关键部件之一，在长期高速重载的运行工况下由于设计或加工问题，极易在应力集中的区域出现裂纹甚至断裂的现象，直接影响列车的稳定性和安全性，因此突破现有高速列车关键部件健康状态监测和在线故障诊断技术壁垒，实现小齿轮轴裂纹故障的有效诊断是保障高速列车安全高效运行的重要途径。

小齿轮轴裂纹故障对振动的响应并不敏感，即使很深的裂纹也很难发现振动的明显变化，对于仅存在微弱振动故障特征的小齿轮轴裂纹故障，在强噪声运行环境下，列车走行部采集的数据特征并不明显，导致传统信号处理方法无法有效地提取故障特征进行诊断。因此，现有的轨道车辆走行部小齿轮轴裂纹故障诊断一般方法为超声探伤，该方法诊断精度高，能够准确的诊断出小齿轮轴的裂纹故障，但是由于小齿轮轴处于走行部结构深处，需要对走行部齿轮箱进行拆解才能让探头接触小齿轮轴端面进行探测，该方法存在检修难度高，检修效率低，经济效益差，不能满足运营需求等缺点。

因此，如何研究设计一种克服上述缺陷的轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统是我们目前急需解决的问题。

发明内容

为解决现有技术中的缺陷，本发明的目的是提供轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统，为非拆卸式小齿轮轴裂纹故障监测提供了新的技术方向。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了轨道车辆走行部小齿轮轴裂纹故障诊断方法，包括以下步骤：

获取列车运行过程中小齿轮轴的振动加速度数据；

对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据；

根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果；

根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库；

根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

进一步的，所述振动加速度数据通过将振动加速度传感器安装在电机输出端或齿轮箱承载区的小齿轮轴周围进行采集。

进一步的，所述二维时频图像数据的转换过程具体为：

将振动加速度数据中的异常数据过滤后得到真实稳定数据；

对真实稳定数据去均值化处理后得到均值化数据；

采用短时傅里叶变换将一维的均值化数据转换为二维时频图像数据。

进一步的，所述真实稳定数据去均值化处理的具体过程为：

x′(m)＝x(m)-mean(x(m))

其中，x′(m)表示均值化后的均值化数据，x(m)表示过滤后的真实稳定数据，mean(x(m))表示真实稳定数据的均值。

进一步的，所述二维时频图像数据的转换过程具体为：

其中，X(n,w)表示时间n与频率ω的二维矩阵；x(m)；g(n-m)表示短时傅里叶变换窗函数，具有n个时间的偏移量；e^-jωm表示复平面上关于频率w的基函数。

进一步的，所述基于CNN的深度学习诊断模型的构建过程具体为：

从数据库中提取小齿轮轴的历史振动加速度数据与相应历史时刻每根轴的故障状态，并将依据故障状态将每条历史振动加速度数据打上相应的故障状态标签；

构建CNN模型的结构与超参数，结构与超参数包括网络深度、卷积核大小、卷积核数量、池化层大小、池化层个数、学习率；

将历史时频图像数据输入CNN模型中，设置迭代次数，采用网格搜索更新CNN模型的结构与超参数；

固定CNN模型的结构与超参数，将历史时频图像数据输入CNN模型进行迭代训练；

迭代到预设次数后，模型训练误差不再减小并趋于稳定时保存CNN模型，得到基于CNN的深度学习诊断模型。

进一步的，所述基于CNN的深度学习诊断模型的诊断过程具体为：

将二维时频图像数据输入基于CNN的深度学习诊断模型中，CNN模型输出一个1×2的故障预测概率向量，故障预测概率向量具体为：

ρ＝[ρ₁,ρ₂]

其中，ρ表示故障预测概率向量；ρ₁表示数据预测为正常的概率；ρ₂表示数据预测为小齿轮轴裂纹的概率。

进一步的，所述故障诊断结果的筛选处理过程具体为：

将故障诊断结果中小齿轮轴的故障预测概率大于预设筛选阈值所对应的振动加速度数据视为故障数据，将小齿轮轴的故障预测概率小于或等于预设筛选阈值所对应的振动加速度数据视为正常数据；

根据实际需求划分时间段，并计算相应时间段的故障概率，故障概率的计算为：

其中，ρ₀表示n时间段的故障概率；S_gn表示n时间段故障数据的数量；S_zn表示n时间段总数据的数量；

选取相应时间段中历史振动加速度数据的故障诊断结果进行概率统计，并依据概率统计设定分级阈值标准；

当输出的故障诊断结果达到保存阈值时将相应时间段中的故障数据保存至数据库。

进一步的，所述报警与运维策略的生成过程具体为：

获取列车在相应时间段中的故障预测概率；

当故障诊断结果达到相应等级阈值时，从数据库中调取预设历史周期内的故障数据；

当预设历史周期内故障概率存在Q₁次超过预警阈值，则发出小齿轮轴裂纹预警，同时输出建议重点跟踪建议；

当预设历史周期内故障概率Q₂次超过一级报警阈值，则发出小齿轮轴裂纹一级报警，同时输出探伤齿轮轴建议；

当预设历史周期内故障概率Q₃次超过二级报警阈值且故障概率呈增长趋势，则发出小齿轮轴裂纹二级报警，同时输出更换齿轮轴建议。

第二方面，提供了轨道车辆走行部小齿轮轴裂纹故障诊断系统，包括：

数据采集模块，用于获取列车运行过程中小齿轮轴的振动加速度数据；

数据预处理模块，用于对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据；

故障诊断模块，用于根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果；

数据库，用于根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库；

报警与运维模块，用于根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

与现有技术相比，本发明具有以下有益效果：

1、本发明采用了非拆卸式诊断技术，降低了检修难度，提高了检修效率与经济效益；在列车运营过程中即可进行小齿轮裂纹诊断，具有良好的实用性与安全性；且采用基于CNN的深度学习模型进行诊断，提高了诊断精度；

2、本发明可以有效诊断轨道车辆走行部小齿轮轴裂纹故障，为轨道车辆安全、稳定运行提供了保证，为轨道列车状态修方案的制订提供了依据。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是本发明实施例中的流程图；

图2是本发明实施例中的系统框图；

图3是本发明实施例中CNN模型的示意图；

图4是本发明实施例中的损失值训练曲线图。

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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：轨道车辆走行部小齿轮轴裂纹故障诊断方法，如图1所示，具体由以下步骤实现。

步骤一，获取列车运行过程中小齿轮轴的振动加速度数据；例如，选取某机务段轨道车辆走行部1、2、3、4、5、6轴靠近电机输出端或齿轮箱承载区位置进行振动加速度传感器安装，并采集振动加速度数据。

步骤二，对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据。

二维时频图像数据的转换过程具体为：将振动加速度数据中由电机干扰、线路干扰等导致的异常数据过滤后得到真实稳定数据；对真实稳定数据去均值化处理后得到均值化数据，减少后续计算量，提高CNN模型训练精度；采用短时傅里叶变换将一维的均值化数据转换为二维时频图像数据。

真实稳定数据去均值化处理的具体过程为：

x′(m)＝x(m)-mean(x(m))

其中，x′(m)表示均值化后的均值化数据，x(m)表示过滤后的真实稳定数据，mean(x(m))表示真实稳定数据的均值，m表示真实稳定数据去均值化处理的序列次数。

二维时频图像数据的转换过程具体为：

其中，X(n,w)表示时间n与频率ω的二维矩阵；x(m)；g(n-m)表示短时傅里叶变换窗函数，具有n个时间的偏移量；e^-jωm表示复平面上关于频率w的基函数。

步骤三，根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果。

基于CNN的深度学习诊断模型的构建过程具体为：从数据库中提取小齿轮轴的历史振动加速度数据与相应历史时刻每根轴的故障状态，并将依据故障状态将每条历史振动加速度数据打上相应的故障状态标签；构建CNN模型的结构与超参数，结构与超参数包括但不限于网络深度、卷积核大小、卷积核数量、池化层大小、池化层个数、学习率；将历史时频图像数据输入CNN模型中，设置迭代次数，采用网格搜索更新CNN模型的结构与超参数；固定CNN模型的结构与超参数，将历史时频图像数据输入CNN模型进行迭代训练；迭代到预设次数后，模型训练误差不再减小并趋于稳定时保存CNN模型，其训练过程如图4所示，模型在迭代过程中损失值不断减少，损失值表明模型结果与真实结果的差异，迭代15次之后损失值趋于稳定，表明模型参数已迭代到最优，模型趋于稳定；得到基于CNN的深度学习诊断模型，如图3所示。

基于CNN的深度学习诊断模型的诊断过程具体为：将二维时频图像数据输入基于CNN的深度学习诊断模型中，CNN模型输出一个1×2的故障预测概率向量。故障预测概率向量具体为：

ρ＝[ρ₁,ρ₂]

其中，ρ表示故障预测概率向量；ρ₁表示数据预测为正常的概率；ρ₂表示数据预测为小齿轮轴裂纹的概率。

例如，故障预测概率向量输出为[10％，90％]这样1×2的向量，其中前面的10％为小齿轮轴正常的概率，90％为小齿轮轴裂纹故障的概率。

步骤四，根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库。需要说明的是，故障信息既包括故障数据以及对应的故障诊断结果。

故障诊断结果的筛选处理过程具体为：

1)将故障诊断结果中小齿轮轴的故障预测概率大于预设筛选阈值所对应的振动加速度数据视为故障数据，将小齿轮轴的故障预测概率小于或等于预设筛选阈值所对应的振动加速度数据视为正常数据；例如，预设筛选阈值为50％；

2)根据实际需求划分时间段，并计算相应时间段的故障概率，故障概率的计算为：

其中，ρ₀表示n时间段的故障概率；S_gn表示n时间段故障数据的数量；S_zn表示n时间段总数据的数量；

3)选取相应时间段中历史振动加速度数据的故障诊断结果进行概率统计，并依据概率统计设定分级阈值标准；例如，分级阈值标准分为保存、预警、一级报警、二级报警；保存：故障概率大于15％；预警：故障概率大于30％；一级报警：故障概率大于40％；二级报警：故障概率大于50％；

4)当输出的故障诊断结果达到保存阈值时将相应时间段中的故障数据保存至数据库。

步骤五，根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

报警与运维策略的生成过程具体为：获取列车在相应时间段中的故障预测概率；当故障诊断结果达到相应等级阈值时，从数据库中调取预设历史周期内的故障数据；当预设历史周期内故障概率存在Q₁次超过预警阈值，则发出小齿轮轴裂纹预警，同时输出建议重点跟踪建议；当预设历史周期内故障概率Q₂次超过一级报警阈值，则发出小齿轮轴裂纹一级报警，同时输出探伤齿轮轴建议；当预设历史周期内故障概率Q₃次超过二级报警阈值且故障概率呈增长趋势，则发出小齿轮轴裂纹二级报警，同时输出更换齿轮轴建议。

例如，时间段以一天、预设历史周期为一个月为例。当最近一个月故障概率多次超过30％，则发出齿轮轴裂纹预警，输出建议重点跟踪建议；当最近一个月故障概率多次超过40％则发出齿轮轴裂纹一级报警，输出探伤齿轮轴建议；当最近一个月故障概率多次超过50％且故障概率呈增长趋势，则发出齿轮轴裂纹二级报警，输出更换齿轮轴建议。需要注意的是，此处的多次不受限制，可根据实际需求进行灵活设置。

实施例2：轨道车辆走行部小齿轮轴裂纹故障诊断系统，如图2所示，包括数据采集模块、数据预处理模块、故障诊断模块、数据库、报警与运维模块。数据采集模块，用于获取列车运行过程中小齿轮轴的振动加速度数据。数据预处理模块，用于对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据。故障诊断模块，用于根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果。数据库，用于根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库。报警与运维模块，用于根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，包括以下步骤：

获取列车运行过程中小齿轮轴的振动加速度数据；

对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据；

根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果；

根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库；

根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

2.根据权利要求1所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述振动加速度数据通过将振动加速度传感器安装在电机输出端或齿轮箱承载区的小齿轮轴周围进行采集。

3.根据权利要求1所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述二维时频图像数据的转换过程具体为：

将振动加速度数据中的异常数据过滤后得到真实稳定数据；

对真实稳定数据去均值化处理后得到均值化数据；

采用短时傅里叶变换将一维的均值化数据转换为二维时频图像数据。

4.根据权利要求3所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述真实稳定数据去均值化处理的具体过程为：

x′(m)＝x(m)-mean(x(m))

其中，x′(m)表示均值化后的均值化数据，x(m)表示过滤后的真实稳定数据，mean(x(m))表示真实稳定数据的均值。

5.根据权利要求3所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述二维时频图像数据的转换过程具体为：

其中，X(n,w)表示时间n与频率ω的二维矩阵；x(m)；g(n-m)表示短时傅里叶变换窗函数，具有n个时间的偏移量；e-jωm表示复平面上关于频率w的基函数。

6.根据权利要求1-5任意一项所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述基于CNN的深度学习诊断模型的构建过程具体为：

从数据库中提取小齿轮轴的历史振动加速度数据与相应历史时刻每根轴的故障状态，并将依据故障状态将每条历史振动加速度数据打上相应的故障状态标签；

构建CNN模型的结构与超参数，结构与超参数包括网络深度、卷积核大小、卷积核数量、池化层大小、池化层个数、学习率；

将历史时频图像数据输入CNN模型中，设置迭代次数，采用网格搜索更新CNN模型的结构与超参数；

固定CNN模型的结构与超参数，将历史时频图像数据输入CNN模型进行迭代训练；

迭代到预设次数后，模型训练误差不再减小并趋于稳定时保存CNN模型，得到基于CNN的深度学习诊断模型。

7.根据权利要求1-5任意一项所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述基于CNN的深度学习诊断模型的诊断过程具体为：

将二维时频图像数据输入基于CNN的深度学习诊断模型中，CNN模型输出一个1×2的故障预测概率向量，故障预测概率向量具体为：

ρ＝[ρ₁,ρ₂]

其中，ρ表示故障预测概率向量；ρ₁表示数据预测为正常的概率；ρ₂表示数据预测为小齿轮轴裂纹的概率。

8.根据权利要求1-5任意一项所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述故障诊断结果的筛选处理过程具体为：

将故障诊断结果中小齿轮轴的故障预测概率大于预设筛选阈值所对应的振动加速度数据视为故障数据，将小齿轮轴的故障预测概率小于或等于预设筛选阈值所对应的振动加速度数据视为正常数据；

根据实际需求划分时间段，并计算相应时间段的故障概率，故障概率的计算为：

其中，ρ₀表示n时间段的故障概率；S_gn表示n时间段故障数据的数量；S_zn表示n时间段总数据的数量；

选取相应时间段中历史振动加速度数据的故障诊断结果进行概率统计，并依据概率统计设定分级阈值标准；

当输出的故障诊断结果达到保存阈值时将相应时间段中的故障数据保存至数据库。

9.根据权利要求1-5任意一项所述的轨道车辆走行部小齿轮轴裂纹故障诊断方法，其特征是，所述报警与运维策略的生成过程具体为：

获取列车在相应时间段中的故障预测概率；

当故障诊断结果达到相应等级阈值时，从数据库中调取预设历史周期内的故障数据；

当预设历史周期内故障概率存在Q₁次超过预警阈值，则发出小齿轮轴裂纹预警，同时输出建议重点跟踪建议；

当预设历史周期内故障概率Q₂次超过一级报警阈值，则发出小齿轮轴裂纹一级报警，同时输出探伤齿轮轴建议；

当预设历史周期内故障概率Q₃次超过二级报警阈值且故障概率呈增长趋势，则发出小齿轮轴裂纹二级报警，同时输出更换齿轮轴建议。

10.轨道车辆走行部小齿轮轴裂纹故障诊断系统，其特征是，包括：

数据采集模块，用于获取列车运行过程中小齿轮轴的振动加速度数据；

数据预处理模块，用于对振动加速度数据进行预处理，并将一维振动加速度数据转换为二维时频图像数据；

故障诊断模块，用于根据预构建的基于CNN的深度学习诊断模型对二维时频图像数据进行诊断，得到故障诊断结果；

数据库，用于根据保存阈值对故障诊断结果进行筛选处理，并将筛选的故障信息保存至数据库；

报警与运维模块，用于根据报警阈值对数据库中的故障数据进行统计分析后输出报警与运维策略。

Images