CN113705602B - 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，包括以下步骤：对轨道交通列车滚动轴承进行实时状态监测，获取轴承振动信号数据，对所获得振动信号数据进行预处理，将一维时域信号转化二维矩阵作为训练的输入数据集，基于轻量级网络构建滚动轴承故障诊断的SE‑IRCNN模型，采用倒置残差块的方式将含有特征信息的数据先放入高维空间后，再进行深度可分离卷积降低计算成本，将输入数据集输入SE‑IRCNN模型开始训练及验证阶段，获取滚动轴承状态编号及测试准确率，用于有效识别滚动轴承运行状态，诊断滚动轴承存在故障与否。本发明能有效提高识别精度和诊断速度，极大提高设备维修人员的工作效率，同时在其他领域也具有广阔的应用潜力。

Description

一种基于轻量级网络的轨道列车滚动轴承故障诊断方法

技术领域

本发明属于轨道交通列车状态监测及故障诊断领域，具体涉及一种基于轻量级网络的轨道列车滚动轴承故障诊断方法。

背景技术

随着铁路运输的快速发展，列车的运行速度、负载、密度都在不断提高。中国的轨道交通列车发展尤其迅速，运营速度已达到350km/h。旅客数量的不断增长，负载的不断增加，使得人们越来越重视高速重载列车的运行安全问题。作为列车走行部的重要组成部分，滚动轴承的健康状态监测及故障诊断对保证轨道交通列车的安全运行起着至关重要的作用。列车速度的提高将使滚动轴承承受更多的随机冲击，从而导致更多的磨损和缺陷；温度和湿度的快速变化也会加速疲劳损伤，并产生诸如点蚀和部分剥落等失效形式；重载和长期交变应力的影响也很容易导致滚动轴承故障。因此，通过状态监测及时发现轴承故障，可有效保证轨道交通列车的安全，保障乘客的安全。目前，轨道交通列车的滚动轴承故障诊断多采用传统方法，依靠人的先验知识的经验，定期检查及更换。这种诊断方法耗费大量的人力物力财力且效率低，为此，出现了基于信号处理技术的滚动轴承故障诊断方法，但这些方法需要大量前期准备工作，依赖研究人员的先验知识，且精度不高。

近年来，随着深度学习研究的不断兴起，基于人工智能的故障诊断算法逐渐成为故障诊断领域研究的热点，并取得较为显著的成功，深度学习是一种端到端的全自动识别方法，将特征提取与特征分类相结合，并能自适应地提取故障特征，从而排除人的先验知识对特征提取的主观影响，深度学习方法以其在分类任务的优异表现，在故障诊断领域得到广泛应用。虽然深度学习中的深层网络可有效提高故障诊断准确率，但深层网络模型结构复杂、计算成本极高、训练时间较长，考虑到轨道交通列车故障诊断的实时性，如何在保证诊断精度的情况下，降低计算成本、提高模型训练速度，引起了研究人员的广泛关注。

发明内容

本发明的目的在于提供一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，本发明能自适应提取滚动轴承振动信号的故障特征，并在建模时融合多种模块和计算单元，有效提高识别精度和诊断速度。为了实现上述目的，本发明采用的技术方案如下：

根据本发明的一个方面，提供了一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，所述故障诊断方法包括以下步骤：对轨道交通列车滚动轴承进行实时状态监测，获取轴承振动信号数据，对所获得振动信号数据进行预处理，将一维时域信号转化二维矩阵作为训练的输入数据集，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型，在网络中嵌入SE模块，采用倒置残差块的方式将含有特征信息的数据先放入高维空间后，再进行深度可分离卷积降低计算成本，通过嵌入SE模块对特征信息权重进行重新校准，将输入数据集输入SE-IRCNN模型开始训练及验证阶段，获取滚动轴承状态编号及测试准确率，用于有效识别滚动轴承运行状态，诊断滚动轴承存在故障与否。

上述方案优选的，所述轴承振动信号数据包括不同故障部位与不同故障状态数据和正常运行状态数据。

上述方案优选的，对所获得振动信号数据进行预处理包括如下步骤：

步骤11：将获取的滚动轴承时域振动信号数据并根据训练集、验证集、测试集比例，将时域振动信号数据进行分列，转换为多条列向量，根据不同故障特征对每条列向量进行编号；

步骤12：将所有列向量转化为二维矩阵，根据每个故障类别的二维矩阵分别取不同比例的训练集、验证集和测试集；

步骤13：对已编号的列向量进行独热编码，通过独热编码将已编号的列向量存在不同的独立寄存器位，其中，独立寄存器位采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。

上述方案优选的，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型包括以下子步骤：

步骤21：定义单个倒置残差块，其中每个倒置残差块均为先进行通道扩张，然后进行深度可分离卷积，再进行通道缩减；

步骤22：定义层间非线性传递函数，并且在每个倒置残差块中加入判断语句，判定是否嵌入SE模块；

步骤23：搭建整个SE-IRCNN模型，将已经过预处理的振动信号数据作为输入，首先输入全卷积层，后经过四个倒置残差块，其中在首尾两个块中嵌入SE模块，再经过全卷积层后输入全局平均池化层，最后经过softmax分类器输出结果；

上述方案优选的，进行深度可分离卷积降低计算成本包括如下过程，假设传统标准卷积层的输入通道数为K，输入数据大小为D_F×D_F，输出通道数为F，卷积核大小为D_K×D_K，则传统标准卷积的计算量为：

D_K·D_K·M·N·D_F·D_F；

作为传统卷积的因式分解形式，深度可分离卷积的计算量为：

D_K·D_K·M·D_F·D_F+M·N·D_F·D_F；

两种卷积计算的计算量之比为：

卷积计算通常使用3×3大小的卷积核，即D_K＝3，通过上述计算可得，深度可分离卷积的计算量通常比传统卷积要小8-9倍。

上述方案优选的，将输入数据集输入SE-IRCNN模型开始训练及验证阶段包括，先采用用损失函数实现自适应梯度下降法对SE-IRCNN模型进行训练，在每个训练周期的最后均采用验证集进行验证，输出训练准确率曲线，训练损失值曲线验证准确率曲线及验证损失值曲线，二者准确率均满足效果且损失值收敛后，保存SE-IRCNN模型权重数据，再对SE-IRCNN模型进行测试，测试准确率达标，则对SE-IRCNN模型进行评估，并输出各项评价指标，完成滚动轴承运行的状态监测与故障诊断，若不达标，调整SE-IRCNN模的型结构及各项参数各项继续训练。

上述方案优选的，对SE-IRCNN模型进行训练过程采用交叉熵损失函数来衡量模型预测值与真实值的差距，损失函数Loss满足：

式中，y⁽ⁱ⁾代表第i个样本的真实标签，代表第i个样本的预测标签，N代表样本数。

上述方案优选的，将已编号的故障数据进行重新排序，随机输入SE-IRCNN模型，验证模型的鲁棒性。

综上所述，由于本发明采用了上述技术方案，本发明具有如下显著效果：

本发明采用了上述基于轻量级网络的结构设计，融合多个强化模块，可以实现轨道交通列车滚动轴承故障的智能诊断，准确率高，诊断速度快，鲁棒性强，相对于现有的其他故障诊断方法优势明显，实现列车健康状态实时监测与故障诊断，极大提高设备维修人员的工作效率，同时在其他领域也具有广阔的应用潜力。

附图说明

图1是本发明一种基于轻量级网络的轨道列车滚动轴承故障诊断方法的流程图；

图2是本发明采用嵌入SE模块的倒置残差块结构图；

图3是本发明的轻量级模型训练及测试部分流程图；

图4是本发明实例验证部分的混淆矩阵。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

结合图1，根据本发明的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，所述故障诊断方法包括以下步骤：

步骤1：对轨道交通列车滚动轴承进行实时状态监测，获取轴承振动信号数据，对所获得振动信号数据进行预处理，所述轴承振动信号数据包括不同故障部位与不同故障状态数据和正常运行状态数据，对所获得振动信号数据进行预处理包括如下步骤：

步骤11：将获取的滚动轴承时域振动信号数据并根据训练集、验证集、测试集比例，将时域振动信号数据进行分列，每列取4096个数据，并对每列进行编号，如内圈点蚀为1号、内圈裂纹为2号等，将时域振动信号数据转换为多条列向量，根据不同故障特征对每条列向量进行编号；

步骤12：将所有列向量转化为二维矩阵，根据每个故障类别的二维矩阵分别取不同比例的训练集、验证集和测试集；将所有列向量转化为二维矩阵，保证在不破坏原始数据特征的情况下，充分利用深度学习方法卷积计算的敏感性，进一步提高诊断精度，本次实例输入矩阵维度为64×64×1，可根据实际数据量来调整；已编号的每列数据转化为64×64的二维矩阵，每个故障类别有1250个矩阵，取1000个作为训练集、100个作为验证集、150个作为测试集；

步骤13：对已编号的列向量进行独热编码，通过独热编码将已编号的列向量存在不同的独立寄存器位，其中，独立寄存器位采用N位状态寄存器来对N个状态进行编码，N为故障类别数，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。

步骤2：将一维时域信号转化二维矩阵作为训练的输入数据集，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型，在网络中嵌入SE模块(Squeeze-and-Excitationblock)提高模型对故障特征的提取能力，提高实际运行速度的同时保证诊断精度，采用倒置残差块的方式将含有特征信息的数据先放入高维空间后，再进行深度可分离卷积降低计算成本，通过嵌入SE模块对特征信息权重进行重新校准，进行深度可分离卷积降低计算成本包括如下过程，假设传统标准卷积层的输入通道数为K，输入数据大小为D_F×D_F，输出通道数为F，卷积核大小为D_K×D_K，则传统标准卷积的计算量为：

D_K·D_K·M·N·D_F·D_F

作为传统卷积的因式分解形式，深度可分离卷积的计算量为：

D_K·D_K·M·D_F·D_F+M·N·D_F·D_F；

两种卷积计算的计算量之比为：

卷积计算通常使用3×3大小的卷积核，即D_K＝3，通过上述计算可得，深度可分离卷积的计算量通常比传统卷积要小8-9倍。

在本发明中，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型包括以下子步骤：

步骤21：定义单个倒置残差块，其中每个倒置残差块均为先进行通道扩张，然后进行深度可分离卷积，再进行通道缩减；可有效避免特征在低维空间压缩后再卷积，从而有效保存特征信息且降低计算成本；

步骤22：定义层间非线性传递函数，并且在每个倒置残差块中加入判断语句，判定是否嵌入SE模块；

步骤23：搭建整个SE-IRCNN模型，将已经过预处理的振动信号数据作为输入，首先输入全卷积层，后经过四个倒置残差块，其中在首尾两个块中嵌入SE模块，再经过全卷积层后输入全局平均池化层，最后经过softmax分类器输出结果，通过在首尾两个块结构中嵌入SE模块来进一步提高模型特征提取能力；

在本发明中，其中深度可分离卷积分为深度卷积和逐点卷积，变乘法为加法从而降低计算成本，减少模型计算参数，提高模型在限定带宽下的计算速度，从而提高整个诊断流程的运行速度；采用倒置残差块堆叠的方式建模保全特征信息，嵌入SE模块对传递通道相关性进行建模达到强调重要特征信息的作用，从而进一步提高特征提取能力，达到高精度故障识别；通过倒置残差块堆叠的方式建模，残差网络可有效提高模型性能，而本发明采用的深度可分离卷积不适合处理低维空间下的数据，采用倒置残差块堆叠的方式搭建模型特征提取的核心部分，考虑到轻量级网络设计的要求，采用倒置残差块的结构保证模型特征提取能力，保全特征信息，进而提高该方法的诊断识别准确率，将含有特征信息的数据先放入高维空间后再进行深度可分离卷积，保证特征信息传递过程中的完整性；通过嵌入SE模块来达到对特征信息权重的重新校准，达到强化重要特征信息的作用，图2展示了嵌入了SE模块的倒置残差块结构；倒置残差块中层间传递多使用非线性激活函数，有利于特征信息的过滤，表1展示了SE-IRCNN的整体结构和参数选择：

表1.SE-IRCNN模型细节

其中Input表示输入的数据维度，Operator表示进行的具体操作，Up-dim表示倒置残差块中升维操作所提升的空间维度，out表示降维后的空间维度，SE表示是否SE模块，NL表示层间变换时所采用的非线性激活函数(HS代表hard-swish，RE代表ReLU6)，s表示步长。

步骤3：将输入数据集输入SE-IRCNN模型开始训练及验证阶段，获取滚动轴承状态编号及测试准确率，用于有效识别滚动轴承运行状态，诊断滚动轴承存在故障与否，若不存在故障，继续实时监测滚动轴承，若存在故障，获取滚动轴承的故障部位及严重程度，根据严重程度进行及时检修和维护；通过训练准确率和损失值的变化曲线SE-IRCNN模型参数是否需要调整，若诊断精度达标则进入测试阶段，并保存SE-IRCNN模型训练权重，再将测试集输入已训练好的模型，即可得到滚动轴承状态编号及测试准确率。如图3所示为整个训练测试过程，将已经过预处理的训练集与验证集输入搭建好的深度学习模型(深度可分离卷积)进行训练，在每个训练周期的最后均采用验证集进行验证，输出训练准确率曲线、训练损失值曲线验证准确率曲线及验证损失值曲线，在二者准确率均满足效果且损失值收敛后，模型训练完成，保存SE-IRCNN模型权重数据，，再对SE-IRCNN模型进行测试，将测试集输入进行测试，输出测试准确率与故障编号，测试准确率达标，再输入评估模块进行评估故障诊断模型性能，从而对SE-IRCNN模型进行评估，通过混淆矩阵完成对模型故障诊断性能的评估，并输出各项评价指标，完成滚动轴承运行的状态监测与故障诊断，若不达标，调整SE-IRCNN模的型结构及各项参数各项继续训练；为进一步验证模型训练及测试阶段，输出混淆矩阵，采用混淆矩阵对模型进行评估，用n行n列的矩阵形式来表示，n代表类别数，在本发明中为滚动轴承故障类别数。

在本发明中，将输入数据集输入SE-IRCNN模型开始训练及验证阶段采用损失函数实现自适应梯度下降法对SE-IRCNN模型进行训练，完成滚动轴承运行的状态监测与故障诊断，SE-IRCNN模型训练过程为：训练参数设置如下：批量尺寸设置为16，训练周期数为50；学习率设置为0.001，无衰减；采用Rmsprop函数作为优化器，交叉熵函数作为损失函数，其中损失值Loss满足：

式中，y⁽ⁱ⁾代表第i个样本的真实标签，代表第i个样本的预测标签，N代表样本数。

通过一组15类不同工况故障数据对本发明进行实例验证，并与一些较为常见的传统深度学习模型进行对比，进一步体现本发明的优越性。表2对比了同一故障诊断任务下不同模型的训练参数量，以及训练、预测速度。表3对比了不同模型的预测准确率。

表2.不同模型的训练参数量及速度对比

表3.不同模型的预测准确率

从表2可以看出，无论从训练参数量、训练和预测速度，SE-IRCNN都优于其他模型。在训练参数量方面，SE-IRCNN只有30587，是经典轻量级模型MobileNet的十八分之一，和深层残差网络ResNet更是相差四个数量级。在训练和测试速度方面，SE-IRCNN每次迭代所用时间是MobileNetV2的三分之一，测试时间也要明显短于其他对比模型。从表3中可以看出，SE-IRCNN的测试准确率为99.64％达到最高，比MobileNetV2高0.93％，比ShuffleNet高4.39％。为此本发明提出的基于轻量级网络的轨道交通列车滚动轴承故障诊断方法可以有效通过车地通讯获取的滚动轴承振动信号数据，有效识别其状态，诊断其故障与否，若故障还可预测其故障类型。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：所述故障诊断方法包括以下步骤：对轨道交通列车滚动轴承进行实时状态监测，获取轴承振动信号数据，对所获得振动信号数据进行预处理，将一维时域信号转化二维矩阵作为训练的输入数据集，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型，在网络中嵌入SE模块，采用倒置残差块的方式将含有特征信息的数据先放入高维空间后，再进行深度可分离卷积降低计算成本，通过嵌入SE模块对特征信息权重进行重新校准，将输入数据集输入SE-IRCNN模型开始训练及验证阶段，获取滚动轴承状态编号及测试准确率，用于有效识别滚动轴承运行状态，诊断滚动轴承存在故障与否；

其中，基于轻量级网络构建滚动轴承故障诊断的SE-IRCNN模型包括以下子步骤：

步骤21：定义单个倒置残差块，其中每个倒置残差块均为先进行通道扩张，然后进行深度可分离卷积，再进行通道缩减；

步骤22：定义层间非线性传递函数，并且在每个倒置残差块中加入判断语句，判定是否嵌入SE模块；

步骤23：搭建整个SE-IRCNN模型，将已经过预处理的振动信号数据作为输入，首先输入全卷积层，后经过四个倒置残差块，其中在首尾两个块中嵌入SE模块，再经过全卷积层后输入全局平均池化层，最后经过softmax分类器输出结果。

2.根据权利要求1所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：所述轴承振动信号数据包括不同故障部位与不同故障状态数据和正常运行状态数据。

3.根据权利要求1所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：对所获得振动信号数据进行预处理包括如下步骤：

步骤11：将获取的滚动轴承时域振动信号数据并根据训练集、验证集、测试集比例，将时域振动信号数据进行分列，转换为多条列向量，根据不同故障特征对每条列向量进行编号；

步骤12：将所有列向量转化为二维矩阵，根据每个故障类别的二维矩阵分别取不同比例的训练集、验证集和测试集；

步骤13：对已编号的列向量进行独热编码，通过独热编码将已编号的列向量存在不同的独立寄存器位，其中，独立寄存器位采用N位状态寄存器来对N个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效。

4.根据权利要求1所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：进行深度可分离卷积降低计算成本包括如下过程，假设传统标准卷积层的输入通道数为K，输入数据大小为D_F×D_F，输出通道数为F，卷积核大小为D_K×D_K，则传统标准卷积的计算量为：

D_K·D_K·M·N·D_F·D_F；

作为传统卷积的因式分解形式，深度可分离卷积的计算量为：

D_K·D_K·M·D_F·D_F+M·N·D_F·D_F；

两种卷积计算的计算量之比为：

卷积计算通常使用3×3大小的卷积核，即D_K＝3，通过上述计算可得，深度可分离卷积的计算量通常比传统卷积要小8-9倍。

5.根据权利要求1所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：将输入数据集输入SE-IRCNN模型开始训练及验证阶段包括，先采用用损失函数实现自适应梯度下降法对SE-IRCNN模型进行训练，在每个训练周期的最后均采用验证集进行验证，输出训练准确率曲线，训练损失值曲线验证准确率曲线及验证损失值曲线，二者准确率均满足效果且损失值收敛后，保存SE-IRCNN模型权重数据，再对SE-IRCNN模型进行测试，测试准确率达标，则对SE-IRCNN模型进行评估，并输出各项评价指标，完成滚动轴承运行的状态监测与故障诊断，若不达标，调整SE-IRCNN模的型结构及各项参数各项继续训练。

6.根据权利要求5所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：对SE-IRCNN模型进行训练过程采用交叉熵损失函数来衡量模型预测值与真实值的差距，损失函数Loss满足：

式中，y⁽ⁱ⁾代表第i个样本的真实标签，代表第i个样本的预测标签，N代表样本数。

7.根据权利要求1所述的一种基于轻量级网络的轨道列车滚动轴承故障诊断方法，其特征在于：将已编号的故障数据进行重新排序，随机输入SE-IRCNN模型，验证模型的鲁棒性。