CN114813963A - 基于tcn网络的列车轮轴故障声发射检测方法 - Google Patents
基于tcn网络的列车轮轴故障声发射检测方法 Download PDFInfo
- Publication number
- CN114813963A CN114813963A CN202210444536.7A CN202210444536A CN114813963A CN 114813963 A CN114813963 A CN 114813963A CN 202210444536 A CN202210444536 A CN 202210444536A CN 114813963 A CN114813963 A CN 114813963A
- Authority
- CN
- China
- Prior art keywords
- tcn
- acoustic emission
- network
- module
- sequence
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/269—Various geometry objects
- G01N2291/2696—Wheels, Gears, Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Acoustics & Sound (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了基于TCN网络的列车轮轴故障声发射检测方法,所述方法包括:构建TCN网络;将大量样本输入TCN网络进行网络训练,所述样本包括声发射信号、轮轴转速及对应的分类标签;TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,输出分类结果,不断进行网络训练,当达到预定的训练次数或者网络的损失函数值最小时停止训练,得到训练好的TCN网络模型;将实时检测的声发射信号和对应的轮轴转速输入训练好的TCN网络模型,得到列车轮轴故障检测结果;本发明的优点在于:充分利用数据信息,避免了人工特征选取造成的信息损失。
Description
技术领域
本发明涉及列车轮轴故障探测领域,更具体涉及基于TCN网络的列车轮轴故障声发射检测方法。
背景技术
列车长期运行,列车轮轴长期进行机械转动,承受巨大负荷,非常容易造成磨损,甚至故障,有可能引起重大事故,造成重大经济损失。因此及时发现轮轴磨损和故障,以对其维护更换,能够有效避免列车事故。及时发现列车轮轴故障具有重大意义。
目前列车轮轴故障诊断方法主要分为两类。一类为基于振动信号的接触式故障诊断方法,另一类是基于声学特征的非接触式诊断方法。基于振动信号的轮轴故障诊断已经有很长的历史,技术较为成熟,但由于振动信号频率范围较低、必须采用接触式等原因,其适用范围有限。声学特征检测由于是非接触式方法,在部署成本和适用范围上具有巨大优势,声学轮轴故障诊断按照发声机制可以分为声发射诊断技术和声学信号诊断技术。声学信号诊断技术是指采用外力敲击轮轴,对其发出声学进行诊断。这种方法难以发现初期故障,且不适合实时在线应用。发射检测技术是一种动态无损检测方法,其信号来自缺陷本身,因此,用声发射检测法可以判断缺陷的活动性和严重性。文献《Tandon N,Nakra BC.Defect detection in rolling element bearings by acoustic emissionmethod.1990.》中提出了利用声发射信号的峰值振幅和声发射计数这两个特征参数进行故障诊断。文献《王燕燕.基于声发射技术的铁路重载货车滚动轴承故障诊断研究.中南大学硕士论文,2013.》利用小波包分解来提取声发射信号中的故障特征信息。文献《理华,徐春广,肖定国,等.中国轴承论坛论文参考题目滚动轴承声发射检测技术[J].轴承,2002(7):4.》仅采用短时均方根参数进行声发射信号的特征识别。类似的方法还有很多,这类方法主要依靠人工的方式寻找故障特征,容易造成信息损失。
发明内容
本发明所要解决的技术问题在于现有技术列车轮轴故障声发射检测方法主要依靠人工的方式寻找故障特征,容易造成信息损失的问题。
本发明通过以下技术手段实现解决上述技术问题的:基于TCN网络的列车轮轴故障声发射检测方法,所述方法包括:
构建TCN网络;
将大量样本输入TCN网络进行网络训练,所述样本包括声发射信号、轮轴转速及对应的分类标签;
TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,输出分类结果,不断进行网络训练,当达到预定的训练次数或者网络的损失函数值最小时停止训练,得到训练好的TCN网络模型;
将实时检测的声发射信号和对应的轮轴转速输入训练好的TCN网络模型,得到列车轮轴故障检测结果。
本发明采用TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,与传统的非机器学习类方法相比,本发明通过大量样本驱动TCN网络进行进行特征学习,充分利用数据信息,避免了人工特征选取造成的信息损失。
进一步地,所述TCN网络包括顺序连接的第一TCN模块、第二TCN模块、特征融合模块、第三TCN模块、全连接层以及softmax层,所述声发射信号输入到第一TCN模块的输入端,对应的轮轴转速输入到特征融合模块的输入端。
更进一步地,所述第一TCN模块、第二TCN模块及第三TCN模块结构相同,所述第一TCN模块包括三个顺序级联的卷积单元以及1×1卷积单元和ReLU激活函数单元,三个顺序级联的卷积单元中的第一个卷积单元的输入端以及1×1卷积单元的输入端连接并接收输入数据,三个顺序级联的卷积单元中的第三个卷积单元的输出端、1×1卷积单元的输出端以及ReLU激活函数单元的输入端连接,ReLU激活函数单元的输出端输出数据。
更进一步地,所述1×1卷积单元为一个1×1卷积层,ReLU激活函数单元为一个ReLU激活函数层。
更进一步地,所述卷积单元包括空洞卷积层、BN层、ReLU层及Dropout层,所述空洞卷积层、BN层、ReLU层及Dropout层顺序连接。
更进一步地,所述空洞卷积层采用两侧层因果卷积叠加而成,卷积核大小为2。
进一步地,所述第二TCN模块输出序列与轮轴转速序列交叉组合形成新的特征序列作为特征融合模块的输入,交叉方式为是第二TCN模块输入的序列为输出序列的奇数序列,轮轴转速序列为输出序列的偶数序列。
进一步地,所述轮轴转速数据的采样率满足时间T内的采样点数与第二TCN模块输出的特征序列长度一致。
进一步地,所述声发射信号输入到第一TCN模块之前包括数据预处理的步骤。
更进一步地,所述数据预处理的步骤包括:
采用24KHz采样率对声音信号进行采样,将输入的音频数据流截取出N个采样点作为单帧输入数据,N个采样点所用的采样时间记为T,为一帧数据的录制时间,统计这N个数据的均值和方差,将数据帧进行标准化处理如下
其中,s为输入的序列,m为均值,σ为序列的标准差。
本发明的优点在于:
(1)本发明采用TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,与传统的非机器学习类方法相比,本发明通过大量样本驱动TCN网络进行进行特征学习,充分利用数据信息,避免了人工特征选取造成的信息损失。
(2)现有采用深度神经网络的轮轴声发射故障诊断通常是采用信号的时频图作为网络输入数据,而时频图是一种通用算法,并非完全由数据驱动形成特征,也会造成信息损失,本发明提出的方法是针对声发射时间序列直接进行特征提取,完全由数据驱动形成特征,不会造成信息损失。
(3)本发明将轮轴转速信息与声发射信号的中间抽象特征相融合,再进行下一步的特征提取,充分考虑了轮轴转速和声发射信号之间的关系,更利于故障特征的挖掘,能够更有效提取故障特征,提高识别效率。
附图说明
图1为本发明实施例所公开的基于TCN网络的列车轮轴故障声发射检测方法的原理图;
图2为本发明实施例所公开的基于TCN网络的列车轮轴故障声发射检测方法中TCN网络整体结构图;
图3为本发明实施例所公开的基于TCN网络的列车轮轴故障声发射检测方法中TCN模块的结构图;
图4为本发明实施例所公开的基于TCN网络的列车轮轴故障声发射检测方法中空洞卷积层结构图;
图5为本发明实施例所公开的基于TCN网络的列车轮轴故障声发射检测方法中特征融合模块原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,基于TCN网络的列车轮轴故障声发射检测方法,整个方法分为两部分,分别是数据预处理和TCN网络,以下进行详细介绍。
首先,数据预处理采用24KHz采样率对声音信号进行采样,将输入的音频数据流截取出N个采样点作为单帧输入数据,N个采样点所用的采样时间记为T,为一帧数据的录制时间,统计这N个数据的均值和方差,将数据帧进行标准化处理如下
其中,s为输入的时间序列,具体指的是带有采样时间标识的N个采样点数据序列,m为均值,σ为序列的标准差。
然后,构建TCN网络;TCN网络整体结构如图2所示。所述TCN网络包括顺序连接的第一TCN模块、第二TCN模块、特征融合模块、第三TCN模块、全连接层以及softmax层,所述声发射信号输入到第一TCN模块的输入端,对应的轮轴转速输入到特征融合模块的输入端。图2中声音信号输入即为数据预处理结果的输出。所述轮轴转速数据的采样率满足时间T内的采样点数与第二TCN模块输出的特征序列长度一致即可。第一TCN模块、第二TCN模块、第三TCN模块分别对应图2中的TCN模块1、TCN模块2、TCN模块3。
如图3所示,所述第一TCN模块、第二TCN模块及第三TCN模块结构相同,所述第一TCN模块包括三个顺序级联的卷积单元以及1×1卷积单元和ReLU激活函数单元,三个顺序级联的卷积单元中的第一个卷积单元的输入端以及1×1卷积单元的输入端连接并接收输入数据,三个顺序级联的卷积单元中的第三个卷积单元的输出端、1×1卷积单元的输出端以及ReLU激活函数单元的输入端连接,ReLU激活函数单元的输出端输出数据。所述1×1卷积单元为一个1×1卷积层,ReLU激活函数单元为一个ReLU激活函数层。所述卷积单元包括空洞卷积层、BN层、ReLU层及Dropout层,所述空洞卷积层、BN层、ReLU层及Dropout层顺序连接。如图4所示,所述空洞卷积层采用两侧层因果卷积叠加而成,卷积核大小为2。BN层、ReLU层和Dropout层分别是常规的批量归一化层、ReLU激活函数层和丢弃层。1x1卷积层由输入直接连接到模块输出的ReLU激活函数层,形成残差连接,可以避免网络退化。
特征融合模块的结构如图5所示,所述第二TCN模块输出序列与轮轴转速序列交叉组合形成新的特征序列作为特征融合模块的输入,交叉方式为是第二TCN模块输入的序列为输出序列的奇数序列,轮轴转速序列为输出序列的偶数序列。
本发明的方法具体执行过程为:将采样率为24KHz,长度为N点的带标签数据集进行归一化处理,得到大量样本,将大量样本输入TCN网络进行网络训练,所述样本包括声发射信号、轮轴转速及对应的分类标签;TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,输出分类结果,不断进行网络训练,当达到预定的训练次数或者网络的损失函数值最小时停止训练,得到训练好的TCN网络模型;将实时检测的声发射信号和对应的轮轴转速输入训练好的TCN网络模型,即可得到列车轮轴故障检测结果。
通过以上技术方案,本发明采用TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,与传统的非机器学习类方法相比,本发明通过大量样本驱动TCN网络进行进行特征学习,充分利用数据信息,避免了人工特征选取造成的信息损失。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述方法包括:
构建TCN网络;
将大量样本输入TCN网络进行网络训练,所述样本包括声发射信号、轮轴转速及对应的分类标签;
TCN网络对声发射信号进行特征提取,并考虑声发射信号与轮轴转速之间的相关性,将学习到的特征与轮轴转速结合进一步进行特征学习,输出分类结果,不断进行网络训练,当达到预定的训练次数或者网络的损失函数值最小时停止训练,得到训练好的TCN网络模型;
将实时检测的声发射信号和对应的轮轴转速输入训练好的TCN网络模型,得到列车轮轴故障检测结果。
2.根据权利要求1所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述TCN网络包括顺序连接的第一TCN模块、第二TCN模块、特征融合模块、第三TCN模块、全连接层以及softmax层,所述声发射信号输入到第一TCN模块的输入端,对应的轮轴转速输入到特征融合模块的输入端。
3.根据权利要求2所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述第一TCN模块、第二TCN模块及第三TCN模块结构相同,所述第一TCN模块包括三个顺序级联的卷积单元以及1×1卷积单元和ReLU激活函数单元,三个顺序级联的卷积单元中的第一个卷积单元的输入端以及1×1卷积单元的输入端连接并接收输入数据,三个顺序级联的卷积单元中的第三个卷积单元的输出端、1×1卷积单元的输出端以及ReLU激活函数单元的输入端连接,ReLU激活函数单元的输出端输出数据。
4.根据权利要求3所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述1×1卷积单元为一个1×1卷积层,ReLU激活函数单元为一个ReLU激活函数层。
5.根据权利要求3所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述卷积单元包括空洞卷积层、BN层、ReLU层及Dropout层,所述空洞卷积层、BN层、ReLU层及Dropout层顺序连接。
6.根据权利要求5所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述空洞卷积层采用两侧层因果卷积叠加而成,卷积核大小为2。
7.根据权利要求2所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述第二TCN模块输出序列与轮轴转速序列交叉组合形成新的特征序列作为特征融合模块的输入,交叉方式为是第二TCN模块输入的序列为输出序列的奇数序列,轮轴转速序列为输出序列的偶数序列。
8.根据权利要求2所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述轮轴转速数据的采样率满足时间T内的采样点数与第二TCN模块输出的特征序列长度一致。
9.根据权利要求2所述的基于TCN网络的列车轮轴故障声发射检测方法,其特征在于,所述声发射信号输入到第一TCN模块之前包括数据预处理的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444536.7A CN114813963A (zh) | 2022-04-26 | 2022-04-26 | 基于tcn网络的列车轮轴故障声发射检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210444536.7A CN114813963A (zh) | 2022-04-26 | 2022-04-26 | 基于tcn网络的列车轮轴故障声发射检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114813963A true CN114813963A (zh) | 2022-07-29 |
Family
ID=82508253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210444536.7A Pending CN114813963A (zh) | 2022-04-26 | 2022-04-26 | 基于tcn网络的列车轮轴故障声发射检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114813963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与系统 |
-
2022
- 2022-04-26 CN CN202210444536.7A patent/CN114813963A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108614548B (zh) | 一种基于多模态融合深度学习的智能故障诊断方法 | |
CN106168539A (zh) | 基于卷积神经网络的滚动轴承故障诊断方法及系统 | |
CN111160167A (zh) | 基于s变换深度卷积神经网络的主轴故障分类识别方法 | |
CN114993669B (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
Zhang et al. | Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples | |
CN110232415B (zh) | 一种基于生物信息特征的列车转向架故障识别方法 | |
CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
CN114813963A (zh) | 基于tcn网络的列车轮轴故障声发射检测方法 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN111488935A (zh) | 一种基于神经网络统一建模的磨煤机故障诊断方法 | |
Zhang et al. | Fault diagnosis using unsupervised transfer learning based on adversarial network | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN111707472A (zh) | 基于fft和全连接层-svm的滚动轴承故障诊断方法 | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
Wang et al. | Rolling bearing fault diagnosis method based on stacked denoising autoencoder and convolutional neural network | |
CN113887586A (zh) | 小样本下基于特征融合的ffcnn-svm迁移学习故障诊断方法 | |
CN116738367A (zh) | 基于多尺度图Transformer的滚动轴承故障诊断方法 | |
CN113092044A (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN111122160B (zh) | 一种基于堆栈降噪自编码器的异常信号检测方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN117213856A (zh) | 基于云边双数据源融合的轴承剩余寿命预测方法 | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
Chen et al. | Integrated learning method of gramian angular field and optimal feature channel adaptive selection for bearing fault diagnosis |
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 |