CN114964781A - 一种列车轴承故障智能诊断方法 - Google Patents
一种列车轴承故障智能诊断方法 Download PDFInfo
- Publication number
- CN114964781A CN114964781A CN202210604058.1A CN202210604058A CN114964781A CN 114964781 A CN114964781 A CN 114964781A CN 202210604058 A CN202210604058 A CN 202210604058A CN 114964781 A CN114964781 A CN 114964781A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- layer
- train
- train bearing
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 35
- 230000004913 activation Effects 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 241000272168 Laridae Species 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000272161 Charadriiformes Species 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种列车轴承故障智能诊断方法,包括如下步骤:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优;采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:对降噪信号进行预处理、构建列车轴承故障诊断的SE‑WDCNN模型以及SE‑WDCNN模型的训练、验证与测试,最后将测试集输入已训练好的模型进行性能评估。本发明能对列车轴承振动信号进行降噪处理,自适应提取轴承振动信号的故障特征,有效提高识别精度和诊断速度。
Description
技术领域
本发明涉及列车轴承故障智能诊断领域,具体涉及一种列车轴承故障智能诊断方法。
背景技术
随着我国轨道交通运营规模的快速增长和轨道列车运行速度的不断提高,对确保列车运行安全带来了极大的技术挑战。轴承是列车走行部的重要组成部分之一,列车在长时间的运行下,列车轴承会在高速重载条件下出现疲劳、点蚀、裂纹等故障,如不及时发现很可能导致铁路交通事故的发生。由广州地铁车辆系统统计得知,车辆系统中走行部故障为总故障的35%,占比最高,其中旋转机械故障率78%,由滚动轴承引起的旋转机械故障大约为三分之一。因此,开展轴承的状态检测与故障诊断在轨道交通系统中尤为重要。
轴承故障诊断过程主要分为信号处理、特征提取、故障识别三个阶段,任一阶段的处理效果都会影响轴承故障诊断最终的结果。轴承振动信号具有较大的复杂性,传感器所获取的信号易受噪声干扰,这会对开展列车轴承故障诊断产生必然的影响,因此必须进行信号降噪处理,提高信号质量。目前热门的信号降噪方法中变分模态分解算法存在模态分量数K和惩罚因子α两个参数如何合理选取的问题,参数设置不当可能会使轴承信号过分解或者欠分解问题的产生,导致信号故障信息不足。传统的轴承故障诊断网络模型存在网络模型结构复杂、特征提取不足、故障诊断准确率低等问题。
发明内容
本发明的目的在于:针对上述存在的问题,提供一种列车轴承故障智能诊断方法,本发明能对列车轴承振动信号进行降噪处理,自适应提取轴承振动信号的故障特征,有效提高识别精度和诊断速度。为了实现上述目的,本发明采用以下技术方案:
本发明提供了一种列车轴承故障智能诊断方法,所述诊断方法包括如下步骤:
步骤1:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;
步骤2:建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优,获取最优模态分量数和惩罚因子;
步骤3:采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:根据各固有模态分量的样本熵值对其中的高噪分量进行去除,低噪分量进行重构,得到降噪后的信号数据;
步骤4:对降噪信号进行预处理,根据每组数据的故障类型进行编号,然后通过独热编码将已编号的数据存于独立寄存器,用于后续的模型训练、验证与测试,同时将处理好的数据按比例划分为训练集、验证集、测试集;
步骤5:构建列车轴承故障诊断的SE-WDCNN模型:该SE-WDCNN模型的第一层卷积层的卷积核采用宽卷积核,再加入批量归一化层,然后嵌入SE模块强化重要特征信息;,SE-WDCNN模型的首层卷积层的卷积核采用宽卷积核,并加入批量归一化层提高网络的泛化能力,然后嵌入SE模块强化重要特征信息;
步骤6:SE-WDCNN模型的训练、验证与测试:首先通过训练集对模型进行训练,然后根据模型在训练集和验证集上的准确率和损失值判断模型参数是否需要调整,如果诊断精度达到目标要求,则将测试集输入已训练好的模型进行性能评估。
上述方案进一步优选的,在所述步骤2中,对乌燕鸥优化算法的改进和对VMD算法的最优模态分量数K和惩罚因子α的求解具体包括以下步骤:
步骤21:对乌燕鸥优化算法的改进包括在乌燕鸥优化算法中引入变量因素非线性收敛策略和动态权重位置更新策略,改进的乌燕鸥优化算法主要分为全局探索阶段和局部探索阶段,具体过程如下:
引入变量因素非线性收敛策略后的约束条件满足:
其中,Cf是调节Sa的控制变量,Sa从Cf线性下降到0,本发明中Cf设置为2;Sa起到调整乌燕鸥轨迹的作用;
局部探索即攻击行为,乌燕鸥攻击行为下在空中的盘旋行为用以下数学模型进行定义:
y′=Radius×cos(i), (4);
z′=Radius×i, (5);
Radius=u×ekv, (6);
其中,i是[0≤k≤2π]之间的变量,Radius表示螺旋半径,u和v设定为1;为避免x′、y′、z′在相同权重下陷入局部最优解,引入动态权重位置更新策略乌燕鸥位置更新公式可表示为:
其中,ω1对应于x′的权重,ω2对应于y′的权重,ω3对应于z′的权重。
步骤22:采用改进的乌燕鸥优化算法以包络熵作为适应度函数,以局部最小包络熵值为优化目标,对VMD算法的模态分量数K和惩罚因子α进行优化取值。
上述方案进一步优选的,利用参数优化后的VMD算法对列车轴承振动信号进行分解,得到一系列模态分量,分别计算各模态分量的样本熵值,根据各模态分量的样本熵值确定其含噪程度,熵值越高,序列复杂程度越高,含噪越高;舍弃样本熵值最高的模态分量,对剩余低噪分量进行重构,得到降噪后的信号数据。
上述方案进一步优选的,在所述步骤4中,对降噪信号数据的预处理包括如下过程:
步骤41:根据每组降噪信号的故障类型进行编号,如健康状态编号为0、滚动体故障编号为1、复合故障编号为2、内圈故障编号为3、外圈故障编号为4;
步骤42:编号完成后的数据按比例划分为训练集、验证集和测试集,并对已编号的数据进行独热编码。
上述方案进一步优选的,在所述步骤5中,构建列车轴承故障诊断的SE-WDCNN模型具体包括以下子步骤:
步骤51:在第一层卷积层采用宽卷积核,其余卷积层卷积核采用小卷积核,在各卷积层之后都使用批量归一化处理来增强网络的泛化能力,批量归一化处理之后进行激活函数和最大池化操作;
步骤52:在第三层卷积层之后嵌入SE模块,增强与诊断故障任务相关的特征信息,抑制与任务无关的特征信息,增强网络的表达能力;
步骤53:搭建整个SE-WDCNN模型,以降噪信号预处理的数据作为输入,通过各卷积层、批量归一化层、池化层和SE模块之后,再通过Softmax分类器输出结果。
上述方案进一步优选的,在所述步骤52中,SE模块由一个全局平均池化操作、两个全连接层和激活函数组成;在第三层卷积层之后嵌入SE模块的过程如下:
对尺寸为H′×W′×C′的输入经过卷积变换后映射为尺寸为H×W×C输出的特征图U;然后对U进行压缩操作,并将通道特征信息嵌入全局分布,然后进行激励操作,并将前一步输出的H×W×C的数据通过两级全连接和激活函数后输出一个权重,再将该权重与特征图U的C个通道相乘,得到的输出作为下一层的输入。
上述方案进一步优选的,在所述步骤6中,将测试集输入已训练好的模型的性能进行评估主要包括诊断准确率、损失值以及混淆矩阵进行评价。
上述方案进一步优选的,所述损失值Loss损失值是采用交叉熵损失函数来进行计算,则损失值Loss满足:
与现有技术相比,本发明具有如下有益效果:本发明方法从信号处理、特征提取、故障识别三个阶段进行分析,建立以改进的乌燕鸥优化算法优化变分模态分解参数的轴承信号降噪方法、搭建了SE-WDCNN列车轴承故障诊断模型,将轴承原始振动信号通过降噪模型进行降噪处理,将降噪信号通过独热编码存储数据并将其按比例分为训练、验证、测试集。数据预处理完成后,进入模型训练阶段,将训练集与验证集输入已搭建好的故障诊断网络模型,输出准确率及损失值,待相关指标达标后,保存参数及模型权重,进入模型测试阶段;本发明的诊断方法与传统的故障诊断算法相比提高了变分模态分解算法参数设置寻优精度和迭代速度,能够有效的对轴承信号进行降噪处理,保留信号中的有用信息,搭建的SE-WDCNN模型能够较为全面的提取故障特征信息,实现准确的列车轴承故障诊断。本发明方法对列车轴承的故障诊断更加科学和全面,相对于现有的其他故障诊断方法优势明显,在其他领域也具备广阔的应用潜力。
附图说明
图1为本发明方法的流程示意图。
图2a为传统的SE模块结构图;
图2b为本发明的SE模块嵌入SE-WDCNN模型中的位置结构图;
图3为嵌入SE模块的嵌入过程示意图;
图4为SE-WDCNN模型结构图。
图5为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。
根据本发明的一个方面,如图1,本发明提供了一种列车轴承故障智能诊断方法,本发明利用改进的乌燕鸥优化算法对VMD算法的参数进行寻优,获得最优模态分量数和惩罚因子两个参数;然后,利用参数优化后的VMD算法建立信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量,根据各固有模态分量的样本熵值对其中的高噪分量进行去除,低噪分量进行重构,得到降噪信号;对降噪信号进行预处理,划分训练集、验证集、测试集,输入搭建的基于注意力机制的宽卷积核深度卷积神经网络轴承故障诊断模型,对SE-WDCNN模型进行训练、验证和测试,对轴承信号进行故障模式识别,图1展示了本发明的整体流程;所述诊断方法包括如下步骤:
步骤1:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;
步骤2:建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优,获取最优模态分量数和惩罚因子;
步骤3:采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:根据各固有模态分量的样本熵值对其中的高噪分量进行去除,低噪分量进行重构,得到降噪后的信号数据;
步骤4:对降噪后的信号数据进行预处理,根据每组数据的故障类型进行编号,然后通过独立编码将已编号的数据存于独立寄存器,用于后续的训练、验证与测试,同时将处理好的数据按比例划分为训练集、验证集、测试集;
步骤5:构建列车轴承故障诊断的SE-WDCNN模型:为了提高模型的特征提取能力,在该SE-WDCNN模型的第一层卷积层的卷积核采用宽卷积核,再加入批量归一化层,以提高网络的泛化能力,然后嵌入SE模块强化重要特征信息;在本发明中,构建列车轴承故障诊断的SE-WDCNN模型具体包括以下子步骤:首先,在第一层卷积层采用宽卷积核,其余卷积层卷积核采用小卷积核,在各卷积层之后都使用批量归一化处理来增强网络的泛化能力,批量归一化处理之后进行激活函数和最大池化操作;第一层卷积层采用宽卷积核,能够更好的提取短时特征;其余卷积层卷积核采用小卷积核,起到加深网络和抑制过拟合的作用;其次,在第三层卷积层之后嵌入SE模块,增强与诊断故障任务相关的特征信息,抑制与任务无关的特征信息,增强网络的表达能力;SE模块由一个全局平均池化操作、两个全连接层和激活函数组成。在本发明中,采用SE模块将传统SE模块(如图2a所示)中的Sigmoid激活函数替换为了Mish激活函数,本发明中的Mish激活函数具有无上界和有下界的特点,如图2b所示,这些特点弥补了Sigmoid激活函数的不足,所以采用Mish替换Sigmoid。由Sigmoid函数定义公式11可知,Sigmoid取值范围在(0,1),该函数是软饱和的,容易在反向传播过程中出现梯度消失的问题。Mish激活函数表达式如公式12所示,它具无上界和有下界的特点,其无上界的特点避免了由于封顶而导致的饱和,有效解决了梯度消失问题的产生;它在负值的时候并不是完全截断,而是允许较小的负梯度流入,保证了特征信息流动。故本发明在SE模块的第二个激活函数处,采用Mish激活函数代替Sigmoid激活函数,提高SE模块性能,Sigmoid函数满足:
Mish激活函数满足:f(x)=x·tanh(ln(1+ex)), (12);
其中,式中的x为激活函数的输入;
本发明中,为了利用SE模块在压缩操作中聚焦的信息,所以进行了激励操作,该操作旨在完全捕获通道依赖关系。为了实现这个目标,必须满两个标准:第一,它必须是灵活的,特别是,它必须能够学习通道之间的非线性相互作用;第二,它必须学习非互斥关系,为确保允许强调多个通道,而不是一次激活。为了满足这标准,所以采用了激活函数,激活函数的主要作用是用来增加模型中的非线性因素的,从它们的公式(12)即可看出它们的结果是非线性的,因为像卷积层和全连接层的输出是线性的,线性模型的表达能力不足,所以后边需要激活函数来增加非线性因素,提高网络的表达能力。只不过每个激活函数定义不同,产生的影响会有所不同。最后,搭建整个SE-WDCNN模型,以降噪信号预处理的数据(预处理后得到的数据是训练集、验证集、测试集)作为输入,通过各卷积层、批量归一化层、池化层和SE模块之后,再通过Softmax分类器输出结果。
在本发明中,如附图3所示,在第三层卷积层之后嵌入SE模块的过程如下:对尺寸为H′×W′×C′的输入X经过卷积变换Ftr后映射为尺寸为H×W×C的特征图U,其中,H′×W′×C′为输入X的高×宽×通道数;H×W×C为特征图U的高×宽×通道数;都可以采用SE模块对特征信息进行校准。首先对U进行压缩操作(Fsq),将通道特征信息嵌入全局分布,该过程通过全局平均池化来实现。然后进行激励操作(Fex),将前一步输出的1×1×C的数据通过两级全连接和激活函数后输出一个权重,再将这个权重与特征图U的C个通道相乘(Fscale),得到作为下一层的输入。此时,通道特征信息的重要程度随权重的变化而发生改变,从而实现增强与任务相关的特征信息,抑制与任务无关的特征信息,使得网络模型特征提取具有更强的指向性,进一步提高分类准确率。
步骤6:SE-WDCNN模型的训练、验证与测试:首先通过训练集对模型进行训练,然后根据模型在训练集和验证集上的准确率和损失值判断模型参数是否需要调整,如果诊断精度达到目标要求,则将测试集输入已训练好的模型进行性能评估。在本发明中将测试集输入已训练好的模型的性能进行评估主要包括诊断准确率、损失值以及混淆矩阵进行评价,其中损失值Loss是用来衡量模型在训练过程中预测值与真实值之间的差距,其损失值Loss的计算采用交叉熵损失函数来进行计算;
具体实施过程:
1、本发明实例以轴承正常、轴承外圈故障、轴承内圈故障、轴承复合故障、轴承滚动体故障五种状态为例,假设轴承的转速为1536r/min,采样频率Fs=25600Hz。设置轴承振动信号采集试验台的转速为1536r/min,采样频率Fs=25600Hz,获取轴承健康、滚动体故障、复合故障、内圈故障、外圈故障等5种轴承状态下的振动信号。对降噪信号的预处理过程具体为获取轴承降噪信号,对不同轴承故障类型进行采样和编号,每种类型的样本包括40个样本,每个样本2048个采样点,样本数据共200组,其中取120组作为训练集、40组作为验证集、40组作为测试集,对已编号的数据进行独立编码;
2、将变量因素非线性收敛策略和动态权重位置更新策略引入到乌燕鸥优化算法中,提出一种改进的乌燕鸥优化算法,提高算法的寻优精度,增强算法的迭代速度。建立以包络熵为适应度函数,局部最小包络熵值为优化目标的变分模态参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的最优模态分量数K和惩罚因子α进行求解。设置种群数量S=10,优化参数个数DIM=2,最大迭代次数Tmax=30,K∈[1000,4000],α∈[2,8],滚动体故障状态下在第四次迭代完成后达到局部最小包络熵值0.9433,后续迭代收敛,此时变分模态分解算法对应的参数组合为[5,1712],同样得到外圈故障、内圈故障、复合故障、正常状态下的变分模态分解算法的参数分别为[7,2000]、[8,2034]、[6,3178]、[7,1078]。
3、将获得的优化参数带入VMD算法中进行信号分解,以轴承滚动体故障为例,每个样本得到5个固有模态分量,然后计算各分量的样本熵值,以轴承滚动体故障为例,各固有模态样本熵值为0.5621、0.5742、0.4322、0.3611、0.3030。其中分量2样本熵值最高,作为高噪分量进行舍弃,剩余模态分量作为低噪分量进行重构,获得降噪信号;对降噪信号进行预处理,对各故障类型进行编号和独热编码,并按照6:2:2的比例划分训练集、验证集和测试集,其中训练样本数量为3000,验证集样本数量为1000,测试集样本数量为1000。
4、搭建SE-WDCNN轴承故障诊断模型,为了提取短时特征,将SE-WDCNN模型第一层卷积层的卷积核设置为32×1的大卷积核;其余卷积层的卷积核为3×1的小卷积核,起到加深网络和抑制过拟合的作用;各卷积层后都使用批量归一化(BN)处理来增强网络的泛化能力;批量归一化处理之后进行池化核为2×1的最大池化操作;为了增强网络的表达能力,第三层卷积层后加入SE模块,起到强化重要特征信息的作用,进一步提高模型的诊断准确率,图2展示了嵌入WDCNN模型中的SE模块。SE-WDCNN模型结构如图4所示,表1展示了SE-WDCNN的整体结构和参数选择:
表1 SE-WDCNN结构参数
5、通过训练集和验证集对SE-WDCNN进行训练和参数调整,通过模型在测试集的表现对SE-WDCNN模型性能进行评估。每次实验迭代次数为50,每批处理的样本个数为128,采用交叉熵函数作为模型训练、验证过程的损失函数,并采用Adam作为优化器对整个过程进行优化,学习率设置为0.001。得到模型诊断准确率为99.66%,损失值为0.012。由图5混淆矩阵中可以看出5种轴承状态中仅1种状态诊断有误,且错误率仅为2%;即由图5中的对角线方框中的数字表示坐标轴上对应标签故障类型的分类准确率),真实标签为4的故障类型中,有98%的预测标签与真实标签相同,即有98%标签为4的故障类型被正确分类,有2%被错误分类为标签1,其余轴承状态全部分类准确。
为验证本发明的优越性,以本发明所提降噪方法处理得到的降噪信号为输入与一些较为常见的机器学习模型进行对比,并与原始信号为输入进行对比,表2对比了不同模型的预测准确率。
表2不同模型的预测准确率
从表2中可以看出,本发明所提出的降噪方法及搭建的SE-WDCNN模型具有一定的优越性,故障诊断准确率在对比方法中最高。本发明可以用于列车轴承故障的智能诊断,为实现列车轴承监测诊断提供有效方法和技术支持。
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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种列车轴承故障智能诊断方法,其特征在于:所述诊断方法包括如下步骤:
步骤1:设置列车轴承振动信号采集试验台的轴速和采样频率,并对列车不同轴承故障类型的原始振动信号进行采样;
步骤2:建立VMD算法的参数优化模型,利用改进的乌燕鸥优化算法对VMD算法的参数模态分量数K和惩罚因子α进行寻优,获取最优模态分量数和惩罚因子;
步骤3:采用参数优化后的VMD算法建立轴承信号降噪模型,对列车轴承振动信号进行分解获得一系列固有模态分量:根据各固有模态分量的样本熵值对其中的高噪分量进行去除,低噪分量进行重构,得到降噪后的信号数据;
步骤4:对降噪信号进行预处理,根据每组数据的故障类型进行编号,然后通过独热编码将已编号的数据存于独立寄存器,用于后续的模型训练、验证与测试,同时将处理好的数据按比例划分为训练集、验证集、测试集;
步骤5:构建列车轴承故障诊断的SE-WDCNN模型:该SE-WDCNN模型的第一层卷积层的卷积核采用宽卷积核,再加入批量归一化层,然后嵌入SE模块强化重要特征信息;,SE-WDCNN模型的首层卷积层的卷积核采用宽卷积核,并加入批量归一化层提高网络的泛化能力,然后嵌入SE模块强化重要特征信息;
步骤6:SE-WDCNN模型的训练、验证与测试:首先通过训练集对模型进行训练,然后根据模型在训练集和验证集上的准确率和损失值判断模型参数是否需要调整,如果诊断精度达到目标要求,则将测试集输入已训练好的模型进行性能评估。
2.根据权利要求1所述一种列车轴承故障智能诊断方法,其特征在于,在所述步骤2中,对乌燕鸥优化算法的改进和对VMD算法的最优模态分量数K和惩罚因子α的求解具体包括以下步骤:
步骤21:对乌燕鸥优化算法的改进包括在乌燕鸥优化算法中引入变量因素非线性收敛策略和动态权重位置更新策略,改进的乌燕鸥优化算法主要分为全局探索阶段和局部探索阶段,具体过程如下:
引入变量因素非线性收敛策略后的约束条件满足:
其中,Cf是调节Sa的控制变量,Sa从Cf线性下降到0,本发明中Cf设置为2;Sa起到调整乌燕鸥轨迹的作用;
局部探索即攻击行为,乌燕鸥攻击行为下在空中的盘旋行为用以下数学模型进行定义:
y′=Radius×cos(i), (4);
z′=Radius×i, (5);
Radius=u×ekv, (6);
其中,i是[0≤k≤2π]之间的变量,Radius表示螺旋半径,u和v设定为1;为避免x′、y′、z′在相同权重下陷入局部最优解,引入动态权重位置更新策略乌燕鸥位置更新公式可表示为:
其中,ω1对应于x′的权重,ω2对应于y′的权重,ω3对应于z′的权重。
步骤22:采用改进的乌燕鸥优化算法以包络熵作为适应度函数,以局部最小包络熵值为优化目标,对VMD算法的模态分量数K和惩罚因子α进行优化取值。
3.根据权利要求1所述一种列车轴承故障智能诊断方法,其特征在于,在所述步骤3中,利用参数优化后的VMD算法对列车轴承振动信号进行分解,得到一系列模态分量,分别计算各模态分量的样本熵值,根据各模态分量的样本熵值确定其含噪程度,熵值越高,序列复杂程度越高,含噪越高;舍弃样本熵值最高的模态分量,对剩余低噪分量进行重构,得到降噪后的信号数据。
4.根据权利要求1所述的一种列车轴承故障智能诊断方法,其特征在于:在所述步骤4中,对降噪信号数据的预处理包括如下过程:
步骤41:根据每组降噪信号的故障类型进行编号,如健康状态编号为0、滚动体故障编号为1、复合故障编号为2、内圈故障编号为3、外圈故障编号为4;
步骤42:编号完成后的数据按比例划分为训练集、验证集和测试集,并对已编号的数据进行独立编码。
5.根据权利要求1所述一种列车轴承故障智能诊断方法,其特征在于,在所述步骤5中,构建列车轴承故障诊断的SE-WDCNN模型具体包括以下子步骤:
步骤51:在第一层卷积层采用宽卷积核,其余卷积层卷积核采用小卷积核,在各卷积层之后都使用批量归一化处理来增强网络的泛化能力,批量归一化处理之后进行激活函数和最大池化操作;
步骤52:在第三层卷积层之后嵌入SE模块,增强与诊断故障任务相关的特征信息,抑制与任务无关的特征信息,增强网络的表达能力;
步骤53:搭建整个SE-WDCNN模型,以降噪信号预处理的数据作为输入,通过各卷积层、批量归一化层、池化层和SE模块之后,再通过Softmax分类器输出结果。
6.根据权利要求5所述一种列车轴承故障智能诊断方法,其特征在于,在所述步骤52中,SE模块由一个全局平均池化操作、两个全连接层和激活函数组成;在第三层卷积层之后嵌入SE模块的过程如下:
对尺寸为H′×W′×C′的输入经过卷积变换后映射为尺寸为H×W×C输出的特征图U;然后对U进行压缩操作,并将通道特征信息嵌入全局分布,然后进行激励操作,并将前一步输出的H×W×C的数据通过两级全连接和激活函数后输出一个权重,再将该权重与特征图U的C个通道相乘,得到的输出作为下一层的输入。
7.根据权利要求1所述的一种列车轴承故障智能诊断方法,其特征在于:在所述步骤6中,将测试集输入已训练好的模型的性能进行评估主要包括诊断准确率、损失值以及混淆矩阵进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604058.1A CN114964781B (zh) | 2022-05-31 | 2022-05-31 | 一种列车轴承故障智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210604058.1A CN114964781B (zh) | 2022-05-31 | 2022-05-31 | 一种列车轴承故障智能诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114964781A true CN114964781A (zh) | 2022-08-30 |
CN114964781B CN114964781B (zh) | 2024-06-25 |
Family
ID=82957540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210604058.1A Active CN114964781B (zh) | 2022-05-31 | 2022-05-31 | 一种列车轴承故障智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114964781B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152890B (zh) * | 2022-12-28 | 2024-01-26 | 北京融威众邦电子技术有限公司 | 一种医疗费用自助支付系统 |
CN118025256A (zh) * | 2024-04-11 | 2024-05-14 | 大连新天勤轨道交通有限公司 | 车辆轴承温度在线监测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
KR20210132929A (ko) * | 2020-04-28 | 2021-11-05 | 주식회사 네모블루 | 휠 베어링 예측진단 알고리즘을 적용한 임베디드 시스템 |
CN113642508A (zh) * | 2021-08-27 | 2021-11-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
CN113705602A (zh) * | 2021-06-30 | 2021-11-26 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113704868A (zh) * | 2021-07-19 | 2021-11-26 | 广西大学 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
-
2022
- 2022-05-31 CN CN202210604058.1A patent/CN114964781B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021135630A1 (zh) * | 2019-12-31 | 2021-07-08 | 福州大学 | 基于grcmse与流形学习的滚动轴承故障诊断方法 |
CN111272429A (zh) * | 2020-03-04 | 2020-06-12 | 贵州大学 | 一种轴承故障诊断方法 |
KR20210132929A (ko) * | 2020-04-28 | 2021-11-05 | 주식회사 네모블루 | 휠 베어링 예측진단 알고리즘을 적용한 임베디드 시스템 |
CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
CN113705602A (zh) * | 2021-06-30 | 2021-11-26 | 广西大学 | 一种基于轻量级网络的轨道列车滚动轴承故障诊断方法 |
CN113704868A (zh) * | 2021-07-19 | 2021-11-26 | 广西大学 | 一种基于多目标优化飞轮储能系统轴承的故障诊断方法 |
CN113642508A (zh) * | 2021-08-27 | 2021-11-12 | 中国航空工业集团公司上海航空测控技术研究所 | 基于参数自适应vmd与优化svm的轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
唐刚;朱立军;胡雄;: "基于优化VMD和深度置信网络的滚动轴承故障诊断", 轴承, no. 10, 5 October 2020 (2020-10-05) * |
常勇;包广清;程思凯;陈鹏;: "基于VMD和KFCM的轴承故障诊断方法优化与研究", 西南大学学报(自然科学版), no. 10, 20 October 2020 (2020-10-20) * |
李长青;林建辉;胡永旭;: "优化参数VMD和MED在列车齿轮箱滚动轴承故障诊断中的应用", 机车电传动, no. 03, 10 May 2020 (2020-05-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152890B (zh) * | 2022-12-28 | 2024-01-26 | 北京融威众邦电子技术有限公司 | 一种医疗费用自助支付系统 |
CN118025256A (zh) * | 2024-04-11 | 2024-05-14 | 大连新天勤轨道交通有限公司 | 车辆轴承温度在线监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114964781B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117987B (zh) | 一种基于深度学习的个性化交通事故风险预测推荐方法 | |
CN114964781B (zh) | 一种列车轴承故障智能诊断方法 | |
CN108231201B (zh) | 一种疾病数据分析处理模型的构建方法、系统及应用方法 | |
CN108334948B (zh) | 一种基于宽残差网络学习模型的机械轴承故障诊断技术 | |
CN110163433B (zh) | 一种船舶流量预测方法 | |
CN110751108B (zh) | 一种地铁分布式振动信号相似度确定方法 | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN109934269A (zh) | 一种电磁信号的开集识别方法和装置 | |
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN113822139A (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN114547795B (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN117312962A (zh) | 基于迁移学习和数据驱动的长期服役电梯导轨故障诊断方法 | |
CN117828531A (zh) | 一种基于多传感器多尺度特征融合的轴承故障诊断方法 | |
CN117668689A (zh) | 基于元学习算法的轨道交通列车轴承故障诊断方法及装置 | |
CN116840305A (zh) | 一种基于自编码器与全连接层的氢气快速检测方法 | |
CN117112991A (zh) | 一种基于改进深度残差收缩网络的轴承故障诊断方法 | |
CN116109621A (zh) | 一种基于深度模板的缺陷检测方法和系统 | |
CN116561609A (zh) | 一种基于时空特征提取的稀疏站点空气质量混合预测模型 | |
CN113159179B (zh) | 地铁及地铁转向架运行状态识别方法、系统 | |
CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 |
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 |