CN115062867A - 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 - Google Patents

Abstract

一种基于Teager能量谱和改进型CNN模型的轴承故障预测方法，该预测方法根据轴承振动信号建立数据库，通过对数据进行处理，转换为可以作为卷积神经网络模型输入的训练数据和测试数据；之后搭建改进型卷积神经网络模型，通过对改进型卷积神经网络模型进行训练，得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型，利用轴承故障预测模型在故障发生前进行趋势分析，提前判断故障趋势；通过轴承故障诊断模型确定轴承是否健康或存在故障；通过轴承剩余寿命预测模型预测轴承剩余寿命。

Description

基于Teager能量谱和改进型CNN模型的轴承故障预测方法

技术领域

本发明属于轨道交通领域，具体涉及一种基于Teager能量谱和改进型CNN模型的轴承故障预测方法。

背景技术

我国高速动车组运行环境复杂，存在多条超过一千公里的路线，部分线路贯穿高寒、风沙、高海拔等线路环境，对动车组安全性提出了较高要求，转向架作为动车组重要的部件，对车辆稳定安全运营有着重要的作用。

动车组转向架包含轴箱轴承、齿轮箱轴承、电机轴承，当轴承发生剥离、磨损、疲劳断裂等故障时，对行车安全造成极大隐患，同时在线路上发生故障会造成列车救援以及全线的晚点，会造成极大的经济损失。

现有的轴承检测主要采用故障诊断方法，通过转向架上搭载的温度/振动传感器采集原始数据，并通过监控设备进行数据的特征提取，利用总线将特征数据发送至列车控制单元，建立故障诊断逻辑，当温度或振动达到一定阈值时，进行预报警，之后动车组自动触发限速或停车，再由人工进行检查。此种方式只能在故障发生后对其进行诊断，而事后诊断事后维修的方式会造成关键部件的可靠性降低，在实际运用过程中存在较高的安全隐患。

发明内容

本发明提供一种基于Teager能量谱和改进型CNN模型的轴承故障预测方法，该预测方法根据轴承振动信号建立数据库，通过对数据进行处理，转换为可以作为卷积神经网络模型输入的训练数据和测试数据；之后搭建改进型卷积神经网络模型，通过对改进型卷积神经网络模型进行训练，得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型，利用轴承故障预测模型在故障发生前进行趋势分析，提前判断故障趋势，通过轴承故障诊断模型确定轴承是否健康或存在故障；通过轴承剩余寿命预测模型预测轴承剩余寿命。

为实现上述目的，本发明采用如下技术方案：

一种基于Teager能量谱和改进型CNN模型的轴承故障预测方法，具体包括以下步骤：

步骤S1、动车组运行过程中实时将传感装置获得的滚动轴承的振动信号发送给数据处理模块；

步骤S2、数据处理模块将获取的滚动轴承的振动信号进行处理，获得Teager能量谱图；之后调整Teager能量谱图像特征，转换为可以作为卷积神经网络模型输入的训练数据和测试数据；

步骤S3、搭建改进型卷积神经网络模型，采用步骤S2的训练集数据和测试集数据对改进型卷积神经网络模型进行训练，当达到训练结束标准后，输出训练后模型，之后将测试集数据输入训练后模型，通过调整模型参数，使其达到模型测试标准，通过模型训练得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型；其中，所述改进型卷积神经网络模型的构建方法如下：

步骤S3.1、构建网络输入层，所述输入层用于输入实验数据图像，实验数据图像为经过图像特征调整的Teager 能量谱图；

步骤S3.2、构建卷积层，所述卷积层用于抽取图像中的特征，卷积层包括第一层卷积层、第二层卷积层，第一层卷积层、第二层卷积层中间加入 BN 层进行归一化；

步骤S3.3、构建池化层，所述池化层用于抽取图像中的特征，池化层的激活函数使用 ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

步骤S3.4、构建全连接层，所述全连接层用于分类，全连接层包括第一层全连接层、第二层全连接层，第一层全连接层与第二层全连接层层间激活函数使用 ReLU 函数；

步骤S3.5、构建网络输出层，所述输出层和第二层全连接层之间使用 Softmax 函数；输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；

步骤S4、采集动车组未知故障的轴承振动信号，采用步骤S2的方法对数据进行处理；

步骤S5、将处理后的未知故障的轴承的Teager 能量谱图输入步骤S3经过模型训练后得到的轴承故障预测模型、轴承故障诊断模型、轴承剩余寿命预测模型中，通过轴承故障预测模型预测轴承故障趋势，通过轴承故障诊断模型确定轴承是否健康或存在故障，通过轴承剩余寿命预测模型预测轴承剩余寿命。

作为本发明的优选，步骤S2数据处理模块对数据处理的具体方法如下：

步骤S2.1、根据公式（1）计算输入的离散振动信号𝑥 (𝑛)的 Teager 能量算子；

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]²−𝑥(𝑛− 1)𝑥(𝑛 + 1) (1)

步骤S2.2、对 Teager 能量算子进行快速傅里叶变换，计算幅值 mag，计算数据点𝑛对应的频率𝑓；

𝑚𝑎𝑔 = 𝑎𝑏𝑠𝑓𝑓𝑡(𝛹[𝑥(𝑛)]) (2)

𝑓 = 𝑛×𝑓𝑠/𝑁 (3)

式中，fs为信号的采样频率，N为采样点数；

步骤S2.3、对幅值mag 进行归一化，使其在(0,1)范围内，然后使用 plot 绘图，得Teager 能量谱图，并保存图像；

(4)

(5)

步骤S2.4、将步骤S2.3得到的图像进行灰度转换，同时裁剪确定范围图像到合适大小；

步骤S2.5、对所有采样数据进行步骤S2.1- 步骤S2.4的计算，得到数据集，设置训练测试百分比为x，随即划分1-x百分比数据为训练集，x百分比测试集。

作为本发明的优选，步骤S3利用改进型卷积神经网络模型进行模型训练的详细步骤如下:

（1）设置训练图像个数为N，测试数据集个数为M，一同训练的批处理参数为BS，最大迭代次数为Epoch，当前迭代次数为i，希望达到的测试准确率为TestAcc，当前测试准确率为 TempAcc；

（2）使用分批的训练数据集图像训练构建好的改进的CNN 模型，每批图像个数为BN，如果 BN×i≥N，一次迭代结束，更新迭代次数i；否则，重复步骤（2）；

（3）如果 i>Epoch，结束训练，得到训练好的诊断模型TempModel，跳转到步骤（4）；否则，重复步骤（2）继续训练；

（4）使用测试集作为输入，输入到TempModel 中进行计算，对比测试集的原标签和TempModel 输出的诊断标签，统计准确率TempAcc；

（5）如果TempAcc≥TestAcc，则训练结束，得到诊断模型Model；否则，跳转到步骤（6）；

（6）修改调整模型参数，跳转到步骤（2），继续训练模型。

作为本发明的优选，当训练结束后得到的为轴承故障预测模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为 512 个神经元，第二层全连接层为 128 个神经元。

作为本发明的优选，当训练结束后得到的为轴承故障诊断模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为1024个神经元，第二层全连接层为 128 个神经元。

作为本发明的优选，当训练结束后得到的为轴承剩余寿命预测模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为 512 个神经元，第二层全连接层为 512个神经元。

作为本发明的优选，模型训练时所修改的模型参数包括 Dropout 筛选率、池化层窗口大小及步长、全连接层神经元个数等。

本发明的第二个目的在于提供基于Teager能量谱和改进型CNN模型的轴承故障预测系统，该系统包括数据采集模块、数据处理模块、改进型卷积神经网络模型、数据库；其中，所述数据采集模块包括传感装置，所述传感装置用于采集动车组运行过程中滚动轴承的振动信号，并将采集数据发送给数据处理模块；

所述数据处理模块，用于将数据采集模块采集的振动信号转换为可以作为卷积神经网络输入的训练数据和测试数据；数据处理模块包括Teager 能量算子计算模块、快速傅里叶变换模块、计算模块、归一化模块、plot 绘图模块、图像处理模块；

所述Teager 能量算子计算模块，用于计算输入的离散振动信号x(n)的Teager 能量算子，计算公式为:

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]²−𝑥(𝑛− 1)𝑥(𝑛 + 1)

所述快速傅里叶变换模块，用于对Teager 能量算子进行快速傅里叶变换；

所述计算模块，用于计算幅值 mag，计算数据点𝑛对应的频率𝑓，计算公式为:

𝑚𝑎𝑔 = 𝑎𝑏𝑠𝑓𝑓𝑡(𝛹[𝑥(𝑛)])

𝑓 = 𝑛∗𝑓𝑠/𝑁

式中，fs为信号的采样频率，N为采样点数；

所述归一化模块，用于对幅值 mag 进行归一化，使其在(0,1)范围内；

所述plot 绘图模块，用于按照下述公式，使用频率和归一化后的 mag 数据绘图，得到Teager 能量谱图；

所述图像处理模块，用于将绘制的图像进行灰度转换，并根据训练数据集格式化图像；

所述改进型卷积神经网络模型包括输入层、两层卷积层、池化层、两层BN 层、两层全连接层、输出层；其中，所述输入层，用于输入实验数据图像，实验数据图像为经过数据处理模块处理后的Teager 能量谱图；

所述卷积层和池化层用于抽取图像中的特征，第一层卷积层、第二层卷积层中间加入 BN 层进行归一化；

所述池化层的激活函数使用 ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

所述全连接层用于分类，包括第一层全连接层、第二层全连接层，第一层全连接层、第二层全连接层层间激活函数使用 ReLU 函数，第二层全连接层和输出层之间使用Softmax 函数；

所述输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；

所述数据库，用于对数据进行存储。

本发明的优点和积极效果是：

1、本发明通过将不同类型的Teager 能量谱数据集输入到CNN 网络中进行训练，经过

训练后得到故障的分类模型，包括轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型，利用轴承故障预测模型在故障发生前进行趋势分析，提前判断故障趋势，根据部件不同的性能衰退程度进行提前应急处置，防止故障发生；通过轴承故障诊断模型可以确定轴承是否健康或存在故障；通过轴承剩余寿命预测模型可以预测轴承剩余寿命，从动车组全寿命周期角度提升服役部件可靠性和运维经济性，降低运维成本。

2、本发明通过对卷积神经网络模型进行改进，解决现有只含有三种隐藏层类型的卷积神

经网络在处理能量谱数据时产生严重的过拟合，训练集准确度达到 100%，但预测集准确度却不足 50%，模型泛化能力低的技术问题。

3、本发明提供的方法可以直接利用现有动车组上安装的传感装置，无需额外增设其他设

备，成本低，能实现滚动轴承的状态监测、故障诊断、故障预测和剩余寿命预测，为之后的决策辅助维护提供了帮助，从而减少设备故障所产生的时间成本。

4、本发明传感装置获得实时数据，通过数据处理模块处理后保存当前数据中与故障及寿命相关的信息，此种数据处理方式能够减少存储设备的性能压力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明轴承故障预测的框架图；

图2为本发明轴承故障预测方法的流程图；

图3为本发明数据处理与模型训练的流程图；

图4为本发明故障诊断的流程图；

图5为本发明轴承故障预测系统的结构框图。

具体实施方式

实施例1

如图1所示，本发明提供的轴承故障预测主要包含四个部分：数据采集与特征提取（数据处理）、故障诊断、故障预测及寿命分析；其中，传感装置获得设备（转向架上的滚动轴承）的实时数据，通过特征提取（数据处理）保存当前数据中与故障及寿命相关的信息，从而减少存储设备的性能压力，长时间的数据保存在历史数据库中，利用历史数据库中的数据与相应的深度学习方法进行结合训练，得到故障的分类模型，所述故障的分类模型包括轴承故障预测模型、轴承故障诊断模型、轴承剩余寿命预测模型；而训练好后投入使用的故障诊断模型和故障预测模型可以对处理后的实时数据进行故障诊断和预测；轴承剩余寿命预测模型可以对处理后的实时数据进行未来发展趋势的预测，从而判断轴承的剩余寿命。

如图2所示，本发明为同时实现故障诊断、故障预测和剩余寿命预测，提供一种基于Teager能量谱和改进型CNN模型的轴承故障预测方法，该方法包括以下步骤：

步骤S1、动车组运行过程中实时将传感装置获得的滚动轴承的振动信号发送给数据处理模块；

步骤S2、数据处理模块将获取的滚动轴承的振动信号进行处理，获得Teager 能量谱图；之后调整Teager 能量谱图像特征，转换为可以作为卷积神经网络模型输入的训练数据和测试数据；

步骤S3、搭建改进型卷积神经网络模型，采用步骤S2的训练集数据和测试集数据对改进型卷积神经网络模型进行训练，当达到训练结束标准后，输出训练后模型，之后将测试集数据输入训练后模型，通过调整模型参数，使其达到模型测试标准，通过模型训练得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型；

步骤S4、采集动车组未知故障的轴承振动信号，采用步骤S2的方法对数据进行处理；

步骤S5、将处理后的未知故障的轴承的Teager 能量谱图输入步骤S3经过模型训练后得到的轴承故障预测模型、轴承故障诊断模型、轴承剩余寿命预测模型中，通过轴承故障预测模型预测轴承故障趋势，通过轴承故障诊断模型确定轴承是否健康或存在故障，通过轴承剩余寿命预测模型预测轴承剩余寿命。

通过上述描述可以确定，本发明提供的基于Teager能量谱和改进型CNN模型的轴承故障预测方法关键点在于数据处理、模型构建和训练；其中，数据处理主要将采集的振动信号转换为可以作为模型输入的训练数据和测试数据；同时，采用特征较为明显的图像块进行训练，模型构建和训练部分则是如何使用提取的图像数据集来进行故障诊断模型、故障预测模型、剩余寿命预测模型的训练。

数据处理是模型训练前的重要准备工作，良好的数据是机器学习成功的关键。本发明为了将振动信号转换为可以作为卷积神经网络输入的训练数据，数据处理（特征提取）包括了计算能量谱图和调整图像特征两个部分。

如图3所示，本发明数据处理的详细过程为：

步骤S2.1、设输入的离散振动信号为 s(n)，信号的采样频率为 fs，采样点数为N；根据公式（1）计算振动信号的 Teager 能量算子；

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]²−𝑥(𝑛− 1)𝑥(𝑛 + 1) (1)

步骤S2.2、对 Teager 能量算子进行快速傅里叶变换，计算幅值mag，计算数据点𝑛对应的频率𝑓；

𝑚𝑎𝑔 = 𝑎𝑏𝑠𝑓𝑓𝑡(𝛹[𝑥(𝑛)]) (2)

𝑓 = 𝑛∗𝑓𝑠/𝑁 (3)

步骤S2.3、对幅值 mag进行归一化，使其在(0,1)范围内；然后使用 plot 绘图，得Teager 能量谱图，并保存图像；

(4)

(5)

步骤S2.4、将步骤S2.3得到的图像进行灰度转换，裁剪确定范围图像到合适大小；

步骤S2.5、对所有采样数据进行步骤S2.1- 步骤S2.4的计算，得到数据集，设置训练测试百分比x，随即划分1-x百分比数据为训练集，x百分比测试集。

鉴于卷积神经网络在特征提取和图像处理等方面的出色表现，本发明首先尝试将Teager能量谱数据集输入到 CNN 网络中进行训练，所述CNN 网络基本结构由卷积层、池化层和全连接层构成；其中，卷积层和池化层用于抽取图像中的特征，而全连接层用于分类，最后得到故障的分类模型。但是实验发现，只含有三种隐藏层类型的卷积神经网络，在处理能量谱数据时会产生严重的过拟合，训练集准确度达到 100%，但预测集准确度却不足50%，即模型泛化能力低。

本发明为了解决图像过拟合问题，尝试对原卷积神经网络结构加以调整，改进后的卷积神经网络模型包括：输入层、两层卷积层、池化层、两层BN 层、两层全连接层、输出层；所述改进型的卷积神经网络模型的具体构建方法如下：

步骤S3.1、构建网络输入层，所述输入层用于输入实验数据图像，实验数据图像为经过图像特征调整的Teager 能量谱图；

步骤S3.2、构建卷积层，所述卷积层用于抽取图像中的特征，卷积层包括第一层卷积层、第二层卷积层，第一层卷积层、第二层卷积层中间加入 BN 层进行归一化；

步骤S3.3、构建池化层，所述池化层用于抽取图像中的特征，池化层的激活函数使用 ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

步骤S3.4、构建全连接层，所述全连接层用于分类，全连接层包括第一层全连接层、第二层全连接层，第一层全连接层与第二层全连接层层间激活函数使用 ReLU 函数；

步骤S3.5、构建网络输出层，所述输出层和第二层全连接层之间使用 Softmax 函数；输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；所述训练数据类别包括轴承故障预测数据、轴承故障诊断数据、轴承剩余寿命预测数据。

如图3所示，本发明构建改进型卷积神经网络模型后，利用步骤S2的训练集数据和测试集数据对改进型卷积神经网络进行模型训练，模型训练的详细步骤如下：

（1）设置训练图像个数为 N，测试数据集个数为 M，一同训练的批处理参数为 BS，最大迭代次数为 Epoch，当前迭代次数为 i，希望达到的测试准确率为 TestAcc，当前测试准确率为 TempAcc。

（2）使用分批的训练数据集图像训练建立好的 CNN 模型，每批图像个数为 BN，如果 BN×i≥N，一次迭代结束，更新迭代次数i；否则重复步骤（2）。

（3）如果i>Epoch，结束训练，得到训练好的诊断模型TempModel，跳转到步骤（4），否则，重复步骤（2）继续训练。

（4）使用测试集作为输入，输入到TempModel中进行计算，对比测试集的原标签和TempModel输出的诊断标签，统计准确率TempAcc。

（5）如果TempAcc≥TestAcc，则训练结束，得到诊断模型 Model；否则，跳转到步骤（6）。

（6）修改调整模型参数，如 Dropout 筛选率、池化层窗口大小及步长等；跳转到步骤（2），继续训练模型。

本发明通过实验确定，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout层筛选概率默认设为 0.5；所述第一层全连接层为 512 个神经元，第二层全连接层为 128个神经元；训练结束后得到的为轴承故障预测模型。

所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为0.5；所述第一层全连接层为1024 个神经元，第二层全连接层为 128 个神经元；训练结束后得到的为轴承故障诊断模型。

所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为0.5；所述第一层全连接层为 512 个神经元，第二层全连接层为 512 个神经元；训练结束后得到的为轴承剩余寿命预测模型。

本发明通过对模型进行训练，最后可以得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型，通过轴承故障预测模型可以预测轴承故障趋势，通过轴承故障诊断模型可以确定轴承是否健康或存在故障，通过轴承剩余寿命预测模型可以预测轴承剩余寿命。

如图4所示，本发明利用所获得的模型进行故障诊断/预测的具体方法如下：

（1）获取未知故障的滚动轴承的振动数据；

（2）计算离散信号Teager能量算子；

（3）通过 FFT 变换得到频率f 和对应幅值大小mag；

（4）对 mag 进行归一化，使其在(0,1)范围内，使用频率f和归一化后的mag 数据进行plot绘图，得Teager 能量谱图；

（5）进行图像灰度转换并根据训练数据集格式化图像；

（6）将调整后的 Teager 能量谱图作为轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型的输入，输入到训练好的轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型中，得到当前能量谱图所示的轴承是否健康或存在故障，以及当前能量谱图所示的轴承的故障趋势以及剩余寿命。

实施例2

本发明提供一种基于Teager 能量谱和改进型CNN模型的轴承故障预测系统，该系统包括数据采集模块1、数据处理模块2、改进型卷积神经网络模型3、数据库4；其中，所述数据采集模块1包括传感装置，所述传感装置用于采集动车组运行过程中滚动轴承的振动信号，并将采集数据发送给数据处理模块2；

所述数据处理模块2，用于将数据采集模块采集的振动信号转换为可以作为卷积神经网络输入的训练数据和测试数据；数据处理模块2包括Teager 能量算子计算模块21、快速傅里叶变换模块22、计算模块23、归一化模块24、plot 绘图模块25、图像处理模块26；

所述Teager 能量算子计算模块21，用于计算输入的离散振动信号x(n)的Teager能量算子，计算公式为:

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]²−𝑥(𝑛− 1)𝑥(𝑛 + 1)

所述快速傅里叶变换模块22，用于对Teager 能量算子进行快速傅里叶变换；

所述计算模块23，用于计算幅值 mag，计算数据点𝑛对应的频率𝑓，计算公式为:

𝑚𝑎𝑔 = 𝑎𝑏𝑠𝑓𝑓𝑡(𝛹[𝑥(𝑛)])

𝑓 = 𝑛∗𝑓𝑠/𝑁

式中，fs为信号的采样频率，N为采样点数；

所述归一化模块24，用于对幅值 mag 进行归一化，使其在(0,1)范围内；

所述plot 绘图模块25，用于按照下述公式，使用频率和归一化后的 mag 数据绘图，得到Teager 能量谱图；

所述图像处理模块26，用于将绘制的图像进行灰度转换，并根据训练数据集格式化图像；

所述改进型卷积神经网络模型包括输入层、两层卷积层、池化层、两层BN 层、两层全连接层、输出层；其中，所述输入层，用于输入实验数据图像，实验数据图像为经过数据处理模块处理后的Teager 能量谱图；

所述卷积层和池化层用于抽取图像中的特征，第一层卷积层、第二层卷积层中间加入 BN 层进行归一化；

所述池化层的激活函数使用 ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

所述全连接层用于分类，包括第一层全连接层、第二层全连接层，第一层全连接层、第二层全连接层层间激活函数使用 ReLU 函数，第二层全连接层和输出层之间使用Softmax 函数；

所述输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；

所述数据库，用于对数据进行存储。

Claims (8)

1.一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，具体包括以下步骤：

步骤S1、动车组运行过程中实时将传感装置获得的滚动轴承的振动信号发送给数据处理模块；

步骤S2、数据处理模块将获取的滚动轴承的振动信号进行处理，获得Teager 能量谱图；之后调整Teager 能量谱图像特征，转换为可以作为卷积神经网络模型输入的训练数据和测试数据；

步骤S3、搭建改进型卷积神经网络模型，采用步骤S2的训练集数据和测试集数据对改进型卷积神经网络模型进行训练，当达到训练结束标准后，输出训练后模型，之后将测试集数据输入训练后模型，通过调整模型参数，使其达到模型测试标准，通过模型训练得到轴承故障诊断模型、轴承故障预测模型、轴承剩余寿命预测模型；其中，所述改进型卷积神经网络模型的构建方法如下：

步骤S3.1、构建网络输入层，所述输入层用于输入实验数据图像，实验数据图像为经过图像特征调整的Teager 能量谱图；

步骤S3.2、构建卷积层，所述卷积层用于抽取图像中的特征，卷积层包括第一层卷积层、第二层卷积层，第一层卷积层、第二层卷积层中间加入 BN 层进行归一化；

步骤S3.3、构建池化层，所述池化层用于抽取图像中的特征，池化层的激活函数使用ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

步骤S3.4、构建全连接层，所述全连接层用于分类，全连接层包括第一层全连接层、第二层全连接层，第一层全连接层与第二层全连接层层间激活函数使用 ReLU 函数；

步骤S3.5、构建网络输出层，所述输出层和第二层全连接层之间使用 Softmax 函数；输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；

步骤S4、采集动车组未知故障的轴承振动信号，采用步骤S2的方法对数据进行处理；

步骤S5、将处理后的未知故障的轴承的Teager 能量谱图输入步骤S3经过模型训练后得到的轴承故障预测模型、轴承故障诊断模型、轴承剩余寿命预测模型中，通过轴承故障预测模型预测轴承故障趋势，通过轴承故障诊断模型确定轴承是否健康或存在故障，通过轴承剩余寿命预测模型预测轴承剩余寿命。

2.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，步骤S2数据处理模块对数据处理的具体方法如下：

步骤S2.1、根据公式（1）计算输入的离散振动信号𝑥 (𝑛)的 Teager 能量算子；

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]² − 𝑥(𝑛 − 1)𝑥(𝑛 + 1) (1)

步骤S2.2、对 Teager 能量算子进行快速傅里叶变换，计算幅值 mag，计算数据点𝑛对应的频率𝑓；

𝑚𝑎𝑔 = 𝑎𝑏𝑠 𝑓𝑓𝑡(𝛹[𝑥(𝑛)]) (2)

𝑓 = 𝑛 × 𝑓𝑠/𝑁 (3)

式中， fs为信号的采样频率，N为采样点数；

步骤S2.3、对幅值 mag 进行归一化，使其在(0,1)范围内，然后使用 plot 绘图，得Teager 能量谱图，并保存图像；

(4)

(5)

步骤S2.4、将步骤S2.3得到的图像进行灰度转换，同时裁剪确定范围图像到合适大小；

步骤S2.5、对所有采样数据进行步骤S2.1- 步骤S2.4的计算，得到数据集，设置训练测试百分比为x，随即划分1-x百分比数据为训练集，x百分比测试集。

3.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，步骤S3利用改进型卷积神经网络模型进行模型训练的详细步骤如下:

（1）设置训练图像个数为N，测试数据集个数为M，一同训练的批处理参数为BS，最大迭代次数为Epoch，当前迭代次数为i，希望达到的测试准确率为TestAcc，当前测试准确率为TempAcc；

（2）使用分批的训练数据集图像训练构建好的改进的CNN 模型，每批图像个数为BN，如果 BN×i≥N，一次迭代结束，更新迭代次数i；否则，重复步骤（2）；

（3）如果 i>Epoch，结束训练，得到训练好的诊断模型TempModel，跳转到步骤（4）；否则，重复步骤（2）继续训练；

（4）使用测试集作为输入，输入到TempModel 中进行计算，对比测试集的原标签和TempModel 输出的诊断标签，统计准确率TempAcc；

（5）如果TempAcc≥TestAcc，则训练结束，得到诊断模型Model；否则，跳转到步骤（6）；

（6）修改调整模型参数，跳转到步骤（2），继续训练模型。

4.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，当模型训练结束后得到的为轴承故障预测模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为 512个神经元，第二层全连接层为 128 个神经元。

5.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，当模型训练结束后得到的为轴承故障诊断模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2 的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为1024个神经元，第二层全连接层为 128 个神经元。

6.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，当模型训练结束后得到的为轴承剩余寿命预测模型时，所述网络输入层输入的实验数据图像的大小为568px×479px，训练过程每批训练数量为 64；所述第一层卷积层、第二层卷积层的卷积核大小和特征数量分别为 2×2，32；2×2，64；所述池化层为 2×2的采样窗口，步长为 1；所述Dropout 层筛选概率默认设为 0.5；所述第一层全连接层为512 个神经元，第二层全连接层为 512个神经元。

7.根据权利要求1所述的一种基于Teager 能量谱和改进型CNN模型的轴承故障预测方法，其特征在于，模型训练时所修改的模型参数包括 Dropout 筛选率、池化层窗口大小及步长、全连接层神经元个数。

8.一种基于Teager 能量谱和改进型CNN模型的轴承故障预测系统，其特征在于，该系统包括数据采集模块、数据处理模块、改进型卷积神经网络模型、数据库；其中，所述数据采集模块包括传感装置，所述传感装置用于采集动车组运行过程中滚动轴承的振动信号，并将采集数据发送给数据处理模块；

所述数据处理模块，用于将数据采集模块采集的振动信号转换为可以作为卷积神经网络输入的训练数据和测试数据；数据处理模块包括Teager 能量算子计算模块、快速傅里叶变换模块、计算模块、归一化模块、plot 绘图模块、图像处理模块；

所述Teager 能量算子计算模块，用于计算输入的离散振动信号x(n)的Teager 能量算子，计算公式为:

𝛹[𝑥(𝑛)] = [𝑥(𝑛)]² − 𝑥(𝑛 − 1)𝑥(𝑛 + 1)

所述快速傅里叶变换模块，用于对Teager 能量算子进行快速傅里叶变换；

所述计算模块，用于计算幅值 mag，计算数据点𝑛对应的频率𝑓，计算公式为:

𝑚𝑎𝑔 = 𝑎𝑏𝑠 𝑓𝑓𝑡(𝛹[𝑥(𝑛)])

𝑓 = 𝑛 ∗ 𝑓𝑠/𝑁

式中， fs为信号的采样频率，N为采样点数；

所述归一化模块，用于对幅值 mag 进行归一化，使其在(0,1)范围内；

所述plot 绘图模块，用于按照下述公式，使用频率和归一化后的 mag 数据绘图，得到Teager 能量谱图；

所述图像处理模块，用于将绘制的图像进行灰度转换，并根据训练数据集格式化图像；

所述改进型卷积神经网络模型包括输入层、两层卷积层、池化层、两层BN 层、两层全连接层、输出层；其中，所述输入层，用于输入实验数据图像，实验数据图像为经过数据处理模块处理后的Teager 能量谱图；

所述卷积层和池化层用于抽取图像中的特征，第一层卷积层、第二层卷积层中间加入BN 层进行归一化；

所述池化层的激活函数使用 ReLU 函数，第二层卷积层和池化层中间加入 BN 层进行归一化，在池化层后增加Dropout层；

所述全连接层用于分类，包括第一层全连接层、第二层全连接层，第一层全连接层、第二层全连接层层间激活函数使用 ReLU 函数，第二层全连接层和输出层之间使用 Softmax函数；

所述输出层神经元个数为训练数据类别个数，输出层后增加Dropout层；

所述数据库，用于对数据进行存储。

Images