CN115545101A - 一种基于残差神经网络的高速列车转向架故障诊断方法 - Google Patents
一种基于残差神经网络的高速列车转向架故障诊断方法 Download PDFInfo
- Publication number
- CN115545101A CN115545101A CN202211197869.0A CN202211197869A CN115545101A CN 115545101 A CN115545101 A CN 115545101A CN 202211197869 A CN202211197869 A CN 202211197869A CN 115545101 A CN115545101 A CN 115545101A
- Authority
- CN
- China
- Prior art keywords
- bogie
- model
- fault
- sensor
- gat
- 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了属于高速列车故障诊断技术领域的一种基于残差神经网络的高速列车转向架故障诊断方法。高速列车转向架系统分为动力转向架和非动力转向架,复杂转向架系统可能诱发的故障种类多样,首先在列车转向架状态监测系统中安装多个不同种类的传感器,对重要部件进行状态监测和故障识别,建立RS‑GAT故障诊断模型,对转向架各部位进行故障诊断,并通过通信网络将列车转向架的状态信息实时传输到地面数据中心,由数据中心进行离线的模型训练,对高速列车转向架故障诊断;确保高速铁路列车在途运行的安全。
Description
技术领域
本发明属于高速列车故障诊断技术领域,特别涉及一种基于残差神经网络的高速列车转向架故障诊断方法。
背景技术
随着我国高速铁路路网规模的不断扩大,我国高速铁路列车的保有量也逐步提升,高速铁路列车在途运行的安全问题成为当前研究的重要问题。列车转向架作为高速列车的关键部件,是连接车体和轨道的唯一结构。它不仅承载车身重量,控制车身与轨道之间的相对距离,保证车身的平稳性,而且还起到了牵引、制动和缓冲的作用。也就是说,转向架的性能可以直接影响高速列车运行的安全性和舒适性。随着高速铁路的飞速发展,高速列车的运行速度越来越快、单次运行时间越来越长,这也就导致了列车的单次服役时间越来越长。在列车长时间服役的过程中,由于转向架上多为机械设备和电气设备,长时间的运行会使设备随着时间的变化而产生磨损、老化等问题。如果高速列车的转向架出现了故障,会严重影响列车运行的安全。列车转向架的健康状态对于列车运行的安全状态有直接的关系。
如何利用高速列车状态检测系统的数据判别列车转向架的运行状态,对列车转向架进行故障诊断和故障预警是当前最大的挑战。目前最可行的方法就是对列车转向架的运行过程进行全程监控,同时对监控数据进行分析和处理,掌握转向架上各个部件的安全状况,采取合理的措施应对转向架故障。为了实施监测列车转向架的工作情况,中国铁路科学研究院在高速列车上安装了列车转向架状态监测系统。列车转向架状态监测系统由多个不同种类的传感器组成,通过通信网络将列车转向架的状态实时传输到地面数据中心,由数据中心进行离线的模型训练,对转向架进行故障诊断。
发明内容
本发明的目的是提出一种基于残差神经网络的高速列车转向架故障诊断方法,其特征在于,具体步骤如下:
步骤1,转向架故障分析及分类,
高速列车转向架系统分为动力转向架和非动力转向架,动力转向架包括电机和齿轮箱在内的动力装置,由于转向架系统的构造复杂、诱发转向架系统各个部件故障的原因众多、故障种类多样;同时,其动力转向架中的轴承负荷相对较大,比非动力转向架更容易发生故障;,同时为了保障列车的行车安全;需要及时对列车转向架系统的重要部件进行状态监测和故障识别,进行对故障状态分类;分析其可能产生故障原因;所述故障状态分为7类,分别包括:健康状态、构架故障、轴承故障、轮对故障、齿轮箱故障、牵引电机故障和空气弹簧故障;包含着影响最明显的24个传感器测点;
所述7类故障中包含着影响最明显的24个传感器测点,具体故障名称如下:
构架故障:裂纹、磨耗、弯曲变形;
轴承故障:疲劳剥落、磨损、塑性变形、腐蚀、胶合;
轮对故障:表面磨损、表面剥落、车轴裂纹、车轴过热;
齿轮箱故障:断齿、点蚀、磨损、划痕:
牵引电机故障:短路、电压过高、转子断裂;
空气弹簧故障:裂损、衰弱、腐蚀;
步骤2,转向架状态数据选择
在列车实际运行过程中,有许多可能影响转向架故障的因素,列车在启动、制动、加速和减速的不同工况下,造成的故障程度也有所区别;如果想提高转向架的故障诊断精确度,就需要针对性地从转向架多种检测数据中筛选出与转向架故障发生最相关的数据进行特征融合;因此使用皮尔森系数进行特征选择,筛选相关性特征时,使用的Pearson系数门限为0.8;通过筛选,得到对表1影响最明显的24个传感器测点。
步骤3,建立转向架数据网络架构,
由于同一列列车在结构上是一体的,因此列车上的各个测点之间存在空间关联性。以24个传感器测点得到的24维传感器状态数据为输入,建立转向架故障诊断模型,输出7类故障状态;该模型是一个典型的多传感器融合的故障诊断模型;
步骤4,使用灰色理论确定图结构的框架,使用GGC方法采用格兰杰因果分析方法确定图结构边的方向;具体步骤如下:
第一步:构造传感器信息矩阵X=(xij)n×t,计算每个比较传感器的数值xj与参考传感器之间对应元素的关联系数ζij(k);具体如下式所示:
其中n为传感器个数,t为时间,j时刻第1列和第i列的传感器数值分别为x1j和xij,ρ为关联关系常数。
第二步:计算关联度r′ij,如下式所示:
第三步:确定权重矩阵W=(wij)n×n,规定图结构的权重由传感器之间的相关系数表示,则W的公式如下所示:
W=(wij)n×n=(rij)n×n
第四步,定义高速列车图结构约束条件,选择三个约束条件,即数据关系R1、所属系统R2、所属车厢R3,共同作用传感器节点,采用加权的方法确定最终的高速列车图结构的关联关系矩阵R,具体公式如下所示:
i=1,2,...,n
j=1,2,...,n
R=(rij)n×n=w1·R1+w2·R2+w3·R3
w1+w2+w3=1
其中,w1表示数据关系R1的权重,w2表示所属系统R2的权重,w3表示所属车厢R3的权重。
第五步:确定边的方向,在高速列车传感器测点的时间序列上,如果车辆信息测点vi的值Xi在l秒内可以对测点vj的值Xj造成影响,也就是说观察到Xi的信息变化可以解释l秒后出现的Xj的信息变化,则说明Xi与Xj两者在数据上存在因果关系,即Xi→Xj;或引申为vi和vj之间存在因果关系,即vi→vj,eij=1鉴于高速列车传感器测点的时间序列是一个稳定序列,本发明采用基于VAR模型的格兰杰因果关系检验,建立(Xi,Xj)的VAR模型如下所示:
其中,Xi(t)和Xj(t)为高速列车传感器测点在t时刻的数值;Xi(t-k)和Xj(t-k) 为高速列车传感器测点在t-k时刻的数值,且k的取值空间为[0,l];ak和ck是格兰杰因果系数;bk和dk是自回归系数;εt和μt为预测误差,与时间点无关,默认为白噪声。
假如Xi(t)不是Xj(t)的格兰杰原因,则会出现a1=a2=...=al=0。格兰杰因果关系检验是通过受约束的F-statistic完成,规定Xi(t)残差平方和为RSSU,Xj(t)的残差平方和为RSSR,则F-statistic检验公式如下:
如果F检验结论拒绝原假设H0:a1=a2=...=al=0,则传感器i是传感器j的格兰杰原因,即从顶点vi到顶点vj是一条有向边;否则,传感器i不是传感器j的格兰杰原因。同理,若F检验结论拒绝原假设H0:c1=c2=...=cl=0,则传感器i是传感器j的格兰杰原因,即从顶点vj到顶点vi是一条有向边。此外,如果格兰杰因果关系越强,反映到F上就是F的值越小。因此,高速列车图结构的边E=(eij)n×n需要满足如下条件:
步骤5,RS-GAT故障诊断模型
以RSNet模型的框架为基础,输入转向架故障诊断有向图,使用聚合能力更强的GAT代替原有的卷积层,构建RS-GAT故障诊断模型;由于GAT在图神经网络中已经有聚合能力,因此RS-GAT模型在RSGAT单元中不使用Squeeze操作,但在最终的输出时使用GAP操作确保所有输入的特征图都可以取平均值作为输出。
其中,RSNet模型是受DCNN模型和SENet的Squeeze操作启发,基于ResNet 的残差学习框架而设计的一种CNN模型,其输入为一维时序信号。
所述RSNet模型使用ResNet网络作为框架,将原本残差学习单元换成卷积层,每一个卷积层里包括一个BN层、一个Relu层和一个卷积操作;在经过3个卷积核为16的卷积层和3个卷积核为32的卷积层之后,RSNet模型对所有特征进行了全局平均池化(GlobalAverage Pooling,即GAP)操作,最后经过全连接(Fully Connected Layer,即FC)层和Softmax操作得到最终的结果。
所述RS-GAT模型可以分为三部分:
第一部分为RS-GAT模型的输入单元。模型输入为转向架故障诊断有向图数据X和图结构A,经过一个GAT后得到节点j对节点i的归一化注意力系数aij,具体计算公式如下:
eij=Attention(Wxi,Wxj)=LeakyReLU(wT[Wxi||Wxj])
其中,LeakyReLU(wT[WxiPWxj])为激活函数,exp(LeakyReLU(wT[WxiPWxj]))为指数操作,时刻i和时刻j的数据为xi和xj,节点i和节点j的一阶领域为和学习参数为W,训练参数为w。利用注意力系数aij计算节点i的重构向量xi,计算公式为,
其中f(·)为非线性激活函数。将多个注意力单元进行拼接,从而提高对节点i的特征捕捉能力。具体如下式:
其中,||表示拼接操作,K表示注意力单元数量。
第二部分由l个RSGAT单元构成。RSGAT单元参照残差网络的框架设计了6 层,分别是BN层、Relu层、GAT层、BN层、Relu层、GAT层组成。以第一层为例,即l=1,可以计算得到残差为F1,输出为H1=F1+X0。每经过3个RSGAT单元后会对输出的H矩阵进行池化(Pooling)操作,然后将后一轮的3个RSGAT单元的图注意力单元增加一倍。经过l层(l必为3的倍数)RSGAT单元处理后得到了最终的输出矩阵Hl。
第三部分为RS-GAT模型的输出单元。在第二部分输出的Hl中含有大量的故障特征信息,将Hl进行池化操作,然后进行GAP操作、FC操作和Softmax操作,最终得到故障分类结果。
本发明有益效果是本发明在列车转向架状态监测系统中安装多个不同种类的传感器,对转向架各部位进行故障诊断,得到故障特征信息,并通过通信网络将列车转向架的状态信息实时传输到地面数据中心,由数据中心进行离线的模型训练,对高速列车转向架故障诊断;确保高速铁路列车在途运行的安全。
附图说明
图1为转向架传感器分布情况,
图2为GGC方法流程;
图3转向架故障图结构构建流程,其中,图左边是转向架故障无向图转换为图右边的转向架故障有向图;
图4 RSNet模型结构
图5 RS-GAT故障诊断模型结构
图6不同速度条件下的数据集分布,其中,(a)vtrain分布情况(b)vtest分布情况;
图7不同工况下的分类结果;
图8小数据集下不同模型10次准确率结果;其中,a)50%数据集下准确率(b)75%数据集下准确率(c)100%数据集下准确率;
具体实施方式
本发明提出一种基于残差神经网络的高速列车转向架故障诊断方法;下面结合附图和实施例对本发明予以进一步说明。具体步骤如下:
步骤1,转向架故障分析及分类,
高速列车转向架系统分为动力转向架和非动力转向架,动力转向架包括电机和齿轮箱在内的动力装置,由于转向架系统的构造复杂、诱发转向架系统各个部件故障的原因众多、故障种类多样;同时,其动力转向架中的轴承负荷相对较大,比非动力转向架更容易发生故障;,同时为了保障列车的行车安全;需要及时对列车转向架系统的重要部件进行状态监测和故障识别,进行对故障状态分类;分析其可能产生故障原因;所述故障状态分为7类,分别包括:健康状态、构架故障、轴承故障、轮对故障、齿轮箱故障、牵引电机故障和空气弹簧故障;包含着影响最明显的24个传感器测点(如图1所示)、;
所述7类故障中包含着影响最明显的24个传感器测点,具体故障名称如下:
构架故障:裂纹、磨耗、弯曲变形;
轴承故障:疲劳剥落、磨损、塑性变形、腐蚀、胶合;
轮对故障:表面磨损、表面剥落、车轴裂纹、车轴过热;
齿轮箱故障:断齿、点蚀、磨损、划痕:
牵引电机故障:短路、电压过高、转子断裂;
空气弹簧故障:裂损、衰弱、腐蚀;
步骤2,转向架状态数据选择
在列车实际运行过程中,有许多可能影响转向架故障的因素,列车在启动、制动、加速和减速的不同工况下,造成的故障程度也有所区别;如果想提高转向架的故障诊断精确度,就需要针对性地从转向架多种检测数据中筛选出与转向架故障发生最相关的数据进行特征融合;因此使用皮尔森系数进行特征选择,筛选相关性特征时,使用的Pearson系数门限为0.8;通过筛选,得到对表1影响最明显的24个传感器测点(测点在转向架上的分布如图1所示);
步骤3,建立转向架数据网络架构,
由于同一列列车在结构上是一体的,因此列车上的各个测点之间存在空间关联性。以24个传感器测点得到的24维传感器状态数据为输入,建立转向架故障诊断模型(如图2所示),输出7类故障状态;该模型是一个典型的多传感器融合的故障诊断模型;
步骤4,使用灰色理论确定图结构的框架,使用GGC方法采用格兰杰因果分析方法确定图结构边的方向(如图3所示);具体步骤如下:
第一步:构造传感器信息矩阵X=(xij)n×t,计算每个比较传感器的数值xj与参考传感器之间对应元素的关联系数ζij(k);具体如下式所示:
其中n为传感器个数,t为时间,j时刻第1列和第i列的传感器数值分别为x1j和xij,ρ为关联关系常数。
第二步:计算关联度r′ij,如下式所示:
第三步:确定权重矩阵W=(wij)n×n,规定图结构的权重由传感器之间的相关系数表示,则W的公式如下所示:
W=(wij)n×n=(rij)n×n
第四步,定义高速列车图结构约束条件,选择三个约束条件,即数据关系R1、所属系统R2、所属车厢R3,共同作用传感器节点,采用加权的方法确定最终的高速列车图结构的关联关系矩阵R,具体公式如下所示:
i=1,2,...,n
j=1,2,...,n
R=(rij)n×n=w1·R1+w2·R2+w3·R3
w1+w2+w3=1
其中,w1表示数据关系R1的权重,w2表示所属系统R2的权重,w3表示所属车厢R3的权重。
第五步:确定边的方向,在高速列车传感器测点的时间序列上,如果车辆信息测点vi的值Xi在l秒内可以对测点vj的值Xj造成影响,也就是说观察到Xi的信息变化可以解释l秒后出现的Xj的信息变化,则说明Xi与Xj两者在数据上存在因果关系,即Xi→Xj;或引申为vi和vj之间存在因果关系,即vi→vj,eij=1鉴于高速列车传感器测点的时间序列是一个稳定序列,本发明采用基于VAR模型的格兰杰因果关系检验,建立(Xi,Xj)的VAR模型如下所示:
其中,Xi(t)和Xj(t)为高速列车传感器测点在t时刻的数值;Xi(t-k)和Xj(t-k) 为高速列车传感器测点在t-k时刻的数值,且k的取值空间为[0,l];ak和ck是格兰杰因果系数;bk和dk是自回归系数;εt和μt为预测误差,与时间点无关,默认为白噪声。
假如Xi(t)不是Xj(t)的格兰杰原因,则会出现a1=a2=...=al=0。格兰杰因果关系检验是通过受约束的F-statistic完成,规定Xi(t)残差平方和为RSSU,Xj(t)的残差平方和为RSSR,则F-statistic检验公式如下:
如果F检验结论拒绝原假设H0:a1=a2=...=al=0,则传感器i是传感器j的格兰杰原因,即从顶点vi到顶点vj是一条有向边;否则,传感器i不是传感器j的格兰杰原因。同理,若F检验结论拒绝原假设H0:c1=c2=...=cl=0,则传感器i是传感器j的格兰杰原因,即从顶点vj到顶点vi是一条有向边。此外,如果格兰杰因果关系越强,反映到F上就是F的值越小。因此,高速列车图结构的边E=(eij)n×n需要满足如下条件:
本发明使用上述方法构建高速列车转向架的故障图,具体的构造流程(如图 2所示)和构造之后的图结构(如图3所示)。
步骤5,RS-GAT故障诊断模型
以RSNet模型的框架为基础,输入转向架故障诊断有向图,使用聚合能力更强的GAT代替原有的卷积层,构建RS-GAT故障诊断模型;由于GAT在图神经网络中已经有聚合能力,因此RS-GAT模型在RSGAT单元中不使用Squeeze操作,但在最终的输出时使用GAP操作确保所有输入的特征图都可以取平均值作为输出。(RS-GAT故障诊断模型的结构如图5所示。)
其中,RSNet模型是受DCNN模型和SENet的Squeeze操作启发,基于ResNet 的残差学习框架而设计的一种CNN模型,其输入为一维时序信号。(RSNet模型的结构如图4所示。)
所述RSNet模型使用ResNet网络作为框架,将原本残差学习单元换成卷积层,每一个卷积层里包括一个BN层、一个Relu层和一个卷积操作;在经过3个卷积核为16的卷积层和3个卷积核为32的卷积层之后,RSNet模型对所有特征进行了全局平均池化(Globa]AveragePooling,即GAP)操作,最后经过全连接(Fully Connected Layer,即FC)层和Softmax操作得到最终的结果。
所述RS-GAT模型可以分为三部分:
第一部分为RS-GAT模型的输入单元。模型输入为转向架故障诊断有向图数据X和图结构A,经过一个GAT后得到节点j对节点i的归一化注意力系数aij,具体计算公式如下:
eij=Attention(Wxi,Wxj)=LeakyReLU(wT[Wxi||Wxj])
其中,LeakyReLU(wT[WxiPWxj])为激活函数,exp(LeakyReLU(wT[WxiPWxj]))为指数操作,时刻i和时刻j的数据为xi和xj,节点i和节点j的一阶领域为和学习参数为W,训练参数为w。利用注意力系数aij计算节点i的重构向量x′i,计算公式为,
其中f(·)为非线性激活函数。将多个注意力单元进行拼接,从而提高对节点i的特征捕捉能力。具体如下式:
其中,||表示拼接操作,K表示注意力单元数量。
第二部分由l个RSGAT单元构成。RSGAT单元参照残差网络的框架设计了6 层,分别是BN层、Relu层、GAT层、BN层、Relu层、GAT层组成。以第一层为例,即l=1,可以计算得到残差为F1,输出为H1=F1+X0。每经过3个RSGAT单元后会对输出的H矩阵进行池化(Pooling)操作,然后将后一轮的3个RSGAT单元的图注意力单元增加一倍。经过l层(l必为3的倍数)RSGAT单元处理后得到了最终的输出矩阵Hl。
第三部分为RS-GAT模型的输出单元。在第二部分输出的Hl中含有大量的故障特征信息,将Hl进行池化操作,然后进行GAP操作、FC操作和Softmax操作,最终得到故障分类结果。
综上所述,本发明提出了一种新的故障诊断框架RS-GAT,RS-GAT模型将原有的RS-Net模型中的卷积操作替换成了GAT模型的节点聚合操作,从而降低转向架数据中信息的冗余度,提高了故障特征提取的准确率。本发明使用6层RSGAT框架对转向架的空间特征进行提取,使用全局平均池化(GAP)得到转向架故障类别。
实施例
本发明使用的所有数据均是高速列车实际运行过程中采集的传感器数据,采样间隔设置为30s。将24个传感器的数据进行重采样之后得到的数据示例如表1 所示。
表1数据示例
本发明为了进行对比和鲁棒性分析,将列车处于运行状态下的8:30~20:30 这12个小时分成6份,由于后续需要提取时间特征,因此每份中的数据集是时序数据。经过处理后,一共得到了6个数据集,代码分别为C1、C2、C3、C4、C5、 C6。每个数据集中均包含了列车不同的工况,即加速情况、减速情况、匀速情况。此外,每个数据集中都包含了7种故障特征。规定每个数据集中包含训练集、验证集和测试集,数据集的大小情况如表2所示。
表2不同条件下的数据集介绍
本发明将C1作为示例,划分速度区间,统计各类工况条件下的传感器数据。图6中(a)展示了不同速度条件下训练集数据的分布情况;(b)展示了不同速度条件下测试集数据的分布情况。根据图6中(a)与(b)可知,各类故障检测的数据均出现在多个速度区间中,说明检测数据十分贴合实际工作场景,对模型的鲁棒性无疑提升巨大。
(1)评价指标
RS-GAT模型的评价指标主要为消耗时间(Cost time)和准确率(Accuracy)。其中,消耗时间主要是模型训练结束之后进行故障诊断所使用的时间;准确率用来统计分类正确的概率。准确率计算公式如下所示:
其中,TP表示本来为故障也真分类为故障的数据量,TN表示本来为非故障也真分类为非故障的数据量,Total表示所有分类的数据量。
(2)实验环境
RS-GAT模型及其对比方法进行高速列车转向架故障诊断的实验环境如表3 所示。其中,RS-GAT模型及其对比方法均使用Python语言实现,本发明使用的深度学习架构均为PyTorch库。RS-GAT模型的训练主要在GPU上进行。
(3)实验结果分析
本发明使用6种不同场景下的数据进行实验。以数据集C1为例给出RS-GAT 模型不同Label的准确率与整体的准确率,具体如表4所示。
表3实验环境说明
(3)实验结果分析
本发明使用6种不同场景下的数据进行实验。以数据集C1为例给出RS-GAT 模型不同Label的准确率与整体的准确率,具体如表4所示。
如表4所示,对C1数据集的整体准确率为95.83%,说明RS-GAT模型可以有效识别列车转向架中的绝大多数故障。除了Label 2和Label 6,其他的Label 分类准确率均高于95%,这说明了RS-GAT模型在融合多种传感器数据上的有效性。在7个Label中分类准确率最高的是Label 0,也就是分类为正常状态的准确率是最高的。这是因为C1数据集下的高速列车运行数据多为正常数据,因此在特征学习中将正常状态学习为正确的正常状态的权重最高。7个Label中分类准确率最低的是Label 6,Label 6是空气弹簧故障,由于空气弹簧主要依据压力传感器CR_R_ZD_KHYL和CR_L_ZD_KHYL采集的数据提取空簧故障特征,C1数据集下采集空簧特征相对其他故障而言数据量相对较少,因此准确率相对低一些。
表4 C1故障分类效果
为了进一步分析RS-GAT模型在不同数据集下的分类效果,给出6种数据集下RS-GAT模型的分类情况如图7所示。从图中可以得出,在所有工况下各个标签的分类准确率均高于92%,计算得到的平均准确率为91.31%,说明RS-GAT故障诊断模型的鲁棒性强,在多种复杂工况的实测数据下都可以得到较高的分类准确率。其中,对不同工况的准确率进行分析,可以看出C4场景下的分类效果最好,C4场景下的平均准确率为96.34%。对C4数据集进行分析可以发现,由于C4 数据集中所包含的停车、启动等情况较少,列车大部分时间处于恒定速度行驶状态,因此所测量的数据更加准确,可以更好提取各个故障的故障特征。
(4)多方法对比分析
为了进一步研究RS-GAT模型在列车转向架故障诊断中的性能表现,本发明使用RS-GCN模型与RSNet-14模型、GAT模型、GCN模型和GRU模型进行对比实验。所有的模型在实验中使用相同的训练集、验证集和测试集。具体的分类结果如表5所示。其中每个数据集仅展示平均分类准确率。
表5不同模型在6个数据集上的分类结果
从表5可以知道,RS-GAT模型在各个数据集下都具有最高的准确率。下面将对RS-GAT模型与其他模型进行对比分析:
1)相比于传统方法进行高速列车转向架故障诊断而言,ResNet框架类模型的诊断效果更好,这是因为ResNet框架类模型可以将很多浅层网络进行集成,使得整体模型更加网络化和立体化。同时ResNet框架保证特征信息更容易在各层之间流动,更好地获取数据的特征信息。
2)对比使用了图结构的RS-GAT模型、RS-GCN模型和没有使用图结构的 RSNet-14模型又可以看出,使用了图结构的模型效果要好于没有使用图结构的模型,这是因为高速列车转向架在空间上具有相关性,对于一个节点而言,利用其相邻节点的信息对该节点信息进行补充更有助于提取空间特征,从而取得更好的分类效果。
3)对比GAT类模型和GCN类模型可以看出,GAT类模型的准确率高于GCN 类模型的准确率,这是因为GAT类模型的输入是列车转向架诊断网络有向图,相较于GCN的输入而言增加了方向信息。GAT类模型使用邻接节点对中心节点的重要度代替了GCN类模型中的拉普拉斯变换,不仅可以提高模型的可解释性,还可以增强模型的空间表达能力。
(5)小规模数据集下性能比较
虽然本发明使用的所有数据均来自实际运行的列车采集数据,但是对于深度模型而言,使用海量数据集训练模型是提高模型故障识别准确率的重要途径。此外,由于列车实际运行过程中还可能存在突发的情况,因此有必要在小数据集下研究模型的分类效果,验证模型的鲁棒性。
本发明从6个数据集中抽取故障情况较多的523200(24×21800)条数据作为新的数据集,其中包括了训练集355200(24×14400)个,验证集84000(24 ×3500)个,测试集84000(24×3500)个。然后按照随机采样的原则从Ct中抽取训练集,训练集的大小分别为原训练集的75%和50%。同时,使用RS-GAT模型、 RS-GCN模型、RSNet-14模型、GAT模型和GCN模型进行对比分析。为了避免不完全选择的随机影响,对每个模型进行了10次测试,结果如图8所示,其中(a) 50%数据集下准确率(b)75%数据集下准确率(c)100%数据集下准确率;在50%数据集和75%的数据集下RS-GAT模型的故障诊断效果是最佳的。此外,ResNet框架类模型(RS-GAT模型、RS-GCN模型和RCNet-14模型)的效果远远优于单层图结构模型(GAT模型和GCN模型)的效果,说明ResNet框架类模型的鲁棒性较强,同时RS-GAT模型的鲁棒性最好。给出50%数据集、75%数据集和100%数据集时的准确率和分类消耗时间如表6所示。
表6小数据集下不同模型的准确率和消耗时间对比
如表6所示,RS-GAT模型在小数据集下也有较高的准确率(如图7、图8所示),但是相比于单层分类模型而言分类运行时间较长。综合考虑数据准确率和分类消耗时间,RS-GAT模型可以在相对较短的时间里完成准确率更高的转向架故障诊断。这也进一步验证了本发明提出的RS-GAT模型的泛化能力高于RS-GCN模型、RSNet-14模型、GAT模型和GCN模型。
Claims (4)
1.一种基于残差神经网络的高速列车转向架故障诊断方法,其特征在于,具体步骤如下:
步骤1,转向架故障分析及分类,
高速列车转向架系统分为动力转向架和非动力转向架,动力转向架包括电机和齿轮箱在内的动力装置,由于转向架系统的构造复杂、诱发转向架系统各个部件故障的原因众多、故障种类多样;同时,其动力转向架中的轴承负荷相对较大,比非动力转向架更容易发生故障;同时为了保障列车的行车安全;需要及时对列车转向架系统的重要部件进行状态监测和故障识别,进行对故障状态分类;分析其可能产生故障原因;所述故障状态分为7类,分别包括:健康状态、构架故障、轴承故障、轮对故障、齿轮箱故障、牵引电机故障和空气弹簧故障;包含着影响最明显的24个传感器测点;
步骤2,转向架状态数据选择
在列车实际运行过程中,有许多可能影响转向架故障的因素,列车在启动、制动、加速和减速的不同工况下,造成的故障程度也有所区别;如果想提高转向架的故障诊断精确度,就需要针对性地从转向架多种检测数据中筛选出与转向架故障发生最相关的数据进行特征融合;因此使用皮尔森系数进行特征选择,筛选相关性特征时,使用的Pearson系数门限为0.8;通过筛选,得到对表1影响最明显的24个传感器测点;
步骤3,建立转向架数据网络架构,
由于同一列列车在结构上是一体的,因此列车上的各个测点之间存在空间关联性。以24个传感器测点得到的24维传感器状态数据为输入,建立转向架故障诊断模型,输出7类故障状态;该模型是一个典型的多传感器融合的故障诊断模型;
步骤4,使用灰色理论确定图结构的框架,使用GGC方法采用格兰杰因果分析方法确定图结构边的方向;具体包括:
第一步:构造传感器信息矩阵X=(xij)n×t,计算每个比较传感器的数值xj与参考传感器之间对应元素的关联系数ζij(k);具体如下式所示:
其中n为传感器个数,t为时间,j时刻第1列和第i列的传感器数值分别为x1j和xij,ρ为关联关系常数。
第二步:计算关联度r'ij,如下式所示:
第三步:确定权重矩阵W=(wij)n×n,规定图结构的权重由传感器之间的相关系数表示,则W的公式如下所示:
W=(wij)n×n=(rij)n×n
第四步,定义高速列车图结构约束条件,选择三个约束条件,即数据关系R1、所属系统R2、所属车厢R3,共同作用传感器节点,采用加权的方法确定最终的高速列车图结构的关联关系矩阵R,具体公式如下所示:
i=1,2,...,n
j=1,2,...,n
R=(rij)n×n=w1·R1+w2·R2+w3·R3
w1+w2+w3=1
其中,w1表示数据关系R1的权重,w2表示所属系统R2的权重,w3表示所属车厢R3的权重。
第五步:确定边的方向,在高速列车传感器测点的时间序列上,如果车辆信息测点vi的值Xi在l秒内可以对测点vj的值Xj造成影响,也就是说观察到Xi的信息变化可以解释l秒后出现的Xj的信息变化,则说明Xi与Xj两者在数据上存在因果关系,即Xi→Xj;或引申为vi和vj之间存在因果关系,即vi→vj,eij=1鉴于高速列车传感器测点的时间序列是一个稳定序列,本发明采用基于VAR模型的格兰杰因果关系检验,建立(Xi,Xj)的VAR模型如下式所示:
其中,Xi(t)和Xj(t)为高速列车传感器测点在t时刻的数值;Xi(t-k)和Xj(t-k)为高速列车传感器测点在t-k时刻的数值,且k的取值空间为[0,l];ak和ck是格兰杰因果系数;bk和dk是自回归系数;εt和μt为预测误差,与时间点无关,默认为白噪声;
假如Xi(t)不是Xj(t)的格兰杰原因,则会出现a1=a2=...=al=0。格兰杰因果关系检验是通过受约束的F-statistic完成,规定Xi(t)残差平方和为RSSU,Xj(t)的残差平方和为RSSR,则F-statistic检验公式如下:
如果F检验结论拒绝原假设H0:a1=a2=...=al=0,则传感器i是传感器j的格兰杰原因,即从顶点vi到顶点vj是一条有向边;否则,传感器i不是传感器j的格兰杰原因;同理,若F检验结论拒绝原假设H0:c1=c2=...=cl=0,则传感器i是传感器j的格兰杰原因,即从顶点vj到顶点vi是一条有向边;此外,如果格兰杰因果关系越强,反映到F上就是F的值越小,因此,高速列车图结构的边E=(eij)n×n需要满足如下条件:
步骤5,RS-GAT故障诊断模型
以RSNet模型的框架为基础,输入转向架故障诊断有向图,使用聚合能力更强的GAT代替原有的卷积层,构建RS-GAT故障诊断模型;由于GAT在图神经网络中已经有聚合能力,因此RS-GAT模型在RSGAT单元中不使用Squeeze操作,但在最终的输出时使用GAP操作确保所有输入的特征图都可以取平均值作为输出;其中,RSNet模型是受DCNN模型和SENet的Squeeze操作启发,基于ResNet的残差学习框架而设计的一种CNN模型,其输入为一维时序信号。
2.根据权利要求1所述的基于残差神经网络的高速列车转向架故障诊断方法,其特征在于,所述7类故障中包含着影响最明显的24个传感器测点,具体故障名称如下:
构架故障:裂纹、磨耗、弯曲变形;
轴承故障:疲劳剥落、磨损、塑性变形、腐蚀、胶合;
轮对故障:表面磨损、表面剥落、车轴裂纹、车轴过热;
齿轮箱故障:断齿、点蚀、磨损、划痕:
牵引电机故障:短路、电压过高、转子断裂;
空气弹簧故障:裂损、衰弱、腐蚀。
3.根据权利要求1所述的基于残差神经网络的高速列车转向架故障诊断方法,其特征在于,所述RSNet模型使用ResNet网络作为框架,将原本残差学习单元换成卷积层,每一个卷积层里包括一个BN层、一个Relu层和一个卷积操作;在经过3个卷积核为16的卷积层和3个卷积核为32的卷积层之后,RSNet模型对所有特征进行了全局平均池化(Global AveragePooling,即GAP)操作,最后经过全连接(Fully Connected Layer,即FC)层和Softmax操作得到最终的结果。
4.根据权利要求1所述的基于残差神经网络的高速列车转向架故障诊断方法,其特征在于,所述RS-GAT模型可以分为三部分:
第一部分为RS-GAT模型的输入单元。模型输入为转向架故障诊断有向图数据X和图结构A,经过一个GAT后得到节点j对节点i的归一化注意力系数aij,具体计算公式如下:
eij=Attention(Wxi,Wxj)=LeakyReLU(wT[Wxi||Wxj])
其中,LeakyReLU(wT[WxiPWxj])为激活函数;exp(LeakyReLU(wT[WxiPWxj]))为指数操作,时刻i和时刻j的数据为xi和xj,节点i和节点j的一阶领域为和学习参数为W,训练参数为w。利用注意力系数aij计算节点i的重构向量x′i,计算公式为,
其中f(·)为非线性激活函数。将多个注意力单元进行拼接,从而提高对节点i的特征捕捉能力。具体如下式:
其中,||表示拼接操作,K表示注意力单元数量。
第二部分由l个RSGAT单元构成。RSGAT单元参照残差网络的框架设计了6层,分别是BN层、Relu层、GAT层、BN层、Relu层、GAT层组成。以第一层为例,即l=1,可以计算得到残差为F1,输出为H1=F1+X0。每经过3个RSGAT单元后会对输出的H矩阵进行池化(Pooling)操作,然后将后一轮的3个RSGAT单元的图注意力单元增加一倍。经过l层(l必为3的倍数)RSGAT单元处理后得到了最终的输出矩阵Hl。
第三部分为RS-GAT模型的输出单元,在第二部分输出的Hl中含有大量的故障特征信息,将Hl进行池化操作,然后进行GAP操作、FC操作和Softmax操作,最终得到故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197869.0A CN115545101A (zh) | 2022-09-29 | 2022-09-29 | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197869.0A CN115545101A (zh) | 2022-09-29 | 2022-09-29 | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545101A true CN115545101A (zh) | 2022-12-30 |
Family
ID=84731151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211197869.0A Pending CN115545101A (zh) | 2022-09-29 | 2022-09-29 | 一种基于残差神经网络的高速列车转向架故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545101A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
-
2022
- 2022-09-29 CN CN202211197869.0A patent/CN115545101A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Fault diagnosis of high-speed train suspension systems using multiscale permutation entropy and linear local tangent space alignment | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN111207938B (zh) | 一种铁道车辆故障检测方法 | |
CN111242484B (zh) | 基于转移概率的车辆风险综合评价方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN106250613A (zh) | 一种车轮服役状态安全域估计及故障诊断方法 | |
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN104832418A (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
CN112417766B (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN113283003B (zh) | 一种基于时空融合决策的高速列车轴温异常检测方法 | |
CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
CN110991471A (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN111806516A (zh) | 一种用于智能列车监测与运维的健康管理装置及方法 | |
CN116578940A (zh) | 一种基于混合深度自编码的轴承故障新类识别与诊断方法 | |
CN113962600A (zh) | 一种交通安全风险诊断方法及装置 | |
CN116561514A (zh) | 车辆轮毂轴承单元的故障诊断方法、系统、装置及介质 | |
CN113516159A (zh) | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 | |
CN112597581A (zh) | 一种基于时空融合决策的高速列车温度异常检测方法 | |
Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
CN116244657A (zh) | 基于生成对抗网络和集成学习的列车轴温异常识别方法 | |
CN114279728B (zh) | 一种振动筛机体的故障诊断方法及系统 |
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 |