CN116337447A - 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 - Google Patents
一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 Download PDFInfo
- Publication number
- CN116337447A CN116337447A CN202211640727.7A CN202211640727A CN116337447A CN 116337447 A CN116337447 A CN 116337447A CN 202211640727 A CN202211640727 A CN 202211640727A CN 116337447 A CN116337447 A CN 116337447A
- Authority
- CN
- China
- Prior art keywords
- domain
- representing
- prototype
- target
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000003745 diagnosis Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000006978 adaptation Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000036541 health Effects 0.000 description 9
- 238000013508 migration Methods 0.000 description 8
- 230000005012 migration Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012360 testing method 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
- G01M17/10—Suspensions, axles or wheels
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括根据多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号获取样本数据；多通道融合得多传感器信息融合样本并进行自适应加权，生成目标多传感器信息融合数据，特征提取器提取目标多传感器信息融合数据在多传感器视角下的特征信息，存储至相对应的记忆库中；利用原型对比学习进行领域适配学习，获取域适应损失；利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用域适应损失与半监督分类损失通过反向传播与梯度下降算法更新网络参数，获得目标网络；将数据集中没有类别标签的待测试样本数据输入至目标网络中，获取待测试样本数据的故障类别。
Description
技术领域
本发明涉及轨道车辆智能运维技术领域，尤其是指一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备。
背景技术
轮对轴承是轨道车辆动力系统的核心部件之一，由于轮对轴承长期服役在非平稳工况下，长期承受动态强载荷，其不可避免的会发生疲劳损失故障，轨道车辆轮对轴承的健康状态和性能直接影响到轨道车辆运行的安全可靠性。轨道车辆轮对轴承故障可能导致装置停车甚至机毁人亡的严重后果。因此，开展非平稳工况下轮对轴承智能故障诊断方法研究，对于发展高安全性与高可靠性服役的轨道车辆具有特别重要的意义。
近年来，基于深度迁移学习的智能故障诊断方法已被广泛应用于轴承智能故障诊断领域。然而，现有的基于深度迁移学习的智能故障诊断方法仍存在着一些不足，首先，现有的方法大多利用振动数据判断轴承健康状态，很少利用多传感器协同监测信息诊断轴承故障，但单传感器监测信息易受外部干扰和噪声影响,对故障的复杂性考虑不足。其次，在非平稳工况下采集的数据分布不一致且获得采集的数据的标注困难，代价昂贵，在这种标注信息不足的情况下，现有的领域自适应方法会性能下降，会出现减小域偏移的能力降低甚至引起负迁移等不足。这些不足将导致现有的基于深度迁移学习的智能故障诊断方法学习到的域不变特征表征能力不足，深度迁移学习诊断模型诊断性能下降。
综上，现有的对轨道车辆轮对轴承进行故障检测的方法根据单传感器的振动数据进行诊断，缺乏对故障复杂性的考虑；且由于非平稳工况下的样本数据标注信息不足，导致减小域偏移能力降低、负迁移不足，进而导致学习到的特征信息表征能力不足，诊断性能下降。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中智能故障诊断方法学习到的特征，表征能力不足，诊断模型诊断性能下降，影响诊断精确度的问题。
为解决上述技术问题，本发明提供了一种非平稳工况下轨道车辆轮对轴承故障诊断方法，包括：
获取多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号，按照预设长度分割多种传感器采集到的所有信号，获取样本数据；
对多种传感器在同一时刻采集到的不同样本数据均进行短时傅里叶变换与灰度化处理后，沿通道融合得到多传感器信息融合样本，构建多传感器信息融合样本集合；标定所述多传感器信息融合样本集合中已知故障类型的样本，并设定类别标签；将所述多传感器信息融合样本集合，根据不同非平稳工况划分为源域数据集与目标域数据集；
根据当前诊断任务分别为每个多传感器信息融合样本中的不同样本数据进行自适应加权，生成目标多传感器信息融合数据；
利用特征提取器提取所述目标多传感器信息融合数据在多传感器视角下的特征信息，将所述特征信息存储至相对应的源域记忆库与目标域记忆库中；
在所述源域记忆库中进行聚类，得到具有标准化源原型的源簇群；在所述目标域记忆库中进行聚类，得到具有标准化目标原型的目标簇群；利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失；
利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用所述域内原型对比损失、跨域原型对比损失与半监督分类损失构建目标函数；利用反向传播与梯度下降算法优化所述目标函数，获得目标网络；
将所述源域数据集与目标域数据集中没有类别标签的待测试样本数据输入至所述目标网络中，获取所述待测试样本数据的故障类别。
在本发明的一个实施例中，所述目标多传感器信息融合数据的获取过程为：
目标多传感器信息融合数据
其中，
表示逐元素相乘，sn＝σ(W2δ(W1zn))，δ表示ReLU函数，W1∈R1×M和W2∈RM×1表示全连接层的权重矩阵，σ表示Sigmoid激活函数，sn＝[s1n,…,smn,…,sMn]表示自适应加权矩阵；/>
X”mn∈R64×64表示第n个样本的第m个通道上的传感器信息，x'n＝[x”1n,…,x”mn,…,x”Mn]表示第n个多传感器信息融合样本，H表示数据的高度，W表示数据的宽度，zn＝[z1n,…,zmn,...,zMn]是x'n的通道描述。
在本发明的一个实施例中，所述特征提取器为残差网络ResNet18，其工作过程表示为：
fn＝G(xn)，
其中，fn表示第n个样本的特征信息，xn表示目标多传感器信息融合数据，G(·)表示参数为θf的ResNet18。
在本发明的一个实施例中，所述标准化原型计算公式为：
其中，μj表示标准化原型，|Cj|代表簇群Cj中样本的数量，fn表示第n个样本的特征信息。
在本发明的一个实施例中，所述利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失，包括：域内原型对比学习与跨域原型对比学习；
所述域内原型对比学习包括：分别在源域和目标域中，计算特征向量fn与标准化原型μj之间的相似性分布:
在源域中的相似性分布为
在目标域中的相似性分布
域内原型对比损失
所述跨域原型对比学习包括：
计算源域特征向量
与目标域标准化原型/>
之间的相似性分布：
计算目标域特征向量
与源域标准化原型/>
之间的相似性分布：
域内原型对比损失
H(·)表示信息熵；
其中，φ是温度系数，表示样本的集中程度；LCE(·)表示交叉熵函数，cs(i)与ct(i)代表样本的簇群索引，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，Ntu表示目标域数据集中无标签样本的数量。
在本发明的一个实施例中，所述领域适配学习是通过反向传播迭代训练，减小从源域数据集和目标域数据集中提取到的多传感器视角下的特征信息的分布差异。
在本发明的一个实施例中，所述域共享类别分类器为Softmax分类器，用于输出每种故障属于不同类别的概率值；
所述概率值
其中xi表示第i个输入特征，yi表示对应类别的输出概率值，ns表示故障类别总量。
在本发明的一个实施例中，所述半监督分类损失为：
其中，Lcls表示源域数据集中带标签样本数据的分类损失，Lpseudo表示源域数据集中无标签样本数据的预测结果损失，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，yi表示对应类别的输出概率值，
表示源域特征向量。
在本发明的一个实施例中，所述目标函数为：
L＝LC+LIn+LCross，
其中，LC表示半监督分类损失，LIn表示域内原型对比损失，LCross表示跨域原型对比损失。
本发明还提供了一种非平稳工况下轨道车辆轮对轴承故障诊断设备，包括：
采集装置，包括多种传感器，用于采集轨道车辆轮对轴承在不同非平稳工况下的多种信号；
故障检测装置，与所述采集装置通讯连接，用于执行计算机程序实现如上述所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，获取待测试样本数据的故障类别；
显示装置，与所述故障检测装置通讯连接，用于显示待测试样本数据的故障类别。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的非平稳工况下轨道车辆轮对轴承故障诊断方法根据当前诊断任务自适应地为每个多传感器信息融合样本中的不同样本数据进行自适应加权，赋予不同权重，形成目标多传感器融合数据，提高了数据样本质量，有助于特征提取器提取到更加具有判别力的特征信息；利用自适应集中度估计的原型对比学习进行领域自适应时，通过样本集中程度自适应估计温度系数，更有效的控制模型对负样本的区分度，更合理地调节模型对负样本的关注程度，进而更好的减小两域之间域偏移，提高特征提取器提取到的特征信息的表征能力。本发明实现了非平稳工况下对轨道车辆轮对轴承的故障诊断，具有良好的泛化性能，适用于现场实时识别轨道车辆轮对轴承的健康状态。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明所提供的非平稳工况下轨道车辆轮对轴承故障诊断方法步骤流程图；
图2是本发明实施例所提供的多传感器信息自适应加权融合示意图；
图3是本发明实施例所提供的网络模型训练过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参照图1所示，本发明所提供的一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括：
S1：获取多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号，按照预设长度分割多种传感器采集到的所有信号，获取样本数据；
多种传感器包括加速度传感器、声音传感器与温度传感器，采集到的信号包括振动信号、声音信号与温度信号；
S2：对多种传感器在同一时刻采集到的不同样本数据均进行短时傅里叶变换与灰度化处理后，沿通道融合得到多传感器信息融合样本，构建多传感器信息融合样本集合；标定所述多传感器信息融合样本集合中已知故障类型的样本，并设定类别标签；将所述多传感器信息融合样本集合，根据不同非平稳工况划分为源域数据集与目标域数据集；
S3：根据当前诊断任务分别为每个多传感器信息融合样本中的不同样本数据进行自适应加权，生成目标多传感器信息融合数据；
参照图2所示，自适应加权生成目标多传感器信息融合数据
其中，
表示逐元素相乘，sn＝σ(W2δ(W1zn))，δ表示ReLU函数，W1∈R1×M和W2∈RM×1表示全连接层的权重矩阵，σ表示Sigmoid激活函数，sn＝[s1n,…,smn,…,sMn]表示自适应加权矩阵；/>
X”mn∈R64×64表示第n个样本的第m个通道上的传感器信息，x'n＝[x”1n,...,x”mn,...,x”Mn]表示第n个多传感器信息融合样本，H表示数据的高度，W表示数据的宽度，zn＝[z1n,…,zmn,…,zMn]是x'n的通道描述；
全连接层的权重矩阵W1和W2中的初始值是随机产生的，通过反向传播更新，使权重矩阵更适合当前任务，实现对多传感器信息融合样本的自适应加权；
S4：利用特征提取器G(θf)提取所述目标多传感器信息融合数据xn在多传感器视角下的特征信息，将所述特征信息存储至相对应的源域记忆库与目标域记忆库中；
所述特征提取器为残差网络ResNet18，其工作过程表示为：fn＝G(xn)；
其中，fn表示第n个样本的特征信息，G(·)表示参数为θf的ResNet18；
将特征信息fn存储在记忆库V＝[v1,v2,...,vn]中，并通过vn←fn更新记忆库V；
S5：在所述源域记忆库Vs中进行K-means聚类，得到具有标准化源原型
的源簇群/>
在所述目标域记忆库Vt中进行K-means聚类，得到具有标准化目标原型/>
的目标簇群/>
利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失；
所述领域适配学习是通过反向传播迭代训练，减小从源域数据集和目标域数据集中提取到的多传感器视角下的特征信息的分布差异；
S51：标准化原型计算公式为：
其中，μj表示标准化原型，|Cj|代表簇群Cj中样本的数量；
S52：域内原型对比学习包括：分别在源域和目标域中，计算特征向量fn与标准化原型μj之间的相似性分布:
在源域中的相似性分布为
在目标域中的相似性分布
域内原型对比损失
S53：跨域原型对比学习包括：
计算源域特征向量
与目标域标准化原型/>
之间的相似性分布：
计算目标域特征向量
与源域标准化原型/>
之间的相似性分布：
域内原型对比损失
其中，φ是温度系数，表示样本的集中程度；LCE(·)表示交叉熵函数，H(·)表示信息熵，cs(i)与ct(i)代表样本的簇群索引，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，Ntu表示目标域数据集中无标签样本的数量；
S6：利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用所述域内原型对比损失、跨域原型对比损失与半监督分类损失构建目标函数；
域共享类别分类器为Softmax分类器，用于输出每种故障属于不同类别的概率值；
所述概率值
其中xi表示第i个输入特征，yi表示对应类别的输出概率值，ns表示故障类别总量；
所述半监督分类损失为
其中，Lcls表示源域数据集中带标签样本数据的分类损失，Lpseudo表示源域数据集中无标签样本数据的预测结果损失，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，yi表示对应类别的输出概率值，
表示源域特征向量；
所述目标函数为L＝LC+LIn+LCross；
S7：利用反向传播与梯度下降算法优化所述目标函数，更新网络参数，获得目标网络；
S8：将所述源域数据集与目标域数据集中没有类别标签的待测试样本数据输入至所述目标网络中，获取所述待测试样本数据的故障类别。
本发明所述的非平稳工况下轨道车辆轮对轴承故障诊断方法根据当前诊断任务自适应地为每个多传感器信息融合样本中的不同样本数据进行自适应加权，赋予不同权重，形成目标多传感器融合数据，提高了数据样本质量，有助于特征提取器提取到更加具有判别力的特征信息；利用自适应集中度估计的原型对比学习进行领域自适应时，通过样本集中程度自适应估计温度系数，更有效的控制模型对负样本的区分度，更合理地调节模型对负样本的关注程度，进而更好的减小两域之间域偏移，提高特征提取器提取到的特征信息的表征能力。
本发明实施例还提供了一种非平稳工况下轨道车辆轮对轴承故障诊断设备，包括：
采集装置，包括多种传感器，用于采集轨道车辆轮对轴承在不同非平稳工况下的多种信号；
故障检测装置，与所述采集装置通讯连接，用于执行计算机程序实现如上述所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，获取待测试样本数据的故障类别；
显示装置，与所述故障检测装置通讯连接，用于显示待测试样本数据的故障类别。
具体地，参照图3所示，所述采集装置包括驱动电机；转动轴，一端通过联轴器连接所述驱动电机；待测试轴承安装座，套设于所述转动轴上，用于固定待测试轮对轴承；加速度传感器、声音传感器与温度传感器均设置于所述转动轴的另一端，用于连接所述待测试轮对轴承并测量其振动加速度信号、声音信号与温度信号；制动器，设置于所述转动轴末端，用于制动转动轴。采集装置还可在转动轴上设置健康轴承，支撑转动轴，平衡施加负载后转动轴的偏心问题。
具体地，故障检测装置包括数据获取与预处理模块，用于获取多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的信号，按照预设长度分割所述信号，获取样本数据；对多种传感器在同一时刻的样本数据进行短时傅里叶变换与灰度化处理后，沿通道融合得到多传感器信息融合样本；标定所述多传感器信息融合样本中已知故障类型的样本，并设定类别标签；根据不同非平稳工况划分源域数据集与目标域数据集；加权融合模块：根据当前诊断任务为所述多传感器信息融合样本中的不同传感器样本数据进行自适应加权，生成目标多传感器信息融合数据；特征提取模块：利用特征提取器提取所述目标多传感器信息融合数据在多传感器视角下的特征信息，将所述特征信息存储至相对应的源域记忆库与目标域记忆库中；领域自适应模块：在所述源域记忆库中进行聚类，得到具有标准化源原型的源簇群；在所述目标域记忆库中进行聚类，得到具有标准化目标原型的目标簇群；利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失；分类模块：利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器，以便利用所述域共享类别分类器鉴别源域数据集中样本数据的类别；网络训练模块：利用所述域内原型对比损失、跨域原型对比损失与半监督分类损失构建目标函数；利用反向传播与梯度下降算法优化所述目标函数，获得目标网络；预测输出模块：将待测试目标域信号输入至所述目标网络中，获取所述待测试目标域信号的故障类别。
本发明实施例所提供的非平稳工况下轨道车辆轮对轴承故障诊断设备拥有良好的泛化性能，适用于现场实时识别轨道车辆轮对轴承的健康状态，为基于深度迁移学习的智能诊断方法提供一个可靠、便利的工具，具有重要的领域意义与广阔的应用前景。
具体地，基于上述实施例，利用实验验证本发明所提供的非平稳工况下轨道车辆轮对轴承自监督智能诊断方法的有效性。实验所用数据来自于苏州大学轨道车辆轮对轴承故障模拟实验台，该故障模拟试验台的采集装置，如上述采集装置所述，可采集包括声音信号、温度信号与振动信号的轴承故障信号，来检测轨道车辆轮对轴承的故障类型。在本实施例中，所采集的轮对轴承故障数据集中共有七种健康状态，包括正常，轴承内圈0.2mm故障，滚动体0.2mm故障，外圈0.2mm故障，轴承内圈0.4mm故障，滚动体0.4mm故障以及外圈0.4mm故障。每种健康状态下的数据均在无负载以及三种不同的转速下采集，三种不同的转速包括400rpm，800rpm与400-800rpm变转速。每种工况下的每一种健康状态均包含100个样本数据，每个样本数据均融合了三向加速度传感器和声音传感器的数据信息。将三种不同工况下采集到的数据集定义为三个不同的域，用于模型训练的带少量样本标签的域为源域，用于模型测试的无带标签样本的域为目标域。每个域中的样本的详细信息如表1所示。
表1：每个域中的样本信息
| 健康状态 | 类别标签 | 样本数量 | 象征符号 |
| 内圈0.2mm故障 | 0 | 100 | IF0.2 |
| 滚动体0.2mm故障 | 1 | 100 | RF0.2 |
| 外圈0.2mm故障 | 2 | 100 | OF0.2 |
| 内圈0.4mm故障 | 3 | 100 | IF0.4 |
| 滚动体0.4mm故障 | 4 | 100 | RF0.4 |
| 外圈0.4mm故障 | 5 | 100 | OF0.4 |
| 正常 | 6 | 100 | NC |
本实验案例实施了六个不同的跨工况诊断任务，每个跨工况诊断任务可以描述为A→B。A代表在转速Arpm工况下采集的带少量样本标签的源域数据集，B代表在转速Brpm工况下采集的无样本标签的目标域数据集。为验证本发明所提出的一种轨道车辆轮对轴承智能故障诊断方法的有效性，以其他五种先进的基于不同领域自适应方法的深度迁移学习智能诊断方法作为比较，包括其中二阶关联对齐距离(CORAL)，最大均值差异(MMD)，条件最大均值差异(CMMD)，联合分布自适应(JDA)，原型对比学习(PCL)。本实验案例中，源域数据集中每种健康状态下仅有1个带标签样本，其余样本均无标签。各网络模型训练时的参数设置为：初始学习率为0.005，批尺寸为60，迭代次数为100。
本发明所提供的非平稳工况下轨道车辆轮对轴承故障诊断方法与其他深度迁移学习智能诊断方法相比，本发明方法的分类精度与标准差在六个不同的迁移诊断任务中均取得了最好的效果，显示出本发明的优越性，比较结果如表2所示。
表2：多种方法在各诊断任务下的准确率
| 任务 | 400-800 | 400-v | 800-400 | 800-v | v-400 | v-800 |
| CORAL | 61.86 | 66.57 | 59.86 | 65.14 | 56.86 | 62.00 |
| MMD | 40.14 | 61.86 | 45.86 | 49.00 | 56.29 | 72.71 |
| CMMD | 37.43 | 62.14 | 37.00 | 64.86 | 66.14 | 78.43 |
| JDA | 40.86 | 71.43 | 53.14 | 64.00 | 58.57 | 63.00 |
| PCL | 81.57 | 78.28 | 87.71 | 86.86 | 84.14 | 71.57 |
| Proposed | 99.00 | 99.57 | 100 | 99.71 | 99.86 | 100 |
本发明针对现有的深度迁移学习诊断方法没有充分考虑多个传感器视角下的特征、领域自适应方法性能不足、网络提取的域不变特征表征能力不足的问题，以轨道车辆轮对轴承为研究对象，通过多传感器信息自适应加权策略根据当前诊断任务自适应地为多传感器融合数据中的不同传感器信号赋予不同权重形成新的目标多传感器融合数据，提高了数据样本质量，有助于特征提取器从多个传感器视角下提取到更加有判别力的特征。另外，利用自适应集中度估计的原型对比学习进行领域自适应，更好地减小不同域之间的域偏移，提高特征提取器提取到的域不变特征的表征能力，提出了适用于非平稳工况下轨道车辆轮对轴承的智能诊断方法。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，包括：
获取多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号，按照预设长度分割多种传感器采集到的所有信号，获取样本数据；
对多种传感器在同一时刻采集到的不同样本数据均进行短时傅里叶变换与灰度化处理后，沿通道融合得到多传感器信息融合样本，构建多传感器信息融合样本集合；标定所述多传感器信息融合样本集合中已知故障类型的样本，并设定类别标签；将所述多传感器信息融合样本集合，根据不同非平稳工况划分为源域数据集与目标域数据集；
根据当前诊断任务分别为每个多传感器信息融合样本中的不同样本数据进行自适应加权，生成目标多传感器信息融合数据；
利用特征提取器提取所述目标多传感器信息融合数据在多传感器视角下的特征信息，将所述特征信息存储至相对应的源域记忆库与目标域记忆库中；
在所述源域记忆库中进行聚类，得到具有标准化源原型的源簇群；在所述目标域记忆库中进行聚类，得到具有标准化目标原型的目标簇群；利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失；
利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用所述域内原型对比损失、跨域原型对比损失与半监督分类损失构建目标函数；利用反向传播与梯度下降算法优化所述目标函数，获得目标网络；
将所述源域数据集与目标域数据集中没有类别标签的待测试样本数据输入至所述目标网络中，获取所述待测试样本数据的故障类别。
2.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述目标多传感器信息融合数据的获取过程为：
目标多传感器信息融合数据
其中，
表示逐元素相乘，sn＝σ(W2δ(W1zn))，δ表示ReLU函数，W1∈R1×M和W2∈RM×1表示全连接层的权重矩阵，σ表示Sigmoid激活函数，sn＝[s1n,...,smn,...,sMn]表示自适应加权矩阵；/>
X”mn∈R64×64表示第n个样本的第m个通道上的传感器信息，x'n＝[x”1n,...,x”mn,...,x”Mn]表示第n个多传感器信息融合样本，H表示数据的高度，W表示数据的宽度，zn＝[z1n,...,zmn,…,zMn]是x'n的通道描述。
3.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述特征提取器为残差网络ResNet18，其工作过程表示为：
fn＝G(xn)，
其中，fn表示第n个样本的特征信息，xn表示目标多传感器信息融合数据，G(·)表示参数为θf的ResNet18。
4.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述标准化原型计算公式为：
其中，μj表示标准化原型，|Cj|代表簇群Cj中样本的数量，fn表示第n个样本的特征信息。
5.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述利用原型对比学习算法进行领域适配学习，获取域内原型对比损失与跨域原型对比损失，包括：域内原型对比学习与跨域原型对比学习；
所述域内原型对比学习包括：分别在源域和目标域中，计算特征向量fn与标准化原型μj之间的相似性分布:
在源域中的相似性分布为
在目标域中的相似性分布
域内原型对比损失
所述跨域原型对比学习包括：
计算源域特征向量
与目标域标准化原型/>
之间的相似性分布：
计算目标域特征向量
与源域标准化原型/>
之间的相似性分布：
域内原型对比损失
H(·)表示信息熵；
其中，φ是温度系数，表示样本的集中程度；LCE(·)表示交叉熵函数，cs(i)与ct(i)代表样本的簇群索引，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，Ntu表示目标域数据集中无标签样本的数量。
6.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述领域适配学习是通过反向传播迭代训练，减小从源域数据集和目标域数据集中提取到的多传感器视角下的特征信息的分布差异。
7.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述域共享类别分类器为Softmax分类器，用于输出每种故障属于不同类别的概率值；
所述概率值
其中xi表示第i个输入特征，yi表示对应类别的输出概率值，ns表示故障类别总量。
8.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述半监督分类损失为：
其中，Lcls表示源域数据集中带标签样本数据的分类损失，Lpseudo表示源域数据集中无标签样本数据的预测结果损失，Ns表示源域数据集中带标签样本的数量，Nsu表示源域数据集中无标签样本的数量，yi表示对应类别的输出概率值，
表示源域特征向量。
9.根据权利要求1所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，其特征在于，所述目标函数为：
L＝LC+LIn+LCross，
其中，LC表示半监督分类损失，LIn表示域内原型对比损失，LCross表示跨域原型对比损失。
10.一种非平稳工况下轨道车辆轮对轴承故障诊断设备，其特征在于，包括：
采集装置，包括多种传感器，用于采集轨道车辆轮对轴承在不同非平稳工况下的多种信号；
故障检测装置，与所述采集装置通讯连接，用于执行计算机程序实现如权利要求1至9任一项所述的非平稳工况下轨道车辆轮对轴承故障诊断方法，获取待测试样本数据的故障类别；
显示装置，与所述故障检测装置通讯连接，用于显示待测试样本数据的故障类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211640727.7A CN116337447A (zh) | 2022-12-19 | 2022-12-19 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211640727.7A CN116337447A (zh) | 2022-12-19 | 2022-12-19 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116337447A true CN116337447A (zh) | 2023-06-27 |
Family
ID=86882842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211640727.7A Pending CN116337447A (zh) | 2022-12-19 | 2022-12-19 | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116337447A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116910571A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200082910A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
| CN113358356A (zh) * | 2021-06-07 | 2021-09-07 | 苏州大学 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
| CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
| CN114414246A (zh) * | 2022-02-24 | 2022-04-29 | 北京铁道工程机电技术研究所股份有限公司 | 一种轮对轴承故障诊断装置及方法 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| US20220373430A1 (en) * | 2020-11-05 | 2022-11-24 | Soochow University | Adaptive manifold probability distribution-based bearing fault diagnosis method |
-
2022
- 2022-12-19 CN CN202211640727.7A patent/CN116337447A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200082910A (ko) * | 2018-12-31 | 2020-07-08 | 주식회사 일진글로벌 | 고장 진단 장치 및 이러한 고장 진단 장치를 구비하는 차량용 휠베어링 |
| US20220373430A1 (en) * | 2020-11-05 | 2022-11-24 | Soochow University | Adaptive manifold probability distribution-based bearing fault diagnosis method |
| CN113358356A (zh) * | 2021-06-07 | 2021-09-07 | 苏州大学 | 一种高速列车轮对轴承微弱故障诊断方法及系统 |
| CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
| CN114429150A (zh) * | 2021-12-30 | 2022-05-03 | 哈尔滨理工大学 | 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统 |
| CN114414246A (zh) * | 2022-02-24 | 2022-04-29 | 北京铁道工程机电技术研究所股份有限公司 | 一种轮对轴承故障诊断装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张龙 等: "基于EWT-MCKD的机车轮对轴承故障诊断", 《铁道科学与工程学报》, vol. 18, no. 10, 31 October 2021 (2021-10-31), pages 2722 - 2731 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116910571A (zh) * | 2023-09-13 | 2023-10-20 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
| CN116910571B (zh) * | 2023-09-13 | 2023-12-08 | 南京大数据集团有限公司 | 一种基于原型对比学习的开集域适应方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
| Chen et al. | Robust deep learning-based diagnosis of mixed faults in rotating machinery | |
| Li et al. | Degradation alignment in remaining useful life prediction using deep cycle-consistent learning | |
| Li et al. | Fault diagnosis of rotating machinery based on combination of deep belief network and one-dimensional convolutional neural network | |
| CN109186973B (zh) | 一种无监督深度学习网络的机械故障诊断方法 | |
| US20200387785A1 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
| CN113343855B (zh) | 基于引导式子领域自适应的滚动轴承故障诊断系统及方法 | |
| CN112763214B (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| Liang et al. | A deep learning method for motor fault diagnosis based on a capsule network with gate-structure dilated convolutions | |
| CN109186971B (zh) | 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法 | |
| CN109708907B (zh) | 一种基于包络信息的设备故障特征提取方法 | |
| CN104471542A (zh) | 用于状态监视中流动的传感器数据的分类的判别隐卡尔曼滤波器 | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
| CN112487890B (zh) | 一种基于并行稀疏滤波的轴承声信号故障诊断方法 | |
| CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN116337447A (zh) | 一种非平稳工况下轨道车辆轮对轴承故障诊断方法及设备 | |
| CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| Appana et al. | Reliable fault diagnosis of bearings using distance and density similarity on an enhanced k-NN | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN108257365A (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
| CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及系统 | |
| CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
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 |