CN116644304A - 基于相似性的货车轴承异常特征提取与分类方法 - Google Patents
基于相似性的货车轴承异常特征提取与分类方法 Download PDFInfo
- Publication number
- CN116644304A CN116644304A CN202310612975.9A CN202310612975A CN116644304A CN 116644304 A CN116644304 A CN 116644304A CN 202310612975 A CN202310612975 A CN 202310612975A CN 116644304 A CN116644304 A CN 116644304A
- Authority
- CN
- China
- Prior art keywords
- truck
- bearing
- network
- data
- feature
- 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 69
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005096 rolling process Methods 0.000 claims description 19
- 238000013145 classification model Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 46
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及异常检测技术领域,公开了一种基于相似性的货车轴承异常特征提取与分类方法,提取方法包括以下步骤:步骤1:采集基础数据;所述基础数据包括货车轴承的时域加速度信号;步骤2:预处理基础数据,并将基础数据划分为训练集和测试集;并将训练集和测试集中的时域数据均转换为频域数据;步骤3:建立孪生网络特征提取模型;且建立得到的孪生网络特征提取模型中设有特征计算网络和与之孪生的孪生网络;特征计算网络与孪生网络的结构相同且参数共享;步骤4:采用孪生网络特征提取模型进行特征提取。本发明能够智能、准确完成针对货车的轴承异常识别分析,有助于识别出货车轴承早期故障,精确度较高且具备实时性。
Description
技术领域
本发明涉及异常检测技术领域,具体涉及一种基于相似性的货车轴承异常特征提取与分类方法。
背景技术
轴承作为铁路货车走行部中的关键组成部分之一,轴承的健康状况直接关系到机械的安全与车辆的有效运行,因其复杂的工作环境和持续承受动荷载的作用影响,轴承在车辆运行中较易于发生故障,以致于影响货车运行安全,这就需要在早期能够及时检测和诊断出轴承故障。
针对货车故障轴承的识别问题,目前工业上采用的识别方法大多是通过预先设置故障数据库或是预先设置标准滚动轴承数据库,再通过比对现有轴承数据与数据库中的数据进行识别,但此类方法仅适用于简单的轴承特征分析。在实际的货车运行中,轴承所处的环境更为复杂,相应地,轴承特征表现也更为复杂,上述方法无法充分分析出真实的轴承特征情况,分析精准度较低。
而还有的采用图像输入方式,输入轴承运转图像,通过深度学习判断轴承是否发生故障的方法;由于图像输入相较于加速度信号等更为复杂,这使得神经网络需要承载较大的运算量,识别效率较低,识别不具备及时性。此外还有的通过采集轴承温度数据,利用DiPCA算法,对轴承的故障进行监测的方法,以及通过采集噪声数据,利用频域分布特性,对轴承故障进行判断的方法,虽然都能够一定程度上监测出轴承故障,但是,前者方案中温度数据相比于噪声、加速度数据,具有一定的滞后性,通常,轴承在故障之后需要一定的时间才会达到故障判定的阈值,检测的不及时可能会引发列车运行事故;而后者方案中的噪声收集需要高质量的专用设备,价格昂贵,经济性较差。综上,现有的轴承故障(异常)处理方案均存在一定缺陷。
发明内容
本发明意在提供一种基于相似性的货车轴承异常特征提取与分类方法,能够智能、准确完成针对货车的轴承异常识别分析,有助于识别出货车轴承早期故障,精确度较高。
为达到上述目的,本发明提供如下基础方案:
方案一
基于相似性的货车轴承异常特征提取方法,包括以下步骤:
步骤1:采集基础数据;所述基础数据包括货车轴承的时域加速度信号;
步骤2:预处理基础数据,并将基础数据划分为训练集和测试集;并将训练集和测试集中的时域数据均转换为频域数据;
步骤3:建立孪生网络特征提取模型;且建立得到的孪生网络特征提取模型中设有特征计算网络和与之孪生的孪生网络;特征计算网络与孪生网络的结构相同且参数共享;
步骤4:采用孪生网络特征提取模型进行特征提取。
方案二
基于相似性的货车轴承异常特征分类方法,特征分类步骤基于如方案一所述的基于相似性的货车轴承异常特征提取方法提取得到的样本特征进行;包括以下步骤:
S1:建立特征分类模型;所述特征分类模型为LOF分类器;
S2:向LOF分类器输入训练集以训练LOF分类器的决策边界;
S3:向LOF分类器输入测试集以进行模型验证;
S4:采用特征分类模型对样本特征进行分类。
本发明的工作原理及优点在于:
第一,本方案特别将划分的数据集中的时域数据均转换为了频域数据,数据更具代表性,能够更充分地反映轴承特征。在实际信号采集过程中,大多采集方案均会选择扩大采样频率,以涵盖更多的特征频率,以提升识别准确性。但是,现有方案却忽视了数据样本类型在高频采样条件下对数据分析存在的影响(高频采样条件下,时域样本间容易存在特征混淆),以致于虽然涵盖了更多的特征频率,但是样本识别精度反而下降。本方案则发现了这一问题,将常规采集得到的时域样本转换为了在高频采样条件下,特征差异更为明显的频域样本;相应地,后续的数据分类准确度会更高,分类效果更为显著,有助于达到较高的轴承特征分类精确度。
第二,本方案采用孪生网络特征提取模型进行特征提取。特征计算网络和与之孪生的孪生网络能够有效地轴承特征进行识别。并且,相比于常规的CNN网络等,本方案采用的模型所提取的特征间的波动性更小,稳定性更强,收敛出的边界适用性更强,收敛速度更快,能够达到较高的特征提取效率,有助于实现轴承的实时性检测。并且,本方案采用LOF分类器作为特征分类模型,该模型与孪生网络特征提取模型的适配度较高,分类得到的正常轴承特征与故障轴承特征的界限明显,故障识别分类的精确度较高,有助于识别出货车轴承早期故障。
特别的是,孪生神经网络(对应于特征计算网络和与之孪生的孪生网络)的常见应用场景是解决数据分类问题,原理上是通过样本间的特征相似性进行同类聚合和异类疏离来实现的。与传统分类方法相比,其分类特征的差异性和聚合性更好。然而,在实际故障检测应用中,直接采用孪生神经网络进行分类是不可取的,孪生神经网络无法有效实现对无标签样本的识别,这使得其应用范围大大受限,无法与样本为未知样本的异常检测场景适配,也使得人们往往不会在此应用孪生神经网络。而本发明则针对性地借助了孪生网络在提取特征上的优势,突破性地将孪生神经网络应用至特征提取阶段中,借助孪生神经网络在提取特征上的优势,利用其对“比较类似”的数据输入情况的区分性能,通过比对数据相似性来完成“异类”提取,突破了常规的按某一规则的针对性特征提取思路的局限,并且,结合以孪生神经网络以一对样本为输入进行分析的方式,能够以较快的速度完成对大量样本数据的分析比对,达到较高的提取效率。再配合以采用无监督分类算法来训练分类器,能够更好地实现对未知样本的识别,适应性较强。
附图说明
图1为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的提取方法流程示意图;
图2为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的双轮对滚动试验平台结构示意图;
图3为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的双轮对滚动试验平台结构示意框图;
图4为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的磨合振动测台结构示意图;
图5为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的磨合振动测台的接触部结构示意图;
图6为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的数据采集界面示意图;
图7为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的含有异常值的基础数据;
图8为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的剔除异常值之后的基础数据;
图9为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的异常值处理及窗口划分示意图;
图10为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的训练集和测试集划分示意图;
图11为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的一维卷积神经网络原理图;
图12为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的特征提取层结构示意图;
图13为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的孪生网络特征提取模型结构示意图;
图14为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的特征分类效果图;
图15为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的损失函数曲线图;
图16为本发明基于相似性的货车轴承异常特征提取与分类方法实施例的频域样本和时域样本的混淆矩阵对比图;
图17为采用OCSVM分类器进行特征分类的特征分类效果图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
说明书附图中的附图标记包括:支承部1、限位槽11、夹持部2、夹爪21、接触部22、接触片221、传感器件222、缓冲弹簧223。
实施例基本如附图1所示:
基于相似性的货车轴承异常特征提取方法,包括以下步骤:
步骤1:采集基础数据;所述基础数据包括货车轴承的时域加速度信号。
在采集基础数据时,通过在货车卡钳平台布置与货车轴承竖向一致的传感器,以收集货车轮对的传递振动加速度信号作为货车轴承的时域加速度信号。本实施例中,所述货车为轨道货车,货车轮对为滚动轴承轮对,轮对车轴为RE2B型车轴,该型号车轴是铁道部研制的铁路货车运输主型车轴,较具代表性。通过固定轴承外圈,使货车轮对整体转动即可模拟得到铁路货车运行时的状态,基础数据采集在此状态下进行。这样设置,数据采集场景贴近于实际的货车滚动轴承作用场景,采集到的数据可参考度更高。
具体地,本实施例中,使用改造后的如附图2和图3所示的双轮对滚动试验平台进行数据采集。双轮对滚动试验平台同时具有前后两个轮对滚动位置,通过添加传感器采集装置可以高效实现数据采集。
具体地,双轮对滚动试验平台包括前后设置的磨合振动测台组和红外测温探针。单个磨合振动测台组对应提供一个轮对安装位置,单个磨合振动测台组包括一左一右设置的两个磨合振动测台。如附图4和图5所示,所述磨合振动测台包括用来承载轮对轴承的支承部1、用来夹持轮对轴承的夹持部2和用来传递轮对轴承的动态物理信号(如轴承振动信号)的接触部22。所述支承部1上开设有向下凹陷的限位槽11,以便于与轮对轴承外圈配合并相对限位住轮对轴承。所述夹持部2包括铰接在支承部1顶面的夹爪21;所述接触部22设置在夹爪21端部,用于与轮对轴承外圈相接触。且所述接触部22包括依次连接的接触片221、传感器件222和缓冲弹簧223。
双轮对设置在货车卡钳平台处,且双轮对的轴承外圈位于磨合振动测台的支承部1上;此处轮对为滚动轴承轮对;红外测温探针设有四个,分别与双轮对两端相对,用于实时探测滚动轴承温度。所述货车卡钳平台归属于双轮对滚动试验平台(本实施例中,磨合振动测台的支承部1即为货车卡钳平台),在货车卡钳平台上布置的传感器即为磨合振动测台的接触部22中的传感器件222。且在货车卡钳平台上布置的传感器类型为灵敏度为10g的三轴50G加速度传感器。传感器用于采集轮对轴承的竖向振动数据,具体置于限位槽11的中间位置,与经夹持部2夹持后的轮对径向一致。
并且,振动加速度信号的采集过程同时也是货车滚动轴承的磨合过程,在此过程中,红外测温探针会周期性伸缩,来实时探测轴承温度。在温度稳定后,再进行振动相关数据的采集。
如附图6所示,本实施例中,数据采集过程在实验室环境下进行。在进行数据采集,收集货车轮对的传递振动加速度信号时,在双轮对滚动试验平台上以货车轮对为整体,模拟正常运行时速下货车速度,车轮转速定为300rpm,相当于列车时速约35KM/h;所述货车轮对为滚动轴承轮对;采集模拟过程中的轮对的传递振动加速度信号作为货车轴承的时域加速度信号。在时间域上,以3-5分钟为间隔,在双轮对滚动试验平台上对每个轮对进行持续采集,采样频率定为10240Hz,并取5000Hz以内的频率作为分析频率,能够获得数据量充足的、且较为稳定可靠的基础数据。
步骤2:预处理基础数据,并将基础数据划分为训练集和测试集;并将训练集和测试集中的时域数据均转换为频域数据。
在预处理基础数据时,将基础数据中的周期性异常值进行剔除。具体地,由于数据采集过程中,红外测温探针会周期性探出,传感器会受到红外测温探针的激励,表现为加速度信号出现周期性异常值,如附图7和图8所示。因此,在预处理阶段对红外测温探针引起的周期性异常值进行剔除,有助于提高数据有效性。
如附图9所示,在预处理基础数据时,还采用移动窗口分隔方法对基础数据进行分割,以便于获得完整的振动周期数据的同时,还可增加数据总量。
本实施例中,以两转为一个样本,根据数据采集过程中的采样频率以及车轮转速确定获取的样本容量。本实施例中,轮对完整旋转一周为一转,两转即轮对完整旋转两周;以两转作为一个样本划分基准,样本划分方式合理,单个样本含有足量的数据信息的同时,相比于单转的样本划分基准,能够有效精简后续模型的样本分析计算量。并按照式(1)计算出本实施例中的单个样本长度为4096。
本实施例中按照移动窗口分隔方法总共划分出6035个样本。如使用不同的车轮转速与采样频率,则得到的样本长度不同。
并且,训练集和测试集中的正常数据样本与异常数据样本的比例相同。具体地,如附图10所示,在划分训练集和测试集时,训练集:测试集=2:1,且训练集和测试集中正常数据样本:异常数据样本=2:1。
本实施例中,将训练集和测试集中的时域数据转换为频域数据时,通过快速傅里叶变换进行转换。在实际应用中,对于高频采样的加速度信号,其时域样本间容易存在特征混叠,而频域样本间特征差异更明显,更适合模型训练。本方案特别将时域数据转换为频域数据,能够更充分地反应特征,有助于提升后续的模型训练效果等。
步骤3:建立孪生网络特征提取模型;且建立得到的孪生网络特征提取模型中设有特征计算网络和与之孪生的孪生网络;特征计算网络与孪生网络的结构相同且参数共享。
建立孪生网络特征提取模型时,包括以下子步骤:
步骤3.1:建立孪生网络输入向量,包括:以数据对的形式建立初始样本集,并自初始样本集中,分别选取正常数据和故障数据并分别作为两个初始数据对;将两个初始数据对转化为输入向量分别输入特征计算网络和孪生网络中,并进行独立的特征向量提取。即选取一个正样本和一个负样本作为输入向量分别输入两个网络中。
具体地,考虑到轴承振动数据的故障与正常特征在不同频带下的反映较明显,本方案中选择以数据对的形式建立初始样本集。将正常、故障轴承频域信号进行截取,范围为0~4096Hz,将正常、故障数据进行堆叠,进而建立正常/故障数据对,维度为4096×2。具体地,一个正常/故障数据对包括一个正样本(即一个来自正常轴承的样本)和一个负样本(即一个来自异常轴承的样本),单个样本的数据长度为4096,单个数据对维度即为4096×2。
步骤3.2:定义特征计算网络;所述特征计算网络为一维卷积神经网络,较为适用于一维序列数据。该网络包含有输入层、隐含层和输出层等结构,如附图11所示。其中,隐含层由多个卷积层和池化层相交组成,负责对输入数据进行特征提取和降维,输出层与全连接层结合组成分类器。
具体地,本实施例中,定义一个四层卷积神经网络作为特征计算网络的特征提取核心,而后通过全连接层进行降维,将特征映射到二维空间。其中激活函数为PReLU,优化器使用Adam分类器。建立孪生网络特征提取模型的特征提取层结构如附图12所示。
并且,在实际测试中,例如对于本实施例所采用的实验测台和实验条件下的RE2B型货车轴承来说,使用四层卷积可获得较好的预测效果,在较少的迭代次数、较短的训练时间内可以得到较为不错的辨识结果。当采集频率,轴承型号,测台固有特征发生改变时,则可适当调整网络层数和结构参数值重新进行模型训练。
步骤3.3:定义孪生网络输入向量间的相似距离尺度L作为孪生网络损失函数。
具体地,通过以L1 Norm方式定义输入向量间相似距离尺度L作为孪生网络损失函数,来进行网络训练。Loss函数的具体计算公式如下:
L=yD2+(1-y)max(a-D2,0)
D=||x1-x2||
其中,x1和x2分别表示两个样本特征,D表示样本特征间的欧氏距离,y表示样本是否匹配时的标签。a表示所设定的阈值,只计算特征欧式距离在0~a之间的,当距离超过a的,则把其loss看做为0。当输入向量1和输入向量2同为正常(或异常)时损失函数更小,当输入向量1和输入向量2不同为正常(或异常)时损失函数更大。
步骤3.4:确定孪生网络的特征提取结构。
在此过程中,孪生网络与特征计算网络间的结构相同且参数共享。整体的孪生网络特征提取模型结构如附图13所示。
步骤4:采用孪生网络特征提取模型进行特征提取。
在步骤4中,还将提取得到的特征结果以二维数组形式映射到二维平面上,以得到适用于轴承分类的样本特征。
本实施例还提供一种基于相似性的货车轴承异常特征分类方法,特征分类步骤基于如上述的基于相似性的货车轴承异常特征提取方法提取得到的样本特征进行;包括以下步骤:
S1:建立特征分类模型;所述特征分类模型为LOF分类器;
其中,LOF指Local Outlier Factor,为基于相似性特点的局部异常因子算法。LOF算法通过计算一个数值来反映样本的异常程度。该值定义为每个点o和其邻域点的局部可达密度比。比值越大,点o的密度越低于邻域点,越可能被认定是异常点。局部可达密度以点与点间的距离来计算,距离越远,密度越低。
S2:向LOF分类器输入训练集以训练LOF分类器的决策边界。
S3:向LOF分类器输入测试集以进行模型验证。
S4:采用特征分类模型对样本特征进行分类。
S5:计算特征分类模型对应的混淆矩阵及混淆矩阵指标,并输出得到分类效果图。本实施例中,分类得到的特征分类效果如附图14所示,在图形右下方处的画圈区域代表正常样本范围,该范围之外的区域代表异常范围,距离画圈区域中心越远说明其异常特征越明显。
本实施例中,基于测试集进行混淆矩阵及其指标计算,指标包括Precision(精确率)、Recall(召回率)、F1-score(F1分数)、Accuracy(准确率),以用于判断模型的准确性。当混淆矩阵的四个指标均达到较高水平时,训练完毕。
并且,相比于常规的特征提取及分类模型,如CNN模型、Siamese+OCSVM模型等,本方案所提供的Siamese+LOF模型(Siamese即孪生网络特征提取模型),在各项混淆矩阵指标上的表现均更优,如下表所示:
附表1
与其他两种模型相比,本方案所提供的提取及分类模型在各项指标上均有提高,分类效果更为显著。其中准确度分别有5.6%以及1.2%的提升。
并且,如附图15所示,该图为三种模型经过7次训练的损失变化曲线,相比于其他两种模型,本方案所提供的提取及分类模型初始损失较低,且可以更快速的收敛。
本实施例提供的一种基于相似性的货车轴承异常特征提取与分类方法,特别针对铁路货车轴承进行异常特征分析,在数据采集阶段,即与常规的采集方案不同,常规方案往往是在实验室条件下,将轴承部件独立出来并进行刚性固定,再进行转动模拟以进行数据采集和分析,这种分析方式虽然在实验室条件下可以较好识别,但其割裂了轴承在整体结构下的特征表达,真实适用性较差。特别是对于轨道货车而言,其轴承实际应用场景与常规旋转机械中的轴承应用场景不同,货车轴承需要承受更为复杂的难以单独模拟的载荷变化。而本方案的采集方案则是通过双轮对滚动试验平台等将轴承置于相对完整的轨道货车结构中,构建了贴近于真实运转环境的数据采集环境,保留了轴承在整体结构下的特征表达,能够获取得到真实度较高的数据。并且,经由磨合振动测台,传感器能够在轮对运行中持续性采集振动数据,数据采集具备实时性,能够获取得到真实运转情况下的复杂轴承特征数据,且可采集到的数据量充足,能够提供丰富的分析样本,有助于后续达到较高的特征提取及分类精确度和完善度。
其次,本方案特别将时域数据转换为频域数据,数据更具代表性,能够更充分地反映轴承特征。本方案特别关注了现有方案所忽视的数据样本类型在高频采样条件下对数据分析存在的影响(高频采样条件下,时域样本间容易存在特征混淆),将常规采集得到的时域样本转换为了在高频采样条件下,特征差异更为明显的频域样本,如附图16所示为频域样本和时域样本经过某次相同的训练次数后得到的测试集混淆矩阵,由图16可知,由于模糊界限的存在,时域样本对于正常样本的识别上容易存在误判,无法同时保障对正常和故障轴承的准确预测,而频域样本的界限则更为精确,分类准确度会更高,分类效果更为显著,有助于达到较高的轴承特征分类精确度。
再者,本方案建立了Siamese+LOF模型,即孪生网络特征提取模型+特征分类模型,整体模型在各项混淆矩阵指标上的表现均较优;孪生网络特征提取模型中的特征计算网络和与之孪生的孪生网络能够有效地轴承特征进行识别,所提取的特征间的波动性较小,稳定性较强,收敛出的边界适用性较强,收敛速度较快,能够达到较高的特征提取效率,有助于实现轴承的实时性检测。并且,本方案采用LOF分类器作为特征分类模型,该模型与孪生网络特征提取模型的适配度较高,分类得到的正常轴承特征与故障轴承特征的界限明显(如附图17为采用OCSVM分类器进行特征分类的效果,比对附图14可得,本方案的特征分类效果是更为突出的),故障识别分类的精确度较高,有助于识别出货车轴承早期故障,防止故障进一步恶化透支轴承的服役性能,为车辆运营维护提供了一定的科学参考。并且,整体方法具有实时性,可以用于日常服役列车的车轴检测,实现长期高频检测,有效地避免了经验检测可能带来的漏检,有助于提升列车运行时的安全性。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.基于相似性的货车轴承异常特征提取方法,其特征在于,包括以下步骤:
步骤1:采集基础数据;所述基础数据包括货车轴承的时域加速度信号;
步骤2:预处理基础数据,并将基础数据划分为训练集和测试集;并将训练集和测试集中的时域数据均转换为频域数据;
步骤3:建立孪生网络特征提取模型;且建立得到的孪生网络特征提取模型中设有特征计算网络和与之孪生的孪生网络;特征计算网络与孪生网络的结构相同且参数共享;
步骤4:采用孪生网络特征提取模型进行特征提取。
2.根据权利要求1所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤1中,采集基础数据时,通过在货车卡钳平台布置与货车轴承竖向一致的传感器,以收集货车轮对的传递振动加速度信号作为货车轴承的时域加速度信号。
3.根据权利要求2所述的基于相似性的货车轴承异常特征提取方法,其特征在于,收集货车轮对的传递振动加速度信号时,以货车轮对为整体,模拟正常运行时速下货车速度,车轮转速定为300rpm;所述货车轮对为滚动轴承轮对;采集模拟过程中的轮对的传递振动加速度信号作为货车轴承的时域加速度信号。
4.根据权利要求1所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤2中,预处理基础数据时,将基础数据中的周期性异常值进行剔除。
5.根据权利要求4所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤2中,预处理基础数据时,还采用移动窗口分隔方法对基础数据进行分割。
6.根据权利要求1所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤2中,训练集和测试集中的正常数据样本与异常数据样本的比例相同。
7.根据权利要求1所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤3中,建立孪生网络特征提取模型时,包括以下子步骤:
步骤3.1:建立孪生网络输入向量,包括:以数据对的形式建立初始样本集,并自初始样本集中,分别选取正常数据和故障数据并分别作为两个初始数据对;将两个初始数据对转化为输入向量分别输入特征计算网络和孪生网络中,并进行独立的特征向量提取;
步骤3.2:定义特征计算网络;所述特征计算网络为一维卷积神经网络;
步骤3.3:定义孪生网络输入向量间的相似距离尺度L作为孪生网络损失函数;
步骤3.4:确定孪生网络的特征提取结构。
8.根据权利要求1所述的基于相似性的货车轴承异常特征提取方法,其特征在于,在步骤4中,还将提取得到的特征结果以二维数组形式映射到二维平面上,以得到适用于轴承分类的样本特征。
9.基于相似性的货车轴承异常特征分类方法,其特征在于,特征分类步骤基于如权利要求1-8任一项所述的基于相似性的货车轴承异常特征提取方法提取得到的样本特征进行;包括以下步骤:
S1:建立特征分类模型;所述特征分类模型为LOF分类器;
S2:向LOF分类器输入训练集以训练LOF分类器的决策边界;
S3:向LOF分类器输入测试集以进行模型验证;
S4:采用特征分类模型对样本特征进行分类。
10.根据权利要求9所述的基于相似性的货车轴承异常特征分类方法,其特征在于,还包括S5:计算特征分类模型对应的混淆矩阵及混淆矩阵指标,并输出得到分类效果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612975.9A CN116644304A (zh) | 2023-05-26 | 2023-05-26 | 基于相似性的货车轴承异常特征提取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612975.9A CN116644304A (zh) | 2023-05-26 | 2023-05-26 | 基于相似性的货车轴承异常特征提取与分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116644304A true CN116644304A (zh) | 2023-08-25 |
Family
ID=87614908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612975.9A Pending CN116644304A (zh) | 2023-05-26 | 2023-05-26 | 基于相似性的货车轴承异常特征提取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842402A (zh) * | 2023-09-01 | 2023-10-03 | 北京科技大学 | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 |
-
2023
- 2023-05-26 CN CN202310612975.9A patent/CN116644304A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842402A (zh) * | 2023-09-01 | 2023-10-03 | 北京科技大学 | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 |
CN116842402B (zh) * | 2023-09-01 | 2024-02-13 | 北京科技大学 | 基于孪生神经网络提取平稳特征的高炉异常炉况检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及系统 | |
CN111623868B (zh) | 用于钢轨波磨识别的卷积神经网络构建方法 | |
CN112418013B (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
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 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备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 | |
CN116644304A (zh) | 基于相似性的货车轴承异常特征提取与分类方法 | |
CN113139278A (zh) | 一种基于深度学习的轴承剩余寿命预测方法及系统 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
Zhang et al. | Data anomaly detection for bridge SHM based on CNN combined with statistic features | |
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 | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
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 | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN115575508A (zh) | 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法 |
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 |