鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)診斷研究

胡平

摘 要：傳統(tǒng)的鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)診由于過(guò)于依賴信息處理技術(shù)和專家進(jìn)行診斷，因此存在診斷模型的準(zhǔn)確率不高以及泛化性不強(qiáng)等問(wèn)題。針對(duì)以上問(wèn)題，文章基于卷積神經(jīng)網(wǎng)絡(luò)模型，引入Dropout、BN、SVM對(duì)該模型進(jìn)行了改進(jìn)。通過(guò)改進(jìn)模型，有效提升了對(duì)故障樣本的識(shí)別能力、收斂速度以及泛化能力，不同程度地實(shí)現(xiàn)了故障準(zhǔn)確分類的額可行性。最后，在噪聲干擾的情況下，對(duì)改進(jìn)后的CNN-BN-SVM模型的有效性進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，CNN-BN-SVM模型在處理故障數(shù)據(jù)和康噪聲等方面具有明顯的優(yōu)越性。

關(guān)鍵詞：故障監(jiān)測(cè);卷積神經(jīng)網(wǎng)絡(luò);SVM分類器

中圖分類號(hào)：U279 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2021）06-0169-05

Abstract：The traditional fault monitoring and diagnosis of railway locomotive and rolling stock relies too much on information processing technology and experts for diagnosis， so there are some problems such as low accuracy of diagnosis model and weak generalization. Aiming at the above problems， this paper improves the model by introducing Dropout， BN and SVM based on convolutional neural network model. By improving the model， the recognition ability， convergence speed and generalization ability of fault samples are effectively improved， and the feasibility of accurate fault classification is realized in different degrees. Finally， in the case of noise interference， the effectiveness of the improved CNN-BN-SVM model is simulated. The experimental results show that CNN-BN-SVM model has obvious advantages in dealing with fault data and anti-noise.

Key words：ault monitoring; convolutional neural network; SVM classifier

隨著我國(guó)鐵路的高速發(fā)展，鐵路機(jī)車車輛運(yùn)行對(duì)安全保障提出了更嚴(yán)格的要求。目前，關(guān)于鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)診斷的研究方法已經(jīng)取得了豐碩的成果，但由于其不夠智能化和自動(dòng)化，需要依賴故障診斷專家對(duì)故障進(jìn)行判斷，因此其通用性、準(zhǔn)確性、實(shí)時(shí)性不高，有待進(jìn)一步提升。基于此背景，本文開展了適用于鐵路機(jī)車車輛運(yùn)行更加智能化、通用化的監(jiān)測(cè)診斷方法研究，以提高鐵路機(jī)車車輛運(yùn)行的故障監(jiān)測(cè)和診斷的水平，進(jìn)一步保障鐵路機(jī)車車輛運(yùn)行安全，降低其運(yùn)維成本。本文主要針對(duì)目前卷積神經(jīng)網(wǎng)絡(luò)（CNN）存在的不足，以及故障樣本數(shù)量少等問(wèn)題，建立了模型的優(yōu)化措施，并將改進(jìn)后的模型應(yīng)用到實(shí)際故障監(jiān)測(cè)診斷中。

1 CNN-BN-SVM簡(jiǎn)介

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立三層卷積層和三層池化層以及一層全連接輸出層，并設(shè)定模型的各訓(xùn)練參數(shù)值如表1所示。

CNN模型的拓?fù)浣Y(jié)構(gòu)圖和模型張量圖如圖1所示。

但是，研究認(rèn)為上述CNN模型總體上訓(xùn)練過(guò)程緩慢，識(shí)別度較低，因此對(duì)該模型進(jìn)行優(yōu)化改進(jìn)。

2 模型優(yōu)化

2.1 基于Dropout和BN的模型優(yōu)化

為提高CNN模型的收斂速度和識(shí)別率，本文引入Dropout[7]和BN[8]對(duì)CNN模型進(jìn)行優(yōu)化處理。Dropout在進(jìn)行模型訓(xùn)練中，可以將使部分神經(jīng)元不參與正向和反向傳播，而在測(cè)試中，Dropout可以使所有神經(jīng)元全部參與正向傳播。這種輸出神經(jīng)元的值可以保持模型的均衡性，降低過(guò)擬合風(fēng)險(xiǎn)。引入BN可加快模型的收斂速度，減小模型的運(yùn)算量。BN通過(guò)重構(gòu)參數(shù)的平移量、偏置項(xiàng)使要學(xué)習(xí)的特征分布重新恢復(fù)到原始網(wǎng)絡(luò)狀態(tài)。經(jīng)過(guò)Dropout和BN處理后，對(duì)模型進(jìn)行重新訓(xùn)練可得到如圖2所示的模型訓(xùn)練集和測(cè)試集的變化曲線。

由圖2可知，經(jīng)過(guò)改進(jìn)后模型的收斂速度和準(zhǔn)確率明顯提升。

2.2 基于SVM分類器的模型優(yōu)化

常見(jiàn)的SVM分類方法主要有3種，分別是一對(duì)一法、一對(duì)多法、有向無(wú)環(huán)圖[9]。由于一對(duì)一法是通過(guò)分類器對(duì)每個(gè)樣本屬性類別進(jìn)行“投票”最后決策樣本所屬類型的方法[10]，適用于本文的構(gòu)建的SVM 分類器。在CNN-BN模型的基礎(chǔ)上，向SVM 分類器輸入池化層的特征圖，可得到如圖3所示的CNN-BN-SVM模型。

3 仿真驗(yàn)證

3.1 模型參數(shù)設(shè)置

設(shè)定CNN-BN-SVM模型各參數(shù)學(xué)習(xí)了learning rate=0.001，訓(xùn)練批次mini-batch=100，dropout=0.5，經(jīng)過(guò)BN調(diào)整處理，可得到如表2所示的模型參數(shù)值。

調(diào)整后的模型結(jié)構(gòu)如圖4所示。

3.2 故障數(shù)據(jù)采集

目前，由于多方面原因?qū)е聼o(wú)法獲取鐵路機(jī)車車輛運(yùn)行過(guò)程中的滾動(dòng)軸承故障數(shù)據(jù)。這對(duì)這一問(wèn)題，本文的研究數(shù)據(jù)來(lái)自CWRU標(biāo)準(zhǔn)數(shù)據(jù)以及理論仿真信號(hào)。通過(guò)使用某動(dòng)車組拖車輪對(duì)安裝的高速滾振試驗(yàn)臺(tái)，應(yīng)用加速度傳感器連接到主控室并采集振動(dòng)信號(hào)。采集器和上位機(jī)軟件連接如圖5～6所示。

設(shè)輪對(duì)平穩(wěn)運(yùn)行速度為200km/h、250km/h、300km/h，按如表3所示的7組實(shí)驗(yàn)進(jìn)行采集，采集時(shí)長(zhǎng)為1min。

基于軟件采集到的數(shù)據(jù)，本文對(duì)該數(shù)據(jù)的可用性進(jìn)行了簡(jiǎn)要的分析，分析如圖7～8所示。

由圖7可知，該信號(hào)的診斷指標(biāo)已經(jīng)超過(guò)安全門限制。通過(guò)調(diào)取軸承參數(shù)計(jì)算故障的倍頻，可得到內(nèi)圈和外圈即保持架、滾動(dòng)體的故障特征頻率，應(yīng)用包絡(luò)譜分析可得如圖8所示的包絡(luò)解普：

由圖8可知，內(nèi)圈故障數(shù)據(jù)和外圈數(shù)據(jù)的的一階故障頻率評(píng)論分別為59.1Hz、15.9Hz，二階故障頻率分別為118.2Hz、91.8Hz，三階故障頻率分別為177.3Hz、137.6Hz，四階故障頻率分別為136.4Hz、183.6Hz。由此可說(shuō)明采集到的信號(hào)中包含的故障信息較為完整，可用于模型實(shí)驗(yàn)數(shù)據(jù)。

3.3 智能識(shí)別

鐵路機(jī)車車輛運(yùn)行故障智能識(shí)別診斷共3個(gè)流程，分別是讀取測(cè)試數(shù)據(jù)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲(chǔ)。首先，將數(shù)據(jù)庫(kù)中的檢測(cè)數(shù)據(jù)、車型等信息輸入智能識(shí)別模塊，并將文件存儲(chǔ)數(shù)據(jù)表的字段設(shè)置如表4所示。其次，將數(shù)據(jù)進(jìn)行預(yù)處理，去除噪聲嚴(yán)重的數(shù)據(jù)或?qū)ζ溥M(jìn)行濾波去噪處理。最后，對(duì)測(cè)試樣本輸入的模型進(jìn)行故障識(shí)別，根據(jù)不同的提示燈，判斷診斷結(jié)果完成樣本檢測(cè)，并將診斷結(jié)果存儲(chǔ)于數(shù)據(jù)庫(kù)中。診斷結(jié)果存儲(chǔ)數(shù)據(jù)表如表5所示。內(nèi)圈、外圈故障樣本的診斷識(shí)別結(jié)果如圖9所示。

4 結(jié)語(yǔ)

針對(duì)鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)診斷，文章在卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，引入Dropout和BN對(duì)CNN模型進(jìn)行了改進(jìn)，有效提升了模型對(duì)故障樣本的識(shí)別能力。同時(shí)考慮到CNN模型輸入特征，本文在卷積層中運(yùn)用SVM分類器配合平方折頁(yè)損失函數(shù)加快了模型的整體收斂速度，提升了模型的識(shí)別準(zhǔn)確率和泛化能力。最后，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了改進(jìn)后的CNN-BN-SVM模型的有效性。實(shí)驗(yàn)結(jié)果表明，與經(jīng)典的診斷方法相比，CNN-BN-SVM模型在處理故障數(shù)據(jù)和康噪聲等方面，具有明顯的優(yōu)越性。

參考文獻(xiàn)

[1]王毅，陸強(qiáng)，祝笈，等.鐵路貨車智能監(jiān)測(cè)系統(tǒng)關(guān)鍵技術(shù)研究及探討[J].內(nèi)燃機(jī)與配件，2020（11）：227-229.

[2]赫大雨.鐵路機(jī)車車輛運(yùn)行故障監(jiān)測(cè)診斷技術(shù)的研究[J].湖北農(nóng)機(jī)化，2020（08）：86.

[3]李平，曹鴻飛，謝鵬.新一代信息技術(shù)驅(qū)動(dòng)下的智能重載鐵路總體架構(gòu)研究[J].鐵路計(jì)算機(jī)應(yīng)用，2020，29（06）：25-29.

[4]李威，張陸軍，張志福，等.地鐵車輛軸承故障的在線檢測(cè)[J].現(xiàn)代城市軌道交通，2019（12）：16-21.

[5]張克永.高速鐵路供電安全檢測(cè)監(jiān)測(cè)體系建設(shè)分析與研究[J].電氣化鐵道，2019，30（06）：1-4+10.

[6]王健.HX_D3C型機(jī)車車輪失圓問(wèn)題整修方法的探討[J].鐵道機(jī)車車輛，2018，38（06）：101-105.

[7]路向陽(yáng)，李東林，李雷，等.智慧城軌下智慧車輛裝備技術(shù)的研究與展望[J].機(jī)車電傳動(dòng)，2018（06）：1-8.

[8]樊會(huì)星，鄒穎.基于BP神經(jīng)網(wǎng)絡(luò)的動(dòng)車組智能化控制和診斷研究[J].鐵路計(jì)算機(jī)應(yīng)用，2019，28（11）：5-8.

[9]鄭金子，薛蕊，吳艷華，等.國(guó)外鐵路大數(shù)據(jù)應(yīng)用現(xiàn)狀與趨勢(shì)分析[A].中國(guó)科學(xué)技術(shù)協(xié)會(huì)、交通運(yùn)輸部、中國(guó)工程院.2018世界交通運(yùn)輸大會(huì)論文集[C].中國(guó)科學(xué)技術(shù)協(xié)會(huì)、交通運(yùn)輸部、中國(guó)工程院：2018：15.

[10]張克永.高速鐵路供電安全檢測(cè)監(jiān)測(cè)體系建設(shè)分析與研究[J].電氣化鐵道，2019，30（06）：1-4+10.

[11]于麗麗.基于神經(jīng)網(wǎng)絡(luò)的汽車電控發(fā)動(dòng)機(jī)故障診斷分析[J].粘接，2020，42（06）：167-170.