基于深度學習高速列車軸承故障檢測方法

馬凌宇

（哈爾濱市科佳通用機電股份有限公司，黑龍江哈爾濱 150060）

0.引言

高速列車的快速發展，對我國交通事業、經濟水平等方面的發展產生積極影響，實現人們出行方式的轉變，但高速列車快速行駛過程中，一旦出現故障，則會承受較大的經濟損失。重視高速列車運行安全，成為人們關注的重點問題。軸承是高速列車的重要組成部件，在高速列車走行部故障診斷中，軸承故障成為關注重點，軸承在高速列車長時間運行中出現磨損或者性能下降等問題，降低軸承的安全性[1-2]。

1.深度卷積神經網絡

在目標識別、圖像分類等領域中，深度神經網絡發揮著重要作用，其了利用神經網絡實現大腦識別過程的有效模擬，利用多個卷積層和池化層的不斷交替實現對圖像特征的處理，圖像識別主要將圖像特征與分類器幣的相結合實現。深度卷積網絡主要包含LeNet模型、AletNet網絡等，前者可實現字符識別，并且利用卷積操作實現特征提取，以映射到空間均值實現池化；后者可實現圖像分類，且利用ReLU（校正線性單元）激活函數，局部歸一化等方法實現網絡學習能力的提升。而且AletNet網絡主要包含5個卷積層、3個全連接層，可實現最大池化的發揮，降低平均池化出現的模糊化效果，提升了特征的豐富性。

2.基于深度卷積神經網絡的軸承故障診斷

2.1 數據處理

高速列車行駛過程中，傳感器收集軸承振動，并利用CNN有效提取特征，降低特征提取不足之處。在利用深度卷積神經網絡軸承故障診斷模型診斷中，重視數據處理部分，其主要包含兩個部分，第一部分為數據預處理（處理振動信號采集中存在的異常點，降低其對信號分析造成的不利影響），第二部分包含振動信號分析處理（利用信號處理方法實現時域信號與頻譜圖的轉換，促使頻譜圖表現出時域、頻域的特征，能夠將振動信號規律清晰反映，有助于獲取信號特征）。

2.2 構建深度卷積神經網絡

高速列車軸承振動信號經過數據處理后，需構建基于深度卷積神經網絡模型，具體操作過程：將時域振動信號經小波變換處理后，形成頻譜圖，并將頻譜圖輸入第一層卷積網絡實現特征學習，該卷積層使用卷積核（步長為4；大小為11×11）實現卷積操作；池化層采用核函數（步長為2；大小為3×3）采樣信息特征圖，并輸出特征圖（27×27）；隨后將池化層結果輸入第二層卷積層，使用卷積核（步長為1；大小為5×5）實現卷積操作；采用核函數（步長為2；大小為3×3）進行池化采樣，第三、四層卷積網絡均使用核函數（步長為2；大小為3×3）進行卷積操作、池化采樣操作，于第五個卷積操作后，輸出13×13×256的特征；第六層為全連接層，其可將池化采樣數據特征圖轉換為特征向量（4096維），并于第七層全連接層實現全連接操作，實現穩健緊湊特征的輸出，便于圖像分類。

2.3 基于深度卷積神經網絡的軸承故障診斷模型結構

基于深度卷積神經網絡軸承故障診斷模型應用流程，利用小波變換處理振動信號，小波時頻圖特征提取主要依賴于深度卷積網絡的特征提取和表征能力，并將深度卷積神經網絡軸承故障特征輸入訓練好的Softmax分類器中，實現故障分類。基于深度卷積網絡軸承故障診斷中需要經歷兩個過程，即訓練、測試；其中訓練包含4個步驟，第一步，實現各類故障樣本數據的采集，并予以匯總，形成訓練集；第二步，對訓練集進行數據預處理，將訓練集內樣本轉換為小波時頻圖，用于卷積層的有效輸入；第三步，頻譜圖中特征的提取可利用深度卷積網絡實現；第四步，將提取的特征輸入Softmax分類器，依據輸出結果實現網絡參數的調整與優化。測試主要分為3步，第一步，利用深度卷積網絡實現對待測樣本特征的有效識別；第二步，利用故障分類器將故障診斷結果予以輸出；第三步，依據診斷結果實現糾偏處理。

3.網絡模型的優化策略及實驗結果分析

3.1 參數設置

深度卷積網絡參數（核函數、步長）為人工設置，不斷網絡訓練，獲取損失值、準確率等指標，最終實現網絡參數的有效調整，確定深度卷積層層數為7，學習率設置為0.0001。

3.2 優化策略

深度卷積網絡模型優化策略主要在兩個全連接層中使用Dropout技術，避免出現過擬合，并利用歸一化處理策略、小批量隨機算法實現優化。其中Dropout技術預防網絡模型過擬合，其可減少神經元之間復雜的共適應關系，可被迫學習更多的特征；小批量隨機算法進行訓練時，可利用歸一化處理策略實現對每次迭代過程中每張圖像的處理，將其壓縮到0～1之間；將128個小批量圖像輸入深度卷積網絡中，以此實現快速收斂。

3.3 實驗結果

基于深度卷積神經網絡模型確認軸承內圈、外圈符合故障情況，為有效評估模型故障診斷效果，可選用4個指標進行評估，依次為準確率、精準率、召回率以及F1-Score，而且數據則以實驗室模擬數據集、實例數據集等為基礎進行分析。本實驗主要選用了四種軸承故障診斷方法進行對比，分別為基于LeNet-5的軸承故障診斷、基于DCNN的軸承故障診斷、基于ICN的軸承故障診斷、基于CDCGAN的軸承故障診斷。具體實驗結果對比如表1、表2。

表1 各個模型基于實驗室模擬數據集的性能比較

表2 各個模型基于實例數據集的性能比較

在實例數據集上，相比較于其他軸承故障診斷模型來說，基于深度卷積神經網絡的軸承故障診斷模型的各項性能表現良好，雖然在實驗室模擬數據集上，其準確率不是最高的，但是精準率、召回率、F1-Score等指標數據最好。由此可知，基于深度卷積網絡模型可獲取較多的圖像特征，對提升故障診斷分類的準確性有積極作用。

4.結語

在高速列車軸承故障診斷中，需不斷運用先進的診斷技術，實現列車軸承故障診斷工作效率的提升，降低誤差率，提高故障診斷準確性，為列車軸承故障維修奠定堅實基礎。基于深度卷積神經網絡模型診斷軸承故障有著顯著效果，因此，可被廣泛運用在列車故障診斷中，高校解決人工提取特征丟失有用信息的弊端，提高軸承故障診斷準確率。