基于卷積神經網絡的公路養護設備健康監測與故障診斷技術研究

侯海龍

（甘肅省張掖公路應急保障與路網監測中心，甘肅 張掖 734000）

0 引言

公路養護是確保公路安全暢通的關鍵工作之一。隨著公路交通網絡的發展和擴張，對公路養護機械設備的需求也越來越大[1]。然而，傳統的養護機械設備的檢測與故障診斷方法存在維修周期長、故障診斷準確率低等問題[2]。因此，本研究在在總結目前公路養護機械設備的健康監測與故障診斷方法的基礎上，提出一種新的健康監測與故障診斷方法,并進行仿真實驗來驗證診斷方法的有效性和準確率，為提高公路養護工作的效率和可靠性提供支撐。

1 現有的故障診斷類型與方法

公路養護就是對公路的保養和維護，保養主要指公路從建成通車開始的全過程養護，包括路面因承受車輪的磨損和沖擊，受到暴雨、洪水、風沙、冰雪、日曬、冰融等自然力的侵蝕和風化，路面標志標線的更新換代，以及中間隔離帶、道路兩側植被的修理等，維護主要是對被破壞的部分進行修復，比如因人為或者交通事故的破壞、修建時遺留的某些缺陷等[3]。

1.1 故障診斷類型

如表1 所示，根據公路養護機械設備的結構，將機械設備系統的故障庫主要包括齒輪故障、軸承故障、齒輪箱高溫、潤滑失效、密封失效、電機故障、系統壓力不足和電纜故障等[4]。

表1 故障庫

表2 數據集樣本數量

1.2 故障診斷方法

目前故障診斷方法可分為以下三類：基于解析模型的故障診斷方法、基于數據驅動的故障診斷和基于定性經驗的故障診斷法。（1）基于解析模型的方法主要對故障系統進行數學建模，預測系統發生不同故障后的信號性能，對實際數據與故障系統的輸出數據進行比較，確定故障類型。主要分為狀態估計法、參數估計法、等價空間法、分析冗余法四類。（2）基于數據驅動的故障診斷方法主要利用可測得的故障信號進行降噪處理并進行特征提取，或是根據大量的歷史數據采用人工智能算法對數據進行訓練進行故障診斷，主要包括統計分析法、信號處理法、基于定量的人工智能方法。（3）基于定量的人工智能方法可以利用專家知識自動確定故障狀態，主要包括神經網絡、支持向量機、深度學習等。

2 基于卷積神經網絡的故障診斷方法

2.1 數據集

為了評估方法的性能，采用公共數據集中真實軸承數據，數據集被廣泛用作基準數據集，用于評估不同故障診斷方法的表現。為了驗證故障診斷模型的性能，從數據集中選取4 種相同功率下不同負載軸承故障情況和正常情況，對故障診斷模型進行訓練和測試，需要對數據進行轉換。選擇公共齒輪箱故障測試數據集作為齒輪測試數據集（表1），該數據集采用的試驗臺為經典動力傳動動態模擬平臺（DDS，Direct Digital Synthesizer）。該數據集包含2 個子數據集，其中的軸承測試數據集來自于基準數據集，因此只選擇采集的齒輪測試數據集。

2.2 數據處理方法

數據時間序列是指按照時間發展順序記錄時間變化的過程，通過傳感器采集到的車振動信號就是一種時間序列信號，它保留了振動信號的時間結構，被當作一個整體來研究。時間序列數據具有數據量大、緯度高、實時更新等特點，傳統方法提高時間序列分類問題的精度越來越困難，而深度學習當中的卷積神經網絡發展最快，應用最廣泛，并取得了巨大的效果，尤其是在圖像分類領域。實現公路機械設備的故障診斷和監測，實際上就是對車振動信號進行分類，區分是否故障或故障情況下的不同故障模式。

2.3 卷積神經網絡算法應用

卷積神經網絡是一種深層前饋神經網絡，用不同的卷積核對同一個圖像進行卷積就是用卷積核對圖像進行濾波以提取其內部不同的特征。卷積神經網絡由一個或多個卷積層、池化層以及全連接層組成，相比較其他淺層或深層神經網絡，卷積神經網絡需要考慮的參數更少，降低了網絡模型的計算量和復雜性，既保證了數據處理速度，又保證了所提取特征的質量，結構如圖1 所示。

圖1 基于注意力機制的卷積神經網絡結構示意

網絡的綜合擴展方式中，d 為網絡深度，w 為網絡寬度，r 為分辨率。（a）為基準網絡，（b）為增加網絡寬度的擴展網絡，（c）為增加網絡深度的擴展網絡，（d）為增加輸入圖像分辨率的擴展網絡，（e）為網絡的綜合擴展方法。放大網絡寬度、深度或分辨率的其中任何一個維度，最終模型精度都會提高，但對于較大的模型，精度增益會降低。在此基礎上，網絡提出了復合擴展的思路，而不是傳統的單一維度縮放。

2.4 模型參數優化

學習率是神經網絡中非常重要的一個超參數。學習率的大小直接影到模型的收斂速度和準確性。如果學習率過大，模型可能會跳過全局最小值并無法收斂；如果學習率過小，模型的訓練速度會非常緩慢，甚至可能會陷入局部最小值，因此需要尋找一個合適的學習率。從0.01、0.001、0.0001、0.00001 四個學習率中進行選擇、批大小是一次訓練中的樣本數量，通常情況下，批大小越大，模型訓練的速度就越快，但也會占用更多的內存和計算資源。另一方面，如果批大小太小，模型訓練的速度會變慢，并且可能會影響模型的收斂速度和準確性。將根據實驗平臺性能和loss 變化情況，從4 和16 中選擇合適的批大小。訓練迭代次數是指模型在訓練集當中的學習次數。過小不能使模型得到充分學習，造成分類精度低；過大浪費時間和計算資源，對精度提高不大。從10 開始，逐步增加epochs 并分析結果，以找到合適的epochs 值。

3 仿真實驗

模型驗證平臺配置如下：Windows10 64 位操作系統，CPU 為AMD Ryzen 7 4800H @2.90GHz，GPU為NVIDIA GeForce GTX 1650 Ti 4G，內存為16GB，集成開發環境為 PyCharm Community Edition 2021.2.3，python 版本為3.9。

使用測試數據集中共5 種狀態的訓練樣本圖像及測試樣本圖像，來確定合適的全局參數。輸入圖像的大小應為224×224，在圖像變換時已經設置好；訓練迭代次數暫時設置為10，可以在探究其他參數時節約運算時間和計算資源，最后確定值；學習率設置為0.01，0.001，0.0001，0.00001；批大小設置為4 和16；分類數量為5 類。在設置不同的批大小和學習率的情況下，網絡訓練損失值如圖2（a）所示，正確率如圖2（b）所示。

圖2 模型訓練過程

從神經網絡的訓練損失值曲線可以觀察到，在初始階段，損失值下降幅度較大，這表明學習率已經較為適當，并且網絡處于梯度下降的狀態。隨著訓練的進行，損失值逐漸趨于平穩，不再出現明顯的波動，這表明學習率大小的選擇是合適的。在神經網絡模型的訓練過程中，學習率的選擇對模型的性能影響非常大。如果學習率過大，損失值曲線會在短時間內迅速下降后趨于平緩，達到局部最小值，而學習率過小則會導致損失值曲線緩慢下降，不能快速有效地提高分類精度。

綜合不同學習率下模型訓練損失值，學習率為0.0001 較為合適；批大小為4 時，損失曲線上下寬度大，同時損失值波動較大，因此應選擇批大小的值為16；增大確定的值可以更加深入進行網絡模型的訓練，提高網絡的準確率。通過圖2 可以看出，批大小為4 時，準確率波動較大，不夠平穩，而批大小為16 時，準確率曲線波動較小，同時準確率更高。不同學習率情況下，從兩子圖中均可看出學習率為0.0001 時準確率更高并且曲線更加平滑。訓練10 輪時準確率已經較高，因此確定選擇20 即可。最終選擇學習率為0.0001，批大小為16，確定為20 的模型，可以有效解決狀態分類問題。

4 結語

基于卷積神經網絡的公路養護機械設備的健康監測與故障診斷方法具有較高的準確性和可靠性，可以為公路養護機械設備的健康監測和故障診斷提供一種有效的技術手段。這對于提高公路養護工作的效率和可靠性具有重要的意義。