馬凌宇

（哈爾濱市科佳通用機(jī)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(fā)展，對(duì)我國(guó)交通事業(yè)、經(jīng)濟(jì)水平等方面的發(fā)展產(chǎn)生積極影響，實(shí)現(xiàn)人們出行方式的轉(zhuǎn)變，但高速列車快速行駛過程中，一旦出現(xiàn)故障，則會(huì)承受較大的經(jīng)濟(jì)損失。重視高速列車運(yùn)行安全，成為人們關(guān)注的重點(diǎn)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(guān)注重點(diǎn)，軸承在高速列車長(zhǎng)時(shí)間運(yùn)行中出現(xiàn)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(jīng)網(wǎng)絡(luò)

在目標(biāo)識(shí)別、圖像分類等領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)發(fā)揮著重要作用，其了利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)大腦識(shí)別過程的有效模擬，利用多個(gè)卷積層和池化層的不斷交替實(shí)現(xiàn)對(duì)圖像特征的處理，圖像識(shí)別主要將圖像特征與分類器幣的相結(jié)合實(shí)現(xiàn)。深度卷積網(wǎng)絡(luò)主要包含LeNet模型、AletNet網(wǎng)絡(luò)等，前者可實(shí)現(xiàn)字符識(shí)別，并且利用卷積操作實(shí)現(xiàn)特征提取，以映射到空間均值實(shí)現(xiàn)池化；后者可實(shí)現(xiàn)圖像分類，且利用ReLU（校正線性單元）激活函數(shù)，局部歸一化等方法實(shí)現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)能力的提升。而且AletNet網(wǎng)絡(luò)主要包含5個(gè)卷積層、3個(gè)全連接層，可實(shí)現(xiàn)最大池化的發(fā)揮，降低平均池化出現(xiàn)的模糊化效果，提升了特征的豐富性。

2.基于深度卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

2.1 數(shù)據(jù)處理

高速列車行駛過程中，傳感器收集軸承振動(dòng)，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(jīng)網(wǎng)絡(luò)軸承故障診斷模型診斷中，重視數(shù)據(jù)處理部分，其主要包含兩個(gè)部分，第一部分為數(shù)據(jù)預(yù)處理（處理振動(dòng)信號(hào)采集中存在的異常點(diǎn)，降低其對(duì)信號(hào)分析造成的不利影響），第二部分包含振動(dòng)信號(hào)分析處理（利用信號(hào)處理方法實(shí)現(xiàn)時(shí)域信號(hào)與頻譜圖的轉(zhuǎn)換，促使頻譜圖表現(xiàn)出時(shí)域、頻域的特征，能夠?qū)⒄駝?dòng)信號(hào)規(guī)律清晰反映，有助于獲取信號(hào)特征）。

2.2 構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)

高速列車軸承振動(dòng)信號(hào)經(jīng)過數(shù)據(jù)處理后，需構(gòu)建基于深度卷積神經(jīng)網(wǎng)絡(luò)模型，具體操作過程：將時(shí)域振動(dòng)信號(hào)經(jīng)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(wǎng)絡(luò)實(shí)現(xiàn)特征學(xué)習(xí)，該卷積層使用卷積核（步長(zhǎng)為4；大小為11×11）實(shí)現(xiàn)卷積操作；池化層采用核函數(shù)（步長(zhǎng)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(jié)果輸入第二層卷積層，使用卷積核（步長(zhǎng)為1；大小為5×5）實(shí)現(xiàn)卷積操作；采用核函數(shù)（步長(zhǎng)為2；大小為3×3）進(jìn)行池化采樣，第三、四層卷積網(wǎng)絡(luò)均使用核函數(shù)（步長(zhǎng)為2；大小為3×3）進(jìn)行卷積操作、池化采樣操作，于第五個(gè)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(shù)據(jù)特征圖轉(zhuǎn)換為特征向量（4096維），并于第七層全連接層實(shí)現(xiàn)全連接操作，實(shí)現(xiàn)穩(wěn)健緊湊特征的輸出，便于圖像分類。

2.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷模型結(jié)構(gòu)

基于深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障診斷模型應(yīng)用流程，利用小波變換處理振動(dòng)信號(hào)，小波時(shí)頻圖特征提取主要依賴于深度卷積網(wǎng)絡(luò)的特征提取和表征能力，并將深度卷積神經(jīng)網(wǎng)絡(luò)軸承故障特征輸入訓(xùn)練好的Softmax分類器中，實(shí)現(xiàn)故障分類?；谏疃染矸e網(wǎng)絡(luò)軸承故障診斷中需要經(jīng)歷兩個(gè)過程，即訓(xùn)練、測(cè)試；其中訓(xùn)練包含4個(gè)步驟，第一步，實(shí)現(xiàn)各類故障樣本數(shù)據(jù)的采集，并予以匯總，形成訓(xùn)練集；第二步，對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)預(yù)處理，將訓(xùn)練集內(nèi)樣本轉(zhuǎn)換為小波時(shí)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(wǎng)絡(luò)實(shí)現(xiàn)；第四步，將提取的特征輸入Softmax分類器，依據(jù)輸出結(jié)果實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的調(diào)整與優(yōu)化。測(cè)試主要分為3步，第一步，利用深度卷積網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)待測(cè)樣本特征的有效識(shí)別；第二步，利用故障分類器將故障診斷結(jié)果予以輸出；第三步，依據(jù)診斷結(jié)果實(shí)現(xiàn)糾偏處理。

3.網(wǎng)絡(luò)模型的優(yōu)化策略及實(shí)驗(yàn)結(jié)果分析

3.1 參數(shù)設(shè)置

深度卷積網(wǎng)絡(luò)參數(shù)（核函數(shù)、步長(zhǎng)）為人工設(shè)置，不斷網(wǎng)絡(luò)訓(xùn)練，獲取損失值、準(zhǔn)確率等指標(biāo)，最終實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)的有效調(diào)整，確定深度卷積層層數(shù)為7，學(xué)習(xí)率設(shè)置為0.0001。

3.2 優(yōu)化策略

深度卷積網(wǎng)絡(luò)模型優(yōu)化策略主要在兩個(gè)全連接層中使用Dropout技術(shù)，避免出現(xiàn)過擬合，并利用歸一化處理策略、小批量隨機(jī)算法實(shí)現(xiàn)優(yōu)化。其中Dropout技術(shù)預(yù)防網(wǎng)絡(luò)模型過擬合，其可減少神經(jīng)元之間復(fù)雜的共適應(yīng)關(guān)系，可被迫學(xué)習(xí)更多的特征；小批量隨機(jī)算法進(jìn)行訓(xùn)練時(shí)，可利用歸一化處理策略實(shí)現(xiàn)對(duì)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(gè)小批量圖像輸入深度卷積網(wǎng)絡(luò)中，以此實(shí)現(xiàn)快速收斂。

3.3 實(shí)驗(yàn)結(jié)果

基于深度卷積神經(jīng)網(wǎng)絡(luò)模型確認(rèn)軸承內(nèi)圈、外圈符合故障情況，為有效評(píng)估模型故障診斷效果，可選用4個(gè)指標(biāo)進(jìn)行評(píng)估，依次為準(zhǔn)確率、精準(zhǔn)率、召回率以及F1-Score，而且數(shù)據(jù)則以實(shí)驗(yàn)室模擬數(shù)據(jù)集、實(shí)例數(shù)據(jù)集等為基礎(chǔ)進(jìn)行分析。本實(shí)驗(yàn)主要選用了四種軸承故障診斷方法進(jìn)行對(duì)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(shí)驗(yàn)結(jié)果對(duì)比如表1、表2。

表1 各個(gè)模型基于實(shí)驗(yàn)室模擬數(shù)據(jù)集的性能比較

表2 各個(gè)模型基于實(shí)例數(shù)據(jù)集的性能比較

在實(shí)例數(shù)據(jù)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(jīng)網(wǎng)絡(luò)的軸承故障診斷模型的各項(xiàng)性能表現(xiàn)良好，雖然在實(shí)驗(yàn)室模擬數(shù)據(jù)集上，其準(zhǔn)確率不是最高的，但是精準(zhǔn)率、召回率、F1-Score等指標(biāo)數(shù)據(jù)最好。由此可知，基于深度卷積網(wǎng)絡(luò)模型可獲取較多的圖像特征，對(duì)提升故障診斷分類的準(zhǔn)確性有積極作用。

4.結(jié)語(yǔ)

在高速列車軸承故障診斷中，需不斷運(yùn)用先進(jìn)的診斷技術(shù)，實(shí)現(xiàn)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(zhǔn)確性，為列車軸承故障維修奠定堅(jiān)實(shí)基礎(chǔ)?；谏疃染矸e神經(jīng)網(wǎng)絡(luò)模型診斷軸承故障有著顯著效果，因此，可被廣泛運(yùn)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(zhǔn)確率。