夏立軍

（中車長春軌道客車股份有限公司鐵路客車業(yè)務部，吉林長春 130000）

轉(zhuǎn)向架軸承是轉(zhuǎn)向架中最為核心的部分，其性能狀態(tài)直接影響動車組的行車安全。目前采用的軸承計劃性維修存在維修不足或過度的現(xiàn)象，導致維修成本或故障率較高。數(shù)字孿生技術(shù)是一種能夠?qū)崿F(xiàn)物理空間在虛擬空間交互映射的通用使能技術(shù)。

2017年，Grieves[1]將數(shù)字孿生的研究擴展到復雜系統(tǒng)，設備的故障表征能夠被更好分析，并在虛擬設計階段將故障因素排除。

Glaessgen[2]提出了一種用于空軍飛機的數(shù)字孿生范式，通過集成來自健康管理系統(tǒng)、維修記錄等信息的方式，反映飛機孿生實體的狀態(tài)，提高飛機的安全性和可靠性。

針對基于深度遷移的故障診斷研究，Han等[3]提出了一種具有聯(lián)合分布適應性的卷積神經(jīng)網(wǎng)絡，該方法利用從海量標記樣本中學習的特征，提高模型對新的未標記樣本的診斷性能。

Lu等[4]提出了一種具有域自適應能力的深度神經(jīng)網(wǎng)絡以進行故障診斷，并提出了探索最優(yōu)超參數(shù)的策略。

Cao等[5]提出一種基于深度卷積神經(jīng)網(wǎng)絡的遷移學習方法，通過使用海量圖像數(shù)據(jù)對深度神經(jīng)網(wǎng)絡進行訓練，僅需要少量訓練數(shù)據(jù)即可進行齒輪故障診斷。

通過將深度遷移算法與數(shù)字孿生技術(shù)結(jié)合，能夠充分利用數(shù)字孿生軸承模型實現(xiàn)在虛擬空間的故障診斷，滿足基于深度學習的故障診斷模型的訓練需求。利用深度遷移學習算法完成先前訓練的故障診斷模型從虛擬空間到物理空間的轉(zhuǎn)移，能夠?qū)崿F(xiàn)軸承的實時監(jiān)測與預測性維護。

1 基于深度遷移學習的軸承故障診斷方法

基于深度遷移學習的軸承故障預測性維修方法的技術(shù)框架主要包括兩個階段。

（1）依據(jù)軸承的物理特性構(gòu)建軸承的數(shù)字孿生模型，并在孿生空間進行測試、驗證和優(yōu)化，通過獲得的軸承仿真溫度數(shù)據(jù)以訓練基于深度神經(jīng)網(wǎng)絡的故障診斷模型。

（2）通過學習獲取的數(shù)據(jù)高級特征，形成基于深度遷移的故障診斷模型。

2 數(shù)字孿生驅(qū)動的軸承故障診斷方法

數(shù)字孿生驅(qū)動的軸承故障預測性維護，能夠在沒有先驗知識的前提下，利用堆疊稀疏自編碼器（SSAE），在大量未標記的仿真數(shù)據(jù)中提取故障特征。

基于深度遷移學習的軸承故障預測性維修方法的技術(shù)框架如圖1所示，SSAE的網(wǎng)絡結(jié)構(gòu)如圖2所示。

圖1 基于深度遷移學習的軸承故障診斷方法的技術(shù)框架

圖2 SSAE的網(wǎng)絡結(jié)構(gòu)

第一隱藏層的編碼器網(wǎng)絡和解碼器網(wǎng)絡輸出：

f(·)和g(·)在本文中均表示Sigmoid函數(shù)。

提取的特征將作為下一個SAE的輸入，通過最小化損失函數(shù)，依次學習每層的參數(shù)：

式中：L(·)——重構(gòu)誤差懲罰函數(shù)，用以標明輸入x與輸出之間的差；KL(·)——相對熵，可以是隱藏層中大多數(shù)神經(jīng)元受到抑制；ρ——稀疏參數(shù)，趨近于0；R(·)——權(quán)重衰減函數(shù)，有助于防止過擬合；?和μ——稀疏懲罰函數(shù)和權(quán)重衰減函數(shù)的權(quán)重。

訓練了N個隱藏層后，下一步將實現(xiàn)Softmax分類器。給定帶標簽的軸承溫度數(shù)據(jù)集：

式中：yi——與xi對應的標簽；m——輸入向量的數(shù)量；(x1,x2,…,xm)——SAE的輸入；——最后一個SAE嚴格要求的特征。

3 基于深度遷移學習的軸承故障診斷方法

基于深度遷移學習的軸承故障診斷方法結(jié)構(gòu)如圖3所示。

圖3 基于深度遷移學習的軸承故障診斷方法的詳細結(jié)構(gòu)

來自孿生空間和物理空間的軸承溫度標簽數(shù)據(jù)集以(XL,Y)給出，其中XL為標記數(shù)據(jù)向量，Y為其關(guān)聯(lián)的標記向量。DTL的損失函數(shù)：

式中：Lc(?)——標記數(shù)據(jù)的分類損失；npt——軸承實體溫度樣本數(shù)；——軸承實體溫度的實時監(jiān)測數(shù)據(jù)集；FMMD2——最大均值差異（MMD），用于估計從軸承孿生體采集的數(shù)據(jù)與軸承實體監(jiān)測數(shù)據(jù)之間的分布差異；η——MMD的有效程度。

軸承孿生體產(chǎn)生的數(shù)據(jù)與軸承實體監(jiān)測的數(shù)據(jù)間的空間距離為：

式中：Ф(?)——非線性特征映射函數(shù)；H——通用再生核希爾伯特空間。

基于深度遷移算法的轉(zhuǎn)向架軸承數(shù)字孿生故障診斷偽代碼輸入：

（1）軸承孿生體仿真溫度數(shù)據(jù)Xvt。

（2）軸承實體監(jiān)測溫度數(shù)據(jù)Xpt。

（3）標簽數(shù)據(jù)集(XL,Y)。

基于深度遷移算法的轉(zhuǎn)向架軸承數(shù)字孿生故障診斷偽代碼輸出軸承故障診斷和預測結(jié)果：

（1）在SSAE中隨機初始化參數(shù)。

（2）通過軸承孿生體仿真溫度數(shù)據(jù)Xvt訓練N個隱藏層，根據(jù)目標函數(shù)獲取每個隱藏層參數(shù)(W,b)，輸出輸入hvtn的特征表示。

（4）通過BP算法對網(wǎng)絡進行微調(diào)，在虛擬空間中輸出診斷模型。

（5）使用數(shù)字孿生驅(qū)動的軸承故障診斷模型的參數(shù)初始化基于深度遷移學習的軸承故障診斷模型。

（6）微調(diào)基于深度遷移學習的軸承故障診斷模型。

（7）根據(jù)公式更新參數(shù)。

（8）得到最終的基于深度遷移學習的軸承故障診斷模型，對軸承實體進行狀態(tài)檢測和故障診斷、預測給出Xpt的預測結(jié)果。

4 結(jié)語

本文提出的基于深度遷移學習的軸承故障診斷方法，通過結(jié)合深度學習與遷移學習的優(yōu)點，在有海量可利用數(shù)據(jù)的源域中對深度學習軸承故障診斷模型進行訓練，實現(xiàn)對高級特征的提取，將其傳輸至具有不同數(shù)據(jù)分布的目標域。在軸承運用階段，基于深度遷移學習的軸承故障診斷方法，能夠?qū)⒐收闲畔妮S承數(shù)字孿生模型的模擬數(shù)據(jù)遷移至軸承實體，來自軸承實體的少量溫度數(shù)據(jù)能夠有效訓練模型，且對數(shù)據(jù)的分布特征無特殊需求。