杜紅梅，景亮亮，王后闖，楊陽(yáng)，李鳳林，樊懿葳

一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的小齒輪軸裂紋診斷方法

杜紅梅1，景亮亮1，王后闖2，楊陽(yáng)1，李鳳林1，樊懿葳1

（1.成都運(yùn)達(dá)科技股份有限公司，四川 成都 611700；2.北京縱橫機(jī)電科技有限公司，北京 100081）

分析現(xiàn)有軌道車輛小齒輪軸故障診斷的技術(shù)特點(diǎn)，提出一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的小齒輪軸裂紋診斷方法。對(duì)軌道車輛電機(jī)輸出端附近的振動(dòng)加速度信號(hào)進(jìn)行短時(shí)傅里葉變換，得到二維時(shí)頻復(fù)數(shù)矩陣。將二維時(shí)頻復(fù)數(shù)矩陣拆解成多通道后，壓縮到統(tǒng)一大小，輸入到CNN中訓(xùn)練獲得診斷模型。通過(guò)小齒輪軸實(shí)測(cè)信號(hào)驗(yàn)證了本文方法的有效性與泛化能力，診斷精度高達(dá)98%，優(yōu)于單通道二維時(shí)頻矩陣變換后輸入到CNN模型。該方法為小齒輪軸裂紋故障診斷提供了新途徑。

小齒輪軸故障診斷；卷積神經(jīng)網(wǎng)絡(luò)；短時(shí)傅里葉變換；多通道

隨著我國(guó)高速、重載鐵路和城市軌道交通的快速發(fā)展，運(yùn)營(yíng)速度與載重隨之增加，對(duì)軌道交通車輛運(yùn)營(yíng)和維護(hù)也提出了新挑戰(zhàn)[1]。小齒輪軸作為軌道車輛走行部的關(guān)鍵部件之一，在長(zhǎng)期高速重載的運(yùn)行工況下由于設(shè)計(jì)或加工問(wèn)題，極易在應(yīng)力集中的區(qū)域出現(xiàn)裂紋甚至斷裂的現(xiàn)象，直接影響軌道車輛的穩(wěn)定性和安全性[2-3]。小齒輪軸處于走行部結(jié)構(gòu)深處，常規(guī)的超聲方法需對(duì)走行部齒輪箱進(jìn)行拆解，才能讓探頭接觸小齒輪軸端面實(shí)現(xiàn)探測(cè)。因此突破現(xiàn)有高速軌道車輛關(guān)鍵部件故障診斷技術(shù)壁壘、實(shí)現(xiàn)小齒輪軸裂紋故障非拆卸式有效診斷，是保障高速軌道車輛安全高效運(yùn)行的重要途徑。

基于信號(hào)處理與數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法是現(xiàn)有故障診斷方法的研究重點(diǎn)。其中基于信號(hào)處理的診斷方法主要通過(guò)對(duì)信號(hào)進(jìn)行降噪、重構(gòu)、解卷積等方法突出故障沖擊特征，再尋找故障特征頻率[4-6]。常用的信號(hào)處理方法有經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）和小波變換（Wavelet Transform，WT）等。陳丙炎等[7]采用振動(dòng)信號(hào)的平方包絡(luò)的自相關(guān)譜自適應(yīng)地識(shí)別故障脈沖周期增強(qiáng)周期性脈沖特征，再進(jìn)行解卷積增強(qiáng)原始信號(hào)中的故障頻率，實(shí)現(xiàn)了軸承微弱故障診斷。錢林等[8]利用變分模態(tài)分解（Variational Mode Decomposition，VMD）獲取振動(dòng)信號(hào)的模態(tài)信號(hào)，利用互信息將其重構(gòu)，最后利用形態(tài)學(xué)濾波進(jìn)行降噪從而獲得高信噪比信號(hào)，突出故障特征頻率。該類方法存在計(jì)算效率快、硬件需求低、可解釋性強(qiáng)的優(yōu)勢(shì)，但對(duì)于部分故障理論研究未涉及到的故障，獲取相應(yīng)故障特征頻率很困難，因此也無(wú)法有效診斷故障[9]。

隨著機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的快速發(fā)展，將該類人工智能技術(shù)引入故障診斷領(lǐng)域已成為趨勢(shì)[10]。Yuan等[11]利用局部平均分解獲取振動(dòng)信號(hào)的特征向量，再基于該特征向量建立支持向量數(shù)據(jù)描述（Support Vector Data Description，SVDD）故障診斷模型。Gopi等[12]利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）對(duì)發(fā)動(dòng)機(jī)故障進(jìn)行特征提取與故障診斷，在復(fù)雜工況、混合故障以及強(qiáng)噪聲的環(huán)境下取得了較好的效果。馮澤陽(yáng)等[13]利用小波變換獲取能量特征向量，結(jié)合振動(dòng)信號(hào)的時(shí)域特征，使用支持向量機(jī)（Support Vector Machine，SVM）完成列車轉(zhuǎn)向架的故障診斷。王立平等[14]利用小波包分解對(duì)原始信號(hào)進(jìn)行分解，再利用局域判別基進(jìn)行信號(hào)能量重構(gòu)，最后將歸一化的特征向量輸入梯度提升樹（Gradient Boosting Decision Tree，GBDT）進(jìn)行預(yù)測(cè)，相比于傳統(tǒng)方法具有更高的診斷精度與更強(qiáng)的魯棒性。

通過(guò)以上常規(guī)機(jī)器學(xué)習(xí)，診斷算法雖已取得豐碩成果，但對(duì)僅存在微弱振動(dòng)故障特征的小齒輪軸裂紋故障，在強(qiáng)噪聲運(yùn)行環(huán)境下，數(shù)據(jù)特征并不明顯，其診斷精度并不高。而基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的深度學(xué)習(xí)模型通過(guò)對(duì)振動(dòng)加速度數(shù)據(jù)的迭代優(yōu)化，能挖掘數(shù)據(jù)潛在故障特征。朱會(huì)杰等[15]提出權(quán)值求和與最大尺度最大值池化策略，有效解決了特征的平移不變性與小樣本泛化能力弱的問(wèn)題。鄧佳林等[16]增加特征通道權(quán)重模塊來(lái)獲取通道的全局信息，并通過(guò)通道間的依賴關(guān)系進(jìn)行權(quán)重調(diào)整，增強(qiáng)模型的特征提取能力，實(shí)驗(yàn)表明該方法相比傳統(tǒng)方法診斷精度提高了20%左右。Han等[17]利用CNN對(duì)軸承振動(dòng)的時(shí)域數(shù)據(jù)進(jìn)行特征提取，然后將CNN提取的特征輸入到支持向量機(jī)進(jìn)行軸承狀態(tài)識(shí)別，具有耗時(shí)少、精度高、泛化能力強(qiáng)等特點(diǎn)。李恒等[18]利用短時(shí)傅里葉變換將一維振動(dòng)信號(hào)轉(zhuǎn)化為二維頻率信號(hào)，隨后輸入到分類器實(shí)現(xiàn)了軸承故障診斷。Chen等[19]利用小波變換將振動(dòng)信號(hào)轉(zhuǎn)換為包含時(shí)頻信息的二維信號(hào)，然后將其輸入到CNN模型進(jìn)行故障診斷。Wu等[20]使用1-DCNN模型對(duì)固定軸齒輪箱和行星齒輪箱的故障診斷問(wèn)題進(jìn)行研究，證明了其有較強(qiáng)的特征提取能力和分類能力。但上述方法均使用單通道信號(hào)輸入CNN進(jìn)行故障診斷，無(wú)法充分發(fā)揮CNN提取并增強(qiáng)振動(dòng)信號(hào)特征的能力，無(wú)法充分挖掘故障特征。

基于上述分析，本文提出一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)、應(yīng)用于小齒輪軸裂紋故障振動(dòng)信號(hào)的特征提取，從而顯著提升分類器的故障診斷能力。本文的主要貢獻(xiàn)點(diǎn)為：①采用短時(shí)傅里葉變換對(duì)振動(dòng)信號(hào)進(jìn)行有效分解，并將得到的頻譜信息轉(zhuǎn)化為CNN的多通道輸入，有效地將一維振動(dòng)信號(hào)轉(zhuǎn)化為CNN更為擅長(zhǎng)的多通道矩陣識(shí)別問(wèn)題；②多通道二維時(shí)頻矩陣比單通道二維時(shí)頻矩陣信號(hào)表達(dá)特征更加全面，CNN可以充分提取信號(hào)中的隱含特征。

1 基于短時(shí)傅里葉變換的CNN模型

1.1 短時(shí)傅里葉變換

傅里葉變換可以將復(fù)雜的原始振動(dòng)信號(hào)從時(shí)域變換為較為簡(jiǎn)單的頻率信號(hào)，是平穩(wěn)信號(hào)分析常用方法，但對(duì)于非平穩(wěn)故障信號(hào)，傅里葉變換的全局性頻域表征是致命的，它無(wú)法表征信號(hào)在時(shí)間維度上的局部故障特征。在缺少時(shí)間維度的局部信息時(shí)，故障的精細(xì)化診斷往往會(huì)出現(xiàn)一定程度的誤差。因此在故障診斷的過(guò)程中需要對(duì)信號(hào)進(jìn)行時(shí)頻域的綜合分析，短時(shí)傅里葉變換也隨之出現(xiàn)。其基本思想是將一段非平穩(wěn)隨機(jī)信號(hào)看作是一小段平穩(wěn)隨機(jī)信號(hào)的疊加，即讓特定大小的窗口在時(shí)間維度上按固定步長(zhǎng)滑動(dòng)，計(jì)算每一個(gè)窗口中振動(dòng)信號(hào)的傅里葉變換，再將每一個(gè)窗口中的頻域信號(hào)進(jìn)行拼接，獲取信號(hào)的時(shí)頻矩陣，該矩陣表示了信號(hào)頻率隨時(shí)間的變化趨勢(shì)[21]：

式中：(,)為時(shí)頻矩陣；為時(shí)間；為頻率；(′)為均值化后的振動(dòng)加速度數(shù)據(jù)；(－′)為短時(shí)傅里葉變換窗函數(shù)；′為窗函數(shù)的中心位置；-jωt′為復(fù)平面上關(guān)于頻率的基函數(shù)。

1.2 CNN

常規(guī)機(jī)器學(xué)習(xí)故障診斷算法往往由淺層結(jié)構(gòu)構(gòu)成，這導(dǎo)致了該類算法需要人為預(yù)先處理數(shù)據(jù)提取故障特征。為了獲取良好的預(yù)測(cè)效果，需要投入大量的人力物力研究故障機(jī)理、模型特性等。并且在面臨新的故障對(duì)象時(shí)需要從頭開始研究故障并構(gòu)造相關(guān)特征，可擴(kuò)展性差。而深度學(xué)習(xí)通過(guò)構(gòu)造信號(hào)的非線性映射，達(dá)到自動(dòng)提取信號(hào)特征的目的。網(wǎng)絡(luò)結(jié)構(gòu)中的每一層都具有特征變換與提取的能力，通過(guò)逐層的特征變換將信號(hào)由復(fù)雜的結(jié)構(gòu)映射為多個(gè)稀疏的特征表達(dá)，無(wú)需人工干預(yù)即可進(jìn)行故障高精度預(yù)測(cè)。由于對(duì)軌道車輛小齒輪軸裂紋故障機(jī)理研究較少，無(wú)法獲知其故障頻率，短時(shí)傅里葉變換后無(wú)法利用傳統(tǒng)的信號(hào)處理方法突出其故障頻率特征。因此需要引入深度學(xué)習(xí)中的CNN自動(dòng)提取時(shí)頻矩陣中的故障特征。

CNN模型的隱藏層包含了卷積層、池化層、全連接層。原始數(shù)據(jù)經(jīng)過(guò)多次的卷積層與池化層將特征抽象化，最后采用全連接層整合這些特征輸出預(yù)測(cè)結(jié)果。

卷積層主要由多個(gè)卷積核構(gòu)成，卷積核具有局部連接與權(quán)值共享的特性。由卷積核在時(shí)頻矩陣中滑動(dòng)，將每個(gè)窗口中的數(shù)據(jù)變換為稀疏的特征，卷積核決定局部窗口什么特征該被激活、什么特征該被抑制。一個(gè)卷積核僅能提取一個(gè)維度的特征信息，而一個(gè)圖像矩陣往往存在數(shù)十上百個(gè)特征，因此卷積核的個(gè)數(shù)需盡可能多，利用權(quán)值共享技術(shù)在增加卷積核的過(guò)程中降低模型的復(fù)雜度。卷積的具體過(guò)程為：

當(dāng)前層數(shù)；、為當(dāng)前層矩陣坐標(biāo)；為被卷積核覆蓋的矩陣；、為卷積核覆蓋矩陣的長(zhǎng)和寬；為核函數(shù)；為對(duì)應(yīng)偏置項(xiàng)。

對(duì)卷積后的特征非線性化，可以較好地?cái)M合各類故障不同的分布特征。常用的非線性化激活函數(shù)為ReLu，具體表現(xiàn)形式為：

()＝max(0,) （3）

在整個(gè)模型中全部應(yīng)用卷積層會(huì)導(dǎo)致參數(shù)過(guò)于龐大，模型也更容易出現(xiàn)過(guò)擬合的現(xiàn)象。利用池化層可以將矩陣數(shù)據(jù)進(jìn)一步降維，優(yōu)化參數(shù)數(shù)量，減少計(jì)算量；同時(shí)池化層可以增強(qiáng)矩陣特征的平移、旋轉(zhuǎn)不變性，增強(qiáng)模型的泛化能力。上采樣池化具體表現(xiàn)形式為：

矩陣經(jīng)過(guò)多次卷積層與池化層已提取出較有代表性的特征，需要變?yōu)榭膳袆e的特征向量，因此利用平鋪層將特征變?yōu)橐痪S特征向量，同時(shí)弱化特征的空間特性。再利用全連接層將特征降維整合，獲取最終的故障特征并加以判別。全連接層層數(shù)越深或神經(jīng)元越多，越能提高故障特征的預(yù)測(cè)能力，但很容易過(guò)擬合，因此需要控制全連接層參數(shù)。全連接層公式為：

接層當(dāng)前層數(shù)；為一維矩陣索引值；為－1層特征向量長(zhǎng)度；為權(quán)重矩陣；為偏置項(xiàng)。

全連接層中同樣需要激活函數(shù)將其非線性化，選用softmax函數(shù)，其廣泛應(yīng)用于二分類模型以及多分類模型中，表達(dá)形式為：

索引；為對(duì)應(yīng)類別索引值；所有類別索引值。

1.3 基于多通道卷積神經(jīng)網(wǎng)絡(luò)

為有效識(shí)別小齒輪軸裂紋故障，本文基于多通道時(shí)頻矩陣搭建的CNN結(jié)構(gòu)如圖1所示?？芍?，本文的多通道時(shí)頻矩陣CNN模型首先由4層卷積層與池化層構(gòu)成，其中前2層卷積層與池化層用于提取時(shí)頻矩陣的淺層特征，后2層卷積層與池化層將淺層特征抽象化為更強(qiáng)表征能力的高層特征。利用平鋪層將輸出變?yōu)橐痪S特征向量，由2層全連接層進(jìn)一步提取特征，并預(yù)測(cè)故障診斷結(jié)果。為了增強(qiáng)模型的非線性化預(yù)測(cè)能力，卷積層采用ReLu激活，全連接層采用softmax激活。針對(duì)模型易過(guò)擬合的問(wèn)題，在所有層中均采用0.2比例的dropout。

圖1 多通道時(shí)頻矩陣CNN結(jié)構(gòu)

2 數(shù)據(jù)驗(yàn)證與討論

為了驗(yàn)證本文提出方法的有效性，分別對(duì)小齒輪軸裂紋故障數(shù)據(jù)構(gòu)建單通道數(shù)據(jù)和多通道數(shù)據(jù)，進(jìn)行故障診斷，采用國(guó)內(nèi)某機(jī)務(wù)段出現(xiàn)部分小齒輪軸裂紋故障數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。

2.1 實(shí)測(cè)數(shù)據(jù)處理及診斷流程

本文所用數(shù)據(jù)采自國(guó)內(nèi)某機(jī)務(wù)段HXD1C車型標(biāo)配走行部故障檢測(cè)系統(tǒng)，數(shù)據(jù)集包含出現(xiàn)小齒輪軸裂紋故障軸位的數(shù)據(jù)。數(shù)據(jù)采集的傳感器安裝位點(diǎn)為走行部電機(jī)的輸出端，傳感器的位置如圖2所示，采樣頻率為40 kHz，圖3為一條小齒輪故障的局部原始時(shí)域信號(hào)。軌道車輛每回庫(kù)一次，即下載該運(yùn)行里程的振動(dòng)加速度數(shù)據(jù)，最終采集1軌道車輛在不同時(shí)間段下28個(gè)交路電機(jī)輸出端振動(dòng)加速度數(shù)據(jù)。

基于二維CNN的小齒輪軸裂紋故障診斷流程如圖4所示：對(duì)振動(dòng)信號(hào)按照每0.25 s進(jìn)行數(shù)據(jù)分割；根據(jù)確定的STFT的參數(shù)進(jìn)行STFT變換，分別得到單通道二維時(shí)頻圖與多通道二維時(shí)頻圖；將得到的時(shí)頻圖輸入至二維CNN中進(jìn)行模式識(shí)別，根據(jù)正確率等因素優(yōu)化CNN參數(shù)、確定模型。

圖2 HXD1C車型小齒輪軸承傳感器

圖3 一條小齒輪故障原始時(shí)域信號(hào)

圖4 CNN模型的診斷流程圖

2.2 數(shù)據(jù)驗(yàn)證結(jié)果

為了展示本方法的優(yōu)越性，設(shè)置了一組對(duì)比實(shí)驗(yàn)：將原始小齒輪軸裂紋故障時(shí)域信號(hào)進(jìn)行過(guò)短時(shí)傅里葉變換后，生成的單通道二維（101×101×1）時(shí)頻矩陣輸入到經(jīng)典CNN模型中；生成的多通道二維（101×101×2）時(shí)頻矩陣輸入到經(jīng)典CNN模型進(jìn)行故障分類。模型結(jié)構(gòu)如表1所示，其中四個(gè)卷積層的濾波器數(shù)分別為32、64、128、256，卷積核大小為3×3。

表1 STFT參數(shù)取值

表2 CNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

使用一列存在小齒輪軸裂紋故障的機(jī)車數(shù)據(jù)進(jìn)行訓(xùn)練，迭代次數(shù)為40。本文提出的方法與對(duì)比方法的實(shí)驗(yàn)結(jié)果如圖5所示。可知，訓(xùn)練集中，單、多通道的準(zhǔn)確率均已超過(guò)95%，且多通道稍優(yōu)于單通道；測(cè)試集中，多通道準(zhǔn)確率已超過(guò)98%，而單通道準(zhǔn)確率鮮有到達(dá)95%。證明多通道二維時(shí)頻矩陣在故障診斷中效果優(yōu)于單通道二維時(shí)頻矩陣。

圖5 訓(xùn)練集和測(cè)試集的故障識(shí)別準(zhǔn)確率對(duì)比

3 結(jié)語(yǔ)

利用短時(shí)傅里葉變換直接對(duì)原始小齒輪軸振動(dòng)信號(hào)進(jìn)行自動(dòng)提取特征，得到二維時(shí)頻矩陣，將轉(zhuǎn)換后的多通道二維時(shí)頻矩陣輸入到CNN模型中，在小齒輪軸裂紋故障診斷中取得了較好的效果，可以得到如下結(jié)論：

（1）原始小齒輪軸振動(dòng)信號(hào)經(jīng)過(guò)STFT后得到的時(shí)頻矩陣，可以保留原始信號(hào)的時(shí)域信息和頻域信息，經(jīng)過(guò)轉(zhuǎn)換得到的多通道二維時(shí)頻矩陣特征信息優(yōu)于單通道二維時(shí)頻矩陣，能夠突出反映小齒輪軸故障狀態(tài)信息。

（2）基于二維CNN的小齒輪軸裂紋故障診斷方法具有一定的診斷優(yōu)越性，實(shí)現(xiàn)了小齒輪軸裂紋故障端到端的自適應(yīng)診斷，對(duì)之后小齒輪軸裂紋在線診斷算法研究具有啟發(fā)意義。

本文模型雖然實(shí)現(xiàn)了小齒輪軸裂紋的端到端在線診斷，但由于機(jī)車運(yùn)行環(huán)境的復(fù)雜性，仍存在一定的優(yōu)化空間：①增加牽引、制動(dòng)、轉(zhuǎn)速等額外信息到模型中，可有效降低模型的誤判率；②改進(jìn)模型結(jié)構(gòu)，使其在同樣本下具有更強(qiáng)的特征提取能力；③增加遷移學(xué)習(xí)的思想到模型中，可將該模型的結(jié)果應(yīng)用到其他運(yùn)行線路、機(jī)車類型，不受環(huán)境因素制約。

[1]沙美妤，劉利國(guó). 基于振動(dòng)信號(hào)的軸承故障診斷技術(shù)綜述[J]. 軸承，2015（9）：59-63.

[2]彭志亮，左華付，肖先忠. 機(jī)車電機(jī)轉(zhuǎn)軸及小齒輪軸斷裂失效分析[J]. 機(jī)械工程材料，2011，35（6）：93-97.

[3]朱有利，王燕禮，唐亮，等. HXD1機(jī)車小齒輪軸斷裂失效應(yīng)力分析[J]. 材料科學(xué)與工藝，2017，25（1）：69-75.

[4]McDonald，Geoff L，Qing Z. Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix: Application to vibration fault detection[J]. Mechanical Systems and Signal Processing，2017（82）：461-477.

[5]Wang X，Liu C，Bi F，et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension[J]. Mechanical Systems and Signal Processing，2013（41）：1-2.

[6]Mohanty S，Gupta K，Raju K. Comparative study between VMD and EMD in bearing fault diagnosis[C]. IEEE International Conference on Industrial and Information Systems. IEEE，2014.

[7]陳丙炎，宋冬利，張衛(wèi)華，等. 改進(jìn)MOMEDA方法及其在滾動(dòng)軸承故障特征增強(qiáng)中的應(yīng)用[J]. 機(jī)械強(qiáng)度，2021，43（1）：1-8.

[8]錢林，康敏，傅秀清，等. 基于VMD的自適應(yīng)形態(tài)學(xué)在軸承故障診斷中的應(yīng)用[J]. 振動(dòng)與沖擊，2017，36（3）：227-233.

[9]Kankar P，Sharma Satish C，Harsha S. Fault diagnosis of ball bearings using machine learning methods[J]. Expert Systems With Applications，2010，38（3）：1876-1886.

[10]Wang R，Meng X，Xiong B，et al. Multi-view Bearing Fault Diagnosis Method Based on Deep Learning[J]. Journal of Physics：Conference Series，2021，1757（1）：012093.

[11]Yuan Z，Song F，Dou R. Research on Bearing Fault Diagnosis of Submersible Pump Motor Based on LMD and SVDD[J]. IOP Conference Series：Materials Science and Engineering，2020，711（1）：012041.

[12]Gopi K，Selvaraj B，Mittal M，et al. Swarm-LSTM：Condition Monitoring of Gearbox Fault Diagnosis Based on Hybrid LSTM Deep Neural Network Optimized by Swarm Intelligence Algorithms[J]. Computers，Materials and Continua，2020，66（2）：2041-2058.

[13]馮澤陽(yáng)，鄔平波. 基于SVM的轉(zhuǎn)向架故障診斷技術(shù)研究[J]. 機(jī)械，2020（8）：37-43.

[14]王立平，鄧芳明. 基于小波包和GBDT的瓦斯傳感器故障診斷[J]. 測(cè)控技術(shù)，2016，35（12）：30-33.

[15]朱會(huì)杰，王新晴，芮挺，等. 基于平移不變CNN的機(jī)械故障診斷研究[J]. 振動(dòng)與沖擊，2019，38（5）：45-52.

[16]鄧佳林，鄒益勝，張笑璐，等. 一種改進(jìn)CNN在軸承故障診斷中的應(yīng)用[J]. 現(xiàn)代制造工程，2020（4）：142-147.

[17]Han T，Zhang L，Yin Z，et al. Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine[J]. Measurement，2021，177（1）：109022.

[18]李恒，張氫，秦先榮，等. 基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J]. 振動(dòng)與沖擊，2018，37（19）：124-131.

[19]Chen R，Huang X，Yang L，et al. Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform[J]. Computers in Industry，2019（106）：48-59.

[20]Wu C，Jiang P，Ding C，et al. Intelligent fault diagnosis of rotating machinery based on one-dimensional convolution neural network[J]. Computers in Industry，2019（108）：53-61.

[21]王程，鄭小燕，王海彬. 基于短時(shí)傅里葉變換的干擾信號(hào)識(shí)別方法[J]. 裝備環(huán)境工程，2018，15（3）：67-70.

A Method for Pinion Shaft Crack Diagnosis Based on Multi-Channel Convolutional Neural Network

DU Hongmei1，JING Liangliang1，WANG Houchuang2，YANG Yang1，LI Fenglin1，F(xiàn)AN Yiwei1

( 1.Chengdu Yunda Technology Co., Ltd., Chengdu611700,China; 2.Beijing Zongheng Electro-Mechanical Technology Development Co., Ltd.,Beijing100081,China )

Based on the analysis of the existing technical characteristics of pinion shaft fault diagnosis for rail vehicles, this paper proposed a method of pinion shaft crack diagnosis based on multi-channel convolutional neural network (CNN). Short-time Fourier transform is performed on the vibration acceleration signal near the output terminal of the rail vehicle motor to obtain a time-frequency complex matrix, and two-dimensional time-frequency complex matrix was disassembled into multiple channels, compressed to a uniform size and put into CNN to train to obtain a diagnostic model. The effectiveness and generalization ability of the method are verified by the measured signals of the pinion shaft. The diagnosis accuracy is as high as 98%, which is superior to the single channel two-dimensional time-frequency matrix transformation and input into CNN model. The proposed method provides a new approach for the pinion shaft crack diagnosis.

pinion fault diagnosis；convolutional neural network；short time Fourier transform；multi-channel

TH133.33

A

10.3969/j.issn.1006-0316.2022.07.006

1006-0316 (2022) 07-0036-06

2021-12-02

杜紅梅（1985－），女，山東泰安人，碩士，工程師，主要研究方向?yàn)檐囕v轉(zhuǎn)向架旋轉(zhuǎn)部件故障智能檢測(cè)、健康評(píng)估及智能運(yùn)維，E-mail：903499926@qq.com；景亮亮（1991－），男，山東濟(jì)南人，碩士，工程師，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)與故障診斷技術(shù)。