一种基于深度学习的轮对踏面损伤故障诊断方法与流程

本发明属于发明涉及故障诊断技术领域，具体涉及一种基于深度学习的轮对踏面损伤故障诊断方法。

背景技术：

轮对是高速列车运行的关键性部件，同时又极易损坏，而且也是造成轮对轴承故障的重要原因之一，其主要形式表现为踏面擦伤及剥离。若发生故障，甚至对整个列车车轮及轨道零部件造成严重破坏。由于从现场采集到的轮对踏面振动信号，往往具有非平稳的特点，且噪声干扰严重，给故障模式识别带来了巨大的困难。近年来，随着监测的设备群规模变大，每个装备需要的测点增多，每个测点的采样频率高，从开始服役到寿命终止的数据收集历时长，致使机械设备故障诊断领域也进入了“大数据”时代。如何利用“大数据”来提高强噪声、非平稳信号的故障诊断精度，已成为当今的研究热点。

技术实现要素：

本发明的目的是为克服已有技术的不足，一种基于深度学习的轮对踏面损伤故障诊断方法。该方法针对具有较强非平稳性和易被强烈背景噪声干扰特点的轮对踏面振动信号，提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法，实现了端到端的故障模式识别。首先对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；然后将训练集输入卷积神经网络中进行学习，不断更新网络参数；最后将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果。

进行基于深度学习的轮对踏面损伤故障诊断方法主要包含以下步骤：

1)、建立轮对踏面故障振动信号机理模型；

2)、对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；

3)、将训练集输入卷积神经网络中进行学习，经过卷积层、池化层和全连接层后，输出为故障类型的类标，分为前向传播过程和反向参数更新过程；

4)、将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果；

优选的，所述建立轮对踏面故障振动信号机理模型，具体是车轮踏面故障与振动冲击模型，轮对踏面如果存在故障，那么当车轮滚动到故障处时，车轮与钢轨耦合瞬间发生冲击。这种周期性的冲击使车辆与钢轨产生耦合振动，对其造成伤害。一个半径为r的故障车轮的冲击频率公式为：

p＝v/(2πr)

其中p为冲击频率，v为运行速度，r为车轮半径。

优选的，所述对轮对踏面振动信号进行短时傅里叶变换，是采用固定长度的窗函数对时域信号进行截取，并对截取得到的信号进行傅里叶变换，得到时刻t附近很小时间段上的局部频谱。通过窗函数在整个时间轴上的平移，最终变换得到每一时间段上局部频谱的集合，短时傅里叶变换(stft)是关于时间和频率的二维函数。基本运算公式如下：

其中f(t)为时域信号，为中心位于时刻的时间窗口，ω为频率，j为虚数单位；

优选的，所述步骤3)的实现方式为：前向传播过程主要为三个部分：卷积层、池化层和全连接层；

在卷积层上，用多个卷积核与输入图像进行卷积，加上偏置后通过一个激活函数就可以得到一系列特征图，卷积过程数学表达式为：

其中为第l层第j个元素，mj为l-1层特征图的第j个卷积区域，为其中的元素，为对应卷积核的权重矩阵，为偏置项，f(x)为激活函数，数学表达式为：

f(x)＝max(0，lg(1+e^x))

池化层常接在卷积层后面，对特征图进行降维，同时在一定程度上保持特征尺度的不变性。在池化层上，对卷积层输出的特征图在每个不重叠的大小为n×n区域进行池化操作，选取每个区域上的最大值或者平均值，最终使输出图像在两个维度上都缩小了的n倍。

输入图像经过多个卷积层和池化层的交替传播之后，依靠全连接层网络针对提取的特征进行分类。在全连接层上，输入是所有特征图展开的一维特征向量经加权求和并通过激活函数后得到的：

y^k＝f(w^kx^k-1+b^k)

其中k为网络层的信号，y^k为全连接层的输出，x^k-1是展开的一维特征向量，w^k为权重系数，b^k为偏置项。

反向参数更新的过程是逐层更新卷积神经网络的可学习参数，表达式为：

其中w′和b′为更新后的权重和偏置，w和b为现有的权重和偏置，η为学习速率参数，e为最小化网络的损失。

本发明与现有技术相比，其有益的技术效果为：本方法对不同类型故障有着很高的识别精度，并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性，是一种适应于处理“大数据”的故障诊断方法，同时考虑了时域和频域信息，并利用卷积神经网络对故障特征进行的自适应提取，实现端到端的故障诊断，即通过构建能够处理大量数据的深度学习框架，提高强噪声干扰、非平稳信号的故障识别精度。

附图说明

图1是本发明的步骤流程图。

具体实施方式

该方法针对具有较强非平稳性和易被强烈背景噪声干扰特点的轮对踏面振动信号，提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法，实现了端到端的故障模式识别。首先对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；然后将训练集输入卷积神经网络中进行学习，不断更新网络参数；最后将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果。

进行基于深度学习的轮对踏面损伤故障诊断方法主要包含以下步骤：

1)、建立轮对踏面故障振动信号机理模型；

具体是车轮踏面故障与振动冲击模型，轮对踏面如果存在故障，那么当车轮滚动到故障处时，车轮与钢轨耦合瞬间发生冲击。这种周期性的冲击使车辆与钢轨产生耦合振动，对其造成伤害。一个半径为r的故障车轮的冲击频率公式为：

p＝v/(2πr)

其中p为冲击频率，v为运行速度，r为车轮半径。

2)、对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；

具体是采用固定长度的窗函数对时域信号进行截取，并对截取得到的信号进行傅里叶变换，得到时刻t附近很小时间段上的局部频谱，通过窗函数在整个时间轴上的平移，最终变换得到每一时间段上局部频谱的集合，短时傅里叶变换(stft)是关于时间和频率的二维函数。基本运算公式如下：

其中f(t)为时域信号，为中心位于时刻的时间窗口，ω为频率，j为虚数单位。

3)、将训练集输入卷积神经网络中进行学习，经过卷积层、池化层和全连接层后，输出为故障类型的类标，分为前向传播过程和反向参数更新过程；

具体是前向传播过程主要为三个部分：卷积层、池化层和全连接层；

在卷积层上，用多个卷积核与输入图像进行卷积，加上偏置后通过一个激活函数就可以得到一系列特征图，卷积过程数学表达式为：

其中为第l层第j个元素，mj为l-1层特征图的第j个卷积区域，为其中的元素，为对应卷积核的权重矩阵，为偏置项，f(x)为激活函数，数学表达式为：

f(x)＝max(0，lg(1+e^x))

池化层常接在卷积层后面，对特征图进行降维，同时在一定程度上保持特征尺度的不变性。在池化层上，对卷积层输出的特征图在每个不重叠的大小为n×n区域进行池化操作，选取每个区域上的最大值或者平均值，最终使输出图像在两个维度上都缩小了的n倍。

输入图像经过多个卷积层和池化层的交替传播之后，依靠全连接层网络针对提取的特征进行分类。在全连接层上，输入是所有特征图展开的一维特征向量经加权求和并通过激活函数后得到的：

y^k＝f(w^kx^k-1+b^k)

其中k为网络层的信号，y^k为全连接层的输出，x^k-1是展开的一维特征向量，w^k为权重系数，b^k为偏置项。

反向参数更新的过程是逐层更新卷积神经网络的可学习参数，表达式为：

其中w′和b′为更新后的权重和偏置，w和b为现有的权重和偏置，η为学习速率参数，e为最小化网络的损失。

4)、将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果；

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。