基于深度学习高速列车轴承故障检测方法

马凌宇

（哈尔滨市科佳通用机电股份有限公司，黑龙江哈尔滨 150060）

0.引言

高速列车的快速发展，对我国交通事业、经济水平等方面的发展产生积极影响，实现人们出行方式的转变，但高速列车快速行驶过程中，一旦出现故障，则会承受较大的经济损失。重视高速列车运行安全，成为人们关注的重点问题。轴承是高速列车的重要组成部件，在高速列车走行部故障诊断中，轴承故障成为关注重点，轴承在高速列车长时间运行中出现磨损或者性能下降等问题，降低轴承的安全性[1-2]。

1.深度卷积神经网络

在目标识别、图像分类等领域中，深度神经网络发挥着重要作用，其了利用神经网络实现大脑识别过程的有效模拟，利用多个卷积层和池化层的不断交替实现对图像特征的处理，图像识别主要将图像特征与分类器币的相结合实现。深度卷积网络主要包含LeNet模型、AletNet网络等，前者可实现字符识别，并且利用卷积操作实现特征提取，以映射到空间均值实现池化；后者可实现图像分类，且利用ReLU（校正线性单元）激活函数，局部归一化等方法实现网络学习能力的提升。而且AletNet网络主要包含5个卷积层、3个全连接层，可实现最大池化的发挥，降低平均池化出现的模糊化效果，提升了特征的丰富性。

2.基于深度卷积神经网络的轴承故障诊断

2.1 数据处理

高速列车行驶过程中，传感器收集轴承振动，并利用CNN有效提取特征，降低特征提取不足之处。在利用深度卷积神经网络轴承故障诊断模型诊断中，重视数据处理部分，其主要包含两个部分，第一部分为数据预处理（处理振动信号采集中存在的异常点，降低其对信号分析造成的不利影响），第二部分包含振动信号分析处理（利用信号处理方法实现时域信号与频谱图的转换，促使频谱图表现出时域、频域的特征，能够将振动信号规律清晰反映，有助于获取信号特征）。

2.2 构建深度卷积神经网络

高速列车轴承振动信号经过数据处理后，需构建基于深度卷积神经网络模型，具体操作过程：将时域振动信号经小波变换处理后，形成频谱图，并将频谱图输入第一层卷积网络实现特征学习，该卷积层使用卷积核（步长为4；大小为11×11）实现卷积操作；池化层采用核函数（步长为2；大小为3×3）采样信息特征图，并输出特征图（27×27）；随后将池化层结果输入第二层卷积层，使用卷积核（步长为1；大小为5×5）实现卷积操作；采用核函数（步长为2；大小为3×3）进行池化采样，第三、四层卷积网络均使用核函数（步长为2；大小为3×3）进行卷积操作、池化采样操作，于第五个卷积操作后，输出13×13×256的特征；第六层为全连接层，其可将池化采样数据特征图转换为特征向量（4096维），并于第七层全连接层实现全连接操作，实现稳健紧凑特征的输出，便于图像分类。

2.3 基于深度卷积神经网络的轴承故障诊断模型结构

基于深度卷积神经网络轴承故障诊断模型应用流程，利用小波变换处理振动信号，小波时频图特征提取主要依赖于深度卷积网络的特征提取和表征能力，并将深度卷积神经网络轴承故障特征输入训练好的Softmax分类器中，实现故障分类。基于深度卷积网络轴承故障诊断中需要经历两个过程，即训练、测试；其中训练包含4个步骤，第一步，实现各类故障样本数据的采集，并予以汇总，形成训练集；第二步，对训练集进行数据预处理，将训练集内样本转换为小波时频图，用于卷积层的有效输入；第三步，频谱图中特征的提取可利用深度卷积网络实现；第四步，将提取的特征输入Softmax分类器，依据输出结果实现网络参数的调整与优化。测试主要分为3步，第一步，利用深度卷积网络实现对待测样本特征的有效识别；第二步，利用故障分类器将故障诊断结果予以输出；第三步，依据诊断结果实现纠偏处理。

3.网络模型的优化策略及实验结果分析

3.1 参数设置

深度卷积网络参数（核函数、步长）为人工设置，不断网络训练，获取损失值、准确率等指标，最终实现网络参数的有效调整，确定深度卷积层层数为7，学习率设置为0.0001。

3.2 优化策略

深度卷积网络模型优化策略主要在两个全连接层中使用Dropout技术，避免出现过拟合，并利用归一化处理策略、小批量随机算法实现优化。其中Dropout技术预防网络模型过拟合，其可减少神经元之间复杂的共适应关系，可被迫学习更多的特征；小批量随机算法进行训练时，可利用归一化处理策略实现对每次迭代过程中每张图像的处理，将其压缩到0～1之间；将128个小批量图像输入深度卷积网络中，以此实现快速收敛。

3.3 实验结果

基于深度卷积神经网络模型确认轴承内圈、外圈符合故障情况，为有效评估模型故障诊断效果，可选用4个指标进行评估，依次为准确率、精准率、召回率以及F1-Score，而且数据则以实验室模拟数据集、实例数据集等为基础进行分析。本实验主要选用了四种轴承故障诊断方法进行对比，分别为基于LeNet-5的轴承故障诊断、基于DCNN的轴承故障诊断、基于ICN的轴承故障诊断、基于CDCGAN的轴承故障诊断。具体实验结果对比如表1、表2。

表1 各个模型基于实验室模拟数据集的性能比较

表2 各个模型基于实例数据集的性能比较

在实例数据集上，相比较于其他轴承故障诊断模型来说，基于深度卷积神经网络的轴承故障诊断模型的各项性能表现良好，虽然在实验室模拟数据集上，其准确率不是最高的，但是精准率、召回率、F1-Score等指标数据最好。由此可知，基于深度卷积网络模型可获取较多的图像特征，对提升故障诊断分类的准确性有积极作用。

4.结语

在高速列车轴承故障诊断中，需不断运用先进的诊断技术，实现列车轴承故障诊断工作效率的提升，降低误差率，提高故障诊断准确性，为列车轴承故障维修奠定坚实基础。基于深度卷积神经网络模型诊断轴承故障有着显著效果，因此，可被广泛运用在列车故障诊断中，高校解决人工提取特征丢失有用信息的弊端，提高轴承故障诊断准确率。