鐵路機車車輛運行故障監(jiān)測診斷研究

胡平

摘 要：傳統(tǒng)的鐵路機車車輛運行故障監(jiān)測診由于過于依賴信息處理技術(shù)和專家進行診斷，因此存在診斷模型的準確率不高以及泛化性不強等問題。針對以上問題，文章基于卷積神經(jīng)網(wǎng)絡(luò)模型，引入Dropout、BN、SVM對該模型進行了改進。通過改進模型，有效提升了對故障樣本的識別能力、收斂速度以及泛化能力，不同程度地實現(xiàn)了故障準確分類的額可行性。最后，在噪聲干擾的情況下，對改進后的CNN-BN-SVM模型的有效性進行了仿真實驗。實驗結(jié)果表明，CNN-BN-SVM模型在處理故障數(shù)據(jù)和康噪聲等方面具有明顯的優(yōu)越性。

關(guān)鍵詞：故障監(jiān)測;卷積神經(jīng)網(wǎng)絡(luò);SVM分類器

中圖分類號：U279 文獻標識碼：A 文章編號：1001-5922（2021）06-0169-05

Abstract：The traditional fault monitoring and diagnosis of railway locomotive and rolling stock relies too much on information processing technology and experts for diagnosis， so there are some problems such as low accuracy of diagnosis model and weak generalization. Aiming at the above problems， this paper improves the model by introducing Dropout， BN and SVM based on convolutional neural network model. By improving the model， the recognition ability， convergence speed and generalization ability of fault samples are effectively improved， and the feasibility of accurate fault classification is realized in different degrees. Finally， in the case of noise interference， the effectiveness of the improved CNN-BN-SVM model is simulated. The experimental results show that CNN-BN-SVM model has obvious advantages in dealing with fault data and anti-noise.

Key words：ault monitoring; convolutional neural network; SVM classifier

隨著我國鐵路的高速發(fā)展，鐵路機車車輛運行對安全保障提出了更嚴格的要求。目前，關(guān)于鐵路機車車輛運行故障監(jiān)測診斷的研究方法已經(jīng)取得了豐碩的成果，但由于其不夠智能化和自動化，需要依賴故障診斷專家對故障進行判斷，因此其通用性、準確性、實時性不高，有待進一步提升?；诖吮尘?，本文開展了適用于鐵路機車車輛運行更加智能化、通用化的監(jiān)測診斷方法研究，以提高鐵路機車車輛運行的故障監(jiān)測和診斷的水平，進一步保障鐵路機車車輛運行安全，降低其運維成本。本文主要針對目前卷積神經(jīng)網(wǎng)絡(luò)（CNN）存在的不足，以及故障樣本數(shù)量少等問題，建立了模型的優(yōu)化措施，并將改進后的模型應(yīng)用到實際故障監(jiān)測診斷中。

1 CNN-BN-SVM簡介

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，建立三層卷積層和三層池化層以及一層全連接輸出層，并設(shè)定模型的各訓(xùn)練參數(shù)值如表1所示。

CNN模型的拓撲結(jié)構(gòu)圖和模型張量圖如圖1所示。

但是，研究認為上述CNN模型總體上訓(xùn)練過程緩慢，識別度較低，因此對該模型進行優(yōu)化改進。

2 模型優(yōu)化

2.1 基于Dropout和BN的模型優(yōu)化

為提高CNN模型的收斂速度和識別率，本文引入Dropout[7]和BN[8]對CNN模型進行優(yōu)化處理。Dropout在進行模型訓(xùn)練中，可以將使部分神經(jīng)元不參與正向和反向傳播，而在測試中，Dropout可以使所有神經(jīng)元全部參與正向傳播。這種輸出神經(jīng)元的值可以保持模型的均衡性，降低過擬合風(fēng)險。引入BN可加快模型的收斂速度，減小模型的運算量。BN通過重構(gòu)參數(shù)的平移量、偏置項使要學(xué)習(xí)的特征分布重新恢復(fù)到原始網(wǎng)絡(luò)狀態(tài)。經(jīng)過Dropout和BN處理后，對模型進行重新訓(xùn)練可得到如圖2所示的模型訓(xùn)練集和測試集的變化曲線。

由圖2可知，經(jīng)過改進后模型的收斂速度和準確率明顯提升。

2.2 基于SVM分類器的模型優(yōu)化

常見的SVM分類方法主要有3種，分別是一對一法、一對多法、有向無環(huán)圖[9]。由于一對一法是通過分類器對每個樣本屬性類別進行“投票”最后決策樣本所屬類型的方法[10]，適用于本文的構(gòu)建的SVM 分類器。在CNN-BN模型的基礎(chǔ)上，向SVM 分類器輸入池化層的特征圖，可得到如圖3所示的CNN-BN-SVM模型。

3 仿真驗證

3.1 模型參數(shù)設(shè)置

設(shè)定CNN-BN-SVM模型各參數(shù)學(xué)習(xí)了learning rate=0.001，訓(xùn)練批次mini-batch=100，dropout=0.5，經(jīng)過BN調(diào)整處理，可得到如表2所示的模型參數(shù)值。

調(diào)整后的模型結(jié)構(gòu)如圖4所示。

3.2 故障數(shù)據(jù)采集

目前，由于多方面原因?qū)е聼o法獲取鐵路機車車輛運行過程中的滾動軸承故障數(shù)據(jù)。這對這一問題，本文的研究數(shù)據(jù)來自CWRU標準數(shù)據(jù)以及理論仿真信號。通過使用某動車組拖車輪對安裝的高速滾振試驗臺，應(yīng)用加速度傳感器連接到主控室并采集振動信號。采集器和上位機軟件連接如圖5～6所示。

設(shè)輪對平穩(wěn)運行速度為200km/h、250km/h、300km/h，按如表3所示的7組實驗進行采集，采集時長為1min。

基于軟件采集到的數(shù)據(jù)，本文對該數(shù)據(jù)的可用性進行了簡要的分析，分析如圖7～8所示。

由圖7可知，該信號的診斷指標已經(jīng)超過安全門限制。通過調(diào)取軸承參數(shù)計算故障的倍頻，可得到內(nèi)圈和外圈即保持架、滾動體的故障特征頻率，應(yīng)用包絡(luò)譜分析可得如圖8所示的包絡(luò)解普：

由圖8可知，內(nèi)圈故障數(shù)據(jù)和外圈數(shù)據(jù)的的一階故障頻率評論分別為59.1Hz、15.9Hz，二階故障頻率分別為118.2Hz、91.8Hz，三階故障頻率分別為177.3Hz、137.6Hz，四階故障頻率分別為136.4Hz、183.6Hz。由此可說明采集到的信號中包含的故障信息較為完整，可用于模型實驗數(shù)據(jù)。

3.3 智能識別

鐵路機車車輛運行故障智能識別診斷共3個流程，分別是讀取測試數(shù)據(jù)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)存儲。首先，將數(shù)據(jù)庫中的檢測數(shù)據(jù)、車型等信息輸入智能識別模塊，并將文件存儲數(shù)據(jù)表的字段設(shè)置如表4所示。其次，將數(shù)據(jù)進行預(yù)處理，去除噪聲嚴重的數(shù)據(jù)或?qū)ζ溥M行濾波去噪處理。最后，對測試樣本輸入的模型進行故障識別，根據(jù)不同的提示燈，判斷診斷結(jié)果完成樣本檢測，并將診斷結(jié)果存儲于數(shù)據(jù)庫中。診斷結(jié)果存儲數(shù)據(jù)表如表5所示。內(nèi)圈、外圈故障樣本的診斷識別結(jié)果如圖9所示。

4 結(jié)語

針對鐵路機車車輛運行故障監(jiān)測診斷，文章在卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，引入Dropout和BN對CNN模型進行了改進，有效提升了模型對故障樣本的識別能力。同時考慮到CNN模型輸入特征，本文在卷積層中運用SVM分類器配合平方折頁損失函數(shù)加快了模型的整體收斂速度，提升了模型的識別準確率和泛化能力。最后，通過仿真實驗驗證了改進后的CNN-BN-SVM模型的有效性。實驗結(jié)果表明，與經(jīng)典的診斷方法相比，CNN-BN-SVM模型在處理故障數(shù)據(jù)和康噪聲等方面，具有明顯的優(yōu)越性。

參考文獻

[1]王毅，陸強，祝笈，等.鐵路貨車智能監(jiān)測系統(tǒng)關(guān)鍵技術(shù)研究及探討[J].內(nèi)燃機與配件，2020（11）：227-229.

[2]赫大雨.鐵路機車車輛運行故障監(jiān)測診斷技術(shù)的研究[J].湖北農(nóng)機化，2020（08）：86.

[3]李平，曹鴻飛，謝鵬.新一代信息技術(shù)驅(qū)動下的智能重載鐵路總體架構(gòu)研究[J].鐵路計算機應(yīng)用，2020，29（06）：25-29.

[4]李威，張陸軍，張志福，等.地鐵車輛軸承故障的在線檢測[J].現(xiàn)代城市軌道交通，2019（12）：16-21.

[5]張克永.高速鐵路供電安全檢測監(jiān)測體系建設(shè)分析與研究[J].電氣化鐵道，2019，30（06）：1-4+10.

[6]王健.HX_D3C型機車車輪失圓問題整修方法的探討[J].鐵道機車車輛，2018，38（06）：101-105.

[7]路向陽，李東林，李雷，等.智慧城軌下智慧車輛裝備技術(shù)的研究與展望[J].機車電傳動，2018（06）：1-8.

[8]樊會星，鄒穎.基于BP神經(jīng)網(wǎng)絡(luò)的動車組智能化控制和診斷研究[J].鐵路計算機應(yīng)用，2019，28（11）：5-8.

[9]鄭金子，薛蕊，吳艷華，等.國外鐵路大數(shù)據(jù)應(yīng)用現(xiàn)狀與趨勢分析[A].中國科學(xué)技術(shù)協(xié)會、交通運輸部、中國工程院.2018世界交通運輸大會論文集[C].中國科學(xué)技術(shù)協(xié)會、交通運輸部、中國工程院：2018：15.

[10]張克永.高速鐵路供電安全檢測監(jiān)測體系建設(shè)分析與研究[J].電氣化鐵道，2019，30（06）：1-4+10.

[11]于麗麗.基于神經(jīng)網(wǎng)絡(luò)的汽車電控發(fā)動機故障診斷分析[J].粘接，2020，42（06）：167-170.