數(shù)字孿生驅(qū)動(dòng)的轉(zhuǎn)向架軸承預(yù)測(cè)性檢修方法

夏立軍

（中車長(zhǎng)春軌道客車股份有限公司鐵路客車業(yè)務(wù)部，吉林長(zhǎng)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(dòng)車組的行車安全。目前采用的軸承計(jì)劃性維修存在維修不足或過度的現(xiàn)象，導(dǎo)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(kuò)展到復(fù)雜系統(tǒng)，設(shè)備的故障表征能夠被更好分析，并在虛擬設(shè)計(jì)階段將故障因素排除。

Glaessgen[2]提出了一種用于空軍飛機(jī)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(jī)孿生實(shí)體的狀態(tài)，提高飛機(jī)的安全性和可靠性。

針對(duì)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(yīng)性的卷積神經(jīng)網(wǎng)絡(luò)，該方法利用從海量標(biāo)記樣本中學(xué)習(xí)的特征，提高模型對(duì)新的未標(biāo)記樣本的診斷性能。

Lu等[4]提出了一種具有域自適應(yīng)能力的深度神經(jīng)網(wǎng)絡(luò)以進(jìn)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(luò)的遷移學(xué)習(xí)方法，通過使用海量圖像數(shù)據(jù)對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，僅需要少量訓(xùn)練數(shù)據(jù)即可進(jìn)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(shí)現(xiàn)在虛擬空間的故障診斷，滿足基于深度學(xué)習(xí)的故障診斷模型的訓(xùn)練需求。利用深度遷移學(xué)習(xí)算法完成先前訓(xùn)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(shí)時(shí)監(jiān)測(cè)與預(yù)測(cè)性維護(hù)。

1 基于深度遷移學(xué)習(xí)的軸承故障診斷方法

基于深度遷移學(xué)習(xí)的軸承故障預(yù)測(cè)性維修方法的技術(shù)框架主要包括兩個(gè)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(jìn)行測(cè)試、驗(yàn)證和優(yōu)化，通過獲得的軸承仿真溫度數(shù)據(jù)以訓(xùn)練基于深度神經(jīng)網(wǎng)絡(luò)的故障診斷模型。

（2）通過學(xué)習(xí)獲取的數(shù)據(jù)高級(jí)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(dòng)的軸承故障診斷方法

數(shù)字孿生驅(qū)動(dòng)的軸承故障預(yù)測(cè)性維護(hù)，能夠在沒有先驗(yàn)知識(shí)的前提下，利用堆疊稀疏自編碼器（SSAE），在大量未標(biāo)記的仿真數(shù)據(jù)中提取故障特征。

基于深度遷移學(xué)習(xí)的軸承故障預(yù)測(cè)性維修方法的技術(shù)框架如圖1所示，SSAE的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖1 基于深度遷移學(xué)習(xí)的軸承故障診斷方法的技術(shù)框架

圖2 SSAE的網(wǎng)絡(luò)結(jié)構(gòu)

第一隱藏層的編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)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(gè)SAE的輸入，通過最小化損失函數(shù)，依次學(xué)習(xí)每層的參數(shù)：

式中：L(·)——重構(gòu)誤差懲罰函數(shù)，用以標(biāo)明輸入x與輸出之間的差；KL(·)——相對(duì)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(xùn)練了N個(gè)隱藏層后，下一步將實(shí)現(xiàn)Softmax分類器。給定帶標(biāo)簽的軸承溫度數(shù)據(jù)集：

式中：yi——與xi對(duì)應(yīng)的標(biāo)簽；m——輸入向量的數(shù)量；(x1,x2,…,xm)——SAE的輸入；——最后一個(gè)SAE嚴(yán)格要求的特征。

3 基于深度遷移學(xué)習(xí)的軸承故障診斷方法

基于深度遷移學(xué)習(xí)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(xué)習(xí)的軸承故障診斷方法的詳細(xì)結(jié)構(gòu)

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

式中：Lc(?)——標(biāo)記數(shù)據(jù)的分類損失；npt——軸承實(shí)體溫度樣本數(shù)；——軸承實(shí)體溫度的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)集；FMMD2——最大均值差異（MMD），用于估計(jì)從軸承孿生體采集的數(shù)據(jù)與軸承實(shí)體監(jiān)測(cè)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(shí)體監(jiān)測(cè)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(shí)體監(jiān)測(cè)溫度數(shù)據(jù)Xpt。

（3）標(biāo)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(yù)測(cè)結(jié)果：

（1）在SSAE中隨機(jī)初始化參數(shù)。

（2）通過軸承孿生體仿真溫度數(shù)據(jù)Xvt訓(xùn)練N個(gè)隱藏層，根據(jù)目標(biāo)函數(shù)獲取每個(gè)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(duì)網(wǎng)絡(luò)進(jìn)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(dòng)的軸承故障診斷模型的參數(shù)初始化基于深度遷移學(xué)習(xí)的軸承故障診斷模型。

（6）微調(diào)基于深度遷移學(xué)習(xí)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(xué)習(xí)的軸承故障診斷模型，對(duì)軸承實(shí)體進(jìn)行狀態(tài)檢測(cè)和故障診斷、預(yù)測(cè)給出Xpt的預(yù)測(cè)結(jié)果。

4 結(jié)語(yǔ)

本文提出的基于深度遷移學(xué)習(xí)的軸承故障診斷方法，通過結(jié)合深度學(xué)習(xí)與遷移學(xué)習(xí)的優(yōu)點(diǎn)，在有海量可利用數(shù)據(jù)的源域中對(duì)深度學(xué)習(xí)軸承故障診斷模型進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)高級(jí)特征的提取，將其傳輸至具有不同數(shù)據(jù)分布的目標(biāo)域。在軸承運(yùn)用階段，基于深度遷移學(xué)習(xí)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(shí)體，來自軸承實(shí)體的少量溫度數(shù)據(jù)能夠有效訓(xùn)練模型，且對(duì)數(shù)據(jù)的分布特征無特殊需求。