基于深度學(xué)習(xí)的列車(chē)軸承故障診斷研究

摘 要：作為列車(chē)運(yùn)行的重要部件，軸承的健康狀態(tài)是決定列車(chē)安全運(yùn)行的重要因素。軸承的故障診斷一直是行業(yè)研究熱點(diǎn)。本文針對(duì)傳統(tǒng)模型提取特征不足、特征信息丟失嚴(yán)重、模型準(zhǔn)確率低以及分析識(shí)別時(shí)間長(zhǎng)等問(wèn)題，結(jié)合膠囊神經(jīng)網(wǎng)絡(luò)的特征結(jié)構(gòu)，提出了基于深度學(xué)習(xí)的列車(chē)軸承故障診斷研究方法。模型以凱斯西儲(chǔ)大學(xué)的軸承故障數(shù)據(jù)為數(shù)據(jù)集。改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型在識(shí)別準(zhǔn)確率、識(shí)別速度方面均有提升，本文算法具有一定的先進(jìn)性。

關(guān)鍵詞：人工智能；膠囊神經(jīng)網(wǎng)絡(luò)；軸承故障診斷

中圖分類(lèi)號(hào)：TP 207" " " 文獻(xiàn)標(biāo)志碼：A

我國(guó)軌道交通行業(yè)取得了飛速發(fā)展，列車(chē)的穩(wěn)定運(yùn)行是保障行車(chē)安全的重要一環(huán)，也是目前國(guó)內(nèi)、外行業(yè)內(nèi)的研究熱點(diǎn)，但目前應(yīng)用于列車(chē)軸承故障診斷的模型在識(shí)別準(zhǔn)確率、識(shí)別速度方面還有待提升。如何在列車(chē)高速運(yùn)行下保障行車(chē)安全成為軌道交通行業(yè)的難題，因此有必要對(duì)列車(chē)軸承故障診斷進(jìn)行研究。

目前國(guó)內(nèi)許多專(zhuān)家學(xué)者已就軸承診斷問(wèn)題進(jìn)行了研究。鐵科院研發(fā)的“JSC-206機(jī)車(chē)車(chē)輛軸承診斷儀”[1]儀器可以對(duì)檢修解體后的軸承進(jìn)行檢測(cè)，但系統(tǒng)的抗干擾能力較弱，無(wú)法滿(mǎn)足列車(chē)實(shí)際運(yùn)行中的故障診斷需求[2]；刁寧昆、馬懷祥基于MPE和PSO-SVM建立了軸承故障診斷模型[3]；王貴勇、劉韜通過(guò)聯(lián)合MOMEDA進(jìn)行故障特征提??；周志恒、賀德強(qiáng)基于GA-BP神經(jīng)網(wǎng)絡(luò)并針對(duì)軸承狀態(tài)建立了預(yù)防模型。但國(guó)內(nèi)目前研究結(jié)果還不能應(yīng)用到軸承故障預(yù)測(cè)中，如果能夠?qū)崟r(shí)感知軸承狀態(tài)、跟蹤潛在故障并進(jìn)行針對(duì)性維修，將會(huì)有效降低列車(chē)發(fā)生故障的概率。

綜上所述，本文將針對(duì)數(shù)據(jù)集不均衡、應(yīng)用場(chǎng)景復(fù)雜多變的問(wèn)題進(jìn)行研究，以搭建并優(yōu)化列車(chē)軸承故障診斷模型。

1 膠囊神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)路衍變歷程漫長(zhǎng)且坎坷。作為深度學(xué)習(xí)的代表算法，其在特征提取方向上具有良好的表象能力。與常規(guī)特征提取模型相比，卷積神經(jīng)網(wǎng)絡(luò)的池化層可有效降低數(shù)據(jù)特征維度，泛化能力更突出。但是卷積神經(jīng)網(wǎng)絡(luò)需要龐大的數(shù)據(jù)集訓(xùn)練模型，不能很好地應(yīng)對(duì)模糊性，池化層也會(huì)丟失大量信息，使空間分辨率降低。膠囊神經(jīng)網(wǎng)絡(luò)的提出解決了卷積神經(jīng)網(wǎng)絡(luò)的這一難題。

2017年10月，深度學(xué)習(xí)之父“Hinton”提出了膠囊神經(jīng)網(wǎng)絡(luò)。膠囊神經(jīng)網(wǎng)絡(luò)摒棄了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)復(fù)雜的特征提取方式，提出膠囊的概念，利用膠囊表示一個(gè)事物整體的一個(gè)局部特征，并進(jìn)行高緯度分類(lèi)。具體核心思路如下：第一，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，膠囊神經(jīng)網(wǎng)絡(luò)的基本單元是膠囊（Capsule），其中包括多個(gè)神經(jīng)元。膠囊的輸入、輸出均為向量，向量的長(zhǎng)度代表傳統(tǒng)神經(jīng)元中的概率，向量方向則用來(lái)表示其他信息（位置、顏色等信息）。第二，膠囊神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)路由機(jī)制替代了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的最大池化方法。

2 膠囊神經(jīng)結(jié)構(gòu)

膠囊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為編碼結(jié)構(gòu)和解碼結(jié)構(gòu)。

2.1 編碼結(jié)構(gòu)

以手寫(xiě)體數(shù)字識(shí)別為例，如圖1所示。編碼結(jié)構(gòu)共包括三層網(wǎng)絡(luò)，第一層為卷積層（Conv1層），數(shù)據(jù)傳入膠囊神經(jīng)網(wǎng)絡(luò)先進(jìn)行卷積計(jì)算，初步提取特征，手寫(xiě)體數(shù)字識(shí)別模型中，卷積核的大小為9×9，包括256個(gè)通道，輸出為259個(gè)20×20的特征。此卷積層的激活函數(shù)為ReLU，卷積層初步提取特征后傳遞到下一層基礎(chǔ)膠囊層中。

與卷積神經(jīng)網(wǎng)絡(luò)的采樣層功能類(lèi)似，編碼結(jié)構(gòu)中卷積層后面為基礎(chǔ)膠囊層（Primary Caps）和數(shù)字膠囊層（Digit Caps）。基礎(chǔ)膠囊層可看作特殊的卷積層。利用多個(gè)卷積核來(lái)獲得數(shù)據(jù)中多維實(shí)體特征，將這些特征整合為矢量（8×1）并輸入數(shù)字膠囊層中。數(shù)字膠囊層與全連接層相似，接受來(lái)自基礎(chǔ)膠囊層的輸出矢量，其耦合系數(shù)決定每個(gè)輸入特征的接受程度。由于該模型用于識(shí)別數(shù)字手寫(xiě)體，因此最終輸出10個(gè)膠囊，膠囊維度為16，每個(gè)膠囊的長(zhǎng)度代表其數(shù)字識(shí)別的概率，長(zhǎng)度越大，即該數(shù)字的可能性越大。模型的最終結(jié)果輸出為概率最大的數(shù)字。動(dòng)態(tài)路由機(jī)制僅在基礎(chǔ)膠囊層和數(shù)字膠囊層之間進(jìn)行。

2.2 解碼結(jié)構(gòu)

膠囊神經(jīng)網(wǎng)絡(luò)的解碼結(jié)構(gòu)共包括3個(gè)全連接層，如圖2所示。

先將原始數(shù)據(jù)輸入編碼結(jié)構(gòu)中，經(jīng)過(guò)數(shù)字膠囊層得到每種結(jié)果的預(yù)測(cè)概率。概率最高的被送入解碼結(jié)構(gòu)進(jìn)行重建，獲得重建損失。

2.3 訓(xùn)練過(guò)程

作為膠囊神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，Squashing函數(shù)將輸出向量長(zhǎng)度歸一化。如公式（1）所示。

（1）

式中：Vj為j個(gè)膠囊的總輸出向量；Sj為j個(gè)膠囊的總輸入向量。

傳統(tǒng)網(wǎng)絡(luò)通過(guò)加權(quán)求和的方式獲得網(wǎng)絡(luò)的輸出，膠囊神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)加權(quán)求和的基礎(chǔ)上增加了耦合系數(shù)cij，如公式（2）、公式（3）所示。

Sj=∑iCijj|i （2）

j|i=Wijui （3）

式中：ui表示第l層的第i個(gè)膠囊，為儲(chǔ)存局部信息；Wij代表第l層的第i個(gè)膠囊和第l+1層的第j個(gè)膠囊的權(quán)重矩陣；代表l+1層的第j個(gè)膠囊在第l層的第i個(gè)膠囊下的整體信息預(yù)測(cè)結(jié)果；Cij為每個(gè)底層膠囊與之相對(duì)應(yīng)的高層膠囊之間的權(quán)重。

通過(guò)仿射變換，將ui儲(chǔ)存的局部信息映射為整體信息。Cij由采用的動(dòng)態(tài)路由算法中的softmax函數(shù)決定，如公式（4）所示。

（4）

式中：bij為膠囊i與膠囊j相互耦合的先驗(yàn)概率，bij只依賴(lài)于2個(gè)膠囊的位置與類(lèi)型。

動(dòng)態(tài)路由算法的具體計(jì)算過(guò)程如圖3所示。

2.4 膠囊神經(jīng)網(wǎng)絡(luò)損失函數(shù)

膠囊神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為SVM中的Margin Loss函數(shù)，如公式（5）所示。

Lk=Tkmax（0，m+-||vk||）2+λ（1-Tk）max（0，||vk||-m-）2 （5）

式中：Tk為分類(lèi)指示函數(shù)（k類(lèi)存在即為1，不存在為0）；vk為網(wǎng)絡(luò)輸出數(shù)據(jù)；m+為上界，懲罰假陽(yáng)性，本文選取經(jīng)驗(yàn)值m+=0.9；m-為下界，懲罰假陰性，m-=0.1；λ為比例系數(shù)，調(diào)整兩者比重，默認(rèn)初始值為0.5。

3 試驗(yàn)與分析

3.1 試驗(yàn)環(huán)境

基于膠囊神經(jīng)網(wǎng)絡(luò)的軸承故障診斷模型結(jié)構(gòu)復(fù)雜，為保證模型準(zhǔn)確率，需要龐大的數(shù)據(jù)集支撐，因此試驗(yàn)所用服務(wù)器CPU型號(hào)為i912900KF，顯卡采用RTX3090Ti，內(nèi)存32GB，操作系統(tǒng)為Windows10 64位。模型由Python語(yǔ)言編寫(xiě)，采用tensorflow框架搭建。

3.2 數(shù)據(jù)集

本試驗(yàn)?zāi)Ｐ陀?xùn)練采用的數(shù)據(jù)集為美國(guó)凱斯西儲(chǔ)大學(xué)（Case Western Reserve University，CWRU）的滾動(dòng)軸承數(shù)據(jù)集。該數(shù)據(jù)集是目前軸承故障診斷領(lǐng)域里公認(rèn)的最權(quán)威的用于研究測(cè)試的數(shù)據(jù)集，頂級(jí)期刊《Mechanical Systems and Signal Processing》中有超過(guò)41篇文章是基于該數(shù)據(jù)集做的研究。凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)主要由電動(dòng)機(jī)、功率測(cè)試計(jì)、電子控制器及扭矩傳感器組成。數(shù)據(jù)集共包括8個(gè)正常樣本，53個(gè)外圈故障樣本，23個(gè)內(nèi)圈故障樣本及11個(gè)滾子故障樣本。

3.3 數(shù)據(jù)集預(yù)處理

本試驗(yàn)選取4種數(shù)據(jù)集用于訓(xùn)練模型，每種狀態(tài)共包括10萬(wàn)條數(shù)據(jù)。具體故障類(lèi)型及編號(hào)見(jiàn)表1。

為消除試驗(yàn)數(shù)據(jù)中不同量綱帶來(lái)的影響，加快網(wǎng)絡(luò)模型的訓(xùn)練速度，本試驗(yàn)采用Max（Min-Max Normalization）標(biāo)準(zhǔn)化方式對(duì)每種數(shù)據(jù)個(gè)傳感器數(shù)據(jù)進(jìn)行歸一化處理。計(jì)算方法如公式（6）所示。

（6）

將處理后的數(shù)據(jù)集按4∶1的比例劃分為訓(xùn)練集和驗(yàn)證集，即每組數(shù)據(jù)訓(xùn)練集包括8萬(wàn)條數(shù)據(jù)，驗(yàn)證集包括2萬(wàn)條數(shù)據(jù)。

3.4 網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練神經(jīng)網(wǎng)絡(luò)需喲啊設(shè)置好超參數(shù)，包括學(xué)習(xí)率、迭代次數(shù)、隱含層數(shù)、神經(jīng)元數(shù)量、訓(xùn)練批次以及激活函數(shù)等。神經(jīng)網(wǎng)絡(luò)的超參數(shù)對(duì)其訓(xùn)練過(guò)程和得到的網(wǎng)絡(luò)模型適用能力具有重要影響。

通常增加神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)能提升訓(xùn)練模型的準(zhǔn)確率，擬合效果也會(huì)更好。但網(wǎng)絡(luò)層數(shù)過(guò)多時(shí)，模型也會(huì)存在過(guò)擬合風(fēng)險(xiǎn)，因此試驗(yàn)選取合適的網(wǎng)絡(luò)層數(shù)，在避免過(guò)擬合的同時(shí)盡可能提升模型準(zhǔn)確率。膠囊神經(jīng)網(wǎng)絡(luò)中卷積核大小和步長(zhǎng)對(duì)模型的特征提取具有十分重要的影響。卷積核決定模型的感受野，卷積核越大，可提取的特征越多，但同時(shí)也增加了模型的計(jì)算量，不利于模型的深度擴(kuò)充。而更小的卷積核可以捕捉到更細(xì)節(jié)的特征，通過(guò)多個(gè)小卷積核的堆疊來(lái)代替大卷積核，可減少模型參數(shù)計(jì)算并提升效率。但卷積核過(guò)小，則會(huì)導(dǎo)致數(shù)據(jù)集容量較少時(shí)，不能有效提取特征信息。因此選取合適的卷積核及其他超參數(shù)對(duì)模型的適用質(zhì)量十分重要，需要不斷進(jìn)行測(cè)試。

為提取原始數(shù)據(jù)中更豐富的時(shí)域特征信息，增強(qiáng)模型的特征識(shí)別能力，本試驗(yàn)在原有的膠囊網(wǎng)絡(luò)中增加了注意力機(jī)制。注意力機(jī)制將3個(gè)本征模函數(shù)重構(gòu)、融合為三通道信號(hào)，對(duì)原始信號(hào)降噪，再輸入卷積層中進(jìn)行特征提取。經(jīng)過(guò)2個(gè)卷積層、2個(gè)膠囊層后，輸出判定結(jié)果。與原始的CapsNet相比，模型網(wǎng)絡(luò)結(jié)構(gòu)更深，提高了分類(lèi)精度。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖4、表2所示?；A(chǔ)膠囊層與數(shù)字膠囊層之間為全連接，所有權(quán)重由動(dòng)態(tài)路由算法確定。

3.5 試驗(yàn)結(jié)果與分析

訓(xùn)練效果如圖5所示。本文構(gòu)建的模型經(jīng)過(guò)5h的訓(xùn)練，迭代次數(shù)為6000次，模型訓(xùn)練集準(zhǔn)確率達(dá)95.37%，驗(yàn)證集準(zhǔn)確率高達(dá)93.58%。由此可見(jiàn)，該模型對(duì)列車(chē)軸承故障的診斷能力較高且泛化能力良好。

本文模型與其他軸承故障診斷算法的識(shí)別準(zhǔn)確率比較見(jiàn)表3?？梢钥闯?，同在CWRU數(shù)據(jù)樣本下，本文構(gòu)建的軸承故障診斷模型識(shí)別率明顯高于其他算法。

4 結(jié)語(yǔ)

本文通過(guò)試驗(yàn)驗(yàn)證了基于膠囊神經(jīng)網(wǎng)絡(luò)的軸承故障診斷模型比其他方法更適合列車(chē)軸承故障診斷，該模型結(jié)構(gòu)簡(jiǎn)易，識(shí)別速度快。膠囊網(wǎng)絡(luò)模型特有的空間結(jié)構(gòu)更大限度地挖掘出了振動(dòng)信號(hào)特征，提升了模型的識(shí)別準(zhǔn)確度。目前，深度學(xué)習(xí)仍處于起步階段，今后還需要在和已經(jīng)成熟的模型相結(jié)合方面繼續(xù)探索，進(jìn)一步改進(jìn)其應(yīng)用場(chǎng)景。

參考文獻(xiàn)

[1]吳春復(fù)．JSC—206機(jī)車(chē)軸承診斷儀的應(yīng)用與體會(huì)[J]．鐵道機(jī)車(chē)車(chē)輛，1998（3）：53-57．

[2]張生玉，馮庚斌．JL—601機(jī)車(chē)走行部檢測(cè)系統(tǒng)[J]．鐵道機(jī)車(chē)車(chē)輛，2000（5）：18-20．

[3]刁寧昆，馬懷祥，王金師，等.基于MPE與PSO-SVM的滾動(dòng)軸承故障診斷[J].電子測(cè)量技術(shù)，2021，44（21）：44-48.

[4]孫祺淳，李媛媛.DE算法優(yōu)化CNN的滾動(dòng)軸承故障診斷研究[J].噪聲與振動(dòng)控制，2022，42（4）：165-171，176.

通信作者：郭占廣（1996-），碩士，主要研究方向?yàn)槿斯ぶ悄?、故障診斷等。

電子信箱：812996561@qq.com。