CN109840505A - 一种面向全寿命周期轮对踏面的故障诊断方法 - Google Patents
一种面向全寿命周期轮对踏面的故障诊断方法 Download PDFInfo
- Publication number
- CN109840505A CN109840505A CN201910109071.8A CN201910109071A CN109840505A CN 109840505 A CN109840505 A CN 109840505A CN 201910109071 A CN201910109071 A CN 201910109071A CN 109840505 A CN109840505 A CN 109840505A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wheel tread
- value
- output
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 241000196324 Embryophyta Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000003412 degenerative effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 abstract description 4
- 238000006731 degradation reaction Methods 0.000 abstract description 4
- 230000008439 repair process Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种面向全寿命周期轮对踏面的故障诊断方法：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BP神经网络的故障诊断方法，实现了全寿命周期的故障预测。首先对轮对踏面振动信号进行预处理，提取处理后信号的一些特征指标，利用余弦相似度方法筛选出所需要的特征指标；然后建立神经网络，将样本输入进行训练；最后把测试样本输入到训练好的神经网络当中，得到轮对踏面的退化状态。本方法适合于高速列车轮对踏面损伤信号的故障识别方法，能及时发现并感知轮对踏面性能退化程度，跟踪潜在故障，针对性地进行维修，将可有效防止列车事故发生。
Description
技术领域
本发明属于发明涉及故障诊断技术领域，具体涉及一种面向全寿命周期轮对踏面的故障诊断方法。
背景技术
随着我国高速列车行业的迅猛发展，超负荷运行己成为我国高速列车运营的常态，长期如此势必折损高速列车的安全运行寿命。走行部是高速列车安全运营的关键设备，走行部轮对踏面作为其中的关键部件，又是故隨多发部件之一，其工作状态直接影响列车的安全。故研究走行部轮对踏面故障诊断技术对保障列车安全可靠运营有着重大现实意义。我国在高速列车轮对踏面在途故障诊断及全周期寿命预测研究领域开始相对较晚，目前一般采用事后维修、定期检查的维修方式，多数情况下不能及时发现故障，维修模式十分被动，造成人力物力浪费。如果能够在轴承处于＂亚健康＂状态时能及时发现并感知轮对踏面性能退化程度，跟踪潜在故障，针对性地进行维修，将可有效防止列车事故发生。
发明内容
本发明的目的是为克服已有技术的不足，提出一种面向全寿命周期轮对踏面的故障诊断方法。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BP神经网络的故障诊断方法，实现了全寿命周期的故障预测。首先对轮对踏面振动信号进行预处理，提取处理后信号的一些特征指标，利用余弦相似度方法筛选出所需要的特征指标；然后建立神经网络，将样本输入进行训练；最后把测试样本输入到训练好的神经网络当中，得到轮对踏面的退化状态。
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)、把原始信号进行预处理，剔除掉当中存在的异常数据；
2)、提取处理后信号的一些特征指标，可以是时域的特征，也可以是频域或是时频特征，以及一些其他信息指标，这样就得到了可以代表原始信号的特征矩阵；
3)、利用余弦相似度方法筛选出所需要的特征指标，这样就又得到了一个矩阵，此矩阵就可以当作是神经网络的输入样本，其特征相对应的退化状态就是神经网络的输出目标矩阵；
4)、设置好神经网络的各个参数，主要是隐含层节点数的选取，建立神经网络；
5)、将步骤3中的样本输入到步骤4建立中所建立的神经网络当中，对神经网络进行训练，得到训练模型；
6)、把测试样本输入到训练好的神经网络当中，测试其划分轮对踏面退化状态的能力。
优选的，所述的特征向量的提取方法采用小波包分解分析方法。
优选的，所述的隐含层节点数的选取采用经验公式确定。
本发明与现有技术相比，其有益的技术效果为：针对高速列车轮对踏面损伤故障诊断的需求，提出了基于BP神经网络的全寿命周期故障诊断方法，适合于高速列车轮对踏面损伤信号的故障识别方法，能及时发现并感知轮对踏面性能退化程度，跟踪潜在故障，针对性地进行维修，将可有效防止列车事故发生。
附图说明
图1是BP神经网络的原理图。
图2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BP神经网络的故障诊断方法，实现了全寿命周期的故障预测。首先对轮对踏面振动信号进行预处理，提取处理后信号的一些特征指标，利用余弦相似度方法筛选出所需要的特征指标；然后建立神经网络，将样本输入进行训练；最后把测试样本输入到训练好的神经网络当中，得到轮对踏面的退化状态。
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)、把原始信号进行预处理，剔除掉当中存在的异常数据；
2)、提取处理后信号的一些特征指标，可以是时域的特征，也可以是频域或是时频特征，以及一些其他信息指标，这样就得到了可以代表原始信号的特征矩阵；
3)、利用余弦相似度方法筛选出所需要的特征指标，这样就又得到了一个矩阵，此矩阵就可以当作是神经网络的输入样本，其特征相对应的退化状态就是神经网络的输出目标矩阵；
具体是，运用余弦相似度cosθ对方向的敏感性，运用余弦相似度去计算每一个特征指标和数据值的拟合曲线的余弦相似度，即是各个特征指标和数据值在空间上的一致性。若a，b是两个n维的空间向量，运用上述方法计算其相似性得：
其值越大说明一致性越高也就越能够表征轮对踏面的退化过程，
4)、设置好神经网络的各个参数，主要是隐含层节点数的选取，建立神经网络；
具体是通过调节权值不断的缩小总体误差使之达到最小的方法建立神经网络，运用梯度搜索的算法，使得神经网络的实际输出和目标值的误差的均方值为最小。
进一步的，首先计算隐含层和输出层各个神经元的输出，隐含层第i个节点的输出为：
输出层第k个节点的输出为：
式中f和分别为隐含层和输出层激活函数，M和q分别为隐含层和输出层输入向量维度，wij和wki分别为输入层和隐含层的权值以及隐含层和输出层的权值，θi和ak分别为隐含层和输出层的阈值，xi为第i个节点的实际输入。
每一个样本p的二次型误差函数Ep为：
***对p个训练样本的总误差准则函数为：
式中和分别为目标值和预测值。
调整输出层和隐含层的加权系数，直到误差结果达到预先设定的值，循环结束，得到最终的结果。
5)、将步骤3中的样本输入到步骤4建立中所建立的神经网络当中，对神经网络进行训练，得到训练模型；
具体是选好训练样本，初始化其权值分布；运用具有初始权重分布的训练样本学习，获取多个基本(子)分类器；计算子分类器在训练数据上的分类误差值和子分类器的系数，此系数代表子分类器在最终分类器中的重要程度，更新训练数据集权值分布情况。权值更新原则是増加前一轮子分类器错误分类样本的权重，使被错误分类的数据在后一轮弱分类器中得到更到的关注度，这样分类问题就被多个子分类器分而治之；将多个子分类器通过联合方式组织起来，进而形成最终分类误差小且稳定的强分类器训练模型。
6)、把测试样本输入到训练好的神经网络当中，测试其划分轮对踏面退化状态的能力。
优选的，所述的特征向量的提取方法采用小波包分解分析方法。
具体是，小波包分解信号后，得到G个频带，各频带的能量Ei为：
式中Ni是第i个子频带的数据长度，k代表尺度，表示小波包的分解系数；此信号的能量有效值Er为：
对每个频带能量值归一化处理，得到能量特征向量T为：
优选的，所述的隐含层节点数的选取采用经验公式确定。
具体是，采用相应的经验公式如下：
式中n1是隐含层节点的个数，n是输入单元数，m是输出单元数，c是[1，10]之间的常数。
本发明与现有技术相比，其有益的技术效果为：针对高速列车轮对踏面损伤故障诊断的需求，提出了基于BP神经网络的全寿命周期故障诊断方法，适合于高速列车轮对踏面损伤信号的故障识别方法，能及时发现并感知轮对踏面性能退化程度，跟踪潜在故障，针对性地进行维修，将可有效防止列车事故发生。
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。
Claims (3)
1.一种面向全寿命周期轮对踏面的故障诊断方法，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BP神经网络的故障诊断方法，实现了全寿命周期的故障预测；
面向全寿命周期轮对踏面的故障诊断方法主要包含以下步骤：
1)、把原始信号进行预处理，剔除掉当中存在的异常数据；
2)、提取处理后信号的一些特征指标，可以是时域的特征，也可以是频域或是时频特征，以及一些其他信息指标，这样就得到了可以代表原始信号的特征矩阵；
3)、利用余弦相似度方法筛选出所需要的特征指标，这样就又得到了一个矩阵，此矩阵就可以当作是神经网络的输入样本，其特征相对应的退化状态就是神经网络的输出目标矩阵；
具体是，运用余弦相似度cosθ对方向的敏感性，运用余弦相似度去计算每一个特征指标和数据值的拟合曲线的余弦相似度，即是各个特征指标和数据值在空间上的一致性，若
a，b是两个n维的空间向量，运用上述方法计算其相似性得：
其值越大说明一致性越高也就越能够表征轮对踏面的退化过程；
4)、设置好神经网络的各个参数，主要是隐含层节点数的选取，建立神经网络；
具体是通过调节权值不断的缩小总体误差使之达到最小的方法建立神经网络，运用梯度搜索的算法，使得神经网络的实际输出和目标值的误差的均方值为最小；
进一步的，首先计算隐含层和输出层各个神经元的输出，隐含层第i个节点的输出为：
输出层第k个节点的输出为：
式中f和分别为隐含层和输出层激活函数，M和q分别为隐含层和输出层输入向量维度，wij和wki分别为输入层和隐含层的权值以及隐含层和输出层的权值，θi和ak分别为隐含层和输出层的阈值，xi为第i个节点的实际输入；
每一个样本p的二次型误差函数Ep为：
***对p个训练样本的总误差准则函数为：
式中和分别为目标值和预测值；
调整输出层和隐含层的加权系数，直到误差结果达到预先设定的值，循环结束，得到最终的结果；
5)、将步骤3中的样本输入到步骤4建立中所建立的神经网络当中，对神经网络进行训练，得到训练模型；
具体是选好训练样本，初始化其权值分布；运用具有初始权重分布的训练样本学习，获取多个基本(子)分类器；计算子分类器在训练数据上的分类误差值和子分类器的系数，此系数代表子分类器在最终分类器中的重要程度，更新训练数据集权值分布情况；权值更新原则是増加前一轮子分类器错误分类样本的权重，使被错误分类的数据在后一轮弱分类器中得到更到的关注度，这样分类问题就被多个子分类器分而治之；将多个子分类器通过联合方式组织起来，进而形成最终分类误差小且稳定的强分类器训练模型；
6)、把测试样本输入到训练好的神经网络当中，测试其划分轮对踏面退化状态的能力。
2.根据权利要求1所述的一种面向全寿命周期轮对踏面的故障诊断方法，其特征在于：所述的特征向量的提取方法采用小波包分解分析方法；
具体是，小波包分解信号后，得到M个频带，各频带的能量Ei为：
式中Ni是第i个子频带的数据长度，k代表尺度，表示小波包的分解系数；此信号的能量有效值Er为：
对每个频带能量值归一化处理，得到能量特征向量T为：
3.根据权利要求1所述的一种面向全寿命周期轮对踏面的故障诊断方法，其特征在于：所述的隐含层节点数的选取采用经验公式确定，
具体是，采用相应的经验公式如下：
式中n1是隐含层节点的个数，n是输入单元数，m是输出单元数，c是[1，10]之间的常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910109071.8A CN109840505A (zh) | 2019-02-03 | 2019-02-03 | 一种面向全寿命周期轮对踏面的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910109071.8A CN109840505A (zh) | 2019-02-03 | 2019-02-03 | 一种面向全寿命周期轮对踏面的故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109840505A true CN109840505A (zh) | 2019-06-04 |
Family
ID=66884535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910109071.8A Pending CN109840505A (zh) | 2019-02-03 | 2019-02-03 | 一种面向全寿命周期轮对踏面的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109840505A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310896A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
| CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及*** |
| CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及*** |
| CN114139598A (zh) * | 2021-10-18 | 2022-03-04 | 湖南工业大学 | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199424A (zh) * | 2016-06-29 | 2016-12-07 | 湖南工业大学 | 一种永磁同步电机匝间短路故障诊断方法 |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
-
2019
- 2019-02-03 CN CN201910109071.8A patent/CN109840505A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199424A (zh) * | 2016-06-29 | 2016-12-07 | 湖南工业大学 | 一种永磁同步电机匝间短路故障诊断方法 |
| CN106441888A (zh) * | 2016-09-07 | 2017-02-22 | 广西大学 | 一种高速列车滚动轴承故障诊断方法 |
| CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
| CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHANGFAN ZHANG 等: "The Study of Surface State Identification Based on Bp_adaboost Algorithm", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 * |
| 杨治飞: "滚动轴承的故障特征提取及剩余寿命预测研究", 《中国优秀硕士学位论文全文数据库 工程科技辑》 * |
| 蔡伟 著: "《液压***非介入式监测技术》", 31 July 2017 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310896A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
| CN111310896B (zh) * | 2020-02-13 | 2023-10-20 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
| CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及*** |
| CN113776834A (zh) * | 2021-10-11 | 2021-12-10 | 山东大学 | 基于离散余弦循环谱相干的滚动轴承故障诊断方法及*** |
| CN114139598A (zh) * | 2021-10-18 | 2022-03-04 | 湖南工业大学 | 基于深度代价敏感卷积网络的故障诊断方法及诊断框架 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840505A (zh) | 一种面向全寿命周期轮对踏面的故障诊断方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| Liang et al. | Convolutional Recurrent Neural Network for Fault Diagnosis of High‐Speed Train Bogie | |
| CN102663264B (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
| CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN110261109A (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
| CN106407649A (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
| CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
| CN108833409A (zh) | 基于深度学习和半监督学习的webshell检测方法及装置 | |
| CN112070128A (zh) | 一种基于深度学习的变压器故障诊断方法 | |
| Chopra et al. | Fault detection and classification by unsupervised feature extraction and dimensionality reduction | |
| Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| Deng et al. | Rolling bearing fault diagnosis based on Deep Boltzmann machines | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| Tao et al. | Fault diagnosis of rolling bearing using deep belief networks | |
| CN105046322A (zh) | 一种丝杠故障诊断方法 | |
| CN114964781B (zh) | 一种列车轴承故障智能诊断方法 | |
| Kaloni et al. | Nonparametric damage detection and localization model of framed civil structure based on local gravitation clustering analysis | |
| Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
| CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| Wang et al. | Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN111488711A (zh) | 一种网络鲁棒性评估方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190604 |
|
| RJ01 | Rejection of invention patent application after publication |