CN113569475B - 一种基于数字孪生技术的地铁轴箱轴承故障诊断*** - Google Patents

Abstract

本发明涉及一种基于数字孪生技术的地铁轴箱轴承故障诊断***，用于实现列车轴箱轴承的在线故障诊断，该***包括：物理空间模块：用以采集地铁轴承的离线数据和在线数据；数据传输及存储模块：用以对物理空间模块采集到的数据进行存储及预处理；虚拟空间及计算机分析模块：接收预处理后的数据并在虚拟空间中建立数字孪生模型，进行仿真得到数字孪生数据，并结合迁移学习进行网络训练；状态评估模块：将预处理后的地铁轴承实时运行数据输入到训练好的孪生神经网络中并进行轴箱轴承的故障诊断；人机交互模块：接收并显示地铁轴箱轴承故障诊断结果。与现有技术相比，本发明具有状态实时监测、降低运维成本、监测结果可靠等优点。

Description

一种基于数字孪生技术的地铁轴箱轴承故障诊断***

技术领域

本发明涉及地铁故障诊断技术领域，尤其是涉及一种基于数字孪生技术的地铁轴箱轴承故障诊断***。

背景技术

轴箱轴承作为地铁列车的重要支承部件，长期处于高转速、重载荷工作状态，并且轴箱轴承内外圈和滚子之间的接触面在列车行驶过程中长时间受到摩擦、损耗、循环应力以及高低温的作用，极易产生疲劳、裂纹、剥蚀、压痕以及断裂，对列车的乘坐舒适性和运营安全性都会造成影响。因此，将先进技术用于轴箱轴承健康状态检测对于保障地铁车辆运营的安全性和可靠性具有重要意义。

现有的轴承检测技术主要分成两类：

(1)通过建立车辆的动力学模型对轴承进行仿真，实现轴承故障诊断；

(2)通过数据驱动建模对轴承诊断。但是由于轴承磨耗机理复杂，需要考虑的影响因素多，且数据的可参考性、适用性不强，这两种传统的建模方式的实时性并不强。

同时，现有的轴承维修方法多是当轴承出现明显故障或者达到额定寿命时由维修人员对轴承进行更换，这就导致很多轴承没有完成实际使用寿命或者在寿命达到、出现故障的情况仍然超负荷工作，这不只对列车运行带来了极大的安全隐患，还造成了资源的浪费。另外，由于转向架拆装较为复杂，因此在维修时段以外的时间，维修人员很难随时获取轴箱轴承的状态。

总体来说，现有技术中，对轴箱轴承的状态无法实时准确地监测，而依靠车间工作人员定期检修转向架时对轴承进行检测，浪费了极大地人力物力，并且行车的安全性无法得到保障。

而目前的卷积神经网络在一维振动信号的检测方面有了长足的发展，而唯一限制卷积神经网络使用的是需要大量的带标签数据，但是通常在实际中无法获取数量庞大的数据。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数字孪生技术的地铁轴箱轴承故障诊断***。

本发明的目的可以通过以下技术方案来实现：

一种基于数字孪生技术的地铁轴箱轴承故障诊断***，用于实现列车轴箱轴承的在线故障诊断，该***包括：

物理空间模块：用以采集地铁轴承的离线数据和在线数据；

数据传输及存储模块：用以对物理空间模块采集到的数据进行存储及预处理；

虚拟空间及计算机分析模块：接收预处理后的数据并在虚拟空间中建立数字孪生模型，进行仿真得到不同工况不同健康状态下的有标签数据，即数字孪生数据，并结合迁移学习进行网络训练；

状态评估模块：将预处理后的地铁轴承实时运行数据输入到训练好的孪生神经网络中并进行轴箱轴承的故障诊断；

人机交互模块：接收并显示地铁轴箱轴承故障诊断结果。

所述的数据传输及存储模块与虚拟空间及计算机分析模块共同构成物联网平台，所述的离线数据包括轴箱轴承材料属性、环境参数、位置参数和几何参数，所述的在线数据包括轴承的实时位置、环境参数以及实时运行数据。

在虚拟空间中建立的数字孪生模型具体包括轴承的应力分布模型以及车辆-轨道耦合动力学模型，轴承的应力分布模型根据轴承几何参数、离线和在线的环境参数、位置信息进行建模，车辆-轨道耦合动力学模型根据历史运行数据、轴承几何参数、离线环境参数和离线位置信息数据建模，并通过数字孪生模型生成不同工况下轴箱轴承不同健康状态下的数字孪生数据用以训练孪生神经网络。

所述的孪生神经网络包括第一网络、第二网络和用以比较提取得到的特征之间距离的Loss层，所述的第一网络具体为有效通道-卷积神经网络(ECA-CNN)，用以提取数字孪生数据的特征，所述的第二网络为有效通道-一维多尺度卷积神经网络(ECA-1dMCNN)，用以提取地铁轴承实时运行数据的特征，所述的有效通道-卷积神经网络由四个卷积层、两个卷积层、两个ECA模块、两个池化层和一个全局均值池化层构成，所述的有效通道-一维多尺度卷积神经网络由两个卷积层、两个ECA模块、两个池化层、两个一维多尺度卷积层和一个全局均值池化层构成。

所述的孪生神经网络的训练过程具体为：

选择一种工况下的仿真数据作为源领域数据，其余工况下的仿真数据作为目标领域数据，通过源领域数据对有效通道-卷积神经网络进行训练得到训练后的有效通道-卷积神经网络，用以实现提取源领域数据特征，通过调节有效通道-卷积神经网络最后一层神经网络参数和全局均值池化层参数完成特征迁移和参数迁移，得到用以提取目标领域数据特征的有效通道-一维多尺度卷积神经网络。

所述的健康状态包括正常轴承、内圈故障、外圈故障和滚子故障状态。

在状态评估模块中，进行轴箱轴承的故障诊断具体为：

将预处理后的地铁轴承实时运行数据输入到有效通道-一维多尺度卷积神经网络中提取实时运行数据特征，计算该实时运行数据特征与通过各工况对应的有效通道-卷积神经网络提取到的数字孪生数据特征之间的欧氏距离，并将欧氏距离最小对应的工况下的健康状态作为故障诊断结果输出。

所述的数据传输及存储模块包括依次连接的传感器、微控制器、总控制器、数据采集器和数据存储及融合子模块，所述的传感器和微控制器通过工业通信协议通信，所述的传感器包括位移传感器、温度传感器和光电式速度传感器，所述的微控制器用于接收测量数据，并适配总线和工业通信协议，所述的总控制器用于汇总各微控制器信号，并转换为统一格式，所述的数据采集器用于接收总控制器转换后的汇总数据，并通过工业以太网将数据传输至数据存储及融合子模块。

所述的数据存储及融合子模块包括物联网服务器、存储装置和数据库，所述的物联网服务器用以接收总控制器传输的数据，并进行预处理，所述的存储装置和数据库用以集成来自物理空间模块、虚拟空间及计算机分析模块的全部数据，并对数据进行融合，所述的全部数据包括轴箱轴承材料属性、环境参数、位置参数、几何参数、轴承实时的位置、环境参数、实时运行数据以及数字孪生数据。

与现有技术相比，本发明具有以下优点：

一、本发明在数字孪生技术的背景下结合深度学***台使得物理空间和虚拟空间实时交互融合，实现地铁车辆轴箱轴承故障诊断，并通过预处理后的离线、在线数据建立数据驱动的故障诊断模型，使得轴承故障诊断从原本的故障后更换转换为现在的状态实时监测，维修方案更加科学，降低运维成本，节省了大量人力；

二、本发明的传感器实时采集的列车轴承数据，建立轴箱轴承数字孪生模型，对于在不同线路运行的列车适应能力强，监测结果更为可靠；

三、本发明将数字孪生技术与深度学习技术相结合，用数字孪生数据解决了卷积神经网络需要大量训练集的短板，并创造性地运用ECA-1dMCNN模型对变工况的实测数据进行特征提取，采用了独特的孪生神经网络，将两种改进型的卷积网络放进了同一种网络，实现对振动信号契合判断的过程。

附图说明

图1为本发明***的结构示意图。

图2为ECA-CNN网络模型示意图。

图3为ECA-1dMCNN网络模型示意图。

图4为卷积神经网络特征提取流程图。

图5为孪生神经网络模型示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示，本发明提供一种基于数字孪生技术的地铁轴箱轴承故障诊断***，用于实现地铁轴箱轴承的故障诊断，运用数字孪生技术以及深度学习技术，对列车轴箱轴承进行故障诊断，该***包括物理空间模块、数据传输及存储模块、虚拟空间及计算机分析模块、状态评估模块和人机交互模块，它们顺序依次相连，形成一个闭合回路，虚拟空间及计算机分析模块和数据传输及存储模块、状态评估模块之间存在双向交互，状态评估模块又可以接收数据传输及存储模块的实测数据，从而对数据库不断补充、完善。

将物理空间模块经由物联网平台和状态评估模块连接后，呈现在人机交互模块中的显示器中；数据传输及存储模块的数据传输模块从物理空间模块采集数据，然后将数据打包上传至存储模块；虚拟空间模块向数据融合及存储模块请求数据后进行参数化建模，虚拟空间模块中用Ansys软件建立的轴承应力分布模型和Simpack软件构建地铁车辆-轨道耦合动力学模型，并将虚拟模型数据输出至计算机分析模块，在计算机分析模块完成神经网络的训练，之后在状态评估模块完成对实测数据的故障诊断，并将结果输出至人机交互模块的显示器中，供维修人员参考，从而完成轴承的故障诊断。

物理空间即包含了人、机和环境一切信息的集合，物理空间模块为数字孪生模型的建立提供离线数据和在线数据的支持，其中，离线数据包括轴箱轴承材料属性、环境参数、位置参数、几何参数，具体地，轴箱轴承几何参数包括内外圈直径、滚子直径、滚子长度、节圆直径等数据以及内外圈损伤、滚子损伤等数据。在线数据包括轴承实时的位置、环境参数以及实时运行数据，具体为列车在运行时轴承的转速、振动频率等数据。

数据传输及存储模块中的数据传输部分包含了数据采集和传输所需要的所有协议、接口和硬件设备，主要包括传感器、工业通信协议、微控制器、总控制器和数据采集器。传感器具体包括位移传感器、温度传感器、光电式速度传感器等设备，其中，位移传感器、温度传感器和安装在车轴上的光电式传感器相互配合，用于测量轴承的转速和温度，微控制器接入测量数据，适配不同总线和工业通信协议；总控制器汇聚不同微控制器信号，转换为统一格式。数据采集器接收微控制器的汇聚数据，通过工业以太网将数据传输至数据存储及融合子模块的物联网服务器和数据库处理。

数据存储及融合子模块中的存储模块包括物联网服务器与数据映射装置，物联网服务器用于接收数据采集器传输的轴箱轴承实时状态数据，并对数据进行预处理，即数据清洗等；数据映射装置包括存储设备和数据库，主要用于集成来自物理、数字空间的全部数据，并在此基础上对数据进行深度的融合，包括传感器数据、数字孪生数据、材料参数最终保持数据的一致性、完整性和实时性，全部数据指代物理空间模块、虚拟空间及计算机分析模块的全部数据，具体包括轴箱轴承材料属性、环境参数、位置参数、几何参数、轴承实时的位置、环境参数、实时运行数据、以及数字孪生数据。

所述的虚拟空间及计算机分析模块，用于在虚拟空间中建立高仿真模型(数字孪生模型)，并获取四种健康状态(正常轴承、内圈故障、外圈故障、滚子故障)下的仿真数据，在计算机分析模块利用有标签的数据对所要使用的卷积神经网络进行训练，在虚拟空间中构建的高仿真模型包括轴承应力分布模型和地铁车辆-轨道耦合动力学模型，并实时校对各模型参数与数据传输及存储模块采集的数据，完成各模型的更新，并输出至计算机分析部分；计算机分析模块所进行的利用数字孪生数据及迁移学习办法训练卷积神经网络模型，在这一过程中，首先用某一工况下的有标签数据作为源领域数据，通过对源领域数据的训练可以获得能提取源领域特征的神经网络，通过微调最后一层的神经网络参数以及全局均值池化层，可以完成对原神经网络的特征迁移、参数迁移，从而得到可以获取目标领域数据特征的神经网络，将它们应用在状态评估模块从而完成轴承的故障诊断。其中车辆-轨道耦合动力学模型在建立过程中，除了车辆的各项参数要严格按照物理参数设置以外，它还包含以下重要步骤，以Simpack拖车动力学模型为例：

1)设置轮轨接触、轨道添加不平顺，实现轨道激励的仿真；

2)依据所采集的物理空间数据，在Simpack的expression中对轴承内部之间的相互作用情况进行计算，在车轴上建立轴承模型，并且将轴承外圈、内圈和滚子等效为力元，之后依据Ansys分析结果，设置力元参数，实现轴箱轴承的模型建立，通过改变力元的大小可以获取四种不同健康状态下的受力情况；

3)设置轨道线路各个路段(直线、缓和曲线、圆曲线)的长度，完成对线路的仿真；

4)将车辆速度设置为0，对车辆整体名义力进行计算，设置求解器，设置车速，对模型进行离线积分，完成某一工况下的仿真；

5)在后处理软件中获取所需的一维振动信号。

如图2、图3和图4所示，卷积神经网络(孪生神经网络)主要是包括ECA-CNN和ECA-1dMCNN两种网络，ECA-CNN网络主要是包括四个卷积层、两个卷积层、两个ECA模块、两个池化层和一个GAP，其前两个卷积层可以缩短向量长度、增加通道数，ECA的使用可以学习卷积层通道信息、获取全局信息，获取特征通道权重并省去中间的全连接层，从而节省运算的时间，GAP使特征通道数变为1方便后续的特征比对，而ECA-1dMCNN网络是对ECA-CNN网络的一种优化，它主要是将ECA-CNN网络中最后两个卷积层换成一维多尺度卷积层，这使得网络可以应对变工况下的特征，其包括两个卷积层、两个ECA模块、两个池化层、两个一维多尺度卷积层(1-Dimensional Multiscale Convolutional Layer,1DMCL)和一个全局均值池化层(GAP)，用两个1DMCL替换掉了网络1中最后两个卷积层，1DMCL的多尺度特征可以大限度地提取变工况下振动信号的特征。

在使用有标签数据对神经网络训练的过程中还使用了迁移学习的方法：首先用某一工况下的有标签数据作为源领域数据，通过对源领域数据的训练可以获得能提取源领域特征的神经网络，通过微调最后一层的神经网络参数以及全局均值池化层，可以完成对原神经网络的特征迁移、参数迁移，从而得到可以获取目标领域数据特征的神经网络。

如图5所示，状态评估模块完成轴箱轴承故障诊断的具体实现步骤如下：

将有标签的数据和预处理后的实测数据分别作为第一输入和第二输入输入到孪生神经网络中，第一输入在第一网络(ECA-CNN)中进行特征提取，同时第二网络(ECA-1dMCNN)对第二输入的特征进行提取，在Loss层通过计算两者欧式距离，分析两者契合程度从而完成轴承的故障定位。另外，在这一过程中，状态评估模块的数据会反馈到虚拟空间中不断完善数字孪生模型，最终实现数字-物理交互。

人机交互模块使维修人员能够通过显示屏看到状态评估模块故障诊断结果，对轴承进行相应的维保操作，从而由虚拟空间到完成对物理空间的映射。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于数字孪生技术的地铁轴箱轴承故障诊断***，用于实现列车轴箱轴承的在线故障诊断，其特征在于，该***包括：

物理空间模块：用以采集地铁轴承的离线数据和在线数据；

数据传输及存储模块：用以对物理空间模块采集到的数据进行存储及预处理；

虚拟空间及计算机分析模块：接收预处理后的数据并在虚拟空间中建立数字孪生模型，进行仿真得到不同工况不同健康状态下的有标签数据，即数字孪生数据，并结合迁移学习进行网络训练；

状态评估模块：将预处理后的地铁轴承实时运行数据输入到训练好的孪生神经网络中并进行轴箱轴承的故障诊断；

人机交互模块：接收并显示地铁轴箱轴承故障诊断结果；

在虚拟空间中建立的数字孪生模型具体包括轴承的应力分布模型以及车辆-轨道耦合动力学模型，轴承的应力分布模型根据轴承几何参数、离线和在线的环境参数、位置信息进行建模，车辆-轨道耦合动力学模型根据历史运行数据、轴承几何参数、离线环境参数和离线位置信息数据建模，并通过数字孪生模型生成不同工况下轴箱轴承不同健康状态下的数字孪生数据用以训练孪生神经网络；

所述的孪生神经网络包括第一网络、第二网络和用以比较提取得到的特征之间距离的Loss层，所述的第一网络具体为有效通道-卷积神经网络，用以提取数字孪生数据的特征，所述的第二网络为有效通道-一维多尺度卷积神经网络，用以提取地铁轴承实时运行数据的特征，所述的有效通道-卷积神经网络由四个卷积层、两个卷积层、两个ECA模块、两个池化层和一个全局均值池化层构成，所述的有效通道-一维多尺度卷积神经网络由两个卷积层、两个ECA模块、两个池化层、两个一维多尺度卷积层和一个全局均值池化层构成；

所述的孪生神经网络的训练过程具体为：

选择一种工况下的仿真数据作为源领域数据，其余工况下的仿真数据作为目标领域数据，通过源领域数据对有效通道-卷积神经网络进行训练得到训练后的有效通道-卷积神经网络，用以实现提取源领域数据特征，通过调节有效通道-卷积神经网络最后一层神经网络参数和全局均值池化层参数完成特征迁移和参数迁移，得到用以提取目标领域数据特征的有效通道-一维多尺度卷积神经网络；

在状态评估模块中，进行轴箱轴承的故障诊断具体为：

将预处理后的地铁轴承实时运行数据输入到有效通道-一维多尺度卷积神经网络中提取实时运行数据特征，计算该实时运行数据特征与通过各工况对应的有效通道-卷积神经网络提取到的数字孪生数据特征之间的欧氏距离，并将欧氏距离最小对应的工况下的健康状态作为故障诊断结果输出。

2.根据权利要求1所述的一种基于数字孪生技术的地铁轴箱轴承故障诊断***，其特征在于，所述的数据传输及存储模块与虚拟空间及计算机分析模块共同构成物联网平台，所述的离线数据包括轴箱轴承材料属性、环境参数、位置参数和几何参数，所述的在线数据包括轴承的实时位置、环境参数以及实时运行数据。

3.根据权利要求1所述的一种基于数字孪生技术的地铁轴箱轴承故障诊断***，其特征在于，所述的健康状态包括正常轴承、内圈故障、外圈故障和滚子故障状态。

4.根据权利要求1所述的一种基于数字孪生技术的地铁轴箱轴承故障诊断***，其特征在于，所述的数据传输及存储模块包括依次连接的传感器、微控制器、总控制器、数据采集器和数据存储及融合子模块，所述的传感器和微控制器通过工业通信协议通信，所述的传感器包括位移传感器、温度传感器和光电式速度传感器，所述的微控制器用于接收测量数据，并适配总线和工业通信协议，所述的总控制器用于汇总各微控制器信号，并转换为统一格式，所述的数据采集器用于接收总控制器转换后的汇总数据，并通过工业以太网将数据传输至数据存储及融合子模块。

5.根据权利要求4所述的一种基于数字孪生技术的地铁轴箱轴承故障诊断***，其特征在于，所述的数据存储及融合子模块包括物联网服务器、存储装置和数据库，所述的物联网服务器用以接收总控制器传输的数据，并进行预处理，所述的存储装置和数据库用以集成来自物理空间模块、虚拟空间及计算机分析模块的全部数据，并对数据进行融合。

6.根据权利要求5所述的一种基于数字孪生技术的地铁轴箱轴承故障诊断***，其特征在于，所述的全部数据包括轴箱轴承材料属性、环境参数、位置参数、几何参数、轴承实时的位置、环境参数、实时运行数据以及数字孪生数据。