CN114330096A - 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，涉及轨道交通中的电机轴承故障诊断领域。具体使用轨道交通电机轴承加速度传感器信号进行深度学习网络训练，然后深度学习网络采用卷积神经网络或长短时记忆网络，可为轨道交通电机轴承健康监测提供一种高效准确的解决方案新范式。在牵引电机上安装加速度传感器，对电机振动信号进行实时采集和智能分析，从而实现对电机轴承实时正常状态监测和故障程度检测。本发明使用深度学习方法训练网络模型，可有效提高对故障类型和故障程度的分类准确度；数据采样为单轴加速度传感器，可有效降低数据采集的硬件成本，带来经济效益；能够结合数据特点，选择网络的类型和深度进行模型优化。

Description

基于深度学习的轨道交通电机轴承故障程度分类模型构建 方法

技术领域

本发明涉及轨道交通中的电机轴承故障诊断领域，具体为一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法。

背景技术

近年来，随着全国轨道交通发展建设的热潮，轨道交通运营总里程及车辆总数不断上升，列车车辆的复杂性及综合化不断提升，这对轨道交通设备的安全性和维修的高效性提出了更高的要求。可是目前常用列车检修维修方式并不能完全跟上轨道交通发展的步伐，当前的维修方式不仅消耗较多人力资源，也会因为检修不及时等原因导致设备故障发生，从而造成经济损失，甚至危及乘客安全.因此研究利用列车状态历史数据提前进行故障的可靠预测和准确维修，对保护乘客安全，降低经济损失，减轻维护人员工作量具有重要意义。现行轨道交通车辆“计划维修”和“事后维修”维护方式已经不能满足其维护需求，具备“视情维修”能力的故障预测与健康管理(PHM)技术正日益受到关注。

轨道交通车辆的大型化、复杂化都导致了故障的高发率。轨道交通车辆电机是其传动链部分最关键部位，对电机轴承故障及严重程度的分析，直接会影响车辆是否正常运行。预测性维护是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。一个值得注意的发展方向是深度学习在预测性维护方面的应用。通过对轨道交通电机轴承的加速度传感器信号进行监测，通过对信号的分析、统计和分类来实现对故障的诊断和预测。对传感器数据的处理和深度学习算法故障诊断模型的构建显得尤为重要。

在现有技术中，与此相关的技术有两个方向，分别如下：

一种为在针对轨道交通电机轴承的加速度数据处理时，从时域或频域信号中提取特征，然后使用机器学习算法分析这些特征。在轴承发生故障时，轴承的振动幅度会大幅增加，同时会产生相对应的冲击信号。峰值指标通常用于检测轴承剥落、裂纹等情况引起的冲击性振动，峭度指标则用于轴承最早期的故障诊断。波形指标则经常用于检测轴承各部件因凹坑、刻痕、剥落和擦伤等离散型缺陷引起的机械故障。在轴承故障诊断过程中，滚动轴承的故障特征通常为调制现象，振动信号时域波形较为复杂，无法直观表达故障信号特征。而振动频率信号具备客观性，能更好的反映振动信号的基本特征。通过傅立叶变换将时域振动信号转变为频域振动信号，频谱能直观反映能量大小、频率组成和振动信号的相位。但是该方法存在的缺陷为：对电机轴承加速度传感器数据进行时域或频域特征模型训练时，往往需要加速度传感器3轴信号来进行特征的提取。而且当算法工程师轴承专业知识比较匮乏、轴承故障程度不同，及噪声干扰等情况下，往往模型的分类效果更差，分类精度不高，存在误判及漏判的隐患，而且模型泛化能力较差，很难对不同转速条件的信号特征同时进行响应。

另外的方向：无论时域故障诊断法还是频域故障诊断法，都有一定的局限性，不能使振动信号的全面性和局部性得到很好的反映，于是一种新的诊断方法产生，就是时频故障诊断法。时频故障诊断法将时域和频域有机结合成时频相平面，得到不同时刻的振动信号频谱图。目前得到广泛应用的时频故障诊断方法主要有Hilbert—Huang变换(HHT)和包络调解法。包络解调法是利用包络检波和对包络信号进行谱分析，再根据解调出的谱峰对故障进行诊断识别。包络解调法尤为适用于高频冲击振动，至今，包络解调法仍是对于高频的冲击振动唯一有效的重要分析手段。包络解调法主要用于轴承的高精密故障诊断，不仅能诊断出故障部位，而且还能判断故障类型。但是该方法所存在的缺陷为：使用的包络分析和小波变换等，仍然很大程度上依赖于人工的特征提取和专业知识积累，对故障算法模型的建模提出了更高的要求。而且，当故障分类类别过多，训练数据量较少时，这种模型比较容易出现过拟合现象，使得测试集准确率下降，造成训练模型无法泛化的难题。

因此基于上述两种方法的缺陷，需要构造新的故障诊断方法。

发明内容

本发明为了解决轨道交通电机轴承故障的诊断在上述方法中所存在的缺陷问题，提供了一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法。

本发明的目的在于使用轨道交通电机轴承加速度传感器信号进行深度学习网络训练，形成一种轨道交通电机轴承的故障类型及故障严重程度的诊断方法。深度学习网络采用卷积神经网络或长短时记忆网络，可为轨道交通电机轴承健康监测提供一种高效准确的解决方案新范式。在牵引电机上安装加速度传感器，对电机振动信号进行实时采集和智能分析，从而实现对电机轴承实时正常状态监测和故障程度检测。本发明是通过如下技术方案来实现的：

一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，包括如下步骤：

步骤1、预置轴承故障类型及数量：预置的轴承故障及严重程度类型数量为A；

步骤2、原始信号采集与分帧处理：

a、轨道交通电机安装在联调试验台上，电机空载运行；利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号，每个轴承故障类型下分别采集转速1000~4500 rpm下的T时间范围内的连续的Z轴方向加速度信号，而得到A个原始信号，每个原始信号被分割成B份，每份的时间间隔t等于T/B，并对每份添加故障类型标签，使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为Fs，这样每个带故障标签时间序列数据包含N个采样点，N＝T/B×Fs；

b、每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点，经过离散傅立叶变换的快速算法FFT（Fast Fourier Transform），得到N个采样点的FFT结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维1×N变为时域频域二维2×N，在FFT变换之前，每个带故障标签时间序列数据属于一维的时间序列，对仅有一个时域维度的信号进行分析是比较难的，往往需要比较深层的网络结构且耗费较多的计算资源才能完成辨识需求。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了，FFT并曾经一度被认为是信号分析技术划时代的进步。每个带故障标签时间序列数据从时域一维1×N变为时域频域二维2×N，是把原始的N点序列，依次分解成一系列的短序列；充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的离散傅里叶变换值并进行组合，达到删除重复计算，减少乘法运算和简化结构的目的；为实现离散傅立叶变换的快速算法FFT，需要满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即电机最大转速（rps）的2倍，以满足香农采样定理；

c、每个原始信号数据集中按照训练集、验证集、测试集的比例为8:1:1随机分配数据，最终共计得到A×n×B×80%个数据作为训练样本，A×n×B×10%个数据作为验证样本，其余的A×n×B×10%个数据作为测试样本；

步骤3、建立深度学习网络：

训练一个深度学习网络模型用于处理分类任务，此模型是卷积神经网络CNN或者长短时记忆网络LSTM；CNN通常包括卷积层，ReLU激活层和池化层等几个关键层级。长短时记忆网络（LSTM）是循环神经网络（RNN）中最经典的结构，也非常适合涉及序列数据的分类任务：

a、卷积神经网络CNN网络的处理过程：如图2所示，将二维序列数据升维变成三维图像数据输入图像输入层；接着利用卷积层提取图像特征，其中卷积层、批量归一化层、ReLU激活层和池化层作为一个完整的特征提取过程；当需要时可以作为一个整体进行扩展，形成多个卷积特征提取过程；特征提取完成后，使用丢弃层防止模型过拟合；然后使用全连接层用于组合之前找到的特征；分类函数层Softmax对输出全连接的特征进行加权和分类计算；分类层将网络训练的结果输出为故障的类别；

b、长短时记忆网络LSTM网络的处理过程：如图3所示，将二维序列数据输入序列输入层；长短时记忆层学习序列数据时间步长之间的长期依赖关系；丢弃层，以一定的概率随机忽略隐层节点；当需要时可以将长短时记忆层和丢弃层作为一个整体进行扩展，形成多层记忆依赖过程；每次网络迭代时都会随机忽略一些隐层节点，防止网络过拟合；全连接层用于组合之前找到的特征；分类函数层Softmax对输出全连接的特征进行加权和分类计算；分类层将网络训练的结果输出为故障的类别；

c、将步骤2的训练样本中的数据输入CNN或LSTM网络进行训练，并指定网络的训练参数；将步骤2的验证样本中的数据对当前训练网络的识别准确率进行验证，并达到所需准确率，保存此时刻CNN或LSTM网络模型；

步骤4、验证模型分类结果：

将步骤2中的验证样本导入步骤3中形成的CNN模型或LSTM模型中进行分类，而得到故障类型和严重程度的分类结果，并得到分类结果的总体准确率；若分类总体准确率不满足用户指标要求，则返回步骤3中对CNN或LSTM网络深度或层数进行调整，并对训练参数进行修改，直至分类总体准确率满足达到要求。

与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，（1）使用深度学习方法训练网络模型，可有效提高对故障类型和故障程度的分类准确度；（2）数据采样为单轴加速度传感器，可以有效降低数据采集的硬件成本，带来可观的经济效益。（3）能够结合数据特点，可选择网络的类型和深度进行模型优化。

附图说明

图1为基于深度学习的故障识别过程图。

图2为卷积神经网络的网络结构图。

图3为长短时记忆网络的网络结构。

图4为两个实施例中每类故障类型的时域波形图。

图5为实施例一中使用的卷积神经网络结构示意图。

图6为实施例一中卷积神经网络的训练过程。

图7为实施例一中验证样本分类混淆矩阵图。

图8为实施例二中使用的长短时记忆网络结构示意图。

图9为实施例二中长短时记忆网络的训练过程图。

图10为实施例二中验证样本分类混淆矩阵图。

具体实施方式

以下结合具体实施例对本发明作进一步说明。

实施例一

一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，设计架构如图1所示，包括如下步骤：

步骤1、预置某型号轴承故障类型及数量8种：

故障类型一： 内圈1.1 mm深（内圈故障程度1级）

故障类型二： 内圈1.5 mm深（内圈故障程度2级）

故障类型三： 内圈1.7 mm深（内圈故障程度3级）

故障类型四： 内圈2.0 mm深（内圈故障程度4级）

故障类型五： 滚子0.6 mm深（滚子故障程度1级）

故障类型六： 滚子1.2 mm深（滚子故障程度2级）

故障类型七： 滚子1.5 mm深（滚子故障程度3级）

故障类型八： 滚子1.7 mm深（滚子故障程度4级）

步骤2、原始信号采集与分帧处理：每类故障类型的时域波形如图4所示：

a、某型号机车电机安装在联调试验台，电机空载运行；采集电机传动端各故障类型轴承在电机转速1000~4500 rpm下240秒内连续的Z轴方向加速度信号，得到8个原始信号，每个原始信号被分割成2400份，每份的时间间隔t等于0.1秒，并对每份添加故障类型标签，使每个原始信号形成由2400个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为25.6 kHz，这样每个带故障标签时间序列数据包含2560个采样点；

b、每个原始信号数据集的每个带故障标签时间序列数据中的2560个采样点，经过离散傅立叶变换的快速算法FFT，得到2560个采样点的FFT结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×2560）变为时域频域二维（2×2560）；为实现离散傅立叶变换的快速算法FFT，应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即电机最大转速的2倍；

c、按照训练集、验证集、测试集比例8:1:1随机分配数据，共计得到15360（8×2400×80%）个数据作为训练样本，1920（8×2400×10%）个作为验证样本，其余的1920（8×2400×10%）个数据作为测试样本。

步骤3、建立深度学习网络：

训练一个卷积神经网络CNN模型，CNN网络主要由29层组成，结构如图5所示；将步骤2的训练样本二维序列数据升维成三维图像数据输入图像输入层，并指定网络的训练参数如下：图像输入层（imageInputLayer）特征参数为[2×2560×1]；卷积网络层中使用了6个卷积层（convolutionLayer），卷积核大小均为[1×8]， 6个ReLU激活层（reluLayer）和6个批归一化层（batchNormalizationLayer），5个最大值池化层（maxPoolingLayer），池化核大小均为[1×2]，1个平均值池化层（maxPoolingLayer），池化核大小均为[1×32]；丢弃层（dropoutLayer）丢弃概率0.5；全连接层（fullyConnectedLayer）、分类函数（softmaxLayer）层和分类（classificationLayer）层将网络的输出定义为8种故障类型；求解器使用“随机梯度下降”（SGD）。训练过程中使用步骤2的验证样本对网络的识别准确率和泛化能力进行验证，准确率达到99%以上，保存此时刻卷积神经网络CNN模型。设置验证样本准确率作为网络收敛条件，如图6所示，网络训练时训练样本和验证样本损失函数一直在降低，同时准确率一直在上升，而且训练效率较高。

步骤4、验证模型分类结果：

将步骤2中的验证样本导入步骤3中卷积神经网络中进行分类，最终对8种分类的结果进行验证，验证的总体准确率超过99.3%，如图7所示。

实施例二

一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，包括如下步骤：

步骤1、预置某型号轴承故障类型及数量8种：

故障类型一： 内圈1.1 mm深（内圈故障程度1级），

故障类型二： 内圈1.5 mm深（内圈故障程度2级），

故障类型三： 内圈1.7 mm深（内圈故障程度3级），

故障类型四： 内圈2.0 mm深（内圈故障程度4级），

故障类型五： 滚子0.6 mm深（滚子故障程度1级），

故障类型六： 滚子1.2 mm深（滚子故障程度2级），

故障类型七： 滚子1.5 mm深（滚子故障程度3级），

故障类型八： 滚子1.7 mm深（滚子故障程度4级）；

步骤2、原始信号采集与分帧处理：

a、某型号机车电机安装在联调试验台，电机空载运行；采集电机传动端各故障类型轴承在电机转速1000~4500 rpm下240秒内连续的Z轴方向加速度信号，得到8个原始信号，每个原始信号被分割成2400份，每份的时间间隔t等于0.1秒，并对每份添加故障类型标签，使每个原始信号形成由2400个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为25.6 kHz，这样每个带故障标签时间序列数据包含2560个采样点；

b、每个原始信号数据集的每个带故障标签时间序列数据中的2560个采样点，经过离散傅立叶变换的快速算法FFT，得到2560个采样点的FFT结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×2560）变为时域频域二维（2×2560）；为实现离散傅立叶变换的快速算法FFT，应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即电机最大转速的2倍；

c、按照训练集、验证集、测试集比例8:1:1随机分配数据，共计得到15360（8×2400×80%）个数据作为训练样本，1920（8×2400×10%）个作为验证样本，其余的1920（8×2400×10%）个数据作为测试样本。

步骤3、建立深度学习网络：

训练一个长短时记忆网络LSTM模型，LSTM网络主要由8层组成，结构如图8所示；将步骤2的训练样本二维序列数据输入序列输入层，并指定网络的训练参数如下：序列输入层（sequenceInputLayer）特征参数为2；第一个长短期记忆层（lstmLayer）包含10个隐层单元；第二个长短期记忆层（lstmLayer）包含100个隐层单元；两个丢弃层（dropoutLayer）丢弃概率0.2；全连接层（fullyConnectedLayer）、分类函数（softmaxLayer）层和分类（classificationLayer）层将网络的输出定义为8种故障类型；求解器使用“矩估计求解”（adam）。训练过程中使用步骤2的验证样本对网络的识别准确率和泛化能力进行验证，准确率达到99%以上，保存此时刻长短时记忆网络LSTM模型。设置验证样本准确率作为网络收敛条件，如图9所示，网络训练时训练样本和验证样本损失函数一直在降低，同时准确率一直在上升，而且训练效率较高。

步骤4、验证模型分类结果：

将步骤2中的验证样本导入步骤3中长短时记忆网络中进行分类，最终对8种分类的结果进行验证，验证的总体准确率超过98.3%，如图10所示。

本发明要求保护的范围不限于以上两种具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：包括如下步骤：

步骤1、预置轴承故障类型及数量：预置的轴承故障及严重程度类型数量为A；

步骤2、原始信号采集与分帧处理：

a、轨道交通电机安装在联调试验台上，电机空载运行；利用单轴加速度传感器采集传动端轴承的Z轴方向加速度信号，每个轴承故障类型下分别采集转速1000~4500 rpm下的T时间范围内的连续的Z轴方向加速度信号，而得到A个原始信号，每个原始信号被分割成B份，每份的时间间隔t等于T/B，并对每份添加故障类型标签，使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为Fs，这样每个带故障标签时间序列数据包含N个采样点，N＝T/B×Fs；

b、每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点，经过离散傅立叶变换的快速算法FFT，得到N个采样点的FFT结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维1×N变为时域频域二维2×N，是把原始的N点序列，依次分解成一系列的短序列；充分利用离散傅里叶变换计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的离散傅里叶变换值并进行组合，达到删除重复计算，减少乘法运算和简化结构的目的；为实现离散傅立叶变换的快速算法FFT，需要满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即电机最大转速（rps）的2倍，以满足香农采样定理；

c、每个原始信号数据集中按照训练集、验证集、测试集的比例为8:1:1随机分配数据，最终共计得到A×n×B×80%个数据作为训练样本，A×n×B×10%个数据作为验证样本，其余的A×n×B×10%个数据作为测试样本；

步骤3、建立深度学习网络：

训练一个深度学习网络模型用于处理分类任务，此模型是卷积神经网络CNN或者长短时记忆网络LSTM；

a、卷积神经网络CNN网络的处理过程：将二维序列数据升维变成三维图像数据输入图像输入层；接着利用卷积层提取图像特征，其中卷积层、批量归一化层、ReLU激活层和池化层作为一个完整的特征提取过程；当需要时可以作为一个整体进行扩展，形成多个卷积特征提取过程；特征提取完成后，使用丢弃层防止模型过拟合；然后使用全连接层用于组合之前找到的特征；分类函数层Softmax对输出全连接的特征进行加权和分类计算；分类层将网络训练的结果输出为故障的类别；

b、长短时记忆网络LSTM网络的处理过程：将二维序列数据输入序列输入层；长短时记忆层学习序列数据时间步长之间的长期依赖关系；丢弃层，以一定的概率随机忽略隐层节点；当需要时可以将长短时记忆层和丢弃层作为一个整体进行扩展，形成多层记忆依赖过程；每次网络迭代时都会随机忽略一些隐层节点，防止网络过拟合；全连接层用于组合之前找到的特征；分类函数层Softmax对输出全连接的特征进行加权和分类计算；分类层将网络训练的结果输出为故障的类别；

c、将步骤2的训练样本中的数据输入CNN或LSTM网络进行训练，并指定网络的训练参数；将步骤2的验证样本中的数据对当前训练网络的识别准确率进行验证，并达到所需准确率，保存此时刻CNN或LSTM网络模型；

步骤4、验证模型分类结果：

将步骤2中的验证样本导入步骤3中形成的CNN模型或LSTM模型中进行分类，而得到故障类型和严重程度的分类结果，并得到分类结果的总体准确率；若分类总体准确率不满足用户指标要求，则返回步骤3中对CNN或LSTM网络深度或层数进行调整，并对训练参数进行修改，直至分类总体准确率满足达到要求。

2.根据权利要求1所述的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：所述步骤1中，预置轴承故障类型及数量8种，分别如下：

故障类型一： 内圈1.1 mm深，内圈故障程度1级；

故障类型二： 内圈1.5 mm深，内圈故障程度2级；

故障类型三： 内圈1.7 mm深，内圈故障程度3级；

故障类型四： 内圈2.0 mm深，内圈故障程度4级；

故障类型五： 滚子0.6 mm深，滚子故障程度1级；

故障类型六： 滚子1.2 mm深，滚子故障程度2级；

故障类型七： 滚子1.5 mm深，滚子故障程度3级；

故障类型八： 滚子1.7 mm深，滚子故障程度4级。

3.根据权利要求1所述的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：所述步骤2中：

a、采集电机传动端各故障类型轴承在电机转速1000~4500 rpm下240秒内连续的Z轴方向加速度信号，得到8个原始信号，每个原始信号被分割成2400份，每份的时间间隔t等于0.1秒，并对每份添加故障类型标签，使每个原始信号形成由2400个带故障标签时间序列数据构成的原始信号数据集；单轴加速度传感器的信号采样频率为25.6 kHz，这样每个带故障标签时间序列数据包含2560个采样点；

b、每个原始信号数据集的每个带故障标签时间序列数据中的2560个采样点，经过离散傅立叶变换的快速算法FFT，得到2560个采样点的FFT结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维1×2560变为时域频域二维2×2560；为实现离散傅立叶变换的快速算法FFT，应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率即电机最大转速的2倍；

c、按照训练集、验证集、测试集比例8:1:1随机分配数据，共计得到15360=8×2400×80%个数据作为训练样本，1920=8×2400×10%个作为验证样本，其余的1920=8×2400×10%个数据作为测试样本。

4.根据权利要求1所述的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：所述步骤3中：

训练一个卷积神经网络CNN模型，CNN网络由29层组成，将步骤2的训练样本二维序列数据升维成三维图像数据输入图像输入层，并指定网络的训练参数如下：图像输入层imageInputLayer特征参数为[2×2560×1]；卷积网络层中使用了6个卷积层convolutionLayer，卷积核大小均为[1×8]， 6个ReLU激活层reluLayer和6个批归一化层batchNormalizationLayer，5个最大值池化层maxPoolingLayer，池化核大小均为[1×2]，1个平均值池化层maxPoolingLayer，池化核大小均为[1×32]；丢弃层dropoutLayer丢弃概率0.5；全连接层fullyConnectedLayer、分类函数softmaxLayer层和分类classificationLayer层将网络的输出定义为8种故障类型；求解器使用“随机梯度下降”SGD；训练过程中使用步骤2的验证样本对网络的识别准确率和泛化能力进行验证，准确率达到99%以上，保存此时刻卷积神经网络CNN模型；设置验证样本准确率作为网络收敛条件。

5.根据权利要求1所述的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：所述步骤3中：

训练一个长短时记忆网络LSTM模型，LSTM网络主要由8层组成，将步骤2的训练样本二维序列数据输入序列输入层，并指定网络的训练参数如下：序列输入层sequenceInputLayer特征参数为2；第一个长短期记忆层lstmLayer包含10个隐层单元；第二个长短期记忆层lstmLayer包含100个隐层单元；两个丢弃层dropoutLayer丢弃概率0.2；全连接层fullyConnectedLayer、分类函数softmaxLayer层和分类classificationLayer层将网络的输出定义为8种故障类型；求解器使用“矩估计求解”adam；训练过程中使用步骤2的验证样本对网络的识别准确率和泛化能力进行验证，准确率达到99%以上，保存此时刻长短时记忆网络LSTM模型；设置验证样本准确率作为网络收敛条件。

6.根据权利要求1所述的一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法，其特征在于：所述步骤4中：将步骤2中的验证样本导入步骤3中卷积神经网络或长短时记忆网络中进行分类，最终对8种分类的结果进行验证，验证总体准确率。

Images