[发明专利]一种基于深度学习的轮对踏面损伤故障诊断方法

说明书

本发明公开了一种基于深度学习的轮对踏面损伤故障诊断方法：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，提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法，对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；将训练集输入卷积神经网络中进行学习，不断更新网络参数；将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果。

技术领域

本发明属于发明涉及故障诊断技术领域，具体涉及一种基于深度学习的轮对踏面损伤故障诊断方法。

背景技术

轮对是高速列车运行的关键性部件，同时又极易损坏，而且也是造成轮对轴承故障的重要原因之一，其主要形式表现为踏面擦伤及剥离。若发生故障，甚至对整个列车车轮及轨道零部件造成严重破坏。由于从现场采集到的轮对踏面振动信号，往往具有非平稳的特点，且噪声干扰严重，给故障模式识别带来了巨大的困难。近年来，随着监测的设备群规模变大，每个装备需要的测点增多，每个测点的采样频率高，从开始服役到寿命终止的数据收集历时长，致使机械设备故障诊断领域也进入了“大数据”时代。如何利用“大数据”来提高强噪声、非平稳信号的故障诊断精度，已成为当今的研究热点。

发明内容

本发明的目的是为克服已有技术的不足，一种基于深度学习的轮对踏面损伤故障诊断方法。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，提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法，实现了端到端的故障模式识别。首先对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；然后将训练集输入卷积神经网络中进行学习，不断更新网络参数；最后将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果。

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)、建立轮对踏面故障振动信号机理模型；

2)、对轮对踏面振动信号进行短时傅里叶变换，得到时频谱样本，分为训练集和测试集；

3)、将训练集输入卷积神经网络中进行学习，经过卷积层、池化层和全连接层后，输出为故障类型的类标，分为前向传播过程和反向参数更新过程；

4)、将学习好参数的卷积神经网络模型应用于测试集，输出故障识别结果；

优选的，所述建立轮对踏面故障振动信号机理模型，具体是车轮踏面故障与振动冲击模型，轮对踏面如果存在故障，那么当车轮滚动到故障处时，车轮与钢轨耦合瞬间发生冲击。这种周期性的冲击使车辆与钢轨产生耦合振动，对其造成伤害。一个半径为R的故障车轮的冲击频率公式为：

P＝v/(2πR)

其中P为冲击频率，v为运行速度，R为车轮半径。

优选的，所述对轮对踏面振动信号进行短时傅里叶变换，是采用固定长度的窗函数对时域信号进行截取，并对截取得到的信号进行傅里叶变换，得到时刻t附近很小时间段上的局部频谱。通过窗函数在整个时间轴上的平移，最终变换得到每一时间段上局部频谱的集合，短时傅里叶变换(STFT)是关于时间和频率的二维函数。基本运算公式如下：

其中f(t)为时域信号，为中心位于时刻的时间窗口，ω为频率，j为虚数单位；

优选的，所述步骤3)的实现方式为：前向传播过程主要为三个部分：卷积层、池化层和全连接层；

在卷积层上，用多个卷积核与输入图像进行卷积，加上偏置后通过一个激活函数就可以得到一系列特征图，卷积过程数学表达式为：

其中为第l层第j个元素，M_j为l-1层特征图的第j个卷积区域，为其中的元素，为对应卷积核的权重矩阵，为偏置项，f(x)为激活函数，数学表达式为：