一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法技术

该发明专利技术公开了一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法，涉及列车轮对轴承智能故障诊断领域。本发明专利技术提出的故障诊断方法，克服网络表达能力不佳、改善高噪声故障信息提取困难的问题，基于对比胶囊网络的胶囊网络可以在高噪声下对特征进行过滤和筛选，提取更加能反映数据本质的特征，从而提高模型的故障识别准确率。可针对高噪声对列车轮对轴承进行故障诊断，可实现数据采集到轴承健康状态类别的“端到端”的智能故障诊断；相较于传统的深度学习方法，本方法结合对比学习和两阶段训练模型的策略，使得本发明专利技术可以实现在高噪声下获得较高的列车轮对轴承诊断精度。得较高的列车轮对轴承诊断精度。得较高的列车轮对轴承诊断精度。

【技术实现步骤摘要】
一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法


[0001]本专利技术涉及列车轮对轴承智能故障诊断，尤其是涉及一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法。

技术介绍

[0002]列车轮对是大型的复杂机电系统，轴承是其中极其重要的机械部件，在列车轮对上得到了广泛应用。轮对轴承的运行状态监测与故障诊断对于保证装备可靠性和避免出现安全事故具有十分重要的意义。
[0003]列车长时间运行在恶劣环境中，一旦轮对轴承发生故障，并且异常状况未被及时成功监测，最终甚至会发生列车颠覆等重大事故。然而，由于列车轮对轴承的故障特征信息往往被高背景噪声及其他不稳定成分所淹没，对于列车轮对轴承的特征信息提取成了其中一项艰巨的任务，一般的针对列车轮对轴承的故障诊断模型无法有效的提取故障特征并正确分类。
[0004]当前，机械故障智能诊断大致可以分为三类方法。其一是基于统计分析的方法，这类方法包含灰色理论方法、时间序列方法、多元统计分析方法等。这类方法模型简单，诊断精度不佳；其二是基于信号处理的方法，这类方法有小波变化法、包络分析法、谱分析法等。这类方法往往需要复杂的运算找到故障特征频率才能识别故障类型；其三是基于人工智能的方法，这类方法不但有支持向量机、极限学习机等浅层网络，而且有深度置信网络、递归神经网络、卷积神经网络等深度学习网络。这类方法通常可以实现端到端的映射，使用这类方法对列车轮对轴承故障进行诊断是当前研究的热点。
[0005]胶囊网络与传统的深度学习网络不同之处在于，胶囊网络像中每个胶囊都是一个向量，而不再像传统神经网络中的神经元输出是一个标量，使得胶囊网络可以从输入数据提取更多的细节特征，特征的表达能力更强。胶囊网络通过动态路由机制进行胶囊层参数更新。因此，胶囊网络更加适合处理类似机械振动信号的高度非线性结构化数据。
[0006]对比学习着重于学习同类列车轮对轴承状态之间的共同特征，区分不同类别样本之间的不同之处。而传统的深度学习只能学习到输入到输出之间的映射，不能学习到样本之间的相似度。

技术实现思路

[0007]本专利技术提供一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法，以实现对列车轮对轴承进行有效的智能诊断，以解决上述
技术介绍
中所提出的问题，这里的高噪声场景的信噪比一般是小于0dB。
[0008]为实现上述目的，本方法技术方案为一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法，包括以下步骤：
[0009]S1、按列车轮对轴承具体类别收集由传感器采集的机械设备健康状态数据，对数据进行预处理，建立列车轮对轴承健康状态数据库；
[0010]传感器类型是振动位移传感器、振动速度传感器、振动加速度传感器或声音信号传感器中的一种或者多种；状态数据库中的数据包括：正常状态、单一故障状态和复合故障状态；单一故障状态包括：滚动体故障、内圈故障、外圈故障；复合故障状态包括：外圈+内圈复合故障、内圈+滚动体复合故障、外圈+滚动体复合故障、内圈+外圈+滚动体复合故障；每一个健康状态相同的数据都有相同的状态标签；
[0011]S2、基于所述列车轮对轴承健康状态数据库，实现对比胶囊特征提取模型的训练，得到训练后的对比胶囊特征提取模型；对比胶囊特征提取模型的损失函数为监督对比学习损失函数，选择优化算法对模型进行训练直到收敛，对比胶囊特征提取模型包含改进时域卷积网络和主胶囊层两部分；
[0012]所述对比胶囊特征提取模型包括依次连接的改进时域卷积网络和主胶囊层，所述时域卷积网络包括依次连接的包含：输入模块、n个多尺度残差块、输出模块。所述多尺度残差块包括两个输入和两个输出，其中输入1依次经过两个Inception单元、BN+ReLU+Dropout模块、DDCID(1,1)层；这里DDCID是因果膨胀1维卷积的缩写，其中参数1是指卷积核大小，参数2是指因果膨胀率。多尺度残差块中DCCID(1,1)层的输出，与多尺度残差块输入2依次经过最大池化层、Inception单元的输出相加后，一路作为多尺度残差块的输出2，另一路经过BN+ReLU+Dropout模块后作为多尺度残差块的输出1；对比胶囊特征提取模型的第一个多尺度残差块的输入1与输入2都为对比胶囊特征提取模型的输入，后续的多尺度残差块的前一个输出1对应后一个输入1，前一个输出2对应后一个输入2；最后一个多尺度残差块的输出1作为对比胶囊特征提取模型的输出；
[0013]所述Inception单元输入后首先分为四路，第一路包括一个DCCID(1,1)层，第二路包括依次连接的DCCID(3,3)层、DCCID(1,1)层，第三路包括依次连接的DCCID(5,2)层、DCCID(1,1)层，第四路包括依次连接的DCCID(1,1)层、DCCID(3,2)层，然后将四路输出经过一个高效通道注意力机制模块即为Inception单元的输出；所述高效通道注意力机制首先是对其进行深度融合，其次是完成不同通道的特征完成跨通道的信息交互。
[0014]S3、将上述比胶囊特征提取模型的权重冻结，并在比胶囊特征提取模型后添加数字胶囊层和Length层即可得到对比胶囊网络模型；主胶囊层和数字胶囊层之间的参数更新使用动态路由机制，Length层用作列车轮对轴承健康状态分类。对比胶囊网络模型损失函数为边沿损失函数，在训练集上对比胶囊网络模型进行训练直到收敛，即可得到对比胶囊网络模型；
[0015]S4、在实际诊断过程中获取列车轮对轴承健康状态数据，预处理后输入对比胶囊网络模型进行状态判断。
[0016]进一步的，步骤S1中数据预处理方式包括：数据归一化、数据标准化、小波包变换降噪、集合经验模态分解降噪中的一种；
[0017]进一步的，模型训练包括：
[0018]采用Adam、SGD优化算法其中的一种作为模型优化器；采用学习率衰减、余弦学习率变化中的一种作为模型训练策略。
[0019]与现有技术相比，本专利技术具有的优点和积极效果如下：
[0020]本专利技术提出的故障诊断方法，克服网络表达能力不佳、改善高噪声故障信息提取困难的问题，基于对比胶囊网络的胶囊网络可以在高噪声下对特征进行过滤和筛选，提取
更加能反映数据本质的特征，从而提高模型的故障识别准确率。针对高噪声对列车轮对轴承进行故障诊断，实现数据采集到轴承健康状态类别的“端到端”的智能故障诊断；
[0021]本专利技术结合了改进时域卷积网络对故障特征的提取能力和胶囊网络矢量进矢量出的挖掘信息的能力，实现对列车轮对轴承的故障诊断；
[0022]相较于传统的深度学习方法，本方法结合对比学习和两阶段训练模型的策略，使得本专利技术可以实现在高噪声下获得较高的列车轮对轴承诊断精度。
附图说明
[0023]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1为一种高噪声下列车轮对轴承智能诊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高噪声下列车轮对轴承智能诊断的对比胶囊网络方法，包括以下步骤：S1、按列车轮对轴承具体类别收集由传感器采集的机械设备健康状态数据，对数据进行预处理，建立列车轮对轴承健康状态数据库；传感器类型是振动位移传感器、振动速度传感器、振动加速度传感器或声音信号传感器中的一种或者多种；状态数据库中的数据包括：正常状态、单一故障状态和复合故障状态；单一故障状态包括：滚动体故障、内圈故障、外圈故障；复合故障状态包括：外圈+内圈复合故障、内圈+滚动体复合故障、外圈+滚动体复合故障、内圈+外圈+滚动体复合故障；每一个健康状态相同的数据都有相同的状态标签；S2、基于所述列车轮对轴承健康状态数据库，对比胶囊特征提取模型的训练，得到训练后的对比胶囊特征提取模型；对比胶囊特征提取模型的损失函数为监督对比学习损失函数，选择优化算法对模型进行训练直到收敛，对比胶囊特征提取模型包含改进时域卷积网络和主胶囊层两部分；所述对比胶囊特征提取模型包括依次连接的改进时域卷积网络和主胶囊层，所述时域卷积网络包括依次连接的包含：输入模块、n个多尺度残差块、输出模块。所述多尺度残差块包括两个输入和两个输出，其中输入1依次经过两个Inception单元、BN+ReLU+Dropout模块、DD CID(1,1)层；这里DDCID是因果膨胀1维卷积的缩写，其中参数1是指卷积核大小，参数2是指因果膨胀率。多尺度残差块中DCCID(1,1)层的输出，与多尺度残差块输入2依次经过最大池化层、Inception单元的输出相加后，一路作为多尺度残差块的输出2，另一路经过BN+ReLU+Dropout模块后作为多尺度残差块的输出1；对比胶囊特征提取模型的第一个多尺度残差块的输入1与输入2都为对比胶囊特征提取模型的...

【专利技术属性】
技术研发人员：刘治汶，郝亮，唐蕙，赵锐东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：