一种基于对抗嵌合网络的列车轮对轴承故障诊断方法技术

本发明专利技术提供了一种基于对抗嵌合网络的列车轮对轴承故障诊断方法。该方法包括：构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据，将传感器监测数据输入到训练好的特征提取模块，特征提取模块从传感器监测数据中提取故障特征，将故障特征输入到训练好的故障识别模块中，获取列车轮对轴承的故障诊断结果。本发明专利技术方法能够从多传感器监测信号中挖掘列车轮对轴承的故障信息，高效、准确地识别列车轮对轴承的健康状况，保证列车轮对轴承安全、可靠运行。可靠运行。可靠运行。

【技术实现步骤摘要】
一种基于对抗嵌合网络的列车轮对轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，尤其涉及一种基于对抗嵌合网络的列车轮对轴承故障诊断方法。

技术介绍

[0002]轮对轴承是列车走行部的重要部件，具有传递载荷和固定轮对的作用，其安全可靠运行至关重要。然而，由于长期在高转速、强冲击和重载荷的工况下运行，列车轮对轴承在服役过程中极易产生各种故障。因此，轮对轴承的故障诊断对保障列车运行安全、降低运营维护成本具有重要意义。得益于深度学习算法的强大识别能力，基于深度学习的智能故障诊断方法可以利用原始监测信号进行故障诊断，然而，由于受到轨道表面、车轮踏面和列车走行部其他激振部件的影响，列车轮对轴承的监测信号中往往包含大量噪音和无关信息，使得加速度计等单一传感器监测信号提供的轴承故障信息具有局限性，不能全面反映被测轮对轴承的健康状态，限制了诊断精度。
[0003]列车走行部系统复杂、部件众多，不同监测传感器信号包含不同程度的故障信息，导致从不同传感器信号提取的故障特征之间分布差异较大。目前，现有技术中的多传感器信息融合智能故障诊断方法缺乏明确的学习机制以缩小不同传感源故障特征之间的分布差异，因此难以抑制不同传感器数据中的无关信息并进行有效的特征融合，严重影响故障诊断结果的准确性。

技术实现思路

[0004]本专利技术的实施例提供了一种基于对抗嵌合网络的列车轮对轴承故障诊断方法，以实现有效地对列车轮对轴承进行故障诊断。
[0005]为了实现上述目的，本专利技术采取了如下技术方案。
[0006]一种基于对抗嵌合网络的列车轮对轴承故障诊断方法，构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，所述鉴别模块与特征提取模块组成对抗学习，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，所述方法包括：
[0007]获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据；
[0008]将所述传感器监测数据输入到训练好的特征提取模块，所述特征提取模块从传感器监测数据中提取故障特征，将所述故障特征输入到训练好的故障识别模块中，获取列车轮对轴承的故障诊断结果。
[0009]优选地，所述的构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，所述鉴别模块与特征提取模块组成对抗学习，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，包括：
[0010]构建与M个传感源数据相对应的M个特征提取模块M个特征提取模块结构相同，不互相共享参数，每个特征提取模块由D个卷积层和D个最大池化层堆叠而成，用于
从不同传感器监测数据中自动提取故障特征；
[0011]构建与M个传感源相对应的M个鉴别模块鉴别模块用于鉴别故障特征的传感源，每个鉴别模块对应的传感源被当做该鉴别模块的目标传感源，来自目标传感源的故障特征将被标记为正样本，来自其他传感源的故障特征将被标记为负样本，M个鉴别模块结构相同，不互相共享参数，每个鉴别模块由四层全连接层堆叠而成，最后一层的输出为一维标量，作为鉴别模块输出的鉴别概率；
[0012]设置迭代次数E，对M个特征提取模块、M个鉴别模块和故障识别模块进行训练，具体步骤如下：
[0013](6.1)每个特征提取模块从不同传感器监测数据中提取故障特征z
i
，每个鉴别模块的输入为各故障特征z
i
，输出为故障特征z
i
属于目标传感源而非其他传感源的概率，故障识别模块C(
·
)的输入为各传感源故障特征故障识别模块融合各个故障特征并识别传感器监测数据的故障类别；
[0014]基于Adam优化算法，设置迭代次数Q，对每个鉴别模块进行Q次训练，每个鉴别模块的目标函数为：
[0015][0016]式中，D
i
表示以第i个传感源作为目标传感源的鉴别模块，i＝1,2,
…
,M；s
i
表示第i个传感源数据；G
i
表示第i个传感源数据对应的特征提取模块，G
i*
表示对鉴别模块进行训练时，将特征提取模块的参数固定不变；
[0017](6.2)重复上述特征提取模块、鉴别模块和故障识别模块的处理过程，对特征提取模块和故障识别模块进行一次训练，以获得具有跨传感不变性、代表性的故障特征，具体步骤如下：
[0018](a)特征提取模块的对抗性损失计算表达式为：
[0019][0020]式中，表示对特征提取模块进行训练时，将鉴别模块的参数固定不变；表示传感源数据服从分布，表示期望；
[0021](b)分类损失计算表达式为：
[0022][0023]式中，C表示故障识别模块；y
label
表示样本{s1,s2,
…
s
M
}的标签，用独热向量的形式表示；y
label,a
表示样本标签y
label
的第a个元素；y
pred,a
表示分类器输出的故障类别概率向量y
pred
的第a个元素；T表示故障类别数；
[0024](c)基于Adam优化算法，对M个特征提取模块进行一次训练，目标函数表达式如下：
[0025][0026]式中，β表示惩罚因子；C
*
表示对特征提取模块进行训练时，固定故障识别模块的参数不变；表示使目标函数L(G1,G2,
…
,G
M
)最小的特征提取模块G1,G2,
…
,G
M
；
[0027](d)基于Adam优化算法，对故障识别模块进行一次训练，目标函数表达式如下：
[0028][0029](6.3)重复上述迭代训练过程E次，迭代更新特征提取模块、鉴别模块、故障识别模块的参数，得到训练好的故障诊断模型。
[0030]优选地，所述的获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据，包括：
[0031]获取不同工况下列车轮对轴承的原始多传感器监测信号获取不同工况下列车轮对轴承的原始多传感器监测信号表示样本第i个传感器信号，M为传感器个数，H为每个传感器信号所包含的数据点数；
[0032]对各传感器原始信号进行z
‑
score标准化处理，获得预处理后的多传感器监测数据{s1,s2,
…
s
M
}；z
‑
score标准化操作表达式如下所示：
[0033][0034]式中，为原始信号的均值；为原始信号的标准差；s
i,a
为标准化后的数据第a个值。
[0035]优选地，所述的将所述传感器监测数据输入到训练好的特征提取模块，所述特征提取模块从传感器监测数据中提取故障特征，包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗嵌合网络的列车轮对轴承故障诊断方法，其特征在于，构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，所述鉴别模块与特征提取模块组成对抗学习，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，所述方法包括：获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据；将所述传感器监测数据输入到训练好的特征提取模块，所述特征提取模块从传感器监测数据中提取故障特征，将所述故障特征输入到训练好的故障识别模块中，获取列车轮对轴承的故障诊断结果。2.根据权利要求1所述的方法，其特征在于，所述的构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，所述鉴别模块与特征提取模块组成对抗学习，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，包括：构建与M个传感源数据相对应的M个特征提取模块M个特征提取模块结构相同，不互相共享参数，每个特征提取模块由D个卷积层和D个最大池化层堆叠而成，用于从不同传感器监测数据中自动提取故障特征；构建与M个传感源相对应的M个鉴别模块鉴别模块用于鉴别故障特征的传感源，每个鉴别模块对应的传感源被当做该鉴别模块的目标传感源，来自目标传感源的故障特征将被标记为正样本，来自其他传感源的故障特征将被标记为负样本，M个鉴别模块结构相同，不互相共享参数，每个鉴别模块由四层全连接层堆叠而成，最后一层的输出为一维标量，作为鉴别模块输出的鉴别概率；设置迭代次数E，对M个特征提取模块、M个鉴别模块和故障识别模块进行训练，具体步骤如下：(6.1)每个特征提取模块从不同传感器监测数据中提取故障特征z
i
，每个鉴别模块的输入为各故障特征z
i
，输出为故障特征z
i
属于目标传感源而非其他传感源的概率，故障识别模块C(
·
)的输入为各传感源故障特征故障识别模块融合各个故障特征并识别传感器监测数据的故障类别；基于Adam优化算法，设置迭代次数Q，对每个鉴别模块进行Q次训练，每个鉴别模块的目标函数为：式中，D
i
表示以第i个传感源作为目标传感源的鉴别模块，i＝1,2,
…
,M；s
i
表示第i个传感源数据；G
i
表示第i个传感源数据对应的特征提取模块，G
i*
表示对鉴别模块进行训练时，将特征提取模块的参数固定不变；(6.2)重复上述特征提取模块、鉴别模块和故障识别模块的处理过程，对特征提取模块和故障识别模块进行一次训练，以获得具有跨传感不变性、代表性的故障特征，具体步骤如下：
(a)特征提取模块的对抗性损失计算表达式为：式中，表示对特征提取模块进行训练时，将鉴别模块的参数固定不变；表示传感源数据服从分布，表示期望；(b)分类损失计算表达式为：式中，C表示故障识别模块；y
label
表示样本{s1,s2,
…
s
M
}的标签，用独热向量的形式表示；y
label,a
表示样本标签y
label
的第a个元素；y
pred,a
表示分类器输出的故障类别概率向量y
pred
的第a个元素；T表示故障类别数；(c)基于Adam优化算法，对M个特征提取模块进行一次训练，目标函数表达式如下：式中，β表示惩罚因子；C
*
表示对特征提取模块进行训练时，固定故障识别模块的参数不变；表示使目标函数L(G1,G2,
…
,G
M
)最小的特征提取模块G1,G2,
…
,G
M
；(d)基于Adam优化算法，对故障识别模块进行一次训练，目标函数表达式如下：(6.3)重复上述迭代训练过程E次，迭代更新特征提取模块、鉴别模块、故障识别模块的参数，得到训练好的故障诊断模型。3.根据权利要求1或者2所述的方法，其特征在于，所述的获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据，包括：获取不同工况下列车轮对轴承的原始多传感器监测信号获取不同工况下列车轮对轴承的原始多传感器监测信号表示样本第i个传感器信号，M为传感器个数，H为每个传...

【专利技术属性】
技术研发人员：秦勇，任翔宇，王彪，贾利民，王瑞，林怡秋，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：