一种基于STFT与CNN的列车轴承故障诊断方法与流程

一种基于stft与cnn的列车轴承故障诊断方法
技术领域
1.本发明属于列车易损零部件的故障诊断技术领域，具体涉及一种基于stft与cnn的列车轴承故障诊断方法。


背景技术：

2.随着我国高铁的蓬勃发展，路网建设的迅速推进，高速列车运行安全已成为学者研究、工程建设和相关运营单位关注的重点。轮对轴承是列车转向架关键的旋转部件，它既承担了由列车自重及载重合成的垂向静态、动态力，还承担了列车轮轨间特有的横向非稳定力。对列车行车安全有最为直接的影响。随着我国高速列车运行速度不断提升轮对轴承的振动特性随轮轨间的动载荷加剧也变得更加复杂、恶劣，轮对轴承的磨损和擦伤等故障日趋严重。因此，针对高速列车轮对轴承开展故障检测与诊断研究并及时发现轮对轴承故障十分必要。
3.对此，国内外学者展开了广泛而深入的研究，取得了丰硕的研究成果。基于时域统计分析和傅里叶的频域分析的诊断方法是目前有效的故障检测方法。然而基于时域统计分析的诊断方法基于信号平稳、线性的假设。实际上，因轮对轴承的故障使得轴承原件的冲击超过了材料的线弹性范围，从而造成轴承振动信号呈现非线性非平稳性的特征。应用傅里叶变换拟合非线性震动需要许多的谐波成分，然而这些谐波成分只满足分解的数学关系，而对发现轴承故障没有任何物理意义。此外，实际情况中轮对轴承故障信号并不明显，而且采集时产生的噪声以及传递过程中出现的信号失真问题使得传统时频分析方法的适用性存在限制。为了有效处理非线性非平稳信号，时频分析得到了充分地利用，短时傅里叶变换(stft,short
‑
time fourier transform)相较于傅里叶变换而言，对原信号乘以一个窗口函数，之后再做傅里叶变换减少频率泄露的影响。
4.深度学习能学习到数据的多层次特征，随着深度学习的发展，其表现出克服传统机器学习不足的巨大潜力。深度学习在各个领域表现出强有力的应用潜力，包括计算机视觉，自然语言处理，医药图片分析和机器健康监控系统。其中卷积神经网络(cnn,convolution neural network)及其变种适用于二维数据，并在图片分类领域表现出较高的精度。
5.目前，传统的列车轴承故障诊断领域鲜有基于时频特征信息，使用cnn对列车进行故障诊断的列车轴承故障诊断算法。


技术实现要素：

6.本发明的目的是提供一种基于stft与cnn的列车轴承故障诊断方法，填补列车轴承故障诊断领域的空白。
7.本发明所采用的技术方案是，一种基于stft与cnn的列车轴承故障诊断方法，具体按以下步骤实施：
8.步骤1，收集列车轴承的故障振动信号；
9.步骤2，通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据；
10.步骤3，通过stft提取振动信号的时频信息，并将时频信号分解为实部与虚部；
11.步骤4，构建基于cnn的故障识别深度学习网络；
12.步骤5，基于深度学习网络的识别结果，通过softmax函数得到轴承的故障诊断结果。
13.本发明的特点还在于：
14.其中步骤2具体按以下步骤实施：
15.步骤2.1，求得序列数据的平均值x
mean
，最大值x
max
；
16.步骤2.2，用序列数据减去x
mean
；
17.步骤2.3，使用步骤2.2得到的序列数据除以最大值x
max
；
18.步骤2.4，通过公式(1)对原始振动信号x进行差分一阶操作，得到差分序列x
diff
：
[0019][0020]
步骤2.3，x
diff
写为其中为x
diff
的平均值，n为原始序列长度，去除均值后的零均值序列表示为：
[0021]
x0＝{x2,x3,
…
,x
n
}
ꢀꢀꢀ
(2)
[0022]
步骤2.4，设不平顺数据波动阈值为σ，且满足0＜σ，则随机波动的正常范围为[
‑
σ,σ]，即超过波动正常范围的数据被认定为异常数据，其中σ通过公式(3)确定，式中，n为数据点个数，k为经验系数：
[0023][0024]
步骤2.5，遍历x0，得到异常数据集合令异常数据x
t
＝mean(|x0|)，其中mean(
·
)为平均值函数；
[0025]
步骤2.6，将零均值序列x0还原为差分序列x
diff
，然后将差分序列x
diff
还原为原始数据得到矫正异常数据的不平顺数据，完成数据的异常数据识别与矫正操作；
[0026]
其中步骤3具体为：stft变换的离散形式为：得到一个两维复数矩阵，并且可利用fft变换实现快速计算，其幅值矩阵可表示为：
[0027]
a(m,n)＝|f
stft
(m,n)|
ꢀꢀꢀ
(4)
[0028]
由式(4)得到的信号stft变换幅值矩阵，其行对应采样时间点，列对应频率值，矩阵元素为对应的频谱幅值。
[0029]
其中步骤4具体按以下步骤实施：
[0030]
步骤4.1，构建cnn变种模型提取输入二维数据的特征；
[0031]
步骤4.2，卷积层将输入与自己的内核做卷积操作，将输出为下一层的输出，每个内核有相同的大小，并且提取输入的局部特征，其中(*)表示卷积操作，m
j
表示选择的输入映射，l代表网络中的层数，k为一个尺寸为s
×
s的内核矩阵，f(
·
)为非线性激活函数：
[0032][0033]
步骤4.3，池化层减少输入特征的大小，并且能减少网络的参数数量，避免网络陷入局部最优，如下式(6)，式中down(
·
)为子采样函数：
[0034][0035]
步骤4.4，堆叠cnn变种模型的输出值；
[0036]
其中步骤5具体按以下步骤实施：
[0037]
步骤5.1，将堆叠的cnn输出值输入进全连接层，将全连接层的输出值输入进softmax函数得到模型的输出概率分布q(x)，e
i
为第i个神经元的输出值，j为类别数量；
[0038][0039]
步骤5.2，基于模型输出的概率分布计算模型误差，其中p(x)为目标概率分布，q(x)为实际输出的概率分布，则实际输出与标签的交叉熵为：
[0040][0041]
本发明的有益效果是：
[0042]
本发明的一种基于stft与cnn的列车轴承故障诊断方法基于列车轴承的故障振动信号的时域和频域特征，基于cnn的变种形式实现了对列车轴承故障信号特征的提取并诊断，充分利用了列车轴承故障振动信号的时频信息，并基于cnn在图像分类领域的研究成果，提出了一种cnn新变种。
附图说明
[0043]
图1是本发明的一种基于stft与cnn的列车轴承故障诊断方法中故障振动信号图；
[0044]
图2是本发明的一种基于stft与cnn的列车轴承故障诊断方法中异常数据识别与矫正图；
[0045]
图3是本发明的一种基于stft与cnn的列车轴承故障诊断方法中故障信号时频图；
[0046]
图4是本发明的一种基于stft与cnn的列车轴承故障诊断方法中基于stft与cnn的故障诊断模型图；
[0047]
图5是本发明的一种基于stft与cnn的列车轴承故障诊断方法中误差变化图；
[0048]
图6是本发明的一种基于stft与cnn的列车轴承故障诊断方法中不同信噪比下精度变化对比图。
[0049]
图7是本发明的一种基于stft与cnn的列车轴承故障诊断方法中变工条件下精度对比图。
具体实施方式
[0050]
下面结合附图和具体实施方式对本发明进行详细说明。
[0051]
本发明提供了一种基于stft与cnn的列车轴承故障诊断方法，采集列车轴承故障
振动信号作为示例详细说明，列车轴承故障振动信号如图1所示，共分为：正常状态、内圈故障、外圈故障和滚轴故障；
[0052]
步骤1，收集列车轴承的故障振动信号。
[0053]
步骤2，通过基于绝对均值的异常数据识别与矫正算法识别并矫正原始振动信号中存在的异常数据，异常数据的识别与矫正结果如图2所示；
[0054]
步骤2.1，求得序列数据的平均值记为x
mean
,最大值记为x
max
；
[0055]
步骤2.2，使用序列数据减去x
mean
；
[0056]
步骤2.3，使用步骤2.2得到的序列数据除以最大值x
max
；
[0057]
步骤2.4，通过公式(1)对原始振动信号x进行差分一阶操作，得到差分序列x
diff
；
[0058][0059]
步骤2.3，x
diff
可以写为其中为x
diff
的平均值，n为原始序列长度。则去除均值后的零均值序列可以表示为：
[0060]
x0＝{x2,x3,
…
,x
n
}
ꢀꢀꢀ
(2)
[0061]
步骤2.4，设不平顺数据波动阈值为σ且满足0＜σ，则随机波动的正常范围为[
‑
σ,σ]，即超过波动正常范围的数据被认定为异常数据，其中σ通过公式(3)确定，其中，n为数据点个数，k为经验系数，通常由数据的分布情况确定；
[0062][0063]
步骤2.5，遍历x0，得到异常数据集合令异常数据x
t
＝mean(|x0|)，其中mean(
·
)为平均值函数；
[0064]
步骤2.6，将零均值序列x0还原为差分序列x
diff
，然后将差分序列x
diff
还原为原始数据得到矫正异常数据的不平顺数据，完成数据的异常数据识别与矫正操作；
[0065]
步骤3，通过stft提取振动信号的时频信息如图3所示，并将时频信号分解为实部与虚部。
[0066]
步骤3.1，stft变换的离散形式为：得到一个两维复数矩阵，并且可利用fft变换实现快速计算，其幅值矩阵可表示为：
[0067]
a(m,n)＝|f
stft
(m,n)|
ꢀꢀꢀ
(4)
[0068]
由式(4)得到的信号stft变换幅值矩阵，其行对应采样时间点，列对应频率值，矩阵元素为对应的频谱幅值；
[0069]
步骤4，构建基于cnn的故障诊断模型，如图4所示；
[0070]
步骤4.1，构建如图所示的cnn变种模型提取输入二维数据的特征。
[0071]
步骤4.2，卷积层将输入与自己的内核做卷积操作，将输出为下一层的输出，每个内核有相同的大小，并且提取输入的局部特征，其中(*)表示卷积操作，m
j
表示选择的输入映射，l代表网络中的层数，k为一个尺寸为s
×
s的内核矩阵，f(
·
)为非线性激活函数：
[0072]
[0073]
步骤4.3，池化层减少输入特征的大小，并且能减少网络的参数数量，避免网络陷入局部最优，其中down(
·
)为子采样函数；
[0074][0075]
步骤4.4，堆叠cnn变种模型的输出值；
[0076]
步骤5，基于深度学习网络的识别结果，通过softmax函数得到轴承的故障诊断结果；
[0077]
步骤5.1，将堆叠的cnn输出值输入进全连接层，将全连接层的输出值输入进softmax函数得到模型的输出概率分布q(x)e
i
为第i个神经元的输出值，j为类别数量；
[0078][0079]
步骤5.2，基于模型输出的概率分布计算模型误差，如图5所示，其中p(x)为目标概率分布，q(x)为实际输出的概率分布，则实际输出与标签的交叉熵为：
[0080][0081]
噪声对于故障诊断方法存在一定影响，在实际工作环境中，振动信号包含大量噪声。因此，鲁棒性是一个故障诊断算法的重要指标。通过度量故障诊断算法的精度在不同信噪比信噪比(signal
‑
to
‑
noise ratio,snr)条件下的变化趋势来度量故障诊断算法的鲁棒性。通过将不同标准方差的加性高斯白噪声加入到原始振动信号中，以模拟信噪比。snr的定义如式(9)所示，其中p
signal
,p
noise
分别为信号功率和噪声功率，各故障诊断算法在不同信噪比下的精度变化如图6所示，由图可知，各方法的诊断精度随着snr值从
‑
10db到0db上震荡提升，其中本文提出的故障诊断算法在整体上精度最高。因此，本文提出的故障诊断算法的鲁棒性最好。
[0082][0083]
为了比较各模型在不同工作条件下的诊断精度，将本文提出的诊断算法与现有的故障诊断算法在不同数据集中进行了比较，结果如图7所示，由图可知，本文提出的算法在所有数据集中均保持着较高的故障诊断精度，因此，本文提出的故障诊断算法具有良好的鲁棒性和较高的精度。