详情

原文传递一种基于深度学习的轮对踏面损伤故障诊断方法

专利名称：	一种基于深度学习的轮对踏面损伤故障诊断方法
摘要：	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。
专利类型：	发明专利
国家地区组织代码：	湖南;43
申请人：	湖南工业大学
发明人：	何静;张昌凡;刘建华;毛颂安;龙永红;李涛;李强
专利状态：	有效
申请日期：	2019-02-03T00:00:00+0800
发布日期：	2019-05-21T00:00:00+0800
申请号：	CN201910109045.5
公开号：	CN109774740A
代理机构：	广州粤高专利商标代理有限公司
代理人：	杨千寻;冯振宁
分类号：	B61K9/12(2006.01);B;B61;B61K;B61K9
申请人地址：	412007 湖南省株洲市天元区泰山西路88号
主权项：	1.一种基于深度学习的轮对踏面损伤故障诊断方法，其特征在于：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；其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。 2.根据权利要求1所述的一种基于深度学习的轮对踏面损伤故障诊断方法，其特征在于：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。 3.根据权利要求1所述的一种基于深度学习的轮对踏面损伤故障诊断方法，其特征在于：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，g(t-τ)为中心位于τ时刻的时间窗口，ω为频率，j为虚数单位。 4.根据权利要求1所述的一种基于深度学习的轮对踏面损伤故障诊断方法，其特征在于：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，Mj为层特征图的第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： f(x)＝max(0，lg(1+ex)) 池化层常接在卷积层后面，对特征图进行降维，同时在一定程度上保持特征尺度的不变性，在池化层上，对卷积层输出的特征图在每个不重叠的大小为n×n区域进行池化操作，选取每个区域上的最大值或者平l-1均值，最终使输出图像在两个维度上都缩小了的n倍；输入图像经过多个卷积层和池化层的交替传播之后，依靠全连接层网络针对提取的特征进行分类；在全连接层上，输入是所有特征图展开的一维特征向量经加权求和并通过激活函数后得到的： yk＝f(wkxk-1+bk) 其中k为网络层的信号，yk为全连接层的输出，xk-1是展开的一维特征向量，wk为权重系数，bk为偏置项；反向参数更新的过程是逐层更新卷积神经网络的可学习参数，表达式为：其中w′和b′为更新后的权重和偏置，w和b为现有的权重和偏置，η为学习速率参数，E为最小化网络的损失。
所属类别：	发明专利