论文部分内容阅读
摘 要：传统的铁路机车车辆运行故障监测诊由于过于依赖信息处理技术和专家进行诊断，因此存在诊断模型的准确率不高以及泛化性不强等问题。针对以上问题，文章基于卷积神经网络模型，引入Dropout、BN、SVM对该模型进行了改进。通过改进模型，有效提升了对故障样本的识别能力、收敛速度以及泛化能力，不同程度地实现了故障准确分类的额可行性。最后，在噪声干扰的情况下，对改进后的CNN-BN-SVM模型的有效性进行了仿真实验。实验结果表明，CNN-BN-SVM模型在处理故障数据和康噪声等方面具有明显的优越性。
关键词：故障监测;卷积神经网络;SVM分类器
中图分类号：U279 文献标识码：A 文章编号：1001-5922（2021）06-0169-05
Abstract：The traditional fault monitoring and diagnosis of railway locomotive and rolling stock relies too much on information processing technology and experts for diagnosis， so there are some problems such as low accuracy of diagnosis model and weak generalization. Aiming at the above problems， this paper improves the model by introducing Dropout， BN and SVM based on convolutional neural network model. By improving the model， the recognition ability， convergence speed and generalization ability of fault samples are effectively improved， and the feasibility of accurate fault classification is realized in different degrees. Finally， in the case of noise interference， the effectiveness of the improved CNN-BN-SVM model is simulated. The experimental results show that CNN-BN-SVM model has obvious advantages in dealing with fault data and anti-noise.
Key words：ault monitoring; convolutional neural network; SVM classifier
随着我国铁路的高速发展，铁路机车车辆运行对安全保障提出了更严格的要求。目前，关于铁路机车车辆运行故障监测诊断的研究方法已经取得了丰硕的成果，但由于其不够智能化和自动化，需要依赖故障诊断专家对故障进行判断，因此其通用性、准确性、实时性不高，有待进一步提升。基于此背景，本文开展了适用于铁路机车车辆运行更加智能化、通用化的监测诊断方法研究，以提高铁路机车车辆运行的故障监测和诊断的水平，进一步保障铁路机车车辆运行安全，降低其运维成本。本文主要针对目前卷积神经网络（CNN）存在的不足，以及故障样本数量少等问题，建立了模型的优化措施，并将改进后的模型应用到实际故障监测诊断中。
1 CNN-BN-SVM简介
根据卷积神经网络结构，建立三层卷积层和三层池化层以及一层全连接输出层，并设定模型的各训练参数值如表1所示。
CNN模型的拓扑结构图和模型张量图如图1所示。
但是，研究认为上述CNN模型总体上训练过程缓慢，识别度较低，因此对该模型进行优化改进。
2 模型优化
2.1 基于Dropout和BN的模型优化
为提高CNN模型的收敛速度和识别率，本文引入Dropout[7]和BN[8]对CNN模型进行优化处理。Dropout在进行模型训练中，可以将使部分神经元不参与正向和反向传播，而在测试中，Dropout可以使所有神经元全部参与正向传播。这种输出神经元的值可以保持模型的均衡性，降低过拟合风险。引入BN可加快模型的收敛速度，减小模型的运算量。BN通过重构参数的平移量、偏置项使要学习的特征分布重新恢复到原始网络状态。经过Dropout和BN处理后，对模型进行重新训练可得到如图2所示的模型训练集和测试集的变化曲线。
由图2可知，经过改进后模型的收敛速度和准确率明显提升。
2.2 基于SVM分类器的模型优化
常见的SVM分类方法主要有3种，分别是一对一法、一对多法、有向无环图[9]。由于一对一法是通过分类器对每个样本属性类别进行“投票”最后决策样本所属类型的方法[10]，适用于本文的构建的SVM 分类器。在CNN-BN模型的基础上，向SVM 分类器输入池化层的特征图，可得到如图3所示的CNN-BN-SVM模型。
3 仿真验证
3.1 模型参数设置
设定CNN-BN-SVM模型各参数学习了learning rate=0.001，训练批次mini-batch=100，dropout=0.5，经过BN调整处理，可得到如表2所示的模型参数值。
调整后的模型结构如图4所示。
3.2 故障数据采集
目前，由于多方面原因导致无法获取铁路机车车辆運行过程中的滚动轴承故障数据。这对这一问题，本文的研究数据来自CWRU标准数据以及理论仿真信号。通过使用某动车组拖车轮对安装的高速滚振试验台，应用加速度传感器连接到主控室并采集振动信号。采集器和上位机软件连接如图5～6所示。 设轮对平稳运行速度为200km/h、250km/h、300km/h，按如表3所示的7组实验进行采集，采集时长为1min。
基于软件采集到的数据，本文对该数据的可用性进行了简要的分析，分析如图7～8所示。
由图7可知，该信号的诊断指标已经超过安全门限制。通过调取轴承参数计算故障的倍频，可得到内圈和外圈即保持架、滚动体的故障特征频率，应用包络谱分析可得如图8所示的包络解普：
由图8可知，内圈故障数据和外圈数据的的一阶故障频率评论分别为59.1Hz、15.9Hz，二阶故障频率分别为118.2Hz、91.8Hz，三阶故障频率分别为177.3Hz、137.6Hz，四阶故障频率分别为136.4Hz、183.6Hz。由此可说明采集到的信号中包含的故障信息较为完整，可用于模型实验数据。
3.3 智能识别
铁路机车车辆运行故障智能识别诊断共3个流程，分别是读取测试数据、数据预处理、数据存储。首先，将数据库中的检测数据、车型等信息输入智能识别模块，并将文件存储数据表的字段设置如表4所示。其次，将数据进行预处理，去除噪声严重的数据或对其进行滤波去噪处理。最后，对测试样本输入的模型进行故障识别，根据不同的提示灯，判断诊断结果完成样本检测，并将诊断结果存储于数据库中。诊断结果存储数据表如表5所示。内圈、外圈故障样本的诊断识别结果如图9所示。
4 结语
针对铁路机车车辆运行故障监测诊断，文章在卷积神经网络模型的基础上，引入Dropout和BN对CNN模型进行了改进，有效提升了模型对故障样本的识别能力。同时考虑到CNN模型输入特征，本文在卷积层中运用SVM分类器配合平方折页损失函数加快了模型的整体收敛速度，提升了模型的识别准确率和泛化能力。最后，通过仿真实验验证了改进后的CNN-BN-SVM模型的有效性。实验结果表明，与经典的诊断方法相比，CNN-BN-SVM模型在处理故障数据和康噪声等方面，具有明显的优越性。
参考文献
[1]王毅，陆强，祝笈，等.铁路货车智能监测系统关键技术研究及探讨[J].内燃机与配件，2020（11）：227-229.
[2]赫大雨.铁路机车车辆运行故障监测诊断技术的研究[J].湖北农机化，2020（08）：86.
[3]李平，曹鸿飞，谢鹏.新一代信息技术驱动下的智能重载铁路总体架构研究[J].铁路计算机应用，2020，29（06）：25-29.
[4]李威，张陆军，张志福，等.地铁车辆轴承故障的在线检测[J].现代城市轨道交通，2019（12）：16-21.
[5]张克永.高速铁路供电安全检测监测體系建设分析与研究[J].电气化铁道，2019，30（06）：1-4+10.
[6]王健.HX_D3C型机车车轮失圆问题整修方法的探讨[J].铁道机车车辆，2018，38（06）：101-105.
[7]路向阳，李东林，李雷，等.智慧城轨下智慧车辆装备技术的研究与展望[J].机车电传动，2018（06）：1-8.
[8]樊会星，邹颖.基于BP神经网络的动车组智能化控制和诊断研究[J].铁路计算机应用，2019，28（11）：5-8.
[9]郑金子，薛蕊，吴艳华，等.国外铁路大数据应用现状与趋势分析[A].中国科学技术协会、交通运输部、中国工程院.2018世界交通运输大会论文集[C].中国科学技术协会、交通运输部、中国工程院：2018：15.
[10]张克永.高速铁路供电安全检测监测体系建设分析与研究[J].电气化铁道，2019，30（06）：1-4+10.
[11]于丽丽.基于神经网络的汽车电控发动机故障诊断分析[J].粘接，2020，42（06）：167-170.
关键词：故障监测;卷积神经网络;SVM分类器
中图分类号：U279 文献标识码：A 文章编号：1001-5922（2021）06-0169-05
Abstract：The traditional fault monitoring and diagnosis of railway locomotive and rolling stock relies too much on information processing technology and experts for diagnosis， so there are some problems such as low accuracy of diagnosis model and weak generalization. Aiming at the above problems， this paper improves the model by introducing Dropout， BN and SVM based on convolutional neural network model. By improving the model， the recognition ability， convergence speed and generalization ability of fault samples are effectively improved， and the feasibility of accurate fault classification is realized in different degrees. Finally， in the case of noise interference， the effectiveness of the improved CNN-BN-SVM model is simulated. The experimental results show that CNN-BN-SVM model has obvious advantages in dealing with fault data and anti-noise.
Key words：ault monitoring; convolutional neural network; SVM classifier
随着我国铁路的高速发展，铁路机车车辆运行对安全保障提出了更严格的要求。目前，关于铁路机车车辆运行故障监测诊断的研究方法已经取得了丰硕的成果，但由于其不够智能化和自动化，需要依赖故障诊断专家对故障进行判断，因此其通用性、准确性、实时性不高，有待进一步提升。基于此背景，本文开展了适用于铁路机车车辆运行更加智能化、通用化的监测诊断方法研究，以提高铁路机车车辆运行的故障监测和诊断的水平，进一步保障铁路机车车辆运行安全，降低其运维成本。本文主要针对目前卷积神经网络（CNN）存在的不足，以及故障样本数量少等问题，建立了模型的优化措施，并将改进后的模型应用到实际故障监测诊断中。
1 CNN-BN-SVM简介
根据卷积神经网络结构，建立三层卷积层和三层池化层以及一层全连接输出层，并设定模型的各训练参数值如表1所示。
CNN模型的拓扑结构图和模型张量图如图1所示。
但是，研究认为上述CNN模型总体上训练过程缓慢，识别度较低，因此对该模型进行优化改进。
2 模型优化
2.1 基于Dropout和BN的模型优化
为提高CNN模型的收敛速度和识别率，本文引入Dropout[7]和BN[8]对CNN模型进行优化处理。Dropout在进行模型训练中，可以将使部分神经元不参与正向和反向传播，而在测试中，Dropout可以使所有神经元全部参与正向传播。这种输出神经元的值可以保持模型的均衡性，降低过拟合风险。引入BN可加快模型的收敛速度，减小模型的运算量。BN通过重构参数的平移量、偏置项使要学习的特征分布重新恢复到原始网络状态。经过Dropout和BN处理后，对模型进行重新训练可得到如图2所示的模型训练集和测试集的变化曲线。
由图2可知，经过改进后模型的收敛速度和准确率明显提升。
2.2 基于SVM分类器的模型优化
常见的SVM分类方法主要有3种，分别是一对一法、一对多法、有向无环图[9]。由于一对一法是通过分类器对每个样本属性类别进行“投票”最后决策样本所属类型的方法[10]，适用于本文的构建的SVM 分类器。在CNN-BN模型的基础上，向SVM 分类器输入池化层的特征图，可得到如图3所示的CNN-BN-SVM模型。
3 仿真验证
3.1 模型参数设置
设定CNN-BN-SVM模型各参数学习了learning rate=0.001，训练批次mini-batch=100，dropout=0.5，经过BN调整处理，可得到如表2所示的模型参数值。
调整后的模型结构如图4所示。
3.2 故障数据采集
目前，由于多方面原因导致无法获取铁路机车车辆運行过程中的滚动轴承故障数据。这对这一问题，本文的研究数据来自CWRU标准数据以及理论仿真信号。通过使用某动车组拖车轮对安装的高速滚振试验台，应用加速度传感器连接到主控室并采集振动信号。采集器和上位机软件连接如图5～6所示。 设轮对平稳运行速度为200km/h、250km/h、300km/h，按如表3所示的7组实验进行采集，采集时长为1min。
基于软件采集到的数据，本文对该数据的可用性进行了简要的分析，分析如图7～8所示。
由图7可知，该信号的诊断指标已经超过安全门限制。通过调取轴承参数计算故障的倍频，可得到内圈和外圈即保持架、滚动体的故障特征频率，应用包络谱分析可得如图8所示的包络解普：
由图8可知，内圈故障数据和外圈数据的的一阶故障频率评论分别为59.1Hz、15.9Hz，二阶故障频率分别为118.2Hz、91.8Hz，三阶故障频率分别为177.3Hz、137.6Hz，四阶故障频率分别为136.4Hz、183.6Hz。由此可说明采集到的信号中包含的故障信息较为完整，可用于模型实验数据。
3.3 智能识别
铁路机车车辆运行故障智能识别诊断共3个流程，分别是读取测试数据、数据预处理、数据存储。首先，将数据库中的检测数据、车型等信息输入智能识别模块，并将文件存储数据表的字段设置如表4所示。其次，将数据进行预处理，去除噪声严重的数据或对其进行滤波去噪处理。最后，对测试样本输入的模型进行故障识别，根据不同的提示灯，判断诊断结果完成样本检测，并将诊断结果存储于数据库中。诊断结果存储数据表如表5所示。内圈、外圈故障样本的诊断识别结果如图9所示。
4 结语
针对铁路机车车辆运行故障监测诊断，文章在卷积神经网络模型的基础上，引入Dropout和BN对CNN模型进行了改进，有效提升了模型对故障样本的识别能力。同时考虑到CNN模型输入特征，本文在卷积层中运用SVM分类器配合平方折页损失函数加快了模型的整体收敛速度，提升了模型的识别准确率和泛化能力。最后，通过仿真实验验证了改进后的CNN-BN-SVM模型的有效性。实验结果表明，与经典的诊断方法相比，CNN-BN-SVM模型在处理故障数据和康噪声等方面，具有明显的优越性。
参考文献
[1]王毅，陆强，祝笈，等.铁路货车智能监测系统关键技术研究及探讨[J].内燃机与配件，2020（11）：227-229.
[2]赫大雨.铁路机车车辆运行故障监测诊断技术的研究[J].湖北农机化，2020（08）：86.
[3]李平，曹鸿飞，谢鹏.新一代信息技术驱动下的智能重载铁路总体架构研究[J].铁路计算机应用，2020，29（06）：25-29.
[4]李威，张陆军，张志福，等.地铁车辆轴承故障的在线检测[J].现代城市轨道交通，2019（12）：16-21.
[5]张克永.高速铁路供电安全检测监测體系建设分析与研究[J].电气化铁道，2019，30（06）：1-4+10.
[6]王健.HX_D3C型机车车轮失圆问题整修方法的探讨[J].铁道机车车辆，2018，38（06）：101-105.
[7]路向阳，李东林，李雷，等.智慧城轨下智慧车辆装备技术的研究与展望[J].机车电传动，2018（06）：1-8.
[8]樊会星，邹颖.基于BP神经网络的动车组智能化控制和诊断研究[J].铁路计算机应用，2019，28（11）：5-8.
[9]郑金子，薛蕊，吴艳华，等.国外铁路大数据应用现状与趋势分析[A].中国科学技术协会、交通运输部、中国工程院.2018世界交通运输大会论文集[C].中国科学技术协会、交通运输部、中国工程院：2018：15.
[10]张克永.高速铁路供电安全检测监测体系建设分析与研究[J].电气化铁道，2019，30（06）：1-4+10.
[11]于丽丽.基于神经网络的汽车电控发动机故障诊断分析[J].粘接，2020，42（06）：167-170.