數字孿生驅動的轉向架軸承預測性檢修方法

夏立軍

（中車長春軌道客車股份有限公司鐵路客車業務部，吉林長春 130000）

轉向架軸承是轉向架中最為核心的部分，其性能狀態直接影響動車組的行車安全。目前采用的軸承計劃性維修存在維修不足或過度的現象，導致維修成本或故障率較高。數字孿生技術是一種能夠實現物理空間在虛擬空間交互映射的通用使能技術。

2017年，Grieves[1]將數字孿生的研究擴展到復雜系統，設備的故障表征能夠被更好分析，并在虛擬設計階段將故障因素排除。

Glaessgen[2]提出了一種用于空軍飛機的數字孿生范式，通過集成來自健康管理系統、維修記錄等信息的方式，反映飛機孿生實體的狀態，提高飛機的安全性和可靠性。

針對基于深度遷移的故障診斷研究，Han等[3]提出了一種具有聯合分布適應性的卷積神經網絡，該方法利用從海量標記樣本中學習的特征，提高模型對新的未標記樣本的診斷性能。

Lu等[4]提出了一種具有域自適應能力的深度神經網絡以進行故障診斷，并提出了探索最優超參數的策略。

Cao等[5]提出一種基于深度卷積神經網絡的遷移學習方法，通過使用海量圖像數據對深度神經網絡進行訓練，僅需要少量訓練數據即可進行齒輪故障診斷。

通過將深度遷移算法與數字孿生技術結合，能夠充分利用數字孿生軸承模型實現在虛擬空間的故障診斷，滿足基于深度學習的故障診斷模型的訓練需求。利用深度遷移學習算法完成先前訓練的故障診斷模型從虛擬空間到物理空間的轉移，能夠實現軸承的實時監測與預測性維護。

1 基于深度遷移學習的軸承故障診斷方法

基于深度遷移學習的軸承故障預測性維修方法的技術框架主要包括兩個階段。

（1）依據軸承的物理特性構建軸承的數字孿生模型，并在孿生空間進行測試、驗證和優化，通過獲得的軸承仿真溫度數據以訓練基于深度神經網絡的故障診斷模型。

（2）通過學習獲取的數據高級特征，形成基于深度遷移的故障診斷模型。

2 數字孿生驅動的軸承故障診斷方法

數字孿生驅動的軸承故障預測性維護，能夠在沒有先驗知識的前提下，利用堆疊稀疏自編碼器（SSAE），在大量未標記的仿真數據中提取故障特征。

基于深度遷移學習的軸承故障預測性維修方法的技術框架如圖1所示，SSAE的網絡結構如圖2所示。

圖1 基于深度遷移學習的軸承故障診斷方法的技術框架

圖2 SSAE的網絡結構

第一隱藏層的編碼器網絡和解碼器網絡輸出：

f(·)和g(·)在本文中均表示Sigmoid函數。

提取的特征將作為下一個SAE的輸入，通過最小化損失函數，依次學習每層的參數：

式中：L(·)——重構誤差懲罰函數，用以標明輸入x與輸出之間的差；KL(·)——相對熵，可以是隱藏層中大多數神經元受到抑制；ρ——稀疏參數，趨近于0；R(·)——權重衰減函數，有助于防止過擬合；?和μ——稀疏懲罰函數和權重衰減函數的權重。

訓練了N個隱藏層后，下一步將實現Softmax分類器。給定帶標簽的軸承溫度數據集：

式中：yi——與xi對應的標簽；m——輸入向量的數量；(x1,x2,…,xm)——SAE的輸入；——最后一個SAE嚴格要求的特征。

3 基于深度遷移學習的軸承故障診斷方法

基于深度遷移學習的軸承故障診斷方法結構如圖3所示。

圖3 基于深度遷移學習的軸承故障診斷方法的詳細結構

來自孿生空間和物理空間的軸承溫度標簽數據集以(XL,Y)給出，其中XL為標記數據向量，Y為其關聯的標記向量。DTL的損失函數：

式中：Lc(?)——標記數據的分類損失；npt——軸承實體溫度樣本數；——軸承實體溫度的實時監測數據集；FMMD2——最大均值差異（MMD），用于估計從軸承孿生體采集的數據與軸承實體監測數據之間的分布差異；η——MMD的有效程度。

軸承孿生體產生的數據與軸承實體監測的數據間的空間距離為：

式中：Ф(?)——非線性特征映射函數；H——通用再生核希爾伯特空間。

基于深度遷移算法的轉向架軸承數字孿生故障診斷偽代碼輸入：

（1）軸承孿生體仿真溫度數據Xvt。

（2）軸承實體監測溫度數據Xpt。

（3）標簽數據集(XL,Y)。

基于深度遷移算法的轉向架軸承數字孿生故障診斷偽代碼輸出軸承故障診斷和預測結果：

（1）在SSAE中隨機初始化參數。

（2）通過軸承孿生體仿真溫度數據Xvt訓練N個隱藏層，根據目標函數獲取每個隱藏層參數(W,b)，輸出輸入hvtn的特征表示。

（4）通過BP算法對網絡進行微調，在虛擬空間中輸出診斷模型。

（5）使用數字孿生驅動的軸承故障診斷模型的參數初始化基于深度遷移學習的軸承故障診斷模型。

（6）微調基于深度遷移學習的軸承故障診斷模型。

（7）根據公式更新參數。

（8）得到最終的基于深度遷移學習的軸承故障診斷模型，對軸承實體進行狀態檢測和故障診斷、預測給出Xpt的預測結果。

4 結語

本文提出的基于深度遷移學習的軸承故障診斷方法，通過結合深度學習與遷移學習的優點，在有海量可利用數據的源域中對深度學習軸承故障診斷模型進行訓練，實現對高級特征的提取，將其傳輸至具有不同數據分布的目標域。在軸承運用階段，基于深度遷移學習的軸承故障診斷方法，能夠將故障信息從軸承數字孿生模型的模擬數據遷移至軸承實體，來自軸承實體的少量溫度數據能夠有效訓練模型，且對數據的分布特征無特殊需求。