一種基于多通道卷積神經網絡的小齒輪軸裂紋診斷方法

杜紅梅，景亮亮，王后闖，楊陽，李鳳林，樊懿葳

一種基于多通道卷積神經網絡的小齒輪軸裂紋診斷方法

杜紅梅1，景亮亮1，王后闖2，楊陽1，李鳳林1，樊懿葳1

（1.成都運達科技股份有限公司，四川 成都 611700；2.北京縱橫機電科技有限公司，北京 100081）

分析現有軌道車輛小齒輪軸故障診斷的技術特點，提出一種基于多通道卷積神經網絡的小齒輪軸裂紋診斷方法。對軌道車輛電機輸出端附近的振動加速度信號進行短時傅里葉變換，得到二維時頻復數矩陣。將二維時頻復數矩陣拆解成多通道后，壓縮到統一大小，輸入到CNN中訓練獲得診斷模型。通過小齒輪軸實測信號驗證了本文方法的有效性與泛化能力，診斷精度高達98%，優于單通道二維時頻矩陣變換后輸入到CNN模型。該方法為小齒輪軸裂紋故障診斷提供了新途徑。

小齒輪軸故障診斷；卷積神經網絡；短時傅里葉變換；多通道

隨著我國高速、重載鐵路和城市軌道交通的快速發展，運營速度與載重隨之增加，對軌道交通車輛運營和維護也提出了新挑戰[1]。小齒輪軸作為軌道車輛走行部的關鍵部件之一，在長期高速重載的運行工況下由于設計或加工問題，極易在應力集中的區域出現裂紋甚至斷裂的現象，直接影響軌道車輛的穩定性和安全性[2-3]。小齒輪軸處于走行部結構深處，常規的超聲方法需對走行部齒輪箱進行拆解，才能讓探頭接觸小齒輪軸端面實現探測。因此突破現有高速軌道車輛關鍵部件故障診斷技術壁壘、實現小齒輪軸裂紋故障非拆卸式有效診斷，是保障高速軌道車輛安全高效運行的重要途徑。

基于信號處理與數據驅動的故障診斷方法是現有故障診斷方法的研究重點。其中基于信號處理的診斷方法主要通過對信號進行降噪、重構、解卷積等方法突出故障沖擊特征，再尋找故障特征頻率[4-6]。常用的信號處理方法有經驗模態分解（Empirical Mode Decomposition，EMD）、短時傅里葉變換（Short Time Fourier Transform，STFT）和小波變換（Wavelet Transform，WT）等。陳丙炎等[7]采用振動信號的平方包絡的自相關譜自適應地識別故障脈沖周期增強周期性脈沖特征，再進行解卷積增強原始信號中的故障頻率，實現了軸承微弱故障診斷。錢林等[8]利用變分模態分解（Variational Mode Decomposition，VMD）獲取振動信號的模態信號，利用互信息將其重構，最后利用形態學濾波進行降噪從而獲得高信噪比信號，突出故障特征頻率。該類方法存在計算效率快、硬件需求低、可解釋性強的優勢，但對于部分故障理論研究未涉及到的故障，獲取相應故障特征頻率很困難，因此也無法有效診斷故障[9]。

隨著機器學習與深度學習的快速發展，將該類人工智能技術引入故障診斷領域已成為趨勢[10]。Yuan等[11]利用局部平均分解獲取振動信號的特征向量，再基于該特征向量建立支持向量數據描述（Support Vector Data Description，SVDD）故障診斷模型。Gopi等[12]利用長短時記憶網絡（Long Short-Term Memory，LSTM）對發動機故障進行特征提取與故障診斷，在復雜工況、混合故障以及強噪聲的環境下取得了較好的效果。馮澤陽等[13]利用小波變換獲取能量特征向量，結合振動信號的時域特征，使用支持向量機（Support Vector Machine，SVM）完成列車轉向架的故障診斷。王立平等[14]利用小波包分解對原始信號進行分解，再利用局域判別基進行信號能量重構，最后將歸一化的特征向量輸入梯度提升樹（Gradient Boosting Decision Tree，GBDT）進行預測，相比于傳統方法具有更高的診斷精度與更強的魯棒性。

通過以上常規機器學習，診斷算法雖已取得豐碩成果，但對僅存在微弱振動故障特征的小齒輪軸裂紋故障，在強噪聲運行環境下，數據特征并不明顯，其診斷精度并不高。而基于卷積神經網絡（Convolutional Neural Networks，CNN）的深度學習模型通過對振動加速度數據的迭代優化，能挖掘數據潛在故障特征。朱會杰等[15]提出權值求和與最大尺度最大值池化策略，有效解決了特征的平移不變性與小樣本泛化能力弱的問題。鄧佳林等[16]增加特征通道權重模塊來獲取通道的全局信息，并通過通道間的依賴關系進行權重調整，增強模型的特征提取能力，實驗表明該方法相比傳統方法診斷精度提高了20%左右。Han等[17]利用CNN對軸承振動的時域數據進行特征提取，然后將CNN提取的特征輸入到支持向量機進行軸承狀態識別，具有耗時少、精度高、泛化能力強等特點。李恒等[18]利用短時傅里葉變換將一維振動信號轉化為二維頻率信號，隨后輸入到分類器實現了軸承故障診斷。Chen等[19]利用小波變換將振動信號轉換為包含時頻信息的二維信號，然后將其輸入到CNN模型進行故障診斷。Wu等[20]使用1-DCNN模型對固定軸齒輪箱和行星齒輪箱的故障診斷問題進行研究，證明了其有較強的特征提取能力和分類能力。但上述方法均使用單通道信號輸入CNN進行故障診斷，無法充分發揮CNN提取并增強振動信號特征的能力，無法充分挖掘故障特征。

基于上述分析，本文提出一種基于多通道卷積神經網絡、應用于小齒輪軸裂紋故障振動信號的特征提取，從而顯著提升分類器的故障診斷能力。本文的主要貢獻點為：①采用短時傅里葉變換對振動信號進行有效分解，并將得到的頻譜信息轉化為CNN的多通道輸入，有效地將一維振動信號轉化為CNN更為擅長的多通道矩陣識別問題；②多通道二維時頻矩陣比單通道二維時頻矩陣信號表達特征更加全面，CNN可以充分提取信號中的隱含特征。

1 基于短時傅里葉變換的CNN模型

1.1 短時傅里葉變換

傅里葉變換可以將復雜的原始振動信號從時域變換為較為簡單的頻率信號，是平穩信號分析常用方法，但對于非平穩故障信號，傅里葉變換的全局性頻域表征是致命的，它無法表征信號在時間維度上的局部故障特征。在缺少時間維度的局部信息時，故障的精細化診斷往往會出現一定程度的誤差。因此在故障診斷的過程中需要對信號進行時頻域的綜合分析，短時傅里葉變換也隨之出現。其基本思想是將一段非平穩隨機信號看作是一小段平穩隨機信號的疊加，即讓特定大小的窗口在時間維度上按固定步長滑動，計算每一個窗口中振動信號的傅里葉變換，再將每一個窗口中的頻域信號進行拼接，獲取信號的時頻矩陣，該矩陣表示了信號頻率隨時間的變化趨勢[21]：

式中：(,)為時頻矩陣；為時間；為頻率；(′)為均值化后的振動加速度數據；(－′)為短時傅里葉變換窗函數；′為窗函數的中心位置；-jωt′為復平面上關于頻率的基函數。

1.2 CNN

常規機器學習故障診斷算法往往由淺層結構構成，這導致了該類算法需要人為預先處理數據提取故障特征。為了獲取良好的預測效果，需要投入大量的人力物力研究故障機理、模型特性等。并且在面臨新的故障對象時需要從頭開始研究故障并構造相關特征，可擴展性差。而深度學習通過構造信號的非線性映射，達到自動提取信號特征的目的。網絡結構中的每一層都具有特征變換與提取的能力，通過逐層的特征變換將信號由復雜的結構映射為多個稀疏的特征表達，無需人工干預即可進行故障高精度預測。由于對軌道車輛小齒輪軸裂紋故障機理研究較少，無法獲知其故障頻率，短時傅里葉變換后無法利用傳統的信號處理方法突出其故障頻率特征。因此需要引入深度學習中的CNN自動提取時頻矩陣中的故障特征。

CNN模型的隱藏層包含了卷積層、池化層、全連接層。原始數據經過多次的卷積層與池化層將特征抽象化，最后采用全連接層整合這些特征輸出預測結果。

卷積層主要由多個卷積核構成，卷積核具有局部連接與權值共享的特性。由卷積核在時頻矩陣中滑動，將每個窗口中的數據變換為稀疏的特征，卷積核決定局部窗口什么特征該被激活、什么特征該被抑制。一個卷積核僅能提取一個維度的特征信息，而一個圖像矩陣往往存在數十上百個特征，因此卷積核的個數需盡可能多，利用權值共享技術在增加卷積核的過程中降低模型的復雜度。卷積的具體過程為：

當前層數；、為當前層矩陣坐標；為被卷積核覆蓋的矩陣；、為卷積核覆蓋矩陣的長和寬；為核函數；為對應偏置項。

對卷積后的特征非線性化，可以較好地擬合各類故障不同的分布特征。常用的非線性化激活函數為ReLu，具體表現形式為：

()＝max(0,) （3）

在整個模型中全部應用卷積層會導致參數過于龐大，模型也更容易出現過擬合的現象。利用池化層可以將矩陣數據進一步降維，優化參數數量，減少計算量；同時池化層可以增強矩陣特征的平移、旋轉不變性，增強模型的泛化能力。上采樣池化具體表現形式為：

矩陣經過多次卷積層與池化層已提取出較有代表性的特征，需要變為可判別的特征向量，因此利用平鋪層將特征變為一維特征向量，同時弱化特征的空間特性。再利用全連接層將特征降維整合，獲取最終的故障特征并加以判別。全連接層層數越深或神經元越多，越能提高故障特征的預測能力，但很容易過擬合，因此需要控制全連接層參數。全連接層公式為：

接層當前層數；為一維矩陣索引值；為－1層特征向量長度；為權重矩陣；為偏置項。

全連接層中同樣需要激活函數將其非線性化，選用softmax函數，其廣泛應用于二分類模型以及多分類模型中，表達形式為：

索引；為對應類別索引值；所有類別索引值。

1.3 基于多通道卷積神經網絡

為有效識別小齒輪軸裂紋故障，本文基于多通道時頻矩陣搭建的CNN結構如圖1所示。可知，本文的多通道時頻矩陣CNN模型首先由4層卷積層與池化層構成，其中前2層卷積層與池化層用于提取時頻矩陣的淺層特征，后2層卷積層與池化層將淺層特征抽象化為更強表征能力的高層特征。利用平鋪層將輸出變為一維特征向量，由2層全連接層進一步提取特征，并預測故障診斷結果。為了增強模型的非線性化預測能力，卷積層采用ReLu激活，全連接層采用softmax激活。針對模型易過擬合的問題，在所有層中均采用0.2比例的dropout。

圖1 多通道時頻矩陣CNN結構

2 數據驗證與討論

為了驗證本文提出方法的有效性，分別對小齒輪軸裂紋故障數據構建單通道數據和多通道數據，進行故障診斷，采用國內某機務段出現部分小齒輪軸裂紋故障數據進行實驗驗證。

2.1 實測數據處理及診斷流程

本文所用數據采自國內某機務段HXD1C車型標配走行部故障檢測系統，數據集包含出現小齒輪軸裂紋故障軸位的數據。數據采集的傳感器安裝位點為走行部電機的輸出端，傳感器的位置如圖2所示，采樣頻率為40 kHz，圖3為一條小齒輪故障的局部原始時域信號。軌道車輛每回庫一次，即下載該運行里程的振動加速度數據，最終采集1軌道車輛在不同時間段下28個交路電機輸出端振動加速度數據。

基于二維CNN的小齒輪軸裂紋故障診斷流程如圖4所示：對振動信號按照每0.25 s進行數據分割；根據確定的STFT的參數進行STFT變換，分別得到單通道二維時頻圖與多通道二維時頻圖；將得到的時頻圖輸入至二維CNN中進行模式識別，根據正確率等因素優化CNN參數、確定模型。

圖2 HXD1C車型小齒輪軸承傳感器

圖3 一條小齒輪故障原始時域信號

圖4 CNN模型的診斷流程圖

2.2 數據驗證結果

為了展示本方法的優越性，設置了一組對比實驗：將原始小齒輪軸裂紋故障時域信號進行過短時傅里葉變換后，生成的單通道二維（101×101×1）時頻矩陣輸入到經典CNN模型中；生成的多通道二維（101×101×2）時頻矩陣輸入到經典CNN模型進行故障分類。模型結構如表1所示，其中四個卷積層的濾波器數分別為32、64、128、256，卷積核大小為3×3。

表1 STFT參數取值

表2 CNN網絡結構參數

使用一列存在小齒輪軸裂紋故障的機車數據進行訓練，迭代次數為40。本文提出的方法與對比方法的實驗結果如圖5所示。可知，訓練集中，單、多通道的準確率均已超過95%，且多通道稍優于單通道；測試集中，多通道準確率已超過98%，而單通道準確率鮮有到達95%。證明多通道二維時頻矩陣在故障診斷中效果優于單通道二維時頻矩陣。

圖5 訓練集和測試集的故障識別準確率對比

3 結語

利用短時傅里葉變換直接對原始小齒輪軸振動信號進行自動提取特征，得到二維時頻矩陣，將轉換后的多通道二維時頻矩陣輸入到CNN模型中，在小齒輪軸裂紋故障診斷中取得了較好的效果，可以得到如下結論：

（1）原始小齒輪軸振動信號經過STFT后得到的時頻矩陣，可以保留原始信號的時域信息和頻域信息，經過轉換得到的多通道二維時頻矩陣特征信息優于單通道二維時頻矩陣，能夠突出反映小齒輪軸故障狀態信息。

（2）基于二維CNN的小齒輪軸裂紋故障診斷方法具有一定的診斷優越性，實現了小齒輪軸裂紋故障端到端的自適應診斷，對之后小齒輪軸裂紋在線診斷算法研究具有啟發意義。

本文模型雖然實現了小齒輪軸裂紋的端到端在線診斷，但由于機車運行環境的復雜性，仍存在一定的優化空間：①增加牽引、制動、轉速等額外信息到模型中，可有效降低模型的誤判率；②改進模型結構，使其在同樣本下具有更強的特征提取能力；③增加遷移學習的思想到模型中，可將該模型的結果應用到其他運行線路、機車類型，不受環境因素制約。

[1]沙美妤，劉利國. 基于振動信號的軸承故障診斷技術綜述[J]. 軸承，2015（9）：59-63.

[2]彭志亮，左華付，肖先忠. 機車電機轉軸及小齒輪軸斷裂失效分析[J]. 機械工程材料，2011，35（6）：93-97.

[3]朱有利，王燕禮，唐亮，等. HXD1機車小齒輪軸斷裂失效應力分析[J]. 材料科學與工藝，2017，25（1）：69-75.

[4]McDonald，Geoff L，Qing Z. Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix: Application to vibration fault detection[J]. Mechanical Systems and Signal Processing，2017（82）：461-477.

[5]Wang X，Liu C，Bi F，et al. Fault diagnosis of diesel engine based on adaptive wavelet packets and EEMD-fractal dimension[J]. Mechanical Systems and Signal Processing，2013（41）：1-2.

[6]Mohanty S，Gupta K，Raju K. Comparative study between VMD and EMD in bearing fault diagnosis[C]. IEEE International Conference on Industrial and Information Systems. IEEE，2014.

[7]陳丙炎，宋冬利，張衛華，等. 改進MOMEDA方法及其在滾動軸承故障特征增強中的應用[J]. 機械強度，2021，43（1）：1-8.

[8]錢林，康敏，傅秀清，等. 基于VMD的自適應形態學在軸承故障診斷中的應用[J]. 振動與沖擊，2017，36（3）：227-233.

[9]Kankar P，Sharma Satish C，Harsha S. Fault diagnosis of ball bearings using machine learning methods[J]. Expert Systems With Applications，2010，38（3）：1876-1886.

[10]Wang R，Meng X，Xiong B，et al. Multi-view Bearing Fault Diagnosis Method Based on Deep Learning[J]. Journal of Physics：Conference Series，2021，1757（1）：012093.

[11]Yuan Z，Song F，Dou R. Research on Bearing Fault Diagnosis of Submersible Pump Motor Based on LMD and SVDD[J]. IOP Conference Series：Materials Science and Engineering，2020，711（1）：012041.

[12]Gopi K，Selvaraj B，Mittal M，et al. Swarm-LSTM：Condition Monitoring of Gearbox Fault Diagnosis Based on Hybrid LSTM Deep Neural Network Optimized by Swarm Intelligence Algorithms[J]. Computers，Materials and Continua，2020，66（2）：2041-2058.

[13]馮澤陽，鄔平波. 基于SVM的轉向架故障診斷技術研究[J]. 機械，2020（8）：37-43.

[14]王立平，鄧芳明. 基于小波包和GBDT的瓦斯傳感器故障診斷[J]. 測控技術，2016，35（12）：30-33.

[15]朱會杰，王新晴，芮挺，等. 基于平移不變CNN的機械故障診斷研究[J]. 振動與沖擊，2019，38（5）：45-52.

[16]鄧佳林，鄒益勝，張笑璐，等. 一種改進CNN在軸承故障診斷中的應用[J]. 現代制造工程，2020（4）：142-147.

[17]Han T，Zhang L，Yin Z，et al. Rolling bearing fault diagnosis with combined convolutional neural networks and support vector machine[J]. Measurement，2021，177（1）：109022.

[18]李恒，張氫，秦先榮，等. 基于短時傅里葉變換和卷積神經網絡的軸承故障診斷方法[J]. 振動與沖擊，2018，37（19）：124-131.

[19]Chen R，Huang X，Yang L，et al. Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform[J]. Computers in Industry，2019（106）：48-59.

[20]Wu C，Jiang P，Ding C，et al. Intelligent fault diagnosis of rotating machinery based on one-dimensional convolution neural network[J]. Computers in Industry，2019（108）：53-61.

[21]王程，鄭小燕，王海彬. 基于短時傅里葉變換的干擾信號識別方法[J]. 裝備環境工程，2018，15（3）：67-70.

A Method for Pinion Shaft Crack Diagnosis Based on Multi-Channel Convolutional Neural Network

DU Hongmei1，JING Liangliang1，WANG Houchuang2，YANG Yang1，LI Fenglin1，FAN Yiwei1

( 1.Chengdu Yunda Technology Co., Ltd., Chengdu611700,China; 2.Beijing Zongheng Electro-Mechanical Technology Development Co., Ltd.,Beijing100081,China )

Based on the analysis of the existing technical characteristics of pinion shaft fault diagnosis for rail vehicles, this paper proposed a method of pinion shaft crack diagnosis based on multi-channel convolutional neural network (CNN). Short-time Fourier transform is performed on the vibration acceleration signal near the output terminal of the rail vehicle motor to obtain a time-frequency complex matrix, and two-dimensional time-frequency complex matrix was disassembled into multiple channels, compressed to a uniform size and put into CNN to train to obtain a diagnostic model. The effectiveness and generalization ability of the method are verified by the measured signals of the pinion shaft. The diagnosis accuracy is as high as 98%, which is superior to the single channel two-dimensional time-frequency matrix transformation and input into CNN model. The proposed method provides a new approach for the pinion shaft crack diagnosis.

pinion fault diagnosis；convolutional neural network；short time Fourier transform；multi-channel

TH133.33

A

10.3969/j.issn.1006-0316.2022.07.006

1006-0316 (2022) 07-0036-06

2021-12-02

杜紅梅（1985－），女，山東泰安人，碩士，工程師，主要研究方向為車輛轉向架旋轉部件故障智能檢測、健康評估及智能運維，E-mail：903499926@qq.com；景亮亮（1991－），男，山東濟南人，碩士，工程師，主要研究方向為機器學習與故障診斷技術。