基于多尺度时频图与卷积神经网络的车轮故障智能诊断_李大柱.pdf

第 20 卷 第 3 期2023 年 3 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 3March 2023基于多尺度时频图与卷积神经网络的车轮故障智能诊断李大柱，牛江，梁树林，池茂儒(西南交通大学 牵引动力国家重点实验室，四川 成都 610031)摘要：铁道车辆车轮故障的产生，不仅会增大列车的振动和噪声使乘坐舒适性下降，而且会加速车辆及轨道零部件的损伤，严重时还会引发事故，因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足，提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法，该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪，然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF)，选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的 Wigner-Ville分布(WVD)，然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化，构建适合车轮故障诊断的CNN模型，来学习提取车轮在不同工况下的时频图特征，并对时频图进行分类，将特征学习提取与故障分类融为一体，一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明：所提出的方法对于车速、故障类型和故障程度都有很好的自适应能力，故障识别准确率可达97%，且泛化能力强。因此所提方法在车辆运营状态在线监测的应用中具有一定的理论意义和工程价值。关键词：车轮故障诊断；形态学滤波；完全噪声辅助聚合经验模态分解；Wigner-Ville分布；卷积神经网络中图分类号：U279.2 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）03-1032-12Intelligent wheel fault diagnosis based on multi-scale time-frequency map and convolutional neural networkLI Dazhu,NIU Jiang,LIANG Shuling,CHI Maoru(State Key Laboratory of Traction Power,Southwest Jiaotong University,Chengdu 610031,China)Abstract:The generation of wheel faults in railway vehicles will not only increase the vibration and noise of the train to make the ride comfortable,but also accelerate the damage of the vehicle and track parts.In the serious cases,it will also cause accidents.So the real-time monitoring of wheel service status is of great significance to ensure the safe operation of trains.Aiming at the shortcomings of the existing railway vehicle wheel fault diagnosis methods such as weak adaptive capability and low accuracy,an intelligent wheel fault diagnosis method based on multi-scale time-frequency map and convolutional neural network(CNN)was proposed,which 收稿日期：2022-04-06基金项目：国家自然科学基金资助项目(U21A20168)通信作者：梁树林(1967)，男，山西盂县人，教授级高级工程师，从事车辆工程结构可靠性及动力学研究；Email：DOI:10.19713/ki.43-1423/u.T20220675第 3 期李大柱，等：基于多尺度时频图与卷积神经网络的车轮故障智能诊断used the vertical vibration acceleration of the axle box where the wheel was located to indirectly identify the wheel service status.(1)Firstly,a morphological filter was used to filter and reduce the noise of the vehicle axlebox vibration acceleration signal,and then the Complete Ensemble Empirical Mode Decomposition with Adaptive Noise(CEEMDAN)was used to adaptively decompose the filtered signal into several intrinsic mode functions(IMFs).The third-order component with relatively large energy entropy increment was selected as the main component of the signal.(2)The Wigner-Ville distribution(WVD)of each principal component was found separately,and then superimposed and transformed into a multi-scale time-frequency map.(3)The classical LeNet-5 model was structurally improved,and the network parameters were optimized to build a CNN model suitable for wheel fault diagnosis to learn to extract the time-frequency diagram features of wheels under different operating conditions and classify the time-frequency diagram,which integrated feature learning and extraction with fault classification and achieved end-to-end wheel fault diagnosis to a certain extent.The simulation tests and field trials show that the proposed method has good adaptive capability for vehicle speed,fault type and fault degree,and the fault recognition accuracy can reach 97%with strong generalization capability.Therefore,the proposed method has certain theoretical significance and engineering value in the application of online monitoring of vehicle operation status.Key words:wheel fault diagnosis;morphological filtering;complete ensemble empirical mode decomposition with adaptive noise;Wigner-Ville distribution;convolutional neural network 轮对作为铁道车辆走行系统中的关键部件，不仅具有导向作用，而且承载着较大的静载荷和动载荷，其服役状态直接影响着列车的运行安全，因此在列车运营中，及时准确地识别车轮状态对于保证行车安全、提高效益都具有重要意义。随着机器学习在图像和语音识别领域的快速发展，智能故障诊断方法也逐渐走向了成熟，相较于传统故障诊断方法，智能故障诊断在细微特征的提取、诊断的准确性以及诊断速度等方面都有明显的 优 势13。卷 积 神 经 网 络(convolutional neural network,CNN)在医学、人工智能等领域深受青睐，也有学者将其应用于机械故障的智能诊断中，如轴承、齿轮箱的故障诊断，螺栓连接损伤识别等，但 在 铁 道 车 辆 车 轮 故 障 诊 断 中 的 应 用 较 少。HOANG等4将振动信号直接作为CNN的输入，来诊断轴承故障。曲建岭等5将原始振动信号分段处理后作为一维CNN的输入来诊断轴承故障。袁建虎等6运用小波变换处理振动信号来获得时频图，然后将时频图作为卷积神经网络的输入来诊断轴承故障。周建华等7将振动信号的小波时频图作为CNN的输入来诊断行星齿轮箱故障。卓德兵等8通过对螺栓松动声音信号处理得到小波时频图，以小波时频图作为轻量CNN的输入，来识别螺栓的松动程度。基于CNN的智能故障诊断技术在各个领域内得到了广泛的应用，这也为铁道车辆车轮故障智能诊断提供了良好的借鉴。鉴于此，本文结合铁道车辆车轮故障振动信号的特征，提出基于多尺度时频图与卷积神经网络的车轮故障智能诊断方法。1 车轮典型故障分析车轮故障的产生使轮轨间的相互作用发生改变，从而导致故障车轮所在轴箱的垂向振动加速度发生变化，且不同类型的车轮故障引起的轴箱垂向振动加速在时域、频域都有明显的特征。因此可在车辆轴箱上设置传感器来采集轴箱振动加速度信号，通过分析轴箱垂向振动加速度信号的特征间接地诊断车轮是否存在故障，本文中轴箱振动加速度特指故障车轮所在轴箱的垂向振动加速度，轴箱传感器的安装示意图如图1所示。车轮故障形式多样，本文以扁疤和多边形2种典型故障为例进行诊断。1.1车轮扁疤车辆在运行中，车轮由于空转打滑或抱死等1033铁 道 科 学 与 工 程 学 报2023 年 3月原因，使踏面出现局部的擦伤或剥离，此现象统称为车轮扁疤。擦伤和剥离使车轮踏面出现局部凹陷，当车轮滚动到扁疤位置时，车轮瞬时转动中心发生突变，车轮对轨道产生一垂直向下的冲击力，同时轨道也会给车轮施加一垂直向上的反作用力，在该车轮所在轴箱垂向振动加速度中表现为周期性的冲击成分，且冲击成分的出现频率与车轮转频相等9。1.2车轮多边形车轮圆周在不均匀磨耗等因素作用下形成的周期性径向偏差，称为车轮多边形9。车轮多边形故障的出现容易引起轮轨垂向高频振动，会对车辆及轨道零部件造成严重的破坏。车轮多边形故障也会引起车轮瞬时转动中心的变化，但相比与扁疤故障多边形车轮踏面上的棱角相对较圆滑，因此车轮多边形故障所引起的振动在轴箱振动加速度中以谐波的形式出现，车轮多边形故障常用以车轮圆周长为自变量的谐波函数来描述。2 形态学滤波与CEEMDAN-WVD时频分析方法铁道车辆轴箱振动加速度受线路条件等的影响，属于非线性、非平稳信号，仅时域特征或