有轨列车走行部故障诊断方法研究文献综述

文献综述（或调研报告）：

滚动轴承作为城市轨道交通列车走行部最重要也最脆弱的部件，其故障可分为磨损类故障和损伤类故障，这些故障在滚动轴承中的载体具体为内圈、外圈和滚动体三处，根据情况的不同，故障会在这三处的单点、多点甚至组合出现。2016年，由蒋杰^[1]提出内圈在承载区出现单点故障时，随着转动会产生脉冲，且随着轴的旋转频率调制；外圈由于其不随轴转动，因此脉冲大小和方向不变；滚子上出现单点故障时，会传到内圈、外圈并产生脉冲，脉冲对外圈产生的脉冲力远大于对内圈产生的脉冲力。

随着深度学习技术的不断发展，滚动轴承的故障诊断方法向智能化诊断进步。张坤等人^[2]采用基于EMD和GNN-AdaBoost算法对不同工况下的滚动轴承进行故障诊断。在载荷、速度因素变化的工况下,将GNN-AdaBoost算法与遗传神经网络算法(GNN)对特征参数矩阵的辨识结果进行对比分析,验证了不同工况下GNN-AdaBoost算法比传统的遗传神经网络算法(GNN)均具有更髙的故障辨识能力。Wei Z等人^[3]利用集合经验模态分解（EEMD）和小波包变换（WPT）精确提取埋入振动信号中的故障特征信息。此外，为了提高聚类算法的效率和避免维数灾难，开发了一种新的自适应特征选择技术，与其他方法相比，其有效性得到了验证。所提出的智能方法然后应用于轴承故障诊断。结果表明，所提出的方法能够可靠准确地识别轴承的不同故障类别和严重程度。Lu C.等人^[4]利用认知计算理论研究了一种基于卷积神经网络（CNN）的有效可靠的深度学习方法，该方法引入了图像识别通过模拟大脑皮层的认知过程对视觉进行轴承故障诊断。首先利用有监督的深度学习来讨论方位数据，接下来，深层次结构以稳健的方式进行训练。最后卷积计算，整形线性单位和二次采样用于重量复制，并减少需要学习的参数数量，以改善一般的前馈反向传播训练。因此CNN模型可以减少时间维度中的学习计算要求，并且通过识别轴承的基本特征来提供工作条件波动和环境噪声的不变级别。Chen Z.Q.等人^[5]采用三种深度神经网络模型（Deep Boltzmann Machines，Deep Belief Networks和Stacked Auto-Encoders）来识别滚动轴承的故障状态。讨论了包括时域，频域和时频域特征的四种预处理方案。收集一个具有7种故障模式的数据集，以评估基于旋转机械系统的健康状况的滚动轴承故障诊断的深度学习模型的性能。结果证明深玻耳兹曼机器，Deep Belief Networks和Stacked Auto-Encoder的精度高度可靠，适用于滚动轴承的故障诊断。Shao H. D等人^[6]提出了一种新的方法——集合深度自动编码器（EDAEs），用于滚动轴承的智能故障诊断。首先，不同的激活函数被用作隐藏函数来设计具有不同特性的一系列自动编码器（AEs）。其次，EDAE由各种自动编码器构成，用于根据测得的振动信号进行无监督的特征学习。最后，组合策略旨在确保准确和稳定的诊断结果。所提出的方法用于分析实验轴承振动信号。赵元喜等人^[7]利用谐波小波包将不同工况下滚动轴承的故障信号分解到不同频段内,进而将各子频带信号的能量作为特征向量输入到神经网络中,自动识别出了滚动轴承不同的故障类型。潘阳等人^[8]采用遗传算法对BP神经网络参数进行了优化,提高了网络训练效率和识别精度。Lei等人 ^[9]使用小波神经网络（WNN）作为分类器，输入特征是通过从集合EMD中选择最敏感的IMF而获得的。基于每个IMF的数据样本的峰度值的平均值和标准差。

近年来，神经网络的发展已经可以做到无需对原始信号进行处理直接进行诊断的实例。单外平等人^[10]针对传统智能识别需要复杂的特征提取过程，增加了操作的难度和不确定性，采用深度信念网络(Deep Belief Network，DBN)直接从原始数据对故障智能识别的方法。该方法避免了人工特征提取过程，增强了识别的智能性。将以原始数据为输入的DBN应用于轴承故障识别，接近100%正确识别率的实验结果表明:DBN可以直接通过原始数据对轴承故障进行高效识别。陶洁等人^[11]提出在利用深度置信网络进行滚动轴承故障诊断时，网络结构的设置不仅影响诊断的结果，还影响计算效率。为提高滚动轴承故障诊断的准确率，提出基于细菌觅食决策和深度置信网络的滚动轴承故障诊断方法。该方法利用采集的样本数据对深度置信网络进行训练，以构造细菌觅食决策算法的适应度函数，通过计算各个细菌的适应度来衡量模型的优劣。由于细菌觅食决策算法具有并行搜索能力，能有效选取深度置信网络各隐节点数、学习率、动量等参数，生成合适的分类器提高滚动轴承故障诊断的准确率。Olivier Janssens等人^[12]采用 CNN实现 无需专家经验的故障检测与识别算法，成功解决了旋转机械中外圈滚道故障和润滑性能退化两种传统方法很难实现的故障诊断。XiaM等^[13]提出了一种基于 CNN的旋转机械故障诊断方法，即利用CNN的结构优势来实现多传感器的融合。通过对滚动轴承和齿轮箱对该方法进行试验，结果表明与传统的旋转机械故障诊断方法相比该方法能达到更高的诊断精度。苗中华等^[14]将稀疏编码应用于轴承振动信号分析并通过实验验证表明基于稀疏编码的振动信号特征提取算法该方法可用于设备故障诊断。汤宝平等人^[15]提出了一种基于Elman神经网络的旋转机械故障诊断模型，其综合了经验模态分解的特征提取和Elman神经网络在故障模式识别方面的优势，通过对深沟球轴承故障诊断实例验证了所提故障诊断模型的有效性。张伟[]引入了自适应批量归一化算法,对WDCNN模型进行改进。该算法大幅提高了WDCNN模型的抗噪性以及变负载自适应性。针对神经网络难以分析的难题,利用数据可视化技术,展示了WDCNN模型诊断轴承故障信号的过程。针对自适应批量归一化算法需要测试集的统计信息的不足,提出了TICNN模型。TICNN模型利用卷积核Dropout与极小批量训练,为卷积神经网络引入训练干扰,增强了模型的泛化性能。为了进一步提高网络性能,使用集成学习来提高模型的识别率与稳定性。TICNN模型不需要任何测试集的信息,无需任何降噪预处理,取得了很高抗噪与变负载自适应性能

在利用神经网络对特征向量进行深度学习方面，目前学者研究并用实验证实了BP神经网络、CNN神经网络以及小波神经网络学习的准确性。本课题将用这三种神经网络对数据进行处理验证。同时，将尝试用深度信念网络(Deep Belief Network，DBN)直接从原始数据对故障智能识别，并与其它深度学习方法进行比较。

参考文献

1. 蒋杰. 基于轨旁声学信号的城轨列车滚动轴承故障诊断研究[D].南京理工大学,2017.
2. 张坤. 城轨列车走行部滚动轴承故障诊断算法研究[D].北京交通大学,2015.
3. Wei Z. X, Wang Y. X., He S. L., Bao J. D. A novel intelligent method for bearing fault diagnosis based on affinity propagation clustering and adaptive feature selection[J]. Knowledge-Based Systems, 2017, 116: 1–12
4. Lu C., Wang Z. Y., Zhou B. Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification[J]. Advanced Engineering Informatics 2017, 32: 139–151
5. Shao H. D, Jiang H. K. Lin Y. and Li X. Q. A novel method for intelligent fault diagnosis of rolling bearings using ensemble deep auto-encoders[J]. Mechanical Systems and Signal Processing, 2018, 102: 278-297
6. 赵元喜,胥永刚,高立新,崔玲丽.基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术[J].振动与冲击,2010,29(10):162-165 257.
7. 潘阳,陈安华,何宽芳,李学军,曾波.基于PF能量特征和优化神经网络的轴承诊断[J].振动.测试与诊断,2013,33(S1):120-124 224.
8. Y. Lei, Z. He, Y. Zi, {EEMD} method and {WNN} for fault diagnosis of locomotive roller bearings, Expert Syst. Appl. 38 (6) (2011) 7334–7341.
9. 单外平,曾雪琼.基于深度信念网络的信号重构与轴承故障识别[J].电子设计工程,2016,24(04):67-71.
10. 陶洁,刘义伦,杨大炼,宾光富.基于细菌觅食决策和深度置信网络的滚动轴承故障诊断[J].振动与冲击,2017,36(23):68-74.
11. Olivier Janssens， Viktor Slavkovikj， Bram Vervisch， et al. Convolutional neural network based fault detection for rotating machinery[J].J of Sound and Vibration， 2016(337) 331-345
12. Xia M， Li T， Xu L， et al. Fault Diagnosis for Rotating Machinery Using Multiple Sensors and Convolutional Neural Networks[J]IEEE/ASME Transactions on Mechatronics， 2017(99): 1-1
13. 苗中华，周广兴，刘海宁. 基于稀疏编码的振动信号特征提算法与实验研究[J].振动与冲击，2014,33(15):76-81.
14. 汤宝平,习建民,李锋.基于Elman神经网络的旋转机械故障诊断[J].计算机集成制造系统,2010,16(10):2148-2152.
15. 张伟. 基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨工业大学,2017.