首页/文章/ 详情

轨道PHM论文学习 | 基于双尺度卷积神经网络(DS-WCNN)的铁路道岔转辙机故障诊断

故障诊断与python学习

16天前浏览2048

最近好几个群友问有没有做轨道PHM，的确做这个方向的很少，能接触拿到轨道项目的就北交、西南交大等几个高校。本期给大家推荐一篇发表在ChineseJournal of Electronics期刊上的铁路道岔转辙机故障诊断文章。

论文链接：通过点击最左下角的阅读原文进行在线阅读及下载。

论文基本信息

论文题目：Vibration Signal-Based Fault Diagnosis of Railway Point Machines via Double-Scale CNN

论文期刊：Chinese Journal of Electronics

Doi：https://doi.org/10.23919/cje.2022.00.229

作者：CHEN Xiaohan1, HU Xiaoxi1,2, WEN Tao1, and CAO Yuan1,3

机构：

1. The School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044, China

2. The State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China

3. The National Engineering Research Center of Rail Transportation Operation Control System, Beijing Jiaotong University, Beijing 100044, China

一作简介：陈霄汉，男，本科毕业于北京交通大学电子信息工程学院通信工程专业，目前为北京交通大学交通信息工程及控制专业在读硕士研究生，进行基于深度学习与联邦学习的铁路设备故障诊断的研究。

摘要

在铁路运输行业中，铁路转辙机(Railway point machines, RPMs) 的故障诊断至关重要。由于运行振动信号能够反映机械设备的各种故障状况，振动传感与监测，更重要的是基于振动信号的RPM故障诊断受到了学者和工程师的关注。大多数基于振动信号的RPM故障诊断方法依赖于使用高采样率传感器收集的数据和人工特征提取，因此成本高且鲁棒性不足。为了克服这些缺点，我们提出了一个双尺度的第一层宽核卷积神经网络(DS-WCNN)，用于使用廉价和低采样率的振动传感器进行RPM故障诊断。所提出的第一层宽卷积核算法从振动观测中提取特征，特别适用于低采样率信号。同时，提出的双尺度结构通过结合两类时间尺度特征，提高了精度和噪声抑制能力。进行了大量的实验，包括加噪和对比，以证明所提出算法的鲁棒性和准确性。

关键词：转辙机；故障诊断；状态监测；振动信号；CNN

1 引言

道岔是铁路基础设施的重要组成部分之一，其中道岔转辙机（Railway Point Machine, RPM）用于实现列车的运行路线切换。然而，由于RPM暴露在室外，常常在较差的自然环境下运行，如变化的温度、湿度和不良天气，因此容易出现多种故障。中国国家铁路集团有限公司2020年的报告显示，铁路信号设备故障中超过四成是由RPM故障引起的。目前，RPM的故障诊断主要依赖于人工巡检，这种方法效率低下、实时性差，且需要高昂的劳动成本。目前部分专家学者提出了一些机器学习算法，但普遍存在故障情形考虑不充分、传感器成本高、计算复杂等缺点，不适合大范围应用于RPM故障诊断。

2 方法

为了提高RPM的整体效率，需要采用成本效益高且准确的自动故障诊断方法。本研究提出了一种基于机械振动信号和深度学习模型的RPM故障诊断方法，在信号采集方面，研究团队以512Hz的采样频率对RPM运行过程的减速器外壳的机械振动信号进行采集，该采样频率避免了高精度传感器带来的成本提升。故障诊断算法方面，本文提出了一种双尺度宽卷积核的卷积神经网络（DS-WCNN），该算法通过使用低采样率的振动信号作为输入，实现了对于16种工况进行端到端的故障诊断。

图1 DS-WCNN结构图

DS-WCNN模型如图1所示，特征提取主要通过两个分支的卷积层完成，这些卷积层使用卷积核将输入的信息转化为输出特征。考虑到输入数据是一维时间序列，本文通过在分支的首层进行宽卷积，实现了对特征的有效提取。虽然首层的宽卷积核能够从大的感受野中提取特征，但不同尺寸的宽卷积核能够在不同尺度下提取信息。因此，本文将两种不同尺度的卷积层进行并联以提高特征提取能力。DS-WCNN模型还引入了最大池化层和全局平均池化层，最大池化层从特征图的池化区域中扫描并获取最大值作为特征的表征，从而减少了模型中的参数数量。全局平均池化层将每个特征图的特征组合并展平为特征向量以实现两分支的特征拼合。在完成特征拼合后，总特征经过全连接层与Dropout层后转化为输出层的16分类结果。

3 振动信号描述

ZDJ9 RPMs广泛应用于高铁及其他城市轨道交通系统。因此，我们在研究中考虑了这些机器。本研究的振动信号采集自中国最大的RPM供应商中国中车(西安)轨道交通工业集团有限公司的ZDJ9 RPM试验台。本研究中的ZDJ9 RPM由电机、缓速器、滚珠丝杠、一个或多个安全开关、一排端子、开关电路控制器、两根指示杆和一根抛杆组成(图2)。电源需要380V三相交流电。一旦发出开关命令，电机就被激活。缓速器用于增加扭矩，并通过摩擦离合器将力传递给滚珠丝杠。因此，电能被转换成推套的直线运动。随后，推杆相对于推套产生推拉动作。最后，当指示杆检测到运动终止时，开关电路控制器切断电机电路，接通指示电路。

图2 ZDJ9 RPM的三维模型

常见故障会导致开关电阻的变化，直接影响电机转速。因此，电机振动可能反映了ZDJ9 RPM条件。如前所述，电机连接到缓速器，并在减速器壳体上放置一个垂直平面。马达的外壳是弯曲的。因此，在侧板上贴上振动传感器(如图3所示)。传感器检测垂直于地面的振动，采样率仅为512 Hz。我们选择检测垂直于RPM方向的振动，因为RPM是固定在安装装置(测试台上的测试台)上的。ZDJ9 RPM的运行时间约为8秒，相当于从正常位置到反向或从反向位置到正常位置的运动。因此，在工作期间采集一次振动信号样本，直到移动完成。

图3 所贴传感器

我们考虑了16种场景，收集了944个样本，详见表1。正反运转模式下各工作状态的振动信号示例如图6所示。显然，a-d型和g型的工作信号非常相似。唯一的区别是不同负载的信号强度。在标准负载(b型)下，振动信号幅值最低。接近运动后突然的指示丢失是由于拉伸弹簧增大，导致动触点从静止触点(e型)中弹跳而出。当机械传动装置阻塞时，电机电流激增；因此，电机和机械传动部件运行异常，产生不同频率和振幅的振动(类型f)。解锁故障与其他工况的振幅和波形不同(类型h)。

表1 本研究所考虑的工况条件

图4 RPM正反运转模式下振动信号波形

4 实验与结果分析

图5 抗噪声能力对比结果

实验结果如图5所示，该方法在训练和测试数据集上的识别准确率分别为99.10%和97.71%，表明该算法的有效性。本文还进行了一系列针对首层宽卷积层的尺度的对比实验，确定了基于机械振动信号的RPM故障诊断中的最佳尺度与组合，并通过实验验证了双尺度具有优于单尺度和更多尺度的性能。实验还对比了DS-WCNN模型与其他经典的机器学习和信号处理方法，并通过向输入信号添加不同信噪比的噪声证明了该模型的鲁棒性优于其他算法。DS-WCNN模型以其创新性的架构和强大的特征提取能力，有力地推动了RPM故障诊断的研究。

5 总结

本研究提出了一种基于廉价振动传感器的DS-WCNN RPM高精度、高效、鲁棒的故障诊断模型。该方案只需要采样率为512 Hz的一维振动信号(其他方法使用的频率为51200 Hz)。该方法在测试数据集上的准确率为97.71%，每个样本的平均推断时间为0.0003 s。此外，所提出的DS-WCNN具有足够的鲁棒性。当信噪比超过8 dB时，精度保持在90%

来源：故障诊断与python学习