本發(fā)明涉及軸承故障診斷，具體為一種基于dss-cnn模型的地鐵軸承標(biāo)簽混淆數(shù)據(jù)故障診斷方法。

背景技術(shù)：

1、鐵路交通是國(guó)家經(jīng)濟(jì)的大動(dòng)脈，在國(guó)家社會(huì)發(fā)展中起到了極其重要的作用，在地鐵系統(tǒng)中，齒輪箱作為傳動(dòng)系統(tǒng)的核心組件，承載著將電動(dòng)機(jī)的動(dòng)力傳遞給車輪的重要任務(wù)。齒輪箱軸承的健康狀況直接影響列車的運(yùn)行安全和穩(wěn)定性。因此，對(duì)列地鐵齒輪箱軸承進(jìn)行及時(shí)有效的故障識(shí)別與診斷具有極其重要的意義。

2、以往的齒輪箱軸承故障研究主要采用傳統(tǒng)方法，如應(yīng)用變分模態(tài)分解、經(jīng)驗(yàn)?zāi)B(tài)分解等算法對(duì)軸承振動(dòng)信號(hào)進(jìn)行分解，然后選擇其中的分量進(jìn)行進(jìn)一步分析。然而，傳統(tǒng)方法在很大程度上依賴專家經(jīng)驗(yàn)，而過(guò)多的人工干預(yù)不可避免地對(duì)診斷結(jié)果造成一定的影響。如今，隨著智能化水平的提高，對(duì)各類軸承數(shù)據(jù)的采集速度和數(shù)量級(jí)都取得了顯著提升，為深度學(xué)習(xí)方法在軸承故障診斷領(lǐng)域的廣泛應(yīng)用奠定了良好基礎(chǔ)。作為當(dāng)前廣泛采用的智能研究方法，深度學(xué)習(xí)具備極強(qiáng)的自適應(yīng)特征提取能力，在軸承數(shù)據(jù)分析過(guò)程中有效地降低了人工干預(yù)和經(jīng)驗(yàn)誤差，因此正逐漸被越來(lái)越多的研究者應(yīng)用于軸承故障診斷領(lǐng)域。例如：

3、姚德臣等在《基于深度學(xué)習(xí)的城軌列車軸承復(fù)合故障診斷研究》中，將軸承振動(dòng)信號(hào)轉(zhuǎn)換為灰度圖，再用卷積神經(jīng)網(wǎng)絡(luò)對(duì)得到的灰度圖樣本進(jìn)行分析，可以有效識(shí)別城軌列車軸承故障。

4、沈長(zhǎng)青等在《基于多尺度卷積類內(nèi)遷移學(xué)習(xí)的列車軸承故障診斷》中，先使用resnet-50網(wǎng)絡(luò)提取數(shù)據(jù)的中間層次特征，然后在此基礎(chǔ)上通過(guò)構(gòu)建的多尺度特征提取器提取高層次的特征，最后輸入分類器進(jìn)行故障診斷，用于處理變工況下列車軸承的故障問(wèn)題。

5、羅宏林等在《有限變工況特征遷移學(xué)習(xí)方法及其在高速列車軸箱軸承故障診斷中的應(yīng)用》中，將不同工況下提取的信號(hào)特征向量集通過(guò)監(jiān)督式自編碼器向標(biāo)準(zhǔn)工況下的信號(hào)特征做遷移，再將遷移后的信號(hào)特征輸入由參考工況訓(xùn)練集特征預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別，實(shí)現(xiàn)了變工況下列車軸承的故障診斷。

6、張青松等在《基于改進(jìn)vmd和apso-svm的高速列車軸承故障診斷》中，將原始信號(hào)進(jìn)行變分模態(tài)分解，然后計(jì)算各模態(tài)分量的參數(shù)優(yōu)化hurst指數(shù)特征值，最后將特征向量輸入支持向量機(jī)中進(jìn)行分析，用于高速列車輪對(duì)軸承微弱故障特征信息的識(shí)別。

7、目前的研究主要針對(duì)軸承數(shù)據(jù)的各類標(biāo)簽與信號(hào)類型對(duì)應(yīng)完全正確的情況進(jìn)行的研究，但在某些情況下，由于人為操作的失誤，在對(duì)采集到的信號(hào)設(shè)置標(biāo)簽時(shí)會(huì)產(chǎn)生誤差，導(dǎo)致一類信號(hào)的多個(gè)樣本中含有部分標(biāo)簽錯(cuò)誤的樣本，這對(duì)于信號(hào)的特征提取會(huì)產(chǎn)生極大的干擾，用傳統(tǒng)的深度學(xué)習(xí)模型對(duì)此類數(shù)據(jù)進(jìn)行識(shí)別診斷也難以達(dá)到預(yù)期的效果。地鐵列車的齒輪箱軸承數(shù)據(jù)采集相對(duì)困難，由于少量標(biāo)簽錯(cuò)誤樣本而再次采集新數(shù)據(jù)會(huì)浪費(fèi)大量的時(shí)間和資源，因此，有必要解決信號(hào)采集過(guò)程中可能出現(xiàn)的標(biāo)簽混淆的問(wèn)題，削弱標(biāo)簽混淆對(duì)診斷模型的影響，使得該類數(shù)據(jù)具有可用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，提供一種基于dss-cnn模型的地鐵軸承標(biāo)簽混淆數(shù)據(jù)故障診斷方法，并解決目前信號(hào)采集過(guò)程中可能出現(xiàn)的標(biāo)簽混淆的問(wèn)題，降低標(biāo)簽混淆對(duì)診斷模型的影響，實(shí)現(xiàn)對(duì)地鐵軸承含有少量標(biāo)簽錯(cuò)誤樣本數(shù)據(jù)的故障診斷。

2、本發(fā)明所采用的技術(shù)方案如下：

3、一種基于dss-cnn模型的地鐵軸承標(biāo)簽混淆數(shù)據(jù)故障診斷方法，包括以下步驟：

4、s1、進(jìn)行數(shù)據(jù)預(yù)處理與劃分?jǐn)?shù)據(jù)集，按一定比例將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集并進(jìn)行歸一化處理；

5、s2、初始訓(xùn)練與動(dòng)態(tài)樣本選擇，將phm實(shí)驗(yàn)數(shù)據(jù)構(gòu)建的整個(gè)含有少量標(biāo)簽錯(cuò)誤樣本的數(shù)據(jù)集輸入到dss-cnn中進(jìn)行初始訓(xùn)練，直到模型收斂；

6、s3、最終訓(xùn)練與模型優(yōu)化，使用篩選后的高質(zhì)量的訓(xùn)練與測(cè)試樣本繼續(xù)訓(xùn)練模型，在整個(gè)訓(xùn)練過(guò)程中不斷保存測(cè)試集上的最小損失模型參數(shù)直至訓(xùn)練結(jié)束，最終的最小損失模型即為最優(yōu)網(wǎng)絡(luò)模型；

7、s4、對(duì)模型的分類結(jié)果、特征提取、權(quán)重分布及已篩選的正確錯(cuò)誤樣本進(jìn)行可視化展示；

8、s5、完成訓(xùn)練后，保存訓(xùn)練好的模型，并使用新的標(biāo)簽正確數(shù)據(jù)集進(jìn)行測(cè)試以評(píng)估模型診斷效果。

9、優(yōu)選的，所述步驟s1中讀取構(gòu)建的含有少量標(biāo)簽混淆的數(shù)據(jù)，按單個(gè)樣本數(shù)據(jù)點(diǎn)數(shù)為1024切分?jǐn)?shù)據(jù)，對(duì)數(shù)據(jù)集制作標(biāo)簽并將標(biāo)簽轉(zhuǎn)換為one-hot編碼。

10、優(yōu)選的，所述步驟s2中dss-cnn模型由篩選層、傳統(tǒng)卷積層、多尺度卷積層、空洞卷積層和分類層5部分組成。

11、優(yōu)選的，所述步驟s2中dss-cnn模型的分類層分為全局平均池化層和softmax。

12、優(yōu)選的，所述步驟s2中將數(shù)據(jù)集輸入到dss-cnn中進(jìn)行初始訓(xùn)練進(jìn)行模型收斂，包括以下步驟：

13、s21初始訓(xùn)練階段模型收斂后激活篩選層，調(diào)用初始階段訓(xùn)練的模型對(duì)每類數(shù)據(jù)預(yù)測(cè)并動(dòng)態(tài)凍結(jié)標(biāo)簽不符的樣本，保留預(yù)測(cè)結(jié)果與標(biāo)簽一致的樣本；

14、s22在傳統(tǒng)卷積層使用卷積核提取特征，并結(jié)合bn處理，添加kernelsize為(2×2)，stride為1的最大池化層，保留關(guān)鍵特征信息；

15、s23在多尺度卷積層分別進(jìn)行3個(gè)尺寸并行的卷積操作捕獲二維數(shù)據(jù)不同尺度的特征，輸出通過(guò)殘差連接特征融合，并結(jié)合bn處理，最后通過(guò)kernelsize為(3×3)，stride為2的最大池化層；

16、s24在空洞卷積層依次進(jìn)行空洞率為dr＝1、dr＝3、dr＝5并行的卷積操作捕獲二維數(shù)據(jù)不同感受野的特征，輸出通過(guò)殘差連接特征融合，隨后經(jīng)過(guò)批bn處理，最后通過(guò)kernelsize為(3×3)，stride為2的最大池化層；

17、s25在分類層整合全局特征信息，輸出故障診斷結(jié)果。

18、優(yōu)選的，所述步驟s22中的傳統(tǒng)卷積層使用尺寸為8×8的卷積核。

19、優(yōu)選的，所述步驟s23中的多尺度卷積層的3個(gè)尺寸卷積為3×3、6×6、9×9。

20、優(yōu)選的，所述步驟s24中的空洞卷積層的3個(gè)尺寸卷積為3×3。

21、優(yōu)選的，所述步驟s25中全局平均池化層取代全連接層，softmax輸出故障診斷結(jié)果。

22、優(yōu)選的，所述步驟s21中篩選層位于輸入層后，模型對(duì)樣本進(jìn)行動(dòng)態(tài)篩選，僅保留預(yù)測(cè)結(jié)果與標(biāo)簽一致的樣本進(jìn)行最終訓(xùn)練，最終訓(xùn)練階段不再進(jìn)行樣本篩選。

23、本發(fā)明具有如下特點(diǎn)和優(yōu)勢(shì)：

24、(1)本發(fā)明對(duì)于地鐵軸承含有少量標(biāo)簽錯(cuò)誤樣本數(shù)據(jù)故障診斷取得了極佳的分類與診斷效果，能夠以較快的時(shí)間得出極高的診斷精度。將phm實(shí)驗(yàn)數(shù)據(jù)構(gòu)建了含標(biāo)簽錯(cuò)誤的數(shù)據(jù)集輸入dss-cnn模型中進(jìn)行故障識(shí)別與診斷，取得了極好的表現(xiàn)；

25、(2)在傳統(tǒng)卷積層基礎(chǔ)上融合了多尺度卷積、空洞卷積和殘差連接，并用全局平均池化層替代全連接層。這一設(shè)計(jì)提升了模型的特征提取能力和分類準(zhǔn)確率；

26、(3)在輸出層后引入的篩選層，該層通過(guò)動(dòng)態(tài)樣本選擇機(jī)制，能夠減少標(biāo)簽錯(cuò)誤對(duì)模型訓(xùn)練的干擾。

27、(4)通過(guò)可視化展示了篩選的正確與錯(cuò)誤樣本的分布、特征提取、權(quán)重分布和分類過(guò)程，提高了模型的可解釋性，進(jìn)一步驗(yàn)證了模型的有效性和魯棒性，將提取的特征向量通過(guò)分類層輸出分類結(jié)果。