(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111409465.9 (22)申请日 2021.11.25 (71)申请人 中车永济电机有限公司 地址 044500 山西省运城市永济市电机大 街18号 (72)发明人 惠新伟　张哲　王金平　李风会　 石永进　 (74)专利代理 机构 太原科卫专利事务所(普通 合伙) 1410 0 代理人 侯小幸 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/15(2020.01) G06F 17/14(2006.01) G01M 13/045(2019.01)G06K 9/00(2022.01) G06N 3/04(2006.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习的轨道交通电机轴承故障程 度分类模型构建方法 (57)摘要 本发明公开了一种基于深度学习的轨道交 通电机轴承故障程度分类模型构建方法， 涉及轨 道交通中的电机轴承故障诊断领域。 具体使用轨 道交通电机轴承加速度传感器信号进行深度学 习网络训练， 然后深度学习网络采用卷积神经网 络或长短时记忆网络， 可为轨道交通电机轴承健 康监测提供一种高效准确的解决方案新范式。 在 牵引电机 上安装加速度传感器， 对电机振动信号 进行实时采集和 智能分析， 从而实现对电机轴承 实时正常状态 监测和故障程度检测。 本发明使用 深度学习方法训练网络模型， 可有效提高对故障 类型和故障程度的分类准确度； 数据采样为单轴 加速度传感器， 可有效降低数据采集的硬件成 本， 带来经济效益； 能够结合数据特点， 选 择网络 的类型和深度进行模型优化。 权利要求书3页 说明书6页 附图5页 CN 114330096 A 2022.04.12 CN 114330096 A 1.一种基于深度学习的轨道交通电机轴承故障程度分类模型构建方法， 其特征在于： 包括如下步骤： 步骤1、 预置轴承故障类型及数量： 预置的轴承故障及严重程度类型 数量为A； 步骤2、 原 始信号采集与分帧处 理： a、 轨道交通电机安装在联调试验台上， 电机空载运行； 利用单轴加速度传感器采集传 动端轴承的Z轴方 向加速度信号， 每个轴承故障类型下分别采集转速1000~4500 rpm下的T 时间范围内的连续的Z轴方向加速度信号， 而得到A个原始信号， 每个原始信号被分割成B 份， 每份的时间间隔t等于T/B， 并对每份添加故 障类型标签， 使每个原始信号形成由B个带 故障标签时间序列数据构成的原始信号数据集； 单轴加速度传感器的信号采样频率为Fs， 这样每个带故障标签时间序列数据包 含N个采样点， N ＝T/B×Fs； b、 每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点， 经过离散傅 立叶变换的快速算法FFT， 得到N个采样点的FFT 结果， 使每个带故障标签时间序列数据的每 个采样点的时域值， 对应一个频域值， 将 每个时域值和对应的频域值合并， 从而使每个带故 障标签时间序列数据从时域一维1 ×N变为时域频域二 维2×N， 是把原始的N点序列， 依次分 解成一系列的短序列； 充分利用离散傅里叶变换计算式中指数 因子所具有的对称性质和周 期性质， 进而求出这些短序列相应的离散傅里叶变换值并进 行组合， 达到删除重复计算， 减 少乘法运算和简化结构的目的； 为 实现离散傅立叶变换的快速算法FFT， 需要满足单轴加速 度传感器的信号采样频率Fs大于信号最大频率即电机最大转速 （rps） 的2倍， 以满足香农 采 样定理； c、 每个原始信号数据集中按照训练集、 验证集、 测试集的比例为8:1:1随机分配数据， 最终共计得到A ×n×B×80%个数据作为训练样本， A ×n×B×10%个数据作为验证样本， 其 余的A×n×B×10%个数据作为测试样本； 步骤3、 建立深度学习网络： 训练一个深度学习网络模型用于处理分类任务， 此模型是卷积神经网络CNN或者长短 时记忆网络LSTM； a、 卷积神经网络CNN网络的处理过程： 将二维序列数据升维变成三维图像数据输入图 像输入层； 接着利用卷积层提取图像特征， 其中卷积层、 批量归一化层、 ReLU激活层和池化 层作为一个完整的特征提取过程； 当需要时可以作为一个整体进行扩展， 形成多个卷积特 征提取过程； 特征提取完成后， 使用丢弃层防止模 型过拟合； 然后使用全连接层用于组合之 前找到的特征； 分类函数层Softmax对输出全连接的特征进 行加权和分类计算； 分类层将网 络训练的结果输出为故障的类别； b、 长短时记忆网络LSTM网络的处理过程： 将二维序列数据输入序列输入层； 长短时记 忆层学习序列数据时间步长之间的长期依赖关系； 丢弃层， 以一定的概率 随机忽略隐层节 点； 当需要时可以将长短时记忆层和丢弃层作为一个整体进行扩展， 形成多层记忆依赖过 程； 每次网络迭代时都会随机忽略一些隐层节点， 防止网络过拟合； 全连接层用于组合之前 找到的特征； 分类函数层Softmax对输出全 连接的特征进 行加权和分类计算； 分类层将网络 训练的结果输出为故障的类别； c、 将步骤2的训 练样本中的数据输入CNN或LSTM网络进行训 练， 并指定网络的训练参 数； 将步骤2的验证样本中的数据对当前训练网络的识别准确率进 行验证， 并达到所需准确权　利　要　求　书 1/3 页 2 CN 114330096 A 2率， 保存此时刻CN N或LSTM网络模型； 步骤4、 验证模型分类结果： 将步骤2中的验证样本导入步骤3中形成的CNN模型或LSTM模型中进行分类， 而得到故 障类型和 严重程度的分类结果， 并得到分类结果的总体准确 率； 若分类总体准确 率不满足 用户指标要求， 则返回步骤3中对CNN或LSTM网络深度或层数进行调整， 并对训练参数进行 修改， 直至分类总体准确率满足达 到要求。 2.根据权利要求1所述的一种基于深度学习的轨道交通电机轴 承故障程度分类模型构 建方法， 其特 征在于： 所述 步骤1中， 预置轴承故障类型及数量8种， 分别如下： 故障类型一：  内圈1.1 mm深， 内圈故障程度1级； 故障类型二：  内圈1.5 mm深， 内圈故障程度2级； 故障类型三：  内圈1.7 mm深， 内圈故障程度3级； 故障类型四：  内圈2.0 mm深， 内圈故障程度4级； 故障类型五：  滚子0.6 mm深， 滚子故障程度1级； 故障类型 六： 滚子1.2 mm深， 滚子故障程度2级； 故障类型七：  滚子1.5 mm深， 滚子故障程度3级； 故障类型八：  滚子1.7 mm深， 滚子故障程度4级。 3.根据权利要求1所述的一种基于深度学习的轨道交通电机轴 承故障程度分类模型构 建方法， 其特 征在于： 所述 步骤2中： a、 采集电机传动端各故障类型轴承在电机转速1000~4500 rpm下240秒内连续的Z轴方 向加速度信号， 得到8个原始信号， 每个原始信号被分割成2400份， 每份的时间间隔t等于 0.1秒， 并对每份添加故障类型标签， 使每个原始信号形成由2400个带故障标签时间序列数 据构成的原始信号数据集； 单轴加 速度传感器的信号采样频率为25.6  kHz， 这样每个带故 障标签时间序列数据包 含2560个采样点； b、 每个原始信号数据集的每个带故障标签时间序列数据中的2560个采样点， 经过离散 傅立叶变换的快速算法FFT， 得到2560个采样点的FFT结果， 使每个带故 障标签时间序列数 据的每个采样点的时域值， 对应一个频域值， 将 每个时域值和对应的频域值合并， 从而使每 个带故障标签时间序列数据从时域一维1 ×2560变为时域频域二维2 ×2560； 为实现离散傅 立叶变换的快速算法FFT， 应满足单轴加速度传感器的信号采样频率Fs大于信号最大频率 即电机最大转速的2倍； c、 按照训练集、 验证集、 测试集比例8:1:1随机分配数据， 共计得到15360=8 ×2400× 80%个数据作为训练样本， 1920=8 ×2400×10%个作为验证样本， 其余的1920=8 ×2400×10% 个数据作为测试样本 。 4.根据权利要求1所述的一种基于深度学习的轨道交通电机轴 承故障程度分类模型构 建方法， 其特 征在于： 所述 步骤3中： 训练一个卷积神经网络CNN模型， CNN网络由29层组成， 将步骤2的训练样本二维序列数 据升维成三维图像数据输入图像输入层， 并指定网络的训练参数如下： 图像输入层 imageInputLayer特征参数为[2 ×2560×1]； 卷积网络层中使用了6个卷积层 convolutionLayer， 卷积核大小均为[1 ×8]， 6个ReLU激活层reluLayer和6个批归一化层 batchNormalizationLayer， 5个最大值池化层maxPoolingLayer， 池化核大小均为[1 ×2]， 1权　利　要　求　书 2/3 页 3 CN 114330096 A 3