![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于联邦学习的多线路高速列车转向架故障诊断.pdf
《基于联邦学习的多线路高速列车转向架故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于联邦学习的多线路高速列车转向架故障诊断.pdf(8页珍藏版)》请在咨信网上搜索。
1、文章编号:0258-2724(2024)01-0185-08DOI:10.3969/j.issn.0258-2724.20220120专栏:机械装备故障预测与健康管理(PHM)前沿技术基于联邦学习的多线路高速列车转向架故障诊断杜家豪,秦娜,贾鑫明,张一鸣,黄德青(西南交通大学电气工程学院,四川成都611756)摘要:单一线路高速列车转向架缺少足量故障数据特征,导致故障诊断模型泛化能力有限,为实现诊断多条线路高速列车的转向架故障,提出一种基于联邦学习的转向架全局故障诊断方法.针对每条线路各自的转向架振动信号,在本地使用多尺度卷积融合算法,提取不同尺度下的故障特征并融合,在本地建立局部转向架故障诊
2、断模型;在不泄露数据隐私的前提下,所有线路的故障诊断模型通过第三方聚合,调整模型参数权重,对故障诊断模型进行优化,最终实现多方联合训练转向架全局故障诊断模型.实验表明:在联邦学习框架下,转向架全局故障诊断模型不仅对参与联邦建模的线路转向架故障诊断准确率达到 93%以上,而且对于未参与联邦建模的线路转向架故障诊断率也可达到 75%以上,给轨道交通中的“数据孤岛”问题提供了一种切实可行的方案.关键词:联邦学习;故障诊断;转向架;高速列车中图分类号:TP391.41文献标志码:AFault Diagnosis of Multiple Railway High Speed Train Bogies B
3、ased onFederated LearningDU Jiahao,QIN Na,JIA Xinming,ZHANG Yiming,HUANG Deqing(SchoolofElectricalEngineering,SouthwestJiaotongUniversity,Chengdu611756,China)Abstract:Tosolvetheproblemoflimitedgeneralizationabilityoffaultdiagnosismodelcausedbythelackofsufficientfaultdatacharacteristicsofsinglerailwa
4、yhigh-speedtrainbogie,andtorealizethediagnosisofbogiefaultsofmultiplerailwayhigh-speedtrains,aglobalbogiefaultdiagnosismethodbasedonfederatedlearningisproposed in this work.Firstly,according to the bogie vibration signals of each railway,the multi-scaleconvolutionfusionalgorithmisconductedlocallytoe
5、xtractandfusethefaultfeaturesatdifferentscales,andthebogie fault diagnosis model is established locally.On the premise of not divulging data privacy,the faultdiagnosismodelsofallrailwaysareaggregatedbythethirdparty,theweightsofmodelparameterareadjusted,thefaultdiagnosismodelsareoptimized,andfinallyt
6、heglobalfaultdiagnosismodelofbogieisjointlytrainedbymultiple railways.The experiments show that under the federated learning framework,the fault diagnosisaccuracy of the global bogie fault diagnosis model is reach more than 93%for the railway participating infederatedmodeling,andmorethan75%fortherai
7、lwaynotparticipatingin,whichprovidesapracticalschemeforthedataislandprobleminrailwaytransportation.Key words:federatedlearning;faultdiagnosis;bogie;highspeedtrain收稿日期:2022-02-22修回日期:2022-05-19网络首发日期:2022-05-25基金项目:国家自然科学基金(62173279,U1934221);四川省科技计划(2022YFG0247,2021JDJQ0012);中央高校基本科研业务费(2682021ZTPY0
8、27)第一作者:杜家豪(1996),男,博士研究生,研究方向为人工智能与模式识别,E-mail:通信作者:秦娜(1978),女,副教授,博士,研究方向为智能信息处理、故障诊断、模式识别、联邦学习和智能系统,E-mail:引文格式:杜家豪,秦娜,贾鑫明,等.基于联邦学习的多线路高速列车转向架故障诊断J.西南交通大学学报,2024,59(1):185-192DUJiahao,QINNa,JIAXinming,etal.FaultdiagnosisofmultiplerailwayhighspeedtrainbogiesbasedonfederatedlearningJ.JournalofSouth
9、westJiaotongUniversity,2024,59(1):185-192第59卷第1期西南交通大学学报Vol.59No.12024年2月JOURNALOFSOUTHWESTJIAOTONGUNIVERSITYFeb.2024高速列车作为铁路运输的重要工具,必须首先保证其安全运营.转向架的运维是影响列车安全运行的因素之一1.转向架作为高速列车的主要结构,提供列车动力的同时也负载着车体的重量,为列车的安全稳定运行提供重要保障.转向架可以吸收和减少由于轨道不平顺和轮轨磨耗产生的振动,因此,其机械性能对高速列车的安全可靠性有着显著影响.我国“CRH”系列高速动车组上安装的减振器以油压减振器为
10、主,通常包括二系横向减振器、空气弹簧和抗蛇行减振器等.横向减振器(lateraldamper,LD)可抑制转向架和车体之间的相对横向运动.裂纹和漏油是横向减振器比较常见的故障,一旦其失效将降低列车运动的稳定性,进而使列车横向失稳2.空气弹簧(airspring,AS)可抑制转向架和车体之间的垂向运动.由于空气弹簧气密性要求严格,长期运营易发生漏气等故障3.抗蛇行减振器(anti-yawdamper,AD)安装在车体与转向架之间,为防止动车组在高速运行时发生蛇行失稳而设置.减振器漏油是比较常见的故障,减振器漏油,减振器的阻尼会变小,如果渗漏过多,会导致减振器完全失去减振作用4.近几十年来,国内外
11、学者在列车转向架的故障诊断方面已经做了许多研究工作,主要分为基于解析模型的方法和基于数据驱动的方法.基于解析模型的转向架故障诊断方法主要根据转向架振动机理构建数学解析模型,分析残差信号,进而实现故障诊断.文献5针对转向架的执行器故障检测问题,采用模型动态分解的方法,构建一阶、二阶的动态模型,进而设计观测器估计执行器动态性能.文献6针对转向架的弹簧、减振器以及加速度计等多故障检测问题,提出交互多模型和卡尔曼滤波器相结合的方法,估计转向架多故障概率和系统状态.由于在建立复杂非线性系统的解析模型时不确定性大,具有较高的误报率、漏报率.而基于数据驱动的转向架故障诊断方法主要通过传感器采集转向架的振动信
12、号,分析发掘出其中的故障特征,进而实现故障诊断.为研究转向架故障类型与性能退化评估的问题,文献7提出一种 M-CRNN(multipleconvolutionalrecurrentneuralnetwork)的多任务并行学习的故障诊断框架.为研究故障隔离问题,文献8从横向减振器的传感器信号中提取 4 个时域故障特征以及3 个频域故障特征,与 D-S(dempster-shafer)证据理论结合,实现了准确隔离识别.此外,文献9提出一种多维端到端 CNN(convolutionalneuralnetwork)模型,该模型在各种工作条件下均表现出显著适应性和高效性.机器学习用于机械系统的故障诊断的
13、案例已经十分普遍,实现了很好的诊断性能,尤其是深度学习的使用,实现了极高的诊断精度10.然而,现有的深度学习方法普遍要求使用大量带有高质量标签的监督数据进行故障诊断.在实际工业场景中,由于铁路的运行环境不同,线路的路况不同,针对在不同运营线路上的高速列车,其转向架通常包含体现自身常发故障的特征数据,且故障数据是小规模的、碎片化的,只通过单一线路训练得到的模型只适用于本条线路,泛化能力差.而且,如果聚集多个不同工业环境中的数据,会极大地增加经济成本,同时会引发数据的隐私泄露问题.这使得数据驱动的方法在实际工业环境中诊断故障存在一定的局限性11.针对上述“数据孤岛”现象12,研究人员提出一种基于分
14、布式的联邦学习模型训练方法,在保护数据不外泄的同时,实现多个数据持有方共同训练一个模型.因此,为实现诊断多条线路高速列车的转向架故障,本文提出一种基于联邦学习的故障诊断方法,在单一线路故障特征不足的情况下,多条线路联合训练一个泛化能力强的转向架故障诊断模型13-14.1 基本原理与方法设计为提高各线路高速列车转向架本地故障诊断模型的识别效果,使用多尺度卷积融合算法 Multi-1D-CNN 从不同尺度提取振动信号的隐含特征,提升模型的数据解析能力.保证线路之间数据在不泄露的前提下,通过联邦学习对各线路转向架的本地故障诊断模型进行加权聚合,融合多线路转向架故障特征,并通过不断迭代,最终训练出可诊
15、断多条线路高速列车转向架故障的全局诊断模型,提升故障诊断模型的泛化能力.1.1 转向架本地故障诊断模型搭建武广线上高速列车转向架不同运行工况下的振动信号如图 1 所示,其在时域上呈现出不同变化规律的振动特性.而在频域上,振动信号频率主要集中在0,50Hz,由于轨道不平顺,在1,5Hz 振动明显.通过小波包分解,可得到转向架在正常运行、三大关键部件(AS、AD、LD)单独故障及两两组合(AS+AD、AS+LD、AD+LD)的复合故障下振动信号的186西南交通大学学报第59卷小波能量矩,如图 2 所示.小波包分解在频域上将振动信号分解成多个区间不同的频带,不同运行工况的特征在分解频带之间存在差异,
16、而普遍在频率较低的第 1、2 频带上小波能量矩最高.针对上述转向架不同工况特征,一维卷积神经网络(1D-CNN)可挖掘其振动信号的深层隐含信息15.卷积层具有稀疏的交互性,经过卷积操作后可以获得更深层次的抽象特征,其基本结构如图 3 所示,一维卷积运算可以表示为t(l)=fx(l)w(l)+b(l),l=1,2,M,t(l)x(l)lw(l)x(l)t(l)b(l)式中:、分别为第 个神经元的输出、输入,为与之间的权重,为神经元偏置量,f()为激活函数.对于使用 1D-CNN 的时间序列分类任务,卷积核的大小对网络性能有重大影响,为挖掘到信息的深层次特征,通常会加深模型的深度和宽度,即增加网络
17、层数和卷积核个数,这可能会导致模型产生过拟合.另外,不同线路上的高速列车转向架发生同一种故障时的振动信号波形如图 4 所示,针对不同线路的振动信号,通过相同尺寸的卷积运算无法同时充分提取信号中的不同模态特征.时间序列中的部分噪声无法通过批标准化、非线性激活函数和其他算子消除,只能通过卷积核的卷积运算消除.大规模卷积核往往集中在低频区域,并具有良好的频率分辨率,但在高频区域没有足够的卷积核,因此忽略了高频信息.相比之下,小规模卷积核主要集中在高频带上,但频率分辨率较低.7.55.02.500100正常运行ASADLDAS+ADAS+LDAD+LD200300连续采样点数/个4005002.55.
18、07.510.0幅值/mm(a)时域波形正常运行ASADLDAS+ADAS+LDAD+LD0.0300.0250.0200.0150515253545102030频率/Hz40500.0100.0050幅值/mm(b)频率分布图1武广线上转向架不同故障的振动信号时、频域分布Fig.1TimeandfrequencydomaindistributionofvibrationsignalsfromdifferentfaultsofbogiesonWuhanGuangzhouRailway1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(a)正常运行1.00.80.60.40
19、.201 2 3 4 5 6 7 8频带特征值(b)LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(c)AD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(d)LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(e)AD+LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(f)AS+LD 故障1.00.80.60.40.201 2 3 4 5 6 7 8频带特征值(g)AS+AD 复合故障图2武广线上转向架不同运行工况的小波能量矩对比Fig.2Comparison
20、ofwaveletenergymomentunderdifferentoperationstatusofbogiesonWuhanGuangzhouRailway第1期杜家豪,等:基于联邦学习的多线路高速列车转向架故障诊断187.输入信号卷积层 1池化层卷积层 2全连接层 输出层图31D-CNN 基本结构Fig.3Basicstructureof1D-CNN0120100200300连续采样点数/个40050012幅值/mm武广线郑西线京津线胶济线金山线图45 条线路在发生 AS+AD 故障时的转向架振动信号波形Fig.4Waveformsofbogievibrationsignalincas
21、eofcombinedfaultsofAS+ADonfiverailways为解决上述问题,文献16提出多尺度卷积融合,采用不同稀疏程度的卷积操作对前一层的输出进行处理,探寻基于卷积网络的最优局部稀疏结构.因此,本文将转向架振动信号通过多尺度卷积融合,使用多个不同尺度的滤波器从原始信号中提取特征,提升特征提取的完备性.联邦学习框架下的本地模型训练网络结构如图 5 所示,使用多尺度一维卷积融合算法建立每条线路转向架本地故障诊断模型,根据实验验证将多尺度卷积核尺寸依次设置为3、4、517,可以提取到不同感知域下的模态特征,并将卷积结果拼接后,通过后续卷积操作实现特征融合.具体模型结构及参数如表 1
22、 所示,其中,最大池化层与全局平均池化层可以加快计算速度,防止过拟合,并在卷积层后添加 Dropout 层,参数设置为0.3,可同样抑制过拟合.网络最后添加一个输出维度为 7 的全连接层与 Softmax 分类函数,让输出结果类别与实际转向架运行工况类别相一致.通过实验对参数进行选择与微调,根据训练效果对比,将迭代次数设置为 3500 次,采用 Adam 优化器,学习率设置为 6105,学习率衰减系数设置为0.1105,批样本量设置为 512 个,通过交叉熵验证损失,损失函数收敛后,获得本地转向架故障诊断模型.45366161664646440 00061620 00020 000312831
23、28312812860 00012822567卷积拼接全局平均池化多尺度卷积60 000225620 00020 000最大池化图5本地转向架故障诊断模型网络结构Fig.5Networkstructureoflocalbogiefaultdiagnosismodel 1.2 基于联邦学习的转向架全局故障诊断方法设计联邦学习是一种保护数据隐私的分布式模型训练方法,可以使每个用户在不与其他用户分享数据的前提下,优化本地模型.面对“数据孤岛”问题,即数据被不同组织所拥有,且由于数据隐私安全不能轻易聚合在一起的情况下,联邦学习既能帮助多个参与方搭建共享的高性能模型,又符合用户隐私和数据保密性的要求18
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 联邦 学习 线路 高速 列车 转向架 故障诊断
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。