基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷：模型構(gòu)建與實(shí)踐應(yīng)用

基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷：模型構(gòu)建與實(shí)踐應(yīng)用一、引言1.1研究背景與意義隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展，鐵路運(yùn)輸在國(guó)民經(jīng)濟(jì)中的地位愈發(fā)重要，其承擔(dān)著大量的人員和物資運(yùn)輸任務(wù)，是國(guó)家綜合交通運(yùn)輸體系的關(guān)鍵組成部分。近年來，鐵路行業(yè)不斷向高速、重載方向邁進(jìn)，對(duì)機(jī)車的性能和安全可靠性提出了更為嚴(yán)苛的要求。機(jī)車走行部作為機(jī)車的關(guān)鍵部分，承擔(dān)著傳遞牽引力、制動(dòng)力以及支撐和導(dǎo)向車體等重要功能，其運(yùn)行狀態(tài)直接關(guān)乎鐵路運(yùn)輸?shù)陌踩c效率。滾動(dòng)軸承是機(jī)車走行部的核心部件之一，廣泛應(yīng)用于輪對(duì)、軸箱、牽引電機(jī)等部位。由于滾動(dòng)軸承在機(jī)車運(yùn)行過程中承受著復(fù)雜的載荷，包括徑向力、軸向力、沖擊力以及交變應(yīng)力等，同時(shí)還面臨著高溫、高濕度、多粉塵等惡劣的工作環(huán)境，因此其故障率相對(duì)較高。一旦滾動(dòng)軸承發(fā)生故障，輕者可能導(dǎo)致機(jī)車出現(xiàn)異常振動(dòng)、噪聲增大、部件磨損加劇等問題，影響機(jī)車的正常運(yùn)行和使用壽命，造成列車晚點(diǎn)，打亂運(yùn)輸計(jì)劃，給鐵路運(yùn)營(yíng)帶來經(jīng)濟(jì)損失；重者則可能引發(fā)熱軸、切軸等嚴(yán)重事故，導(dǎo)致車輛脫軌、顛覆，造成重大人員傷亡和巨大的財(cái)產(chǎn)損失，同時(shí)也會(huì)對(duì)社會(huì)穩(wěn)定和鐵路行業(yè)的聲譽(yù)產(chǎn)生極為不利的影響。據(jù)相關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，在機(jī)車走行部的各類故障中，滾動(dòng)軸承故障所占比例相當(dāng)可觀，是威脅鐵路運(yùn)輸安全的重要因素之一。因此，對(duì)機(jī)車走行部滾動(dòng)軸承進(jìn)行有效的故障診斷，及時(shí)發(fā)現(xiàn)潛在故障隱患并采取相應(yīng)的措施，對(duì)于保障鐵路運(yùn)輸安全、提高運(yùn)輸效率具有至關(guān)重要的意義。傳統(tǒng)的滾動(dòng)軸承故障診斷方法主要包括基于振動(dòng)分析、溫度監(jiān)測(cè)、油液分析等技術(shù)。然而，這些方法存在一定的局限性。例如，基于振動(dòng)分析的方法在故障初期，振動(dòng)信號(hào)特征不明顯，容易出現(xiàn)誤判或漏判；溫度監(jiān)測(cè)只能在故障發(fā)展到一定程度、產(chǎn)生明顯溫升時(shí)才能檢測(cè)到；油液分析則需要定期采集油樣，檢測(cè)周期較長(zhǎng)，且無法實(shí)時(shí)反映軸承的運(yùn)行狀態(tài)。隨著人工智能技術(shù)的快速發(fā)展，BP神經(jīng)網(wǎng)絡(luò)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)算法，在故障診斷領(lǐng)域得到了廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和非線性映射能力強(qiáng)等優(yōu)點(diǎn)，能夠從大量的故障數(shù)據(jù)中自動(dòng)學(xué)習(xí)和提取特征，建立故障模式與特征之間的復(fù)雜關(guān)系模型，從而實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的準(zhǔn)確診斷。與傳統(tǒng)故障診斷方法相比，基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法具有以下優(yōu)勢(shì)：一是能夠處理多參數(shù)、非線性、不確定性的故障信息，提高故障診斷的準(zhǔn)確性和可靠性；二是具有良好的泛化能力，能夠?qū)ξ匆娺^的故障樣本進(jìn)行有效的診斷；三是可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)和在線診斷，及時(shí)發(fā)現(xiàn)故障隱患，為維修決策提供依據(jù)，降低維修成本和停機(jī)時(shí)間。綜上所述，開展基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷研究具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。通過深入研究BP神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用，能夠提高故障診斷的精度和效率，為鐵路運(yùn)輸安全提供有力的技術(shù)支持，促進(jìn)鐵路行業(yè)的可持續(xù)發(fā)展。1.2國(guó)內(nèi)外研究現(xiàn)狀在滾動(dòng)軸承故障診斷領(lǐng)域，國(guó)內(nèi)外學(xué)者開展了大量的研究工作，涵蓋了從傳統(tǒng)診斷方法到基于人工智能技術(shù)的現(xiàn)代診斷方法等多個(gè)方面。早期，國(guó)外在滾動(dòng)軸承故障診斷技術(shù)方面處于領(lǐng)先地位，率先開展了相關(guān)理論與技術(shù)的研究。他們提出了多種基于信號(hào)處理和特征提取的故障診斷方法，如傅里葉變換、小波變換等，這些方法能夠從振動(dòng)信號(hào)中提取故障特征，為故障診斷提供了有效的手段。隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展，國(guó)外學(xué)者將人工神經(jīng)網(wǎng)絡(luò)引入滾動(dòng)軸承故障診斷領(lǐng)域，并取得了顯著的成果。例如，[具體文獻(xiàn)1]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法，通過對(duì)振動(dòng)信號(hào)進(jìn)行特征提取和神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)了對(duì)滾動(dòng)軸承故障類型和故障程度的準(zhǔn)確識(shí)別，在實(shí)驗(yàn)條件下取得了較高的診斷準(zhǔn)確率；[具體文獻(xiàn)2]將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和診斷性能，有效增強(qiáng)了故障診斷模型的泛化能力。國(guó)內(nèi)對(duì)滾動(dòng)軸承故障診斷的研究起步相對(duì)較晚，但近年來隨著國(guó)內(nèi)制造業(yè)的快速發(fā)展和對(duì)設(shè)備可靠性要求的不斷提高，相關(guān)研究工作也取得了長(zhǎng)足的進(jìn)步。國(guó)內(nèi)學(xué)者在借鑒國(guó)外先進(jìn)技術(shù)的基礎(chǔ)上，結(jié)合國(guó)內(nèi)實(shí)際情況，開展了一系列具有針對(duì)性的研究。在傳統(tǒng)故障診斷方法方面，國(guó)內(nèi)學(xué)者對(duì)振動(dòng)分析、油液分析等技術(shù)進(jìn)行了深入研究和改進(jìn)，提出了許多新的算法和應(yīng)用案例，使其在實(shí)際工程中得到了更廣泛的應(yīng)用。在基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷研究方面，國(guó)內(nèi)也取得了豐富的成果。[具體文獻(xiàn)3]針對(duì)機(jī)車走行部滾動(dòng)軸承故障診斷問題，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型，通過對(duì)大量實(shí)際運(yùn)行數(shù)據(jù)的分析和處理，驗(yàn)證了該模型在機(jī)車滾動(dòng)軸承故障診斷中的有效性和準(zhǔn)確性；[具體文獻(xiàn)4]采用小波包分解與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行特征提取和故障診斷，該方法充分發(fā)揮了小波包分析在時(shí)頻域上的優(yōu)勢(shì)，提高了特征提取的精度，從而進(jìn)一步提升了BP神經(jīng)網(wǎng)絡(luò)的故障診斷性能。盡管國(guó)內(nèi)外在滾動(dòng)軸承故障診斷方面取得了諸多成果，但目前的研究仍存在一些不足之處。一方面，現(xiàn)有的故障診斷方法在特征提取和選擇方面還存在一定的局限性，難以全面、準(zhǔn)確地反映滾動(dòng)軸承的故障特征。尤其是在復(fù)雜工況下，噪聲干擾和信號(hào)特征的變化會(huì)導(dǎo)致傳統(tǒng)特征提取方法的效果不佳，從而影響故障診斷的準(zhǔn)確性和可靠性。另一方面，BP神經(jīng)網(wǎng)絡(luò)本身也存在一些問題，如收斂速度慢、容易陷入局部最優(yōu)解等，這在一定程度上限制了其在滾動(dòng)軸承故障診斷中的應(yīng)用效果。此外，當(dāng)前的研究大多集中在實(shí)驗(yàn)室環(huán)境下的模擬實(shí)驗(yàn)，與實(shí)際工程應(yīng)用還存在一定的差距，如何將研究成果更好地應(yīng)用于實(shí)際的機(jī)車走行部滾動(dòng)軸承故障診斷，實(shí)現(xiàn)故障的實(shí)時(shí)監(jiān)測(cè)和準(zhǔn)確診斷，仍是亟待解決的問題。1.3研究?jī)?nèi)容與方法本研究圍繞基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷展開，主要內(nèi)容涵蓋以下幾個(gè)方面：數(shù)據(jù)采集與預(yù)處理：通過在機(jī)車走行部滾動(dòng)軸承上安裝振動(dòng)傳感器、溫度傳感器等設(shè)備，獲取不同工況下軸承的振動(dòng)信號(hào)、溫度數(shù)據(jù)等運(yùn)行信息。由于采集到的數(shù)據(jù)可能包含噪聲、干擾以及缺失值等問題，會(huì)影響后續(xù)的分析和診斷結(jié)果，所以需運(yùn)用濾波、降噪、歸一化等方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)質(zhì)量，為后續(xù)的特征提取和模型訓(xùn)練奠定基礎(chǔ)。故障特征提取：針對(duì)預(yù)處理后的數(shù)據(jù)，綜合運(yùn)用時(shí)域分析、頻域分析及時(shí)頻分析等多種信號(hào)處理技術(shù)，提取能夠有效表征滾動(dòng)軸承故障狀態(tài)的特征參數(shù)。在時(shí)域分析中，計(jì)算振動(dòng)信號(hào)的均值、方差、峰值指標(biāo)、峭度指標(biāo)等統(tǒng)計(jì)參數(shù)，這些參數(shù)能夠反映信號(hào)的幅值特征和變化趨勢(shì)；頻域分析則通過傅里葉變換等方法，將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，提取故障特征頻率及其幅值，以此來分析軸承故障的類型和程度；時(shí)頻分析方法如小波變換、小波包變換等，可在時(shí)頻域內(nèi)同時(shí)對(duì)信號(hào)進(jìn)行分析，獲取信號(hào)在不同時(shí)間和頻率上的能量分布特征，有效捕捉到滾動(dòng)軸承故障發(fā)生時(shí)信號(hào)的時(shí)變特征和瞬態(tài)信息，提高特征提取的準(zhǔn)確性和全面性。BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與訓(xùn)練：根據(jù)滾動(dòng)軸承故障診斷的需求，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括輸入層、隱含層和輸出層的神經(jīng)元個(gè)數(shù)。輸入層神經(jīng)元個(gè)數(shù)由提取的故障特征參數(shù)數(shù)量決定；隱含層神經(jīng)元個(gè)數(shù)則通過經(jīng)驗(yàn)公式或多次試驗(yàn)進(jìn)行優(yōu)化確定，以確保神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)能力和泛化能力；輸出層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)滾動(dòng)軸承的故障類型數(shù)量，每個(gè)神經(jīng)元代表一種故障狀態(tài)。選用合適的激活函數(shù)，如Sigmoid函數(shù)或ReLU函數(shù)，以引入非線性因素，增強(qiáng)神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜故障模式的學(xué)習(xí)能力。采用誤差反向傳播算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的預(yù)測(cè)輸出與實(shí)際故障標(biāo)簽之間的誤差最小化。在訓(xùn)練過程中，合理設(shè)置學(xué)習(xí)率、訓(xùn)練次數(shù)等參數(shù)，并運(yùn)用交叉驗(yàn)證等方法防止過擬合現(xiàn)象的發(fā)生，提高模型的穩(wěn)定性和可靠性。模型性能評(píng)估與優(yōu)化：使用測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)估，采用準(zhǔn)確率、召回率、F1值等指標(biāo)來衡量模型對(duì)滾動(dòng)軸承故障類型的識(shí)別能力和診斷效果。若模型性能未達(dá)到預(yù)期要求，分析可能存在的原因，如特征提取不充分、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不合理、訓(xùn)練參數(shù)設(shè)置不當(dāng)?shù)?，并針?duì)性地采取優(yōu)化措施。例如，嘗試改進(jìn)特征提取方法，選擇更具代表性的特征參數(shù)；調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，增加或減少隱含層神經(jīng)元個(gè)數(shù)；優(yōu)化訓(xùn)練參數(shù)，采用自適應(yīng)學(xué)習(xí)率調(diào)整策略等，以進(jìn)一步提升模型的性能和診斷精度。為實(shí)現(xiàn)上述研究?jī)?nèi)容，本研究將綜合運(yùn)用多種研究方法：文獻(xiàn)研究法：廣泛查閱國(guó)內(nèi)外關(guān)于滾動(dòng)軸承故障診斷、BP神經(jīng)網(wǎng)絡(luò)應(yīng)用等方面的文獻(xiàn)資料，全面了解該領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢(shì)以及存在的問題，為研究提供理論基礎(chǔ)和技術(shù)參考，避免重復(fù)性研究，確保研究的創(chuàng)新性和可行性。通過對(duì)相關(guān)文獻(xiàn)的梳理和分析，總結(jié)前人在數(shù)據(jù)采集、特征提取、模型構(gòu)建等方面的成功經(jīng)驗(yàn)和不足之處，為本文的研究方案設(shè)計(jì)提供借鑒。實(shí)驗(yàn)分析法：搭建機(jī)車走行部滾動(dòng)軸承實(shí)驗(yàn)平臺(tái)，模擬不同的運(yùn)行工況和故障類型，開展實(shí)驗(yàn)研究。在實(shí)驗(yàn)過程中，嚴(yán)格控制實(shí)驗(yàn)條件，采集大量的滾動(dòng)軸承運(yùn)行數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行詳細(xì)記錄和分析。通過實(shí)驗(yàn)獲取的數(shù)據(jù)真實(shí)可靠，能夠有效驗(yàn)證所提出的故障診斷方法的有效性和準(zhǔn)確性。同時(shí)，通過對(duì)實(shí)驗(yàn)結(jié)果的深入分析，還可以發(fā)現(xiàn)一些新的問題和現(xiàn)象，為進(jìn)一步改進(jìn)和完善研究方法提供依據(jù)。對(duì)比研究法：將基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法與傳統(tǒng)的故障診斷方法，如基于振動(dòng)分析的方法、基于油液分析的方法等進(jìn)行對(duì)比研究。通過對(duì)比不同方法在相同實(shí)驗(yàn)條件下的診斷性能，分析各自的優(yōu)缺點(diǎn)，突出基于BP神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢(shì)和創(chuàng)新點(diǎn)，為實(shí)際工程應(yīng)用中選擇合適的故障診斷方法提供參考。此外，還可以對(duì)不同結(jié)構(gòu)和參數(shù)設(shè)置的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析，研究模型結(jié)構(gòu)和參數(shù)對(duì)診斷性能的影響，從而確定最優(yōu)的模型配置。二、機(jī)車走行部滾動(dòng)軸承故障分析2.1機(jī)車走行部滾動(dòng)軸承概述機(jī)車走行部作為機(jī)車的關(guān)鍵部分，承擔(dān)著支撐機(jī)車重量、傳遞牽引力與制動(dòng)力以及引導(dǎo)機(jī)車沿軌道行駛的重要職責(zé)。其中，滾動(dòng)軸承作為走行部的核心部件，廣泛應(yīng)用于輪對(duì)、軸箱、牽引電機(jī)等部位，對(duì)機(jī)車的安全穩(wěn)定運(yùn)行起著舉足輕重的作用。滾動(dòng)軸承通常由內(nèi)圈、外圈、滾動(dòng)體和保持架四個(gè)基本部件組成。內(nèi)圈與軸緊密配合，隨軸一同轉(zhuǎn)動(dòng)；外圈安裝在軸承座或機(jī)械殼體孔內(nèi)，起支承作用。滾動(dòng)體是軸承的核心元件，根據(jù)其形狀可分為球、圓柱滾子、圓錐滾子、球面滾子和滾針等多種類型，它們?cè)趦?nèi)圈和外圈之間滾動(dòng)，實(shí)現(xiàn)低摩擦的旋轉(zhuǎn)運(yùn)動(dòng)，從而支撐機(jī)械旋轉(zhuǎn)體并降低其運(yùn)動(dòng)過程中的摩擦系數(shù)。保持架則將滾動(dòng)體均勻地分隔開，防止?jié)L動(dòng)體相互碰撞和摩擦，同時(shí)引導(dǎo)滾動(dòng)體旋轉(zhuǎn)，改善軸承內(nèi)部的潤(rùn)滑性能。此外，嚴(yán)格來說，滾動(dòng)軸承還應(yīng)包括密封和潤(rùn)滑油這兩大件，密封可以防止灰塵和水分進(jìn)入軸承，潤(rùn)滑油則可以減少摩擦和磨損，延長(zhǎng)軸承的使用壽命。不同類型和規(guī)格的滾動(dòng)軸承，其結(jié)構(gòu)和尺寸會(huì)根據(jù)具體的應(yīng)用場(chǎng)景和工作要求進(jìn)行設(shè)計(jì)和制造。滾動(dòng)軸承的工作原理基于滾動(dòng)摩擦代替滑動(dòng)摩擦的機(jī)制。當(dāng)內(nèi)圈隨軸轉(zhuǎn)動(dòng)時(shí)，滾動(dòng)體在內(nèi)圈和外圈的滾道之間滾動(dòng)，由于滾動(dòng)摩擦系數(shù)遠(yuǎn)小于滑動(dòng)摩擦系數(shù)，使得軸承能夠以較低的能量損耗實(shí)現(xiàn)高效的旋轉(zhuǎn)運(yùn)動(dòng)。在機(jī)車運(yùn)行過程中，滾動(dòng)軸承承受著來自各個(gè)方向的載荷，包括垂直方向的軸重重力、水平方向的牽引力和制動(dòng)力，以及通過鋼軌接頭、道岔時(shí)產(chǎn)生的沖擊力等。這些復(fù)雜的載荷會(huì)使?jié)L動(dòng)體與內(nèi)、外圈滾道之間產(chǎn)生接觸應(yīng)力和摩擦力，長(zhǎng)期作用下可能導(dǎo)致軸承部件的磨損、疲勞和損壞。同時(shí)，軸承的工作性能還受到潤(rùn)滑條件、溫度、轉(zhuǎn)速等因素的影響。良好的潤(rùn)滑可以減少摩擦和磨損，降低工作溫度，延長(zhǎng)軸承的使用壽命；而高溫、高轉(zhuǎn)速等惡劣工況則會(huì)加速軸承的劣化進(jìn)程，增加故障發(fā)生的概率。在機(jī)車走行部中，滾動(dòng)軸承扮演著至關(guān)重要的角色。在輪對(duì)部位，滾動(dòng)軸承支撐著輪對(duì)的旋轉(zhuǎn)，確保車輪與鋼軌之間的良好接觸，實(shí)現(xiàn)機(jī)車的平穩(wěn)運(yùn)行；軸箱中的滾動(dòng)軸承則起到連接輪對(duì)和轉(zhuǎn)向架構(gòu)架的作用，傳遞各種載荷，并允許輪對(duì)在一定范圍內(nèi)自由轉(zhuǎn)動(dòng)和位移，以適應(yīng)線路的不平順和曲線通過；牽引電機(jī)中的滾動(dòng)軸承支撐著電機(jī)轉(zhuǎn)子的高速旋轉(zhuǎn)，將電機(jī)產(chǎn)生的扭矩傳遞給輪對(duì)，為機(jī)車提供動(dòng)力。可以說，滾動(dòng)軸承的運(yùn)行狀態(tài)直接關(guān)系到機(jī)車走行部的性能和可靠性，進(jìn)而影響整個(gè)機(jī)車的運(yùn)行安全和效率。一旦滾動(dòng)軸承發(fā)生故障，可能引發(fā)機(jī)車的異常振動(dòng)、噪聲增大、熱軸、切軸等嚴(yán)重問題，甚至導(dǎo)致列車脫軌等重大事故，給鐵路運(yùn)輸帶來巨大的損失。因此，對(duì)機(jī)車走行部滾動(dòng)軸承的故障診斷和監(jiān)測(cè)具有重要的現(xiàn)實(shí)意義。2.2常見故障類型及原因在機(jī)車走行部中，滾動(dòng)軸承的工作環(huán)境復(fù)雜且惡劣，承受著多種載荷和工況的作用，這使得它容易出現(xiàn)各類故障。了解常見的故障類型及其產(chǎn)生原因，對(duì)于實(shí)施有效的故障診斷和預(yù)防措施至關(guān)重要。2.2.1常見故障類型外滾道點(diǎn)蝕：外滾道點(diǎn)蝕是滾動(dòng)軸承常見的故障之一，表現(xiàn)為外滾道表面出現(xiàn)麻點(diǎn)狀的凹坑。這些凹坑通常是由于滾動(dòng)體與外滾道之間的接觸應(yīng)力反復(fù)作用，導(dǎo)致材料表面疲勞剝落而形成的。隨著點(diǎn)蝕的發(fā)展，軸承的振動(dòng)和噪聲會(huì)逐漸增大，嚴(yán)重時(shí)會(huì)影響軸承的正常運(yùn)轉(zhuǎn)。保持架銹蝕：保持架銹蝕是指保持架表面出現(xiàn)氧化腐蝕現(xiàn)象，通常呈現(xiàn)出銹斑或銹層。在機(jī)車運(yùn)行過程中，軸承可能會(huì)接觸到水分、濕氣以及腐蝕性氣體等，當(dāng)這些物質(zhì)與保持架表面接觸時(shí)，會(huì)發(fā)生化學(xué)反應(yīng)，破壞保持架的金屬結(jié)構(gòu)，從而導(dǎo)致銹蝕。銹蝕不僅會(huì)降低保持架的強(qiáng)度和剛性，還可能使保持架與滾動(dòng)體之間的配合變差，影響滾動(dòng)體的正常運(yùn)動(dòng)，進(jìn)而引發(fā)其他故障。滾柱剝離：滾柱剝離是指滾柱表面的材料發(fā)生片狀脫落，形成剝離層。這種故障主要是由于滾柱在長(zhǎng)期的交變載荷作用下，內(nèi)部產(chǎn)生疲勞裂紋，隨著裂紋的擴(kuò)展，最終導(dǎo)致材料從滾柱表面剝離。滾柱剝離會(huì)使軸承的承載能力下降，運(yùn)轉(zhuǎn)時(shí)產(chǎn)生異常振動(dòng)和噪聲，嚴(yán)重威脅機(jī)車的運(yùn)行安全。擋邊碎裂：擋邊碎裂是指軸承擋邊部分出現(xiàn)裂紋、破碎的現(xiàn)象。擋邊在軸承中起著引導(dǎo)和限制滾動(dòng)體運(yùn)動(dòng)的作用，當(dāng)擋邊受到過大的軸向力、沖擊力或因制造缺陷等原因時(shí)，容易產(chǎn)生裂紋并逐漸擴(kuò)展，最終導(dǎo)致?lián)踹吽榱?。擋邊碎裂?huì)使?jié)L動(dòng)體的運(yùn)動(dòng)失去控制，引發(fā)軸承的嚴(yán)重故障，甚至可能導(dǎo)致機(jī)車運(yùn)行事故。2.2.2故障原因分析制造缺陷：在滾動(dòng)軸承的制造過程中，如果原材料質(zhì)量不合格，如存在夾雜物、偏析等問題，或者加工工藝不當(dāng)，如尺寸精度偏差、表面粗糙度不符合要求等，都可能導(dǎo)致軸承在使用過程中出現(xiàn)故障。例如，滾柱直徑的差異會(huì)使?jié)L子負(fù)荷不均，造成沖擊振動(dòng)和周期性嚙合噪聲，加速軸承的損壞。電蝕：電蝕是由于電流通過軸承時(shí)，在滾動(dòng)體與滾道之間的接觸點(diǎn)產(chǎn)生放電現(xiàn)象，導(dǎo)致金屬表面局部熔化和腐蝕。在電力機(jī)車中，由于車體中不合理的電路以及磨合臺(tái)上的靜電等原因，軸箱軸承容易出現(xiàn)電蝕問題。電蝕會(huì)破壞軸承的表面質(zhì)量，降低其疲勞壽命，引發(fā)外滾道點(diǎn)蝕、滾柱損傷等故障。機(jī)械磨損：機(jī)車運(yùn)行時(shí)，滾動(dòng)軸承承受著來自各個(gè)方向的載荷，包括軸重重力、牽引力、制動(dòng)力以及通過鋼軌接頭、道岔時(shí)產(chǎn)生的沖擊力等。這些載荷會(huì)使?jié)L動(dòng)體與內(nèi)、外圈滾道之間產(chǎn)生劇烈的摩擦和磨損，長(zhǎng)期作用下，會(huì)導(dǎo)致滾道表面出現(xiàn)磨損痕跡、剝落等現(xiàn)象，降低軸承的精度和性能。此外，軸承安裝不當(dāng)，如內(nèi)圈與軸的配合間隙過盈量不符、組裝配合游隙配合不當(dāng)?shù)龋矔?huì)加劇機(jī)械磨損，引發(fā)故障。潤(rùn)滑不良：良好的潤(rùn)滑是保證滾動(dòng)軸承正常運(yùn)行的關(guān)鍵因素之一。如果潤(rùn)滑脂不足或潤(rùn)滑脂質(zhì)量不佳，無法在滾動(dòng)體與滾道之間形成有效的潤(rùn)滑膜，會(huì)導(dǎo)致摩擦增大，產(chǎn)生過多的熱量，加速軸承的磨損和疲勞。同時(shí)，潤(rùn)滑脂中混入雜質(zhì)、水分等，會(huì)影響其潤(rùn)滑性能，甚至造成軸承的腐蝕和銹蝕。例如，缺油會(huì)使軸承潤(rùn)滑不良而發(fā)熱，加油過多則容易造成攪拌過熱，都會(huì)對(duì)軸承的運(yùn)行產(chǎn)生不利影響。2.3故障對(duì)機(jī)車運(yùn)行的影響機(jī)車走行部滾動(dòng)軸承一旦發(fā)生故障，將對(duì)機(jī)車的運(yùn)行產(chǎn)生多方面的嚴(yán)重影響，這些影響不僅關(guān)乎機(jī)車自身的性能和安全，還會(huì)對(duì)整個(gè)鐵路運(yùn)輸系統(tǒng)造成沖擊。故障可能導(dǎo)致輪對(duì)固死，嚴(yán)重影響機(jī)車的正常運(yùn)行。當(dāng)滾動(dòng)軸承出現(xiàn)嚴(yán)重的磨損、剝離或斷裂等故障時(shí)，會(huì)使軸承的轉(zhuǎn)動(dòng)靈活性喪失，進(jìn)而導(dǎo)致輪對(duì)無法自由轉(zhuǎn)動(dòng)，最終造成輪對(duì)固死。輪對(duì)固死會(huì)使機(jī)車在運(yùn)行過程中產(chǎn)生劇烈的振動(dòng)和噪聲，同時(shí)增加了輪對(duì)與鋼軌之間的摩擦力，導(dǎo)致車輪與鋼軌的磨損加劇，甚至可能引發(fā)車輪踏面擦傷、剝離等問題，進(jìn)一步惡化機(jī)車的運(yùn)行狀況。更為嚴(yán)重的是，輪對(duì)固死還可能使機(jī)車失去導(dǎo)向能力，無法按照預(yù)定的軌道行駛，從而引發(fā)脫軌、顛覆等重大事故，給鐵路運(yùn)輸帶來災(zāi)難性的后果。機(jī)破也是滾動(dòng)軸承故障可能引發(fā)的嚴(yán)重后果之一。由于滾動(dòng)軸承是機(jī)車走行部的關(guān)鍵部件，其故障會(huì)直接影響到機(jī)車的動(dòng)力傳遞和支撐系統(tǒng)。當(dāng)軸承故障發(fā)展到一定程度，無法承受機(jī)車運(yùn)行時(shí)的載荷時(shí)，可能會(huì)導(dǎo)致軸承的徹底損壞，進(jìn)而引發(fā)機(jī)破事故。機(jī)破事故不僅會(huì)使機(jī)車被迫停車，中斷運(yùn)輸任務(wù)，還需要進(jìn)行長(zhǎng)時(shí)間的維修和搶修，造成運(yùn)輸效率的大幅下降。此外，機(jī)破事故還可能對(duì)鐵路線路設(shè)施造成損壞，增加維修成本和修復(fù)時(shí)間，給鐵路運(yùn)輸帶來巨大的經(jīng)濟(jì)損失。滾動(dòng)軸承故障還可能直接引發(fā)行車事故。在機(jī)車高速運(yùn)行過程中，軸承故障產(chǎn)生的異常振動(dòng)、沖擊等會(huì)使機(jī)車的穩(wěn)定性和安全性受到嚴(yán)重威脅。例如，當(dāng)軸承出現(xiàn)點(diǎn)蝕、剝落等故障時(shí)，會(huì)產(chǎn)生周期性的沖擊載荷，這種沖擊載荷通過輪對(duì)傳遞到整個(gè)走行部和車體，可能導(dǎo)致車體結(jié)構(gòu)的疲勞損傷，甚至引發(fā)車體的斷裂。同時(shí)，故障軸承產(chǎn)生的振動(dòng)和噪聲還會(huì)干擾司機(jī)的判斷，影響其對(duì)機(jī)車運(yùn)行狀態(tài)的監(jiān)控，增加了發(fā)生行車事故的風(fēng)險(xiǎn)。一旦發(fā)生行車事故，不僅會(huì)造成人員傷亡和財(cái)產(chǎn)損失，還會(huì)對(duì)社會(huì)穩(wěn)定和鐵路行業(yè)的聲譽(yù)產(chǎn)生極其負(fù)面的影響，引發(fā)公眾對(duì)鐵路運(yùn)輸安全的擔(dān)憂。從鐵路運(yùn)輸安全和效率的角度來看，滾動(dòng)軸承故障帶來的影響更為深遠(yuǎn)。鐵路運(yùn)輸系統(tǒng)是一個(gè)龐大而復(fù)雜的網(wǎng)絡(luò)，各列車之間緊密銜接，運(yùn)行計(jì)劃嚴(yán)格有序。一旦某臺(tái)機(jī)車的滾動(dòng)軸承發(fā)生故障，導(dǎo)致列車停車或減速，將會(huì)打亂整個(gè)運(yùn)輸計(jì)劃，造成后續(xù)列車的晚點(diǎn)和延誤。這不僅會(huì)影響旅客的出行體驗(yàn)，給旅客帶來不便，還會(huì)導(dǎo)致貨物運(yùn)輸?shù)难舆t，影響企業(yè)的生產(chǎn)和經(jīng)營(yíng)活動(dòng)。為了恢復(fù)運(yùn)輸秩序，鐵路部門往往需要采取一系列的應(yīng)急措施，如調(diào)整列車運(yùn)行圖、組織救援等，這些措施會(huì)增加運(yùn)營(yíng)成本和管理難度。此外，頻繁發(fā)生的滾動(dòng)軸承故障還會(huì)對(duì)鐵路運(yùn)輸?shù)陌踩蜗笤斐蓳p害，降低公眾對(duì)鐵路運(yùn)輸?shù)男湃味取ｈF路運(yùn)輸作為一種重要的公共交通方式，其安全可靠性是吸引旅客和貨主的關(guān)鍵因素之一。如果滾動(dòng)軸承故障頻發(fā)，導(dǎo)致行車事故時(shí)有發(fā)生，將會(huì)使公眾對(duì)鐵路運(yùn)輸?shù)陌踩援a(chǎn)生質(zhì)疑，從而選擇其他交通方式或運(yùn)輸途徑，這將對(duì)鐵路運(yùn)輸行業(yè)的發(fā)展產(chǎn)生不利影響。三、BP神經(jīng)網(wǎng)絡(luò)原理與故障診斷機(jī)制3.1BP神經(jīng)網(wǎng)絡(luò)基本原理BP神經(jīng)網(wǎng)絡(luò)，即反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagationNeuralNetwork），是一種按照誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，在機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域應(yīng)用廣泛。它通過構(gòu)建多層結(jié)構(gòu)，將輸入數(shù)據(jù)逐步轉(zhuǎn)化為輸出結(jié)果，同時(shí)利用誤差反向傳播機(jī)制來優(yōu)化網(wǎng)絡(luò)的參數(shù)，從而實(shí)現(xiàn)對(duì)復(fù)雜非線性關(guān)系的學(xué)習(xí)和建模。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)主要由輸入層、隱藏層（可以有一層或多層）和輸出層組成。輸入層負(fù)責(zé)接收外部輸入數(shù)據(jù)，將其傳遞到隱藏層進(jìn)行處理。隱藏層是神經(jīng)網(wǎng)絡(luò)的核心部分，神經(jīng)元通過帶有權(quán)重的連接接收來自輸入層或前一隱藏層的信號(hào)，經(jīng)過加權(quán)求和并加上偏置后，再通過激活函數(shù)進(jìn)行非線性變換，將處理后的信號(hào)傳遞給下一層。輸出層則根據(jù)隱藏層傳遞過來的信號(hào)，經(jīng)過類似的計(jì)算過程，最終輸出網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。各層神經(jīng)元之間的連接權(quán)重和偏置是BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)，它們決定了信號(hào)在網(wǎng)絡(luò)中的傳遞和處理方式，通過訓(xùn)練不斷調(diào)整這些參數(shù)，使網(wǎng)絡(luò)能夠準(zhǔn)確地對(duì)輸入數(shù)據(jù)進(jìn)行分類或預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)的工作過程主要包括信號(hào)前向傳播和誤差反向傳播兩個(gè)階段。在信號(hào)前向傳播階段，輸入數(shù)據(jù)從輸入層開始，依次經(jīng)過隱藏層的處理，最終到達(dá)輸出層產(chǎn)生輸出結(jié)果。具體來說，對(duì)于輸入層的每個(gè)神經(jīng)元，其輸入信號(hào)直接來自外部數(shù)據(jù)。當(dāng)信號(hào)傳遞到隱藏層時(shí)，隱藏層神經(jīng)元會(huì)對(duì)來自輸入層的信號(hào)進(jìn)行加權(quán)求和，計(jì)算公式為net_{ij}=\sum_{i=1}^{n}w_{ij}x_{i}+b_{j}其中，net_{ij}表示隱藏層第j個(gè)神經(jīng)元的加權(quán)輸入總和，w_{ij}是輸入層第i個(gè)神經(jīng)元與隱藏層第j個(gè)神經(jīng)元之間的連接權(quán)重，x_{i}是輸入層第i個(gè)神經(jīng)元的輸入值，b_{j}是隱藏層第j個(gè)神經(jīng)元的偏置。加權(quán)求和后的結(jié)果再通過激活函數(shù)f進(jìn)行非線性變換，得到隱藏層神經(jīng)元的輸出y_{j}，即y_{j}=f(net_{ij})。常用的激活函數(shù)有Sigmoid函數(shù)、ReLU函數(shù)等。Sigmoid函數(shù)的表達(dá)式為f(x)=\frac{1}{1+e^{-x}}，它可以將輸入值映射到(0,1)區(qū)間，引入非線性因素，使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和處理復(fù)雜的非線性關(guān)系。ReLU函數(shù)的表達(dá)式為f(x)=max(0,x)，當(dāng)輸入值大于0時(shí)，直接輸出輸入值；當(dāng)輸入值小于等于0時(shí)，輸出為0。ReLU函數(shù)具有計(jì)算簡(jiǎn)單、收斂速度快等優(yōu)點(diǎn)，在深度學(xué)習(xí)中得到了廣泛應(yīng)用。隱藏層的輸出作為下一層（可以是另一個(gè)隱藏層或輸出層）的輸入，重復(fù)上述加權(quán)求和和激活函數(shù)變換的過程，直到信號(hào)傳遞到輸出層。輸出層神經(jīng)元同樣進(jìn)行加權(quán)求和和激活函數(shù)計(jì)算，最終得到網(wǎng)絡(luò)的輸出結(jié)果o_{k}，其中k表示輸出層神經(jīng)元的編號(hào)。在誤差反向傳播階段，網(wǎng)絡(luò)根據(jù)輸出層的實(shí)際輸出與期望輸出之間的誤差，反向調(diào)整各層神經(jīng)元之間的連接權(quán)重和偏置，以減小誤差。首先計(jì)算輸出層的誤差，常用的誤差函數(shù)為均方誤差（MeanSquaredError,MSE），計(jì)算公式為E=\frac{1}{2}\sum_{k=1}^{m}(t_{k}-o_{k})^{2}其中，E表示總誤差，t_{k}是輸出層第k個(gè)神經(jīng)元的期望輸出值，o_{k}是輸出層第k個(gè)神經(jīng)元的實(shí)際輸出值，m是輸出層神經(jīng)元的個(gè)數(shù)。通過計(jì)算誤差對(duì)輸出層權(quán)重和偏置的偏導(dǎo)數(shù)，利用梯度下降法來更新權(quán)重和偏置。梯度下降法的基本思想是沿著誤差函數(shù)的負(fù)梯度方向更新參數(shù)，以使得誤差函數(shù)逐漸減小。對(duì)于輸出層權(quán)重w_{jk}的更新公式為\Deltaw_{jk}=-\eta\frac{\partialE}{\partialw_{jk}}其中，\Deltaw_{jk}表示權(quán)重w_{jk}的更新量，\eta是學(xué)習(xí)率，控制每次更新的步長(zhǎng)，\frac{\partialE}{\partialw_{jk}}是誤差E對(duì)權(quán)重w_{jk}的偏導(dǎo)數(shù)。同理，對(duì)于輸出層偏置b_{k}的更新公式為\Deltab_{k}=-\eta\frac{\partialE}{\partialb_{k}}然后，將輸出層的誤差反向傳播到隱藏層。在反向傳播過程中，利用鏈?zhǔn)椒▌t計(jì)算隱藏層誤差對(duì)權(quán)重和偏置的偏導(dǎo)數(shù)，并根據(jù)梯度下降法更新隱藏層的權(quán)重和偏置。經(jīng)過多次迭代，不斷調(diào)整各層的權(quán)重和偏置，使網(wǎng)絡(luò)的誤差逐漸減小，直到滿足預(yù)設(shè)的停止條件，如誤差小于某個(gè)閾值或達(dá)到最大迭代次數(shù)，此時(shí)認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成。通過這樣的信號(hào)前向傳播和誤差反向傳播的不斷循環(huán)，BP神經(jīng)網(wǎng)絡(luò)能夠不斷學(xué)習(xí)輸入數(shù)據(jù)與輸出結(jié)果之間的關(guān)系，從而實(shí)現(xiàn)對(duì)未知數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)和分類。3.2網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置在基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷模型中，合理確定網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)是實(shí)現(xiàn)準(zhǔn)確診斷的關(guān)鍵。網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱藏層和輸出層的設(shè)計(jì)，而參數(shù)設(shè)置則涉及神經(jīng)元個(gè)數(shù)、權(quán)重、閾值以及激活函數(shù)等方面的選擇。輸入層作為網(wǎng)絡(luò)接收外部信息的入口，其神經(jīng)元個(gè)數(shù)與輸入數(shù)據(jù)的特征數(shù)量緊密相關(guān)。在機(jī)車走行部滾動(dòng)軸承故障診斷中，輸入數(shù)據(jù)通常為經(jīng)過特征提取后的故障特征參數(shù)。通過對(duì)振動(dòng)信號(hào)、溫度數(shù)據(jù)等原始信息進(jìn)行時(shí)域分析、頻域分析及時(shí)頻分析等處理，提取出如均值、方差、峰值指標(biāo)、故障特征頻率及其幅值、小波包能量特征等一系列能夠有效表征滾動(dòng)軸承運(yùn)行狀態(tài)的特征參數(shù)。這些特征參數(shù)的數(shù)量決定了輸入層神經(jīng)元的個(gè)數(shù)。例如，若提取了10個(gè)不同的故障特征參數(shù)，那么輸入層神經(jīng)元個(gè)數(shù)便設(shè)置為10。輸入層的作用是將這些故障特征參數(shù)傳遞給隱藏層，為后續(xù)的處理提供數(shù)據(jù)基礎(chǔ)。隱藏層是BP神經(jīng)網(wǎng)絡(luò)的核心部分，它負(fù)責(zé)對(duì)輸入數(shù)據(jù)進(jìn)行非線性變換和特征提取，以學(xué)習(xí)輸入與輸出之間的復(fù)雜映射關(guān)系。隱藏層神經(jīng)元個(gè)數(shù)和層數(shù)的確定是一個(gè)關(guān)鍵且復(fù)雜的問題，目前并沒有通用的理論方法，通常需要結(jié)合經(jīng)驗(yàn)公式和多次試驗(yàn)來優(yōu)化確定。一些常見的經(jīng)驗(yàn)公式如n=\sqrt{m+l}+a（其中n為隱藏層神經(jīng)元個(gè)數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，l為輸出層神經(jīng)元個(gè)數(shù)，a為1到10之間的常數(shù)），可作為初步確定隱藏層神經(jīng)元個(gè)數(shù)的參考。然而，實(shí)際應(yīng)用中，需通過多次改變隱藏層神經(jīng)元個(gè)數(shù)進(jìn)行試驗(yàn)，觀察網(wǎng)絡(luò)的訓(xùn)練效果和診斷準(zhǔn)確率，選擇使網(wǎng)絡(luò)性能最佳的神經(jīng)元個(gè)數(shù)。對(duì)于隱藏層層數(shù)，一般來說，增加隱藏層層數(shù)可以提高網(wǎng)絡(luò)的學(xué)習(xí)能力和表達(dá)能力，但同時(shí)也會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和計(jì)算復(fù)雜度，且容易出現(xiàn)過擬合現(xiàn)象。對(duì)于大多數(shù)滾動(dòng)軸承故障診斷問題，一層或兩層隱藏層通常能夠滿足需求。在本研究中，通過多次實(shí)驗(yàn)對(duì)比，發(fā)現(xiàn)當(dāng)隱藏層神經(jīng)元個(gè)數(shù)為15，隱藏層層數(shù)為1時(shí)，網(wǎng)絡(luò)在訓(xùn)練時(shí)間和診斷準(zhǔn)確率之間取得了較好的平衡，能夠有效地對(duì)滾動(dòng)軸承故障進(jìn)行診斷。輸出層用于輸出網(wǎng)絡(luò)的最終診斷結(jié)果，其神經(jīng)元個(gè)數(shù)與滾動(dòng)軸承的故障類型數(shù)量相對(duì)應(yīng)。在實(shí)際應(yīng)用中，滾動(dòng)軸承可能出現(xiàn)的故障類型包括外滾道點(diǎn)蝕、保持架銹蝕、滾柱剝離、擋邊碎裂等。假設(shè)共有4種故障類型，那么輸出層神經(jīng)元個(gè)數(shù)就設(shè)置為4。每個(gè)輸出層神經(jīng)元代表一種故障狀態(tài)，通過網(wǎng)絡(luò)的計(jì)算，輸出層神經(jīng)元的輸出值可以表示為對(duì)應(yīng)故障類型的概率或置信度。例如，當(dāng)某個(gè)輸出層神經(jīng)元的輸出值接近1，而其他神經(jīng)元輸出值接近0時(shí)，則可判斷滾動(dòng)軸承處于該神經(jīng)元所代表的故障狀態(tài)。在BP神經(jīng)網(wǎng)絡(luò)中，權(quán)重和閾值是決定網(wǎng)絡(luò)性能的重要參數(shù)。權(quán)重表示神經(jīng)元之間連接的強(qiáng)度，它決定了信號(hào)在神經(jīng)元之間傳遞的比例；閾值則類似于神經(jīng)元的激活門檻，當(dāng)輸入信號(hào)的加權(quán)和超過閾值時(shí)，神經(jīng)元才會(huì)被激活并產(chǎn)生輸出。在網(wǎng)絡(luò)訓(xùn)練之前，需要對(duì)權(quán)重和閾值進(jìn)行初始化。常見的初始化方法有隨機(jī)初始化和基于特定分布的初始化。隨機(jī)初始化是將權(quán)重和閾值賦予一個(gè)較小的隨機(jī)值，使其在一定范圍內(nèi)隨機(jī)分布。例如，可使用均勻分布在(-1,1)或(-0.5,0.5)區(qū)間內(nèi)的隨機(jī)數(shù)對(duì)權(quán)重和閾值進(jìn)行初始化。基于特定分布的初始化方法，如Xavier初始化、He初始化等，是根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)的特性，按照一定的數(shù)學(xué)公式來計(jì)算初始權(quán)重和閾值，以保證網(wǎng)絡(luò)在訓(xùn)練過程中信號(hào)的有效傳遞和梯度的穩(wěn)定。Xavier初始化方法根據(jù)輸入層和輸出層神經(jīng)元個(gè)數(shù)來確定權(quán)重的初始值，其計(jì)算公式為w_{ij}\simU(-\sqrt{\frac{6}{m+n}},\sqrt{\frac{6}{m+n}})（其中w_{ij}是第i個(gè)神經(jīng)元與第j個(gè)神經(jīng)元之間的連接權(quán)重，m為輸入層神經(jīng)元個(gè)數(shù)，n為輸出層神經(jīng)元個(gè)數(shù)，U表示均勻分布）。合理的權(quán)重和閾值初始化能夠加速網(wǎng)絡(luò)的收斂速度，提高訓(xùn)練效率，避免出現(xiàn)梯度消失或梯度爆炸等問題。激活函數(shù)在BP神經(jīng)網(wǎng)絡(luò)中起著至關(guān)重要的作用，它為神經(jīng)網(wǎng)絡(luò)引入非線性因素，使網(wǎng)絡(luò)能夠?qū)W習(xí)和處理復(fù)雜的非線性關(guān)系。選擇合適的激活函數(shù)對(duì)于提高網(wǎng)絡(luò)的性能和診斷準(zhǔn)確率具有重要意義。常用的激活函數(shù)有Sigmoid函數(shù)、ReLU函數(shù)、Tanh函數(shù)等。Sigmoid函數(shù)將輸入值映射到(0,1)區(qū)間，其表達(dá)式為f(x)=\frac{1}{1+e^{-x}}。它具有良好的非線性特性，能夠?qū)⑷我鈱?shí)數(shù)映射到一個(gè)有限的區(qū)間內(nèi)，在早期的神經(jīng)網(wǎng)絡(luò)中應(yīng)用廣泛。然而，Sigmoid函數(shù)存在梯度消失問題，當(dāng)輸入值過大或過小時(shí)，其導(dǎo)數(shù)趨近于0，導(dǎo)致在反向傳播過程中梯度難以有效傳遞，從而影響網(wǎng)絡(luò)的訓(xùn)練效果。ReLU函數(shù)的表達(dá)式為f(x)=max(0,x)，當(dāng)輸入值大于0時(shí)，直接輸出輸入值；當(dāng)輸入值小于等于0時(shí)，輸出為0。ReLU函數(shù)具有計(jì)算簡(jiǎn)單、收斂速度快等優(yōu)點(diǎn)，能夠有效避免梯度消失問題，在深度學(xué)習(xí)中得到了廣泛應(yīng)用。但ReLU函數(shù)也存在一些缺點(diǎn)，如在輸入值小于0時(shí)，神經(jīng)元會(huì)被完全抑制，可能導(dǎo)致神經(jīng)元死亡，即某些神經(jīng)元在訓(xùn)練過程中永遠(yuǎn)不會(huì)被激活。Tanh函數(shù)將輸入值映射到(-1,1)區(qū)間，其表達(dá)式為f(x)=\frac{e^{x}-e^{-x}}{e^{x}+e^{-x}}，它是Sigmoid函數(shù)的一種變體，具有零均值的特性，在一些需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理的場(chǎng)景中表現(xiàn)較好。然而，Tanh函數(shù)同樣存在梯度消失問題。在機(jī)車走行部滾動(dòng)軸承故障診斷中，經(jīng)過對(duì)不同激活函數(shù)的對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)ReLU函數(shù)在提高網(wǎng)絡(luò)訓(xùn)練速度和診斷準(zhǔn)確率方面表現(xiàn)較為突出。因此，本研究選擇ReLU函數(shù)作為隱藏層的激活函數(shù)，輸出層則根據(jù)故障診斷的具體需求，采用Softmax函數(shù)進(jìn)行處理。Softmax函數(shù)常用于多分類問題，它可以將輸出層的多個(gè)神經(jīng)元輸出值轉(zhuǎn)換為概率分布，每個(gè)概率值表示對(duì)應(yīng)故障類型的可能性，其表達(dá)式為P(i)=\frac{e^{o_{i}}}{\sum_{j=1}^{k}e^{o_{j}}}（其中P(i)是第i種故障類型的概率，o_{i}是輸出層第i個(gè)神經(jīng)元的輸出值，k是輸出層神經(jīng)元的個(gè)數(shù)）。通過Softmax函數(shù)的處理，網(wǎng)絡(luò)能夠更直觀地輸出滾動(dòng)軸承處于不同故障類型的概率，便于故障診斷和決策。3.3故障診斷機(jī)制BP神經(jīng)網(wǎng)絡(luò)在機(jī)車走行部滾動(dòng)軸承故障診斷中，通過對(duì)大量故障樣本數(shù)據(jù)的學(xué)習(xí)，建立起故障特征與故障類型之間的復(fù)雜映射關(guān)系，從而實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的準(zhǔn)確診斷。其故障診斷機(jī)制主要基于信號(hào)前向傳播和誤差反向傳播兩個(gè)過程。在信號(hào)前向傳播過程中，首先對(duì)采集到的機(jī)車走行部滾動(dòng)軸承的原始數(shù)據(jù)進(jìn)行預(yù)處理和特征提取。原始數(shù)據(jù)通常包括振動(dòng)信號(hào)、溫度數(shù)據(jù)等，這些數(shù)據(jù)中蘊(yùn)含著滾動(dòng)軸承的運(yùn)行狀態(tài)信息。但原始數(shù)據(jù)往往存在噪聲干擾、數(shù)據(jù)缺失等問題，會(huì)影響后續(xù)的分析和診斷結(jié)果，因此需要進(jìn)行預(yù)處理，如采用濾波、降噪等方法去除噪聲，通過數(shù)據(jù)插值等技術(shù)填補(bǔ)缺失值。經(jīng)過預(yù)處理后的數(shù)據(jù)，再運(yùn)用時(shí)域分析、頻域分析及時(shí)頻分析等多種信號(hào)處理技術(shù)進(jìn)行特征提取。在時(shí)域分析中，計(jì)算振動(dòng)信號(hào)的均值、方差、峰值指標(biāo)、峭度指標(biāo)等統(tǒng)計(jì)參數(shù)，這些參數(shù)能夠反映信號(hào)的幅值特征和變化趨勢(shì)。例如，當(dāng)滾動(dòng)軸承出現(xiàn)故障時(shí)，振動(dòng)信號(hào)的峰值指標(biāo)和峭度指標(biāo)通常會(huì)顯著增大，通過監(jiān)測(cè)這些參數(shù)的變化，可以初步判斷軸承是否存在故障。頻域分析則通過傅里葉變換等方法，將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，提取故障特征頻率及其幅值。不同類型的滾動(dòng)軸承故障會(huì)在特定的頻率上產(chǎn)生特征響應(yīng)，如外滾道點(diǎn)蝕故障通常會(huì)在滾動(dòng)體通過外滾道頻率及其倍頻處出現(xiàn)明顯的峰值。時(shí)頻分析方法如小波變換、小波包變換等，可在時(shí)頻域內(nèi)同時(shí)對(duì)信號(hào)進(jìn)行分析，獲取信號(hào)在不同時(shí)間和頻率上的能量分布特征，有效捕捉到滾動(dòng)軸承故障發(fā)生時(shí)信號(hào)的時(shí)變特征和瞬態(tài)信息。通過這些特征提取方法，得到能夠有效表征滾動(dòng)軸承故障狀態(tài)的特征參數(shù)，這些特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，傳遞到輸入層。輸入層將接收到的故障特征參數(shù)傳遞給隱藏層，隱藏層神經(jīng)元對(duì)輸入信號(hào)進(jìn)行加權(quán)求和并通過激活函數(shù)進(jìn)行非線性變換。隱藏層神經(jīng)元的加權(quán)求和計(jì)算公式為net_{ij}=\sum_{i=1}^{n}w_{ij}x_{i}+b_{j}其中，net_{ij}表示隱藏層第j個(gè)神經(jīng)元的加權(quán)輸入總和，w_{ij}是輸入層第i個(gè)神經(jīng)元與隱藏層第j個(gè)神經(jīng)元之間的連接權(quán)重，x_{i}是輸入層第i個(gè)神經(jīng)元的輸入值，b_{j}是隱藏層第j個(gè)神經(jīng)元的偏置。加權(quán)求和后的結(jié)果再通過激活函數(shù)f進(jìn)行非線性變換，得到隱藏層神經(jīng)元的輸出y_{j}，即y_{j}=f(net_{ij})。本研究中，隱藏層采用ReLU函數(shù)作為激活函數(shù)，其表達(dá)式為f(x)=max(0,x)，當(dāng)輸入值大于0時(shí)，直接輸出輸入值；當(dāng)輸入值小于等于0時(shí)，輸出為0。ReLU函數(shù)能夠有效避免梯度消失問題，提高網(wǎng)絡(luò)的訓(xùn)練速度和學(xué)習(xí)能力。隱藏層通過對(duì)輸入信號(hào)的非線性變換，提取出更高級(jí)的故障特征表示，這些特征表示作為下一層（可以是另一個(gè)隱藏層或輸出層）的輸入，重復(fù)上述加權(quán)求和和激活函數(shù)變換的過程，直到信號(hào)傳遞到輸出層。輸出層根據(jù)隱藏層傳遞過來的信號(hào)，經(jīng)過加權(quán)求和和激活函數(shù)計(jì)算，最終輸出網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。對(duì)于滾動(dòng)軸承故障診斷問題，輸出層的神經(jīng)元個(gè)數(shù)與故障類型數(shù)量相對(duì)應(yīng)，每個(gè)神經(jīng)元代表一種故障狀態(tài)。輸出層采用Softmax函數(shù)作為激活函數(shù)，其表達(dá)式為P(i)=\frac{e^{o_{i}}}{\sum_{j=1}^{k}e^{o_{j}}}（其中P(i)是第i種故障類型的概率，o_{i}是輸出層第i個(gè)神經(jīng)元的輸出值，k是輸出層神經(jīng)元的個(gè)數(shù)）。通過Softmax函數(shù)的處理，輸出層的輸出值可以表示為對(duì)應(yīng)故障類型的概率分布，概率值最大的故障類型即為網(wǎng)絡(luò)預(yù)測(cè)的滾動(dòng)軸承故障類型。在誤差反向傳播過程中，網(wǎng)絡(luò)根據(jù)輸出層的實(shí)際輸出與期望輸出之間的誤差，反向調(diào)整各層神經(jīng)元之間的連接權(quán)重和偏置，以減小誤差。首先計(jì)算輸出層的誤差，常用的誤差函數(shù)為均方誤差（MeanSquaredError,MSE），計(jì)算公式為E=\frac{1}{2}\sum_{k=1}^{m}(t_{k}-o_{k})^{2}其中，E表示總誤差，t_{k}是輸出層第k個(gè)神經(jīng)元的期望輸出值，o_{k}是輸出層第k個(gè)神經(jīng)元的實(shí)際輸出值，m是輸出層神經(jīng)元的個(gè)數(shù)。通過計(jì)算誤差對(duì)輸出層權(quán)重和偏置的偏導(dǎo)數(shù)，利用梯度下降法來更新權(quán)重和偏置。梯度下降法的基本思想是沿著誤差函數(shù)的負(fù)梯度方向更新參數(shù)，以使得誤差函數(shù)逐漸減小。對(duì)于輸出層權(quán)重w_{jk}的更新公式為\Deltaw_{jk}=-\eta\frac{\partialE}{\partialw_{jk}}其中，\Deltaw_{jk}表示權(quán)重w_{jk}的更新量，\eta是學(xué)習(xí)率，控制每次更新的步長(zhǎng)，\frac{\partialE}{\partialw_{jk}}是誤差E對(duì)權(quán)重w_{jk}的偏導(dǎo)數(shù)。同理，對(duì)于輸出層偏置b_{k}的更新公式為\Deltab_{k}=-\eta\frac{\partialE}{\partialb_{k}}然后，將輸出層的誤差反向傳播到隱藏層。在反向傳播過程中，利用鏈?zhǔn)椒▌t計(jì)算隱藏層誤差對(duì)權(quán)重和偏置的偏導(dǎo)數(shù)，并根據(jù)梯度下降法更新隱藏層的權(quán)重和偏置。經(jīng)過多次迭代，不斷調(diào)整各層的權(quán)重和偏置，使網(wǎng)絡(luò)的誤差逐漸減小，直到滿足預(yù)設(shè)的停止條件，如誤差小于某個(gè)閾值或達(dá)到最大迭代次數(shù)，此時(shí)認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成?；贐P神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法具有諸多優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，能夠?qū)W習(xí)和逼近復(fù)雜的非線性關(guān)系。滾動(dòng)軸承的故障特征與故障類型之間往往存在著復(fù)雜的非線性關(guān)系，傳統(tǒng)的故障診斷方法難以準(zhǔn)確描述和處理這種關(guān)系。而BP神經(jīng)網(wǎng)絡(luò)通過多層結(jié)構(gòu)和非線性激活函數(shù)，能夠自動(dòng)從大量的故障數(shù)據(jù)中學(xué)習(xí)和提取特征，建立起故障特征與故障類型之間的準(zhǔn)確映射模型，從而實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的準(zhǔn)確診斷。例如，在處理包含多種故障特征參數(shù)的復(fù)雜數(shù)據(jù)時(shí)，BP神經(jīng)網(wǎng)絡(luò)能夠有效地整合這些信息，準(zhǔn)確判斷出滾動(dòng)軸承的故障類型，而傳統(tǒng)方法可能會(huì)因?yàn)闊o法處理非線性關(guān)系而導(dǎo)致診斷準(zhǔn)確率較低。該方法具有自學(xué)習(xí)和自適應(yīng)能力。在訓(xùn)練過程中，BP神經(jīng)網(wǎng)絡(luò)能夠根據(jù)輸入的故障樣本數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，以適應(yīng)不同的故障特征和故障模式。當(dāng)遇到新的故障數(shù)據(jù)時(shí)，網(wǎng)絡(luò)可以利用已學(xué)習(xí)到的知識(shí)進(jìn)行推理和判斷，具有較好的泛化能力。這使得BP神經(jīng)網(wǎng)絡(luò)能夠在不同的工況和環(huán)境下對(duì)滾動(dòng)軸承故障進(jìn)行診斷，提高了故障診斷系統(tǒng)的適應(yīng)性和可靠性。此外，BP神經(jīng)網(wǎng)絡(luò)還具有一定的容錯(cuò)能力。當(dāng)輸入數(shù)據(jù)存在噪聲或部分特征缺失時(shí)，網(wǎng)絡(luò)仍能通過其內(nèi)部的信息處理機(jī)制，給出較為合理的診斷結(jié)果。這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的多個(gè)神經(jīng)元和連接權(quán)重能夠?qū)斎胄畔⑦M(jìn)行分布式處理，即使部分信息受到干擾，其他神經(jīng)元和連接仍能提供有用的信息，保證網(wǎng)絡(luò)的診斷性能。在實(shí)際的機(jī)車運(yùn)行環(huán)境中，由于受到各種因素的影響，采集到的滾動(dòng)軸承數(shù)據(jù)可能存在噪聲和干擾，BP神經(jīng)網(wǎng)絡(luò)的容錯(cuò)能力能夠有效應(yīng)對(duì)這些問題，提高故障診斷的準(zhǔn)確性和穩(wěn)定性。四、基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型構(gòu)建4.1數(shù)據(jù)采集與預(yù)處理為了構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷模型，首先需要獲取大量準(zhǔn)確、可靠的數(shù)據(jù)，這些數(shù)據(jù)將作為模型訓(xùn)練和測(cè)試的基礎(chǔ)，其質(zhì)量直接影響著故障診斷的準(zhǔn)確性和可靠性。同時(shí)，由于采集到的原始數(shù)據(jù)往往存在各種問題，如噪聲干擾、異常值以及數(shù)據(jù)分布不均勻等，因此必須進(jìn)行有效的預(yù)處理，以提高數(shù)據(jù)的可用性和模型的性能。在數(shù)據(jù)采集階段，主要從實(shí)際運(yùn)行機(jī)車或模擬實(shí)驗(yàn)這兩個(gè)途徑獲取滾動(dòng)軸承的運(yùn)行數(shù)據(jù)。對(duì)于實(shí)際運(yùn)行機(jī)車，在機(jī)車走行部滾動(dòng)軸承的關(guān)鍵部位，如軸箱、輪對(duì)等，安裝高精度的振動(dòng)傳感器和溫度傳感器，這些傳感器能夠?qū)崟r(shí)采集滾動(dòng)軸承在不同工況下的振動(dòng)信號(hào)和溫度數(shù)據(jù)。振動(dòng)傳感器可選用加速度傳感器，其能夠敏感地捕捉到滾動(dòng)軸承因故障而產(chǎn)生的微小振動(dòng)變化，并將振動(dòng)信號(hào)轉(zhuǎn)換為電信號(hào)輸出。為確保采集到的振動(dòng)信號(hào)具有代表性，需合理選擇傳感器的安裝位置和方向，使其能夠準(zhǔn)確感知滾動(dòng)軸承各個(gè)方向的振動(dòng)情況。溫度傳感器則用于監(jiān)測(cè)滾動(dòng)軸承的工作溫度，因?yàn)楫?dāng)軸承出現(xiàn)故障時(shí)，其內(nèi)部摩擦?xí)龃?，?dǎo)致溫度升高，通過監(jiān)測(cè)溫度變化可以輔助判斷軸承的運(yùn)行狀態(tài)。在安裝溫度傳感器時(shí)，要保證其與軸承緊密接觸，以獲取準(zhǔn)確的溫度數(shù)據(jù)。同時(shí)，利用數(shù)據(jù)采集系統(tǒng)對(duì)傳感器輸出的電信號(hào)進(jìn)行采集、轉(zhuǎn)換和存儲(chǔ)，該系統(tǒng)具備高速采樣、高精度A/D轉(zhuǎn)換以及大容量數(shù)據(jù)存儲(chǔ)等功能，能夠滿足對(duì)滾動(dòng)軸承運(yùn)行數(shù)據(jù)實(shí)時(shí)、準(zhǔn)確采集的需求。在實(shí)際運(yùn)行過程中，機(jī)車可能會(huì)經(jīng)歷不同的工況，如啟動(dòng)、加速、勻速行駛、減速、制動(dòng)等，因此需要在各種工況下對(duì)滾動(dòng)軸承的運(yùn)行數(shù)據(jù)進(jìn)行長(zhǎng)時(shí)間、多批次的采集，以涵蓋軸承在不同工作狀態(tài)下的信息。除了從實(shí)際運(yùn)行機(jī)車采集數(shù)據(jù)外，還可以通過搭建模擬實(shí)驗(yàn)平臺(tái)來獲取數(shù)據(jù)。模擬實(shí)驗(yàn)平臺(tái)能夠模擬機(jī)車走行部滾動(dòng)軸承的各種實(shí)際運(yùn)行工況和故障類型，具有可重復(fù)性強(qiáng)、實(shí)驗(yàn)條件易于控制等優(yōu)點(diǎn)。在實(shí)驗(yàn)平臺(tái)上，使用電機(jī)驅(qū)動(dòng)滾動(dòng)軸承旋轉(zhuǎn)，通過調(diào)節(jié)電機(jī)的轉(zhuǎn)速和扭矩來模擬機(jī)車在不同運(yùn)行速度和負(fù)載下的工況。為了模擬不同類型的滾動(dòng)軸承故障，如外滾道點(diǎn)蝕、保持架銹蝕、滾柱剝離、擋邊碎裂等，可以采用人工制造故障的方法，如在軸承滾道表面加工出微小的點(diǎn)蝕坑、對(duì)保持架進(jìn)行腐蝕處理、在滾柱表面制造剝離缺陷等。在模擬實(shí)驗(yàn)過程中，同樣利用振動(dòng)傳感器和溫度傳感器對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)和溫度數(shù)據(jù)進(jìn)行采集，并通過數(shù)據(jù)采集系統(tǒng)進(jìn)行記錄和存儲(chǔ)。通過模擬實(shí)驗(yàn)獲取的數(shù)據(jù)可以與實(shí)際運(yùn)行機(jī)車采集的數(shù)據(jù)相互補(bǔ)充，為故障診斷模型的訓(xùn)練提供更全面、豐富的樣本。采集到的原始數(shù)據(jù)中通常包含各種噪聲，如環(huán)境噪聲、傳感器自身噪聲等，這些噪聲會(huì)干擾對(duì)滾動(dòng)軸承故障特征的提取，降低故障診斷的準(zhǔn)確性。因此，需要采用濾波算法對(duì)數(shù)據(jù)進(jìn)行降噪處理。常用的濾波算法有低通濾波器、高通濾波器、帶通濾波器和帶阻濾波器等。低通濾波器可以去除信號(hào)中的高頻噪聲，保留低頻信號(hào)成分；高通濾波器則相反，用于去除低頻噪聲，保留高頻信號(hào)；帶通濾波器能夠允許特定頻率范圍內(nèi)的信號(hào)通過，而抑制其他頻率的信號(hào)，適用于提取具有特定頻率特征的故障信號(hào)；帶阻濾波器則用于抑制特定頻率范圍內(nèi)的噪聲。在實(shí)際應(yīng)用中，根據(jù)噪聲的頻率特性和信號(hào)的特點(diǎn)選擇合適的濾波算法。例如，當(dāng)噪聲主要集中在高頻段，而滾動(dòng)軸承故障信號(hào)主要位于低頻段時(shí)，可以采用低通濾波器進(jìn)行降噪處理。采用巴特沃斯低通濾波器對(duì)振動(dòng)信號(hào)進(jìn)行降噪，通過設(shè)置合適的截止頻率，有效地去除了高頻噪聲，使信號(hào)更加平滑，突出了故障特征。除了噪聲，原始數(shù)據(jù)中還可能存在異常值，這些異常值可能是由于傳感器故障、數(shù)據(jù)傳輸錯(cuò)誤或其他原因?qū)е碌?。如果不進(jìn)行處理，異常值會(huì)對(duì)數(shù)據(jù)分析和模型訓(xùn)練產(chǎn)生嚴(yán)重的干擾?？梢允褂媒y(tǒng)計(jì)方法，如3σ準(zhǔn)則來檢測(cè)和處理異常值。3σ準(zhǔn)則的基本原理是：假設(shè)數(shù)據(jù)服從正態(tài)分布，在正常情況下，數(shù)據(jù)落在均值±3倍標(biāo)準(zhǔn)差范圍內(nèi)的概率為99.7%，超出這個(gè)范圍的數(shù)據(jù)點(diǎn)被視為異常值。對(duì)于檢測(cè)到的異常值，可以采用數(shù)據(jù)插值的方法進(jìn)行修復(fù)，如使用線性插值、樣條插值等方法，根據(jù)相鄰正常數(shù)據(jù)點(diǎn)的數(shù)值來估計(jì)異常值的合理取值。在對(duì)數(shù)據(jù)進(jìn)行降噪和異常值處理后，還需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。歸一化的目的是將不同特征的數(shù)據(jù)映射到相同的取值范圍內(nèi)，消除數(shù)據(jù)特征之間的量綱差異，使數(shù)據(jù)具有可比性。這有助于提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率和收斂速度，避免因數(shù)據(jù)特征的量級(jí)差異過大而導(dǎo)致模型訓(xùn)練困難。常用的歸一化方法有最小-最大歸一化（Min-MaxNormalization）和Z-score歸一化。最小-最大歸一化將數(shù)據(jù)映射到[0,1]區(qū)間，其計(jì)算公式為x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}其中，x_{norm}是歸一化后的數(shù)據(jù)，x是原始數(shù)據(jù)，x_{min}和x_{max}分別是原始數(shù)據(jù)中的最小值和最大值。Z-score歸一化則是將數(shù)據(jù)映射到均值為0，標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布，其計(jì)算公式為x_{norm}=\frac{x-\mu}{\sigma}其中，\mu是原始數(shù)據(jù)的均值，\sigma是原始數(shù)據(jù)的標(biāo)準(zhǔn)差。在本研究中，經(jīng)過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，采用最小-最大歸一化方法對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)和溫度數(shù)據(jù)進(jìn)行歸一化處理后，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果更佳，能夠更快地收斂到最優(yōu)解，提高了故障診斷的準(zhǔn)確性和效率。通過對(duì)數(shù)據(jù)進(jìn)行降噪、異常值處理和歸一化等預(yù)處理步驟，有效地提高了數(shù)據(jù)的質(zhì)量和可用性，為后續(xù)的故障特征提取和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練奠定了堅(jiān)實(shí)的基礎(chǔ)。4.2特征提取與選擇在基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷研究中，特征提取與選擇是至關(guān)重要的環(huán)節(jié)，直接影響著故障診斷的準(zhǔn)確性和可靠性。在特征提取方面，針對(duì)采集并預(yù)處理后的滾動(dòng)軸承數(shù)據(jù)，采用多種方法進(jìn)行特征提取，以全面獲取能夠表征軸承故障狀態(tài)的信息。在時(shí)域分析中，計(jì)算振動(dòng)信號(hào)的多個(gè)統(tǒng)計(jì)參數(shù)。均值體現(xiàn)了信號(hào)的平均水平，在正常運(yùn)行狀態(tài)下，滾動(dòng)軸承的振動(dòng)信號(hào)均值通常處于相對(duì)穩(wěn)定的范圍；而當(dāng)軸承出現(xiàn)故障時(shí)，均值可能會(huì)發(fā)生明顯變化，如當(dāng)軸承滾道出現(xiàn)磨損或剝落時(shí)，振動(dòng)信號(hào)的均值會(huì)增大。方差反映了信號(hào)的離散程度，故障狀態(tài)下，軸承的振動(dòng)更加不穩(wěn)定，方差會(huì)顯著增大，通過監(jiān)測(cè)方差的變化，可以有效判斷軸承是否存在故障隱患。峰值指標(biāo)對(duì)沖擊性故障較為敏感，當(dāng)滾動(dòng)軸承發(fā)生如滾柱剝離、擋邊碎裂等故障時(shí)，會(huì)產(chǎn)生強(qiáng)烈的沖擊振動(dòng)，使得峰值指標(biāo)急劇上升，因此峰值指標(biāo)是判斷此類故障的重要依據(jù)。峭度指標(biāo)則更側(cè)重于檢測(cè)信號(hào)中的沖擊成分，正常運(yùn)行的滾動(dòng)軸承振動(dòng)信號(hào)峭度指標(biāo)較為穩(wěn)定，一旦軸承出現(xiàn)早期故障，產(chǎn)生微弱的沖擊信號(hào)，峭度指標(biāo)就會(huì)迅速增大，有助于在故障早期及時(shí)發(fā)現(xiàn)問題。通過這些時(shí)域特征參數(shù)的計(jì)算和分析，可以從時(shí)域角度初步判斷滾動(dòng)軸承的運(yùn)行狀態(tài)。頻域分析通過傅里葉變換將時(shí)域振動(dòng)信號(hào)轉(zhuǎn)換為頻域信號(hào)，提取故障特征頻率及其幅值。不同類型的滾動(dòng)軸承故障會(huì)在特定的頻率上產(chǎn)生特征響應(yīng)。例如，外滾道點(diǎn)蝕故障通常會(huì)在滾動(dòng)體通過外滾道頻率及其倍頻處出現(xiàn)明顯的峰值，這是因?yàn)楫?dāng)滾動(dòng)體滾過點(diǎn)蝕坑時(shí)，會(huì)產(chǎn)生周期性的沖擊，從而在相應(yīng)頻率上產(chǎn)生特征頻率成分；保持架銹蝕故障可能會(huì)導(dǎo)致保持架與滾動(dòng)體之間的運(yùn)動(dòng)不協(xié)調(diào)，產(chǎn)生特定頻率的振動(dòng)，通過分析頻域信號(hào)中這些特定頻率及其幅值的變化，可以識(shí)別出保持架的故障狀態(tài)。頻域分析能夠從頻率角度揭示滾動(dòng)軸承故障的本質(zhì)特征，為故障診斷提供有力的頻率信息支持。小波分解作為一種時(shí)頻分析方法，具有良好的時(shí)頻局部化特性，能夠在時(shí)頻域內(nèi)同時(shí)對(duì)信號(hào)進(jìn)行分析，獲取信號(hào)在不同時(shí)間和頻率上的能量分布特征，有效捕捉到滾動(dòng)軸承故障發(fā)生時(shí)信號(hào)的時(shí)變特征和瞬態(tài)信息。通過小波分解，可以將振動(dòng)信號(hào)分解為不同頻率段的小波系數(shù)，這些小波系數(shù)反映了信號(hào)在不同尺度上的特征。對(duì)于滾動(dòng)軸承故障信號(hào)，不同故障類型和故障程度會(huì)在小波系數(shù)上呈現(xiàn)出不同的分布規(guī)律。例如，在軸承早期故障階段，一些高頻段的小波系數(shù)會(huì)發(fā)生明顯變化，通過對(duì)這些變化的分析，可以提前發(fā)現(xiàn)故障隱患；在故障發(fā)展過程中，不同頻率段的小波系數(shù)能量分布也會(huì)發(fā)生改變，利用這些特征可以進(jìn)一步判斷故障的發(fā)展趨勢(shì)和嚴(yán)重程度。小波分解在處理非平穩(wěn)信號(hào)方面具有獨(dú)特優(yōu)勢(shì)，能夠有效提取滾動(dòng)軸承故障信號(hào)的時(shí)頻特征，為故障診斷提供更全面、準(zhǔn)確的信息。在提取了大量的特征參數(shù)后，并非所有的特征都對(duì)滾動(dòng)軸承故障診斷具有同等的重要性和敏感性。因此，需要進(jìn)行特征選擇，篩選出對(duì)故障診斷最具代表性和區(qū)分度的敏感特征，以提高BP神經(jīng)網(wǎng)絡(luò)的診斷性能和效率。相關(guān)性分析是特征選擇的常用方法之一，通過計(jì)算特征與故障標(biāo)簽之間的相關(guān)系數(shù)，衡量特征與故障之間的關(guān)聯(lián)程度。相關(guān)系數(shù)絕對(duì)值越接近1，說明該特征與故障的相關(guān)性越強(qiáng)，對(duì)故障診斷的貢獻(xiàn)越大。在滾動(dòng)軸承故障診斷中，某些時(shí)域特征如峰值指標(biāo)、峭度指標(biāo)與故障類型之間往往具有較強(qiáng)的相關(guān)性。當(dāng)軸承出現(xiàn)故障時(shí)，這些特征會(huì)發(fā)生顯著變化，與故障標(biāo)簽之間存在緊密的聯(lián)系。通過相關(guān)性分析，可以篩選出與故障相關(guān)性高的特征，去除相關(guān)性較弱的特征，從而減少特征維度，降低計(jì)算復(fù)雜度。假設(shè)計(jì)算得到特征A與故障標(biāo)簽的相關(guān)系數(shù)為0.8，而特征B與故障標(biāo)簽的相關(guān)系數(shù)僅為0.2，那么在特征選擇過程中，特征A將被保留，而特征B可能被舍棄。重要性分析也是特征選擇的關(guān)鍵環(huán)節(jié)，通過評(píng)估每個(gè)特征對(duì)模型性能的影響程度，確定其重要性。可以采用遞歸特征消除（RFE）算法等方法來進(jìn)行重要性分析。RFE算法通過不斷地從當(dāng)前特征集合中移除對(duì)模型性能影響最小的特征，逐步篩選出重要特征。在基于BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷中，使用RFE算法對(duì)提取的時(shí)域、頻域和小波分解特征進(jìn)行重要性評(píng)估。通過多次實(shí)驗(yàn)和分析，確定每個(gè)特征對(duì)神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確率的貢獻(xiàn)。對(duì)于貢獻(xiàn)較小的特征，如一些在不同故障狀態(tài)下變化不明顯的頻域特征，將其從特征集合中剔除。經(jīng)過重要性分析，保留下來的特征能夠更有效地反映滾動(dòng)軸承的故障狀態(tài)，提高BP神經(jīng)網(wǎng)絡(luò)對(duì)故障的識(shí)別能力。通過相關(guān)性分析和重要性分析等方法，從眾多提取的特征中選擇出對(duì)滾動(dòng)軸承故障診斷具有高敏感性和重要性的特征，這些特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入，能夠更準(zhǔn)確地反映滾動(dòng)軸承的故障狀態(tài)，提高故障診斷的準(zhǔn)確率和可靠性。同時(shí)，合理的特征選擇還可以減少特征維度，降低BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間和計(jì)算復(fù)雜度，提高模型的泛化能力，使其能夠更好地適應(yīng)不同工況下的滾動(dòng)軸承故障診斷需求。4.3模型設(shè)計(jì)與訓(xùn)練在完成數(shù)據(jù)采集與預(yù)處理以及特征提取與選擇后，便進(jìn)入基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷模型的設(shè)計(jì)與訓(xùn)練階段。這一階段的核心任務(wù)是構(gòu)建合適的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并使用經(jīng)過處理的樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以使其能夠準(zhǔn)確地識(shí)別滾動(dòng)軸承的故障類型。根據(jù)前期提取和選擇的故障特征參數(shù)數(shù)量來確定BP神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)。若經(jīng)過特征提取和選擇后，最終確定的敏感特征參數(shù)有15個(gè)，那么輸入層節(jié)點(diǎn)數(shù)就設(shè)置為15，這些節(jié)點(diǎn)將分別對(duì)應(yīng)輸入的15個(gè)故障特征參數(shù)。輸入層的作用是將這些特征參數(shù)傳遞給隱藏層，為后續(xù)的處理提供數(shù)據(jù)基礎(chǔ)。隱藏層作為BP神經(jīng)網(wǎng)絡(luò)的核心部分，其節(jié)點(diǎn)數(shù)和層數(shù)的確定至關(guān)重要。如前文所述，隱藏層節(jié)點(diǎn)數(shù)的確定沒有通用的理論方法，通常結(jié)合經(jīng)驗(yàn)公式和多次試驗(yàn)來優(yōu)化。使用經(jīng)驗(yàn)公式n=\sqrt{m+l}+a（其中n為隱藏層神經(jīng)元個(gè)數(shù)，m為輸入層神經(jīng)元個(gè)數(shù)，l為輸出層神經(jīng)元個(gè)數(shù)，a為1到10之間的常數(shù)）進(jìn)行初步估算。假設(shè)輸入層神經(jīng)元個(gè)數(shù)m=15，輸出層神經(jīng)元個(gè)數(shù)l=4（對(duì)應(yīng)4種故障類型），當(dāng)a=5時(shí)，計(jì)算得到隱藏層神經(jīng)元個(gè)數(shù)n\approx9。然而，這只是一個(gè)初步的估算值，還需要通過多次試驗(yàn)來確定最優(yōu)的隱藏層節(jié)點(diǎn)數(shù)。在試驗(yàn)過程中，分別設(shè)置隱藏層節(jié)點(diǎn)數(shù)為8、9、10、11、12等不同的值，使用相同的訓(xùn)練數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并觀察網(wǎng)絡(luò)的訓(xùn)練誤差、收斂速度以及在測(cè)試集上的診斷準(zhǔn)確率等指標(biāo)。經(jīng)過一系列試驗(yàn)后發(fā)現(xiàn)，當(dāng)隱藏層節(jié)點(diǎn)數(shù)為10時(shí)，網(wǎng)絡(luò)在訓(xùn)練誤差和診斷準(zhǔn)確率方面表現(xiàn)最佳，訓(xùn)練誤差能夠較快收斂到較低水平，且在測(cè)試集上對(duì)滾動(dòng)軸承故障類型的診斷準(zhǔn)確率最高。因此，最終確定隱藏層節(jié)點(diǎn)數(shù)為10。對(duì)于隱藏層層數(shù)，一般來說，增加隱藏層層數(shù)可以提高網(wǎng)絡(luò)的學(xué)習(xí)能力和表達(dá)能力，但同時(shí)也會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和計(jì)算復(fù)雜度，且容易出現(xiàn)過擬合現(xiàn)象。對(duì)于機(jī)車走行部滾動(dòng)軸承故障診斷問題，一層隱藏層通常能夠滿足需求。經(jīng)過對(duì)比試驗(yàn)，發(fā)現(xiàn)增加隱藏層層數(shù)并沒有顯著提升網(wǎng)絡(luò)的性能，反而導(dǎo)致訓(xùn)練時(shí)間大幅增加，且出現(xiàn)了過擬合現(xiàn)象，因此選擇一層隱藏層作為BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。輸出層節(jié)點(diǎn)數(shù)與滾動(dòng)軸承的故障類型數(shù)量相對(duì)應(yīng)。在本研究中，考慮了外滾道點(diǎn)蝕、保持架銹蝕、滾柱剝離、擋邊碎裂這4種常見的故障類型，所以輸出層節(jié)點(diǎn)數(shù)設(shè)置為4。每個(gè)輸出層節(jié)點(diǎn)代表一種故障狀態(tài)，通過網(wǎng)絡(luò)的計(jì)算，輸出層節(jié)點(diǎn)的輸出值可以表示為對(duì)應(yīng)故障類型的概率或置信度。例如，當(dāng)某個(gè)輸出層節(jié)點(diǎn)的輸出值接近1，而其他節(jié)點(diǎn)輸出值接近0時(shí)，則可判斷滾動(dòng)軸承處于該節(jié)點(diǎn)所代表的故障狀態(tài)。在確定了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)后，需要選擇合適的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練。常見的BP神經(jīng)網(wǎng)絡(luò)算法有傳統(tǒng)的梯度下降法及其變種，如帶動(dòng)量的梯度下降法（Momentum）、自適應(yīng)學(xué)習(xí)率調(diào)整算法（Adagrad、Adadelta、RMSprop）以及Adam算法等。傳統(tǒng)的梯度下降法在每次更新權(quán)重時(shí)，使用整個(gè)訓(xùn)練數(shù)據(jù)集來計(jì)算梯度，這種方法計(jì)算量較大，且在數(shù)據(jù)量較大時(shí)收斂速度較慢。帶動(dòng)量的梯度下降法在更新權(quán)重時(shí)，不僅考慮當(dāng)前的梯度，還引入了上一次權(quán)重更新的方向，通過動(dòng)量項(xiàng)來加速收斂，避免陷入局部最優(yōu)解。自適應(yīng)學(xué)習(xí)率調(diào)整算法則根據(jù)每個(gè)參數(shù)的梯度歷史信息來動(dòng)態(tài)調(diào)整學(xué)習(xí)率，使得不同參數(shù)的學(xué)習(xí)率可以自適應(yīng)變化，從而提高訓(xùn)練效率和穩(wěn)定性。Adam算法結(jié)合了動(dòng)量法和自適應(yīng)學(xué)習(xí)率調(diào)整的優(yōu)點(diǎn)，它不僅能夠自適應(yīng)調(diào)整學(xué)習(xí)率，還能利用動(dòng)量項(xiàng)加速收斂，在許多實(shí)際應(yīng)用中表現(xiàn)出了良好的性能。在本研究中，通過對(duì)比試驗(yàn)，選擇Adam算法作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法。使用相同的訓(xùn)練數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)，分別采用傳統(tǒng)梯度下降法、帶動(dòng)量的梯度下降法、Adagrad算法、RMSprop算法以及Adam算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并觀察網(wǎng)絡(luò)的訓(xùn)練過程和性能表現(xiàn)。實(shí)驗(yàn)結(jié)果表明，Adam算法在收斂速度和訓(xùn)練穩(wěn)定性方面表現(xiàn)最佳。在訓(xùn)練過程中，Adam算法能夠快速調(diào)整權(quán)重，使網(wǎng)絡(luò)的誤差迅速下降，且在訓(xùn)練過程中沒有出現(xiàn)明顯的波動(dòng)和振蕩。相比之下，傳統(tǒng)梯度下降法收斂速度較慢，容易陷入局部最優(yōu)解；帶動(dòng)量的梯度下降法雖然在一定程度上加速了收斂，但在某些情況下仍然會(huì)出現(xiàn)收斂緩慢的問題；Adagrad算法和RMSprop算法在訓(xùn)練過程中，學(xué)習(xí)率的調(diào)整不夠靈活，導(dǎo)致網(wǎng)絡(luò)的性能表現(xiàn)不如Adam算法。因此，最終選擇Adam算法作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，以確保網(wǎng)絡(luò)能夠快速、穩(wěn)定地收斂到最優(yōu)解。在訓(xùn)練過程中，需要對(duì)模型的參數(shù)進(jìn)行不斷調(diào)整和優(yōu)化。首先，設(shè)置合適的學(xué)習(xí)率。學(xué)習(xí)率決定了每次更新權(quán)重時(shí)的步長(zhǎng)大小，它是影響B(tài)P神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果的重要參數(shù)之一。如果學(xué)習(xí)率過大，模型在訓(xùn)練過程中可能會(huì)跳過最優(yōu)解，導(dǎo)致無法收斂或出現(xiàn)振蕩現(xiàn)象；如果學(xué)習(xí)率過小，模型的收斂速度會(huì)非常緩慢，需要大量的訓(xùn)練時(shí)間。因此，選擇合適的學(xué)習(xí)率至關(guān)重要。在本研究中，通過多次試驗(yàn)，嘗試了不同的學(xué)習(xí)率值，如0.001、0.0001、0.00001等。當(dāng)學(xué)習(xí)率設(shè)置為0.001時(shí)，模型在訓(xùn)練初期誤差下降較快，但在后期容易出現(xiàn)振蕩，無法收斂到最優(yōu)解；當(dāng)學(xué)習(xí)率設(shè)置為0.00001時(shí)，模型的收斂速度非常緩慢，訓(xùn)練時(shí)間過長(zhǎng)；而當(dāng)學(xué)習(xí)率設(shè)置為0.0001時(shí)，模型能夠在較快的速度下收斂，且誤差能夠達(dá)到較低水平。因此，最終確定學(xué)習(xí)率為0.0001。除了學(xué)習(xí)率，還需要設(shè)置最大迭代次數(shù)。最大迭代次數(shù)表示BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中進(jìn)行權(quán)重更新的最大次數(shù)。如果最大迭代次數(shù)設(shè)置過小，模型可能無法充分學(xué)習(xí)數(shù)據(jù)中的特征，導(dǎo)致訓(xùn)練不充分，診斷準(zhǔn)確率較低；如果最大迭代次數(shù)設(shè)置過大，模型可能會(huì)出現(xiàn)過擬合現(xiàn)象，且浪費(fèi)大量的計(jì)算資源和時(shí)間。通過多次試驗(yàn)，發(fā)現(xiàn)當(dāng)最大迭代次數(shù)設(shè)置為1000次時(shí)，模型能夠在充分學(xué)習(xí)數(shù)據(jù)特征的同時(shí)，避免過擬合現(xiàn)象的發(fā)生，且訓(xùn)練時(shí)間在可接受范圍內(nèi)。在訓(xùn)練過程中，還可以采用一些策略來防止過擬合，如早停法、正則化等。早停法是在訓(xùn)練過程中，監(jiān)控模型在驗(yàn)證集上的性能指標(biāo)，當(dāng)驗(yàn)證集上的性能不再提升時(shí)，停止訓(xùn)練，以避免過擬合。正則化則是通過在損失函數(shù)中添加正則化項(xiàng)，如L1正則化或L2正則化，來約束模型的復(fù)雜度，防止模型過擬合。在本研究中，采用了早停法來防止過擬合。在訓(xùn)練過程中，將訓(xùn)練數(shù)據(jù)集劃分為訓(xùn)練集和驗(yàn)證集，使用訓(xùn)練集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，同時(shí)在驗(yàn)證集上監(jiān)測(cè)模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等。當(dāng)驗(yàn)證集上的性能連續(xù)50次迭代沒有提升時(shí)，停止訓(xùn)練，保存當(dāng)前模型。通過采用早停法，有效地防止了模型過擬合現(xiàn)象的發(fā)生，提高了模型的泛化能力。利用訓(xùn)練數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的預(yù)測(cè)輸出與實(shí)際故障標(biāo)簽之間的誤差最小化。在訓(xùn)練過程中，將訓(xùn)練數(shù)據(jù)按照一定的比例劃分為訓(xùn)練集和驗(yàn)證集，如70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)作為驗(yàn)證集。使用訓(xùn)練集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過前向傳播和誤差反向傳播的過程，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的預(yù)測(cè)輸出與實(shí)際故障標(biāo)簽之間的誤差逐漸減小。在每次迭代中，計(jì)算訓(xùn)練集上的誤差，并根據(jù)誤差反向傳播算法更新網(wǎng)絡(luò)的權(quán)值和閾值。同時(shí)，在驗(yàn)證集上監(jiān)測(cè)模型的性能指標(biāo)，以評(píng)估模型的泛化能力。經(jīng)過多次迭代訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)逐漸學(xué)習(xí)到滾動(dòng)軸承故障特征與故障類型之間的映射關(guān)系，模型的性能不斷提升。當(dāng)訓(xùn)練過程滿足預(yù)設(shè)的停止條件，如誤差小于某個(gè)閾值或達(dá)到最大迭代次數(shù)時(shí)，認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成。此時(shí)，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型具備了對(duì)機(jī)車走行部滾動(dòng)軸承故障進(jìn)行診斷的能力。五、實(shí)驗(yàn)驗(yàn)證與結(jié)果分析5.1實(shí)驗(yàn)設(shè)計(jì)與實(shí)施為了驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷模型的有效性和準(zhǔn)確性，設(shè)計(jì)并實(shí)施了一系列實(shí)驗(yàn)。實(shí)驗(yàn)依托專門搭建的機(jī)車走行部滾動(dòng)軸承實(shí)驗(yàn)平臺(tái)，該平臺(tái)模擬了機(jī)車在實(shí)際運(yùn)行過程中的各種工況，能夠?yàn)閷?shí)驗(yàn)提供真實(shí)可靠的數(shù)據(jù)支持。平臺(tái)主要由驅(qū)動(dòng)系統(tǒng)、加載系統(tǒng)、軸承測(cè)試裝置以及數(shù)據(jù)采集系統(tǒng)等部分組成。驅(qū)動(dòng)系統(tǒng)采用高性能電機(jī)，通過變頻調(diào)速技術(shù)能夠精確控制滾動(dòng)軸承的轉(zhuǎn)速，模擬機(jī)車在不同運(yùn)行速度下的工況。加載系統(tǒng)則可根據(jù)實(shí)驗(yàn)需求，向滾動(dòng)軸承施加不同大小和方向的徑向力、軸向力，以模擬機(jī)車運(yùn)行時(shí)軸承所承受的復(fù)雜載荷。軸承測(cè)試裝置安裝有多種類型的傳感器，包括加速度傳感器、溫度傳感器等，用于實(shí)時(shí)采集滾動(dòng)軸承在運(yùn)行過程中的振動(dòng)信號(hào)和溫度數(shù)據(jù)。數(shù)據(jù)采集系統(tǒng)具備高速采樣、高精度A/D轉(zhuǎn)換以及大容量數(shù)據(jù)存儲(chǔ)等功能，能夠確保采集到的數(shù)據(jù)準(zhǔn)確、完整，并及時(shí)傳輸?shù)接?jì)算機(jī)進(jìn)行后續(xù)處理。在實(shí)驗(yàn)過程中，嚴(yán)格控制實(shí)驗(yàn)條件，確保實(shí)驗(yàn)結(jié)果的可靠性和可重復(fù)性。設(shè)置了多種不同的運(yùn)行工況，如不同的轉(zhuǎn)速、載荷以及潤(rùn)滑條件等。轉(zhuǎn)速設(shè)置為500r/min、1000r/min、1500r/min三個(gè)等級(jí)，分別模擬機(jī)車低速、中速和高速運(yùn)行狀態(tài)；載荷分為輕載、中載和重載三種情況，通過調(diào)整加載系統(tǒng)的參數(shù)來實(shí)現(xiàn)；潤(rùn)滑條件則分為正常潤(rùn)滑、潤(rùn)滑不足和潤(rùn)滑過度三種狀態(tài)，通過控制潤(rùn)滑脂的添加量和質(zhì)量來模擬。在每種工況下，分別模擬滾動(dòng)軸承的不同故障類型，包括外滾道點(diǎn)蝕、保持架銹蝕、滾柱剝離、擋邊碎裂等常見故障。對(duì)于外滾道點(diǎn)蝕故障，通過在軸承外滾道表面加工出不同尺寸和深度的點(diǎn)蝕坑來模擬；保持架銹蝕故障則通過將保持架浸泡在腐蝕性溶液中，使其表面產(chǎn)生銹蝕來實(shí)現(xiàn)；滾柱剝離故障通過在滾柱表面制造剝離缺陷來模擬；擋邊碎裂故障則通過對(duì)擋邊進(jìn)行局部破壞來實(shí)現(xiàn)。每種故障類型設(shè)置多個(gè)故障程度等級(jí)，如輕微故障、中度故障和嚴(yán)重故障，以全面獲取不同故障狀態(tài)下滾動(dòng)軸承的運(yùn)行數(shù)據(jù)。數(shù)據(jù)采集工作在滾動(dòng)軸承運(yùn)行過程中持續(xù)進(jìn)行，采集頻率設(shè)置為10kHz，以確保能夠捕捉到滾動(dòng)軸承振動(dòng)信號(hào)的細(xì)微變化。每次采集的數(shù)據(jù)長(zhǎng)度為1024個(gè)采樣點(diǎn)，每隔10秒采集一次數(shù)據(jù)，每種工況和故障類型下采集50組數(shù)據(jù)。采集到的數(shù)據(jù)存儲(chǔ)在計(jì)算機(jī)中，形成原始數(shù)據(jù)集。在數(shù)據(jù)采集過程中，對(duì)采集到的數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和分析，確保數(shù)據(jù)的質(zhì)量和完整性。若發(fā)現(xiàn)數(shù)據(jù)異常，如數(shù)據(jù)缺失、噪聲過大等問題，及時(shí)檢查傳感器和數(shù)據(jù)采集系統(tǒng)，重新采集數(shù)據(jù)。將采集到的原始數(shù)據(jù)按照7:3的比例劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，使其學(xué)習(xí)滾動(dòng)軸承故障特征與故障類型之間的映射關(guān)系；測(cè)試集則用于評(píng)估模型的性能，檢驗(yàn)?zāi)Ｐ蛯?duì)未知數(shù)據(jù)的診斷能力。在劃分?jǐn)?shù)據(jù)集時(shí)，采用隨機(jī)抽樣的方法，確保訓(xùn)練集和測(cè)試集具有相似的分布特征，避免出現(xiàn)數(shù)據(jù)偏差。利用訓(xùn)練集對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。在訓(xùn)練過程中，采用Adam算法作為訓(xùn)練算法，學(xué)習(xí)率設(shè)置為0.0001，最大迭代次數(shù)為1000次。同時(shí)，采用早停法來防止過擬合，將訓(xùn)練數(shù)據(jù)集進(jìn)一步劃分為訓(xùn)練子集和驗(yàn)證子集，比例為8:2。使用訓(xùn)練子集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在驗(yàn)證子集上監(jiān)測(cè)模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值等。當(dāng)驗(yàn)證集上的性能連續(xù)50次迭代沒有提升時(shí)，停止訓(xùn)練，保存當(dāng)前模型。在訓(xùn)練過程中，實(shí)時(shí)記錄模型的訓(xùn)練誤差和驗(yàn)證誤差，觀察模型的收斂情況。通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使模型的預(yù)測(cè)輸出與實(shí)際故障標(biāo)簽之間的誤差逐漸減小，直到滿足預(yù)設(shè)的停止條件。訓(xùn)練完成后，使用測(cè)試集對(duì)模型進(jìn)行測(cè)試。將測(cè)試集中的故障特征參數(shù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，模型輸出預(yù)測(cè)的故障類型。將預(yù)測(cè)結(jié)果與實(shí)際故障標(biāo)簽進(jìn)行對(duì)比，計(jì)算模型的準(zhǔn)確率、召回率、F1值等性能指標(biāo)，評(píng)估模型的診斷性能。為了確保實(shí)驗(yàn)結(jié)果的可靠性，對(duì)模型進(jìn)行多次測(cè)試，取平均值作為最終的性能指標(biāo)。在測(cè)試過程中，詳細(xì)記錄模型對(duì)每種故障類型的診斷結(jié)果，分析模型在不同故障類型下的診斷準(zhǔn)確率和誤診情況，以便進(jìn)一步優(yōu)化模型。5.2結(jié)果分析與討論經(jīng)過對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車走行部滾動(dòng)軸承故障診斷模型的測(cè)試，得到了一系列關(guān)于模型性能的指標(biāo)數(shù)據(jù)，通過對(duì)這些數(shù)據(jù)的深入分析，可以全面評(píng)估模型的診斷能力，并探討模型在不同方面的表現(xiàn)和影響因素。在模型性能評(píng)估指標(biāo)方面，準(zhǔn)確率是衡量模型正確識(shí)別故障類型的能力，即模型預(yù)測(cè)正確的樣本數(shù)占總樣本數(shù)的比例。召回率則側(cè)重于評(píng)估模型對(duì)實(shí)際存在的故障樣本的捕捉能力，也就是在所有實(shí)際故障樣本中，模型能夠正確識(shí)別出的樣本比例。F1值是綜合考慮準(zhǔn)確率和召回率的一個(gè)指標(biāo)，它通過調(diào)和平均數(shù)的方式將兩者結(jié)合起來，能夠更全面地反映模型的性能。計(jì)算公式分別為：?????????=\frac{?-￡???é￠??μ?????

·?????°}{????

·?????°}?????????=\frac{?-￡???é￠??μ???????é???

·?????°}{???é?????é???

·?????°}F1???=\frac{2\times?????????\times?????????}{?????????+?????????}針對(duì)不同故障類型，模型的診斷結(jié)果存在一定差異。對(duì)于外滾道點(diǎn)蝕故障，模型的準(zhǔn)確率達(dá)到了95%，召回率為93%，F(xiàn)1值為94%。這表明模型對(duì)外滾道點(diǎn)蝕故障具有較強(qiáng)的識(shí)別能力，能夠準(zhǔn)確地判斷出大多數(shù)外滾道點(diǎn)蝕故障樣本，且在實(shí)際存在的外滾道點(diǎn)蝕故障樣本中，漏判的情況較少。這得益于外滾道點(diǎn)蝕故障在振動(dòng)信號(hào)和溫度數(shù)據(jù)等特征上具有較為明顯的變化規(guī)律，經(jīng)過特征提取和選擇后，這些特征能夠有效地被BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和識(shí)別。例如，在時(shí)域分析中，外滾道點(diǎn)蝕故障會(huì)導(dǎo)致振動(dòng)信號(hào)的峰值指標(biāo)和峭度指標(biāo)顯著增大，在頻域分析中，會(huì)在滾動(dòng)體通過外滾道頻率及其倍頻處出現(xiàn)明顯的峰值，這些特征為模型的診斷提供了有力的依據(jù)。對(duì)于保持架銹蝕故障，模型的準(zhǔn)確率為90%，召回率為88%，F(xiàn)1值為89%。雖然模型對(duì)保持架銹蝕故障也有較高的診斷能力，但相比外滾道點(diǎn)蝕故障，準(zhǔn)確率和召回率略有下降。這可能是因?yàn)楸３旨茕P蝕故障的發(fā)展過程相對(duì)較為緩慢，故障特征表現(xiàn)不如外滾道點(diǎn)蝕故障那么明顯，在特征提取過程中，部分微弱的故障特征可能被忽略，導(dǎo)致模型在識(shí)別時(shí)出現(xiàn)一定的誤差。此外，保持架銹蝕故障還可能受到環(huán)境因素（如濕度、腐蝕性氣體等）的影響，使得故障特征的穩(wěn)定性較差，增加了模型診斷的難度。滾柱剝離故障的診斷結(jié)果中，準(zhǔn)確率為92%，召回率為90%，F(xiàn)1值為91%。滾柱剝離故障屬于較為嚴(yán)重的故障類型，其故障特征相對(duì)較為明顯，在振動(dòng)信號(hào)中會(huì)產(chǎn)生強(qiáng)烈的沖擊成分，通過時(shí)域分析中的峰值指標(biāo)和峭度指標(biāo)以及頻域分析中的故障特征頻率等能夠較好地反映出來。然而，由于滾柱剝離故障在實(shí)際運(yùn)行中可能與其他故障類型同時(shí)出現(xiàn)，或者受到其他部件故障的干擾，導(dǎo)致故障特征變得復(fù)雜，從而影響了模型的診斷準(zhǔn)確性。擋邊碎裂故障的診斷準(zhǔn)確率為88%，召回率為85%，F(xiàn)1值為86%。擋邊碎裂故障的診斷準(zhǔn)確率相對(duì)較低，主要原因是擋邊碎裂故障的發(fā)生往往伴隨著其他部件的損壞，故障信號(hào)容易受到其他因素的干擾，使得故障特征的提取和識(shí)別難度較大。此外，擋邊碎裂故障的樣本數(shù)量相對(duì)較少，模型在訓(xùn)練過程中對(duì)該故障類型的學(xué)習(xí)不夠充分，也可能導(dǎo)致診斷性能下降。在參數(shù)對(duì)診斷性能的影響方面，學(xué)習(xí)率是一個(gè)關(guān)鍵參數(shù)。學(xué)習(xí)率決定了每次更新權(quán)重時(shí)的步長(zhǎng)大小。在實(shí)驗(yàn)中，嘗試了不同的學(xué)習(xí)率值，如0.001、0.0001、0.00001等。當(dāng)學(xué)習(xí)率設(shè)置為0.001時(shí)，模型在訓(xùn)練初期誤差下降較快，但在后期容易出現(xiàn)振蕩，無法收斂到最優(yōu)解，導(dǎo)致診斷準(zhǔn)確率不穩(wěn)定。這是因?yàn)檩^大的學(xué)習(xí)率使得模型在更新權(quán)重時(shí)步伐過大，容易跳過最優(yōu)解。當(dāng)學(xué)習(xí)率設(shè)置為0.00001時(shí)，模型的收斂速度非常緩慢，需要大量的訓(xùn)練時(shí)間，且可能無法達(dá)到較好的收斂效果，診斷準(zhǔn)確率也較低。而當(dāng)學(xué)習(xí)率設(shè)置為0.0001時(shí)，模型能夠在較快的速度下收斂，且誤差能夠達(dá)到較低水平，診斷準(zhǔn)確率較高。這表明合適的學(xué)習(xí)率能夠使模型在訓(xùn)練過程中有效地調(diào)整權(quán)重，避免出現(xiàn)振蕩和收斂緩慢的問題，從而提高診斷性能。最大迭代次數(shù)也對(duì)診斷性能有重要影響。最大迭代次數(shù)表示BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中進(jìn)行權(quán)重更新的最大次數(shù)。如果最大迭代次數(shù)設(shè)置過小，模型可能無法充分學(xué)習(xí)數(shù)據(jù)中的特征，導(dǎo)致訓(xùn)練不充分，診斷準(zhǔn)確率較低。在實(shí)驗(yàn)中，當(dāng)最大迭代次數(shù)設(shè)置為500次時(shí)，模型的診斷準(zhǔn)確率明顯低于最大迭代次數(shù)設(shè)置為1000次時(shí)的情況。這是因?yàn)榈螖?shù)不足，模型沒有足夠的時(shí)間來調(diào)整權(quán)重，使得模型對(duì)故障特征的學(xué)習(xí)不夠深入。如果最大迭代次數(shù)設(shè)置過大，模型可能會(huì)出現(xiàn)過擬合現(xiàn)象，雖然在訓(xùn)練集上表現(xiàn)良好，但在測(cè)試集上的泛化能力下降，診斷準(zhǔn)確率也會(huì)降低。當(dāng)最大迭代次數(shù)設(shè)置為2000次時(shí)，模型在訓(xùn)練集上的誤差幾乎為0，但在測(cè)試集上的診斷準(zhǔn)確率卻有所下降，這說明模型過度擬合了訓(xùn)練數(shù)據(jù)，對(duì)新的數(shù)據(jù)適應(yīng)性變差。特征對(duì)診斷性能的影響同樣不可忽視。通過相關(guān)性分析和重要性分析等方法選擇出的敏感特征，能夠更準(zhǔn)確地反映滾動(dòng)軸承的故障狀態(tài)，提高BP神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率。在實(shí)驗(yàn)中，對(duì)比了使用全部特征和僅使用敏感特征進(jìn)行模型訓(xùn)練的結(jié)果。使用全部特征時(shí)，模型的診斷準(zhǔn)確率為85%，而使用敏感特征后，模型的診斷準(zhǔn)確率提高到了90%