1486 工程科学学报，第43卷，第11期 数量过多又会导致网络结构复杂，运行效率下降 的，实验台结构如图8所示，实验台一端为连接电 本文通过分析对比，选择4个ShuffleNet单元构建 机的支撑轴承，另一端为测试用轮对轴承.实验台 模型，后面会通过t一分布式随机邻域嵌入(t-SNE) 通过液压加载装置可以对轮对轴承施加径向和轴 操作对模型中特征信息的聚类效果进行可视化处 向静态加载，还可以模拟轨道谱激励进行动态加 理，来进一步验证其合理性.之后，对每个通道的 载.因此通过该实验台能够模拟高速列车实际运 输出特征进行全局平均池化(Global average pooling, 行过程中轮对轴承较为真实的载荷工况，满足不 GAP),添加Dropout层减缓过拟合的影响.最后， 同速度等级和负载工况下的高速列车轮对轴承跑 使用全连接层并进行Softmax分类输出，对轮对轴 合实验.实验对象为CRH380B型高速动车组中采 承不同健康状态进行智能识别.网络模型的具体 用的FAG系列双列圆锥滚子轮对轴承，通过线切 参数设置如表1所示. 割方式在轴承内圈和外圈表面加工出长为5mm、 宽为lmm、深为0.7mm的微小凹痕故障，如图9 Data input 所示.加速度传感器安装在轴承端盖处，采样频率 ShuffleNet unitl 2D image data 为51200Hz. conversion ShuffleNet unit2 实验中共进行了4种不同速度等级的高速列 64@3*3 车轮对轴承跑合试验，获得的具体实验数据如 convolution GAP BN+ReLU 表2所示，每种测试包含无载荷、静载和动载3种 ShuffleNet unitl Dropout=0.5 载荷工况，每种工况下分别进行了轮对轴承内圈 ShuffleNet unit2 Fully connected 故障、外圈故障及正常状态3种不同健康状态的 layer output 测试.针对每一类健康状态，我们分别采集了 图7 ShuffleNet网络模型结构 1000组信号样本，每组样本包含1024个数据点， Fig.7 Architecture of ShuffleNet model 共计1000×36=36000组信号样本.每类健康状态 3实验分析与讨论 中，随机选取200组样本作为测试样本，其余作为 训练样本.采用五折交叉验证方法对网络进行训 3.1实验介绍 练，确定最优网络模型后，输入测试集进行测试分 实验是在高速列车轴承综合实验台上完成 析，测试过程重复5次，最终结果取均值 表1网络参数设置 Table 1 Parameter settings of network Sequencenumber Structure name Parameter values Output 1 Standard convolution layer Conw(3,3,1,64) 32×32 GConv(1,1,1,64) ShuffleNet unitl DWConv(3,3,1,64) 32×32 GConv(1,1,1,64) GConv(1,1,1,64) ShuffleNet unit2 AVG pool(3,3.,2,64) DWConv(3,3,2,64) 16×16 GConv(1,1,1,64) GConv1,1,1,128) ShuffleNet unit1 DWConv3,3,1,128) 16×16 GConv(1,1,1,128) GConv(1,1,1,128) ShuffleNet unit2 AVG pool(3,3,2,128) DWConv3,3,2,128) 8×8 GConv(1,1,1,128) 6 GAP 256×1 7 Dropout 256×1 Fully connected output layer 3数量过多又会导致网络结构复杂，运行效率下降. 本文通过分析对比，选择 4 个 ShuffleNet 单元构建 模型，后面会通过 t−分布式随机邻域嵌入（t−SNE） 操作对模型中特征信息的聚类效果进行可视化处 理，来进一步验证其合理性. 之后，对每个通道的 输出特征进行全局平均池化（Global average pooling， GAP），添加 Dropout 层减缓过拟合的影响. 最后， 使用全连接层并进行 Softmax 分类输出，对轮对轴 承不同健康状态进行智能识别. 网络模型的具体 参数设置如表 1 所示. Data input Fully connected layer output ShuffleNet unitl 2D image data conversion ShuffleNet unit2 64@3*3 convolution GAP BN+ReLU ShuffleNet unitl Dropout=0.5 ShuffleNet unit2 图 7    ShuffleNet 网络模型结构 Fig.7    Architecture of ShuffleNet model 3    实验分析与讨论 3.1    实验介绍 实验是在高速列车轴承综合实验台上完成 的，实验台结构如图 8 所示，实验台一端为连接电 机的支撑轴承，另一端为测试用轮对轴承. 实验台 通过液压加载装置可以对轮对轴承施加径向和轴 向静态加载，还可以模拟轨道谱激励进行动态加 载. 因此通过该实验台能够模拟高速列车实际运 行过程中轮对轴承较为真实的载荷工况，满足不 同速度等级和负载工况下的高速列车轮对轴承跑 合实验. 实验对象为 CRH380B 型高速动车组中采 用的 FAG 系列双列圆锥滚子轮对轴承，通过线切 割方式在轴承内圈和外圈表面加工出长为 5mm、 宽为 1mm、深为 0.7mm 的微小凹痕故障，如图 9 所示. 加速度传感器安装在轴承端盖处，采样频率 为 51200 Hz. 实验中共进行了 4 种不同速度等级的高速列 车轮对轴承跑合试验，获得的具体实验数据如 表 2 所示，每种测试包含无载荷、静载和动载 3 种 载荷工况，每种工况下分别进行了轮对轴承内圈 故障、外圈故障及正常状态 3 种不同健康状态的 测试. 针对每一类健康状态 ，我们分别采集了 1000 组信号样本，每组样本包含 1024 个数据点， 共计 1000×36=36000 组信号样本. 每类健康状态 中，随机选取 200 组样本作为测试样本，其余作为 训练样本. 采用五折交叉验证方法对网络进行训 练，确定最优网络模型后，输入测试集进行测试分 析，测试过程重复 5 次，最终结果取均值. 表 1 网络参数设置 Table 1 Parameter settings of network Sequencenumber Structure name Parameter values Output 1 Standard convolution layer Conv(3,3,1,64) 32×32 2 ShuffleNet unit1 GConv(1,1,1,64) DWConv(3,3,1,64) 32×32 GConv(1,1,1,64) 3 ShuffleNet unit2 AVG pool(3,3,2,64) GConv(1,1,1,64) DWConv(3,3,2,64) 16×16 GConv(1,1,1,64) 4 ShuffleNet unit1 GConv(1,1,1,128) DWConv(3,3,1,128) 16×16 GConv(1,1,1,128) 5 ShuffleNet unit2 AVG pool(3,3,2,128) GConv(1,1,1,128) DWConv(3,3,2,128) 8×8 GConv(1,1,1,128) 6 GAP 256×1 7 Dropout 256×1 8 Fully connected output layer 3 · 1486 · 工程科学学报，第 43 卷，第 11 期