工程科学学报.第43卷.第11期：1482-1490.2021年11月 Chinese Journal of Engineering,Vol.43,No.11:1482-1490,November 2021 https://doi.org/10.13374/j.issn2095-9389.2020.12.09.001;http://cje.ustb.edu.cn 一种基于轻量级神经网络的高铁轮对轴承故障诊断方法 邓飞跃2)四，丁浩2)，吕浩洋)，郝如江2，刘永强2) 1)石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室，石家庄0500432)石家庄铁道大学机械工程学院，石家 庄，050043 区通信作者，E-mail:dengfy(@stdu.edu.cn 摘要深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要 求，严重限制了其在实际工程中的应用.基于此提出一种新型的轻量级神经网络ShuffleNet,.用于高速列车轮对轴承故障诊断 研究.该网络模型基于模块化设计思想，包含多个高效率的ShuffleNet单元，通过运用分组卷积与深度可分离卷积技术极大 改善了传统卷积操作的运算效率：同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度.实验分析表 明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和Xceptio等当前 深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升.这为深度神经网络技术应用于工程实际，克服计算机 硬件条件限制提供了一条新的途径 关键词轮对轴承；高速列车；故障诊断：深度神经网络：ShuffleNet单元 分类号TG142.71 Fault diagnosis of high-speed train wheelset bearing based on a lightweight neural network DENG Fei-yue,DING Hao)LU Hao-yang,HAO Ru-jiang.LIU Yong-qiang 1)China State Key Laboratory of Mechanical Behavior in Traffic Engineering Structure and System Safety,Shijiazhuang Tiedao University,Shijiazhuang 050043,China 2)School of Mechanical Engineering,Shijiazhuang Tiedao University,Shijiazhuang 050043,China Corresponding author,E-mail:dengfy @stdu.edu.cn ABSTRACT Deep learning is gaining attention in the field of mechanical equipment fault diagnosis.With the help of deep learning techniques,deep neural networks (DNNs)have great potential for machinery fault diagnosis.Deep learning is a subset of machine learning that uses artificial neural networks with multiple layers to deliver state-of-the-art accuracy in various classifications of mechanical rotating parts.Convolutional neural networks(CNNs)are able to automatically learn multiple levels of representations from raw input datawithout introducing hand-coded rules or domain knowledge.Because of this powerful representation learning ability,deep learning has achieved great success in many fields.Although deep learning has achieved promising results in the field of machinery fault diagnosis,existing neural networks suffer from many limitations.The heavy and complex calculation amount puts forward strict requirements for computer hardware,which severely limits its application in actual engineering.To address this issue,this paper proposed a novel lightweight neural network model,ShuffleNet,for high-speed train wheelset bearing fault diagnosis.Based on the thought of module design,this model comprised several ShuffleNet units.Group convolution(GC)and deep separable convolution were 收稿日期：2020-12-09 基金项目：国家自然科学基金资助项目(11802184.11790282)：河北省自然科学基金资助项目(E2019210049):河北省科技计划项目资助项 目(20310803D):河北省“三三三人才工程"资助项目(A202101017):北京市重点实验室研究基金资助课题(PGU2020K009)一种基于轻量级神经网络的高铁轮对轴承故障诊断方法 邓飞跃1,2) 苣，丁    浩2)，吕浩洋2)，郝如江2)，刘永强2) 1) 石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室, 石家庄 050043    2) 石家庄铁道大学机械工程学院, 石家 庄, 050043 苣通信作者， E-mail:dengfy@stdu.edu.cn 摘    要    深度神经网络技术用于机械设备故障诊断展现出了巨大潜力，但繁重复杂的计算量对计算机硬件提出了严苛的要 求，严重限制了其在实际工程中的应用. 基于此提出一种新型的轻量级神经网络 ShuffleNet，用于高速列车轮对轴承故障诊断 研究. 该网络模型基于模块化设计思想，包含多个高效率的 ShuffleNet 单元，通过运用分组卷积与深度可分离卷积技术极大 改善了传统卷积操作的运算效率；同时使用通道混洗方法克服了通道分组带来的约束，改进了网络的损失精度. 实验分析表 明，所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断，相比传统卷积神经网络、残差网络和 Xception 等当前 深度神经网络模型，在保证诊断精度的同时，运行效率得到大幅提升. 这为深度神经网络技术应用于工程实际，克服计算机 硬件条件限制提供了一条新的途径. 关键词    轮对轴承；高速列车；故障诊断；深度神经网络；ShuffleNet 单元 分类号    TG142.71 Fault  diagnosis  of  high-speed  train  wheelset  bearing  based  on  a  lightweight  neural network DENG Fei-yue1,2) 苣 ，DING Hao2) ，LÜ Hao-yang2) ，HAO Ru-jiang2) ，LIU Yong-qiang2) 1) China State Key Laboratory of Mechanical Behavior in Traffic Engineering Structure and System Safety, Shijiazhuang Tiedao University, Shijiazhuang 050043, China 2) School of Mechanical Engineering, Shijiazhuang Tiedao University, Shijiazhuang 050043, China 苣 Corresponding author, E-mail:dengfy@stdu.edu.cn ABSTRACT    Deep learning is gaining attention in the field of mechanical equipment fault diagnosis. With the help of deep learning techniques,  deep  neural  networks  (DNNs)  have  great  potential  for  machinery  fault  diagnosis.  Deep  learning  is  a  subset  of  machine learning  that  uses  artificial  neural  networks  with  multiple  layers  to  deliver  state-of-the-art  accuracy  in  various  classifications  of mechanical rotating parts. Convolutional neural networks (CNNs) are able to automatically learn multiple levels of representations from raw input datawithout introducing hand-coded rules or domain knowledge. Because of this powerful representation learning ability, deep learning has achieved great success in many fields. Although deep learning has achieved promising results in the field of machinery fault diagnosis,  existing  neural  networks  suffer  from  many  limitations.  The  heavy  and  complex  calculation  amount  puts  forward  strict requirements  for  computer  hardware,  which  severely  limits  its  application  in  actual  engineering.  To  address  this  issue,  this  paper proposed  a  novel  lightweight  neural  network  model,  ShuffleNet,  for  high-speed  train  wheelset  bearing  fault  diagnosis.  Based  on  the thought of module design, this model comprised several ShuffleNet units. Group convolution (GC) and deep separable convolution were 收稿日期: 2020−12−09 基金项目: 国家自然科学基金资助项目（11802184，11790282）；河北省自然科学基金资助项目（E2019210049）；河北省科技计划项目资助项 目（20310803D）；河北省“三三三人才工程”资助项目（A202101017）；北京市重点实验室研究基金资助课题（PGU2020K009） 工程科学学报，第 43 卷，第 11 期：1482−1490，2021 年 11 月 Chinese Journal of Engineering, Vol. 43, No. 11: 1482−1490, November 2021 https://doi.org/10.13374/j.issn2095-9389.2020.12.09.001; http://cje.ustb.edu.cn