邓飞跃等：一种基于轻量级神经网络的高铁轮对轴承故障诊断方法 ·1489 卷积层后，特征信息开始出现聚类趋势：随着网络 不同阶段的可视化结果如图13所示.从图中可 深度增加，聚类效果逐渐清晰；第4个ShuffleNet 知，第3个ShuffleNet单元处理后，不同类型的特 单元处理后，不同类型的特征信息已经完全分离 征信息仍有零星混叠，不能彼此完全分离，这说明本 为了进一步对比分析，选取3个ShuffleNet单元构 文选用4个ShuffleNet单元构建网络是较为合理 建的网络模型，并对原始信号进行分析处理，模型 的，可以准确识别轮对轴承不同类型的健康状态 Inner race fault o Outer race fault Normal (a)100 (b)60 (c)60 40 40 50 20 0 -20 -20 -50 -40 40 -60 0 -60 -100. -100 -50 50 100 -8000-50050100530 -80100-5005010050 (d) 60 (e)150 (f)100 100 50 20 50 0 0 50 40 100 60100-500 50 100 -15 -10 2000200400600800 100-50050100150 图133个ShuffleNet单元网络模型的不同阶段可视化结果.(a)网络输入端；(b)卷积后：(c)首个ShuffleNet单元后：(d)第二个ShuffleNet单元 后：(e)第三个ShuffleNet单元后：(f)GAP后 Fig.13 Visualization results of the proposed network with 3 ShuffleNet units at different stages:(a)model input;(b)after convolution operation;(c)after the first ShuffleNet unit;(d)after the second ShuffleNet unit;(e)after the third ShuffleNet unit;(f)after the GAP 4结论 parametric impulsive dictionary design for bearing fault diagnosis. Mech Syst Signal Process,2019,122:737 (I)本文采用模块化设计思想，基于ShuffleNet [2] Wang B,Lei Y G,Yan T,et al.Recurrent convolutional neural 单元，构建了一种新型轻量化ShuffleNet网络模 network:A new framework for remaining useful life prediction of 型，在ShuffleNet单元中综合使用了分组卷积、深 machinery.Neurocomputing,2020,379:117 度可分离卷积及通道混洗技术 [3] Zhang L J,Rong Y L,Liu K,et al.State pre-warning and optimization for rotating-machinery maintenance.Chin J Eng, (2)实验分析表明，本文所提的ShuffleNet网 2017,39(7):1094 络可有效用于各种复杂负载工况下高速列车轮对 (章立军，荣银龙，刘凯，等.旋转机械设备状态预警与维修优化 轴承的故障诊断，并在各种噪声工况下显示了较 工程科学学报，2017,39(7)：1094) 好的诊断精度，验证了网络模型的可靠性 [4] Dong S J,Luo T H,Zhong L,et al.Fault diagnosis of bearing (3)相比当前的CNN、ResNets和Xception等 based on the kernel principal component analysis and optimized k- 模型，本文提出的ShuffleNet网络在运算时间、模 nearest neighbour model.J Low Freq Noise Vib Active Conrol, 型参数量和复杂度等方面均有明显提升，对于计 2017,36(4:354 [5] Shao K X,Fu WL,Tan J W,et al.Coordinated approach fusing 算机硬件配置的依赖更小，为深度网络技术走向 time-shift multiscale dispersion entropy and vibrational Harris 轨道交通工程应用提供了一条新的途径 Hawks optimization-based SVM for fault diagnosis of rolling bearing.Measurement,2021,173:108580 参考文献 [6]Wang D.Tsui K L.Two novel mixed effects models for [1]Sun R B,Yang Z B,Zhai Z,et al.Sparse representation based on prognostics of rolling element bearings.MechSyst Signal Process,卷积层后，特征信息开始出现聚类趋势；随着网络 深度增加，聚类效果逐渐清晰；第 4 个 ShuffleNet 单元处理后，不同类型的特征信息已经完全分离. 为了进一步对比分析，选取 3 个 ShuffleNet 单元构 建的网络模型，并对原始信号进行分析处理，模型 不同阶段的可视化结果如图 13 所示. 从图中可 知 ，第 3 个 ShuffleNet 单元处理后，不同类型的特 征信息仍有零星混叠，不能彼此完全分离，这说明本 文选用 4 个 ShuffleNet 单元构建网络是较为合理 的，可以准确识别轮对轴承不同类型的健康状态. −100 −50 0 50 100 x −100 −50 0 50 100 y (a) −100 −50 0 50 100 150 x −80 −60 −40 −20 0 20 40 60 y (b) −100 −50 0 50 100 150 x −80 −60 −40 −20 0 20 40 60 y (c) −100 −50 0 50 100 x −60 −40 −20 0 20 40 60 y (d) −200 0 200 400 600 800 x −150 −100 −50 0 50 100 150 y (e) −100 −50 0 50 100 150 x −100 −50 0 50 100 y (f ) Inner race fault Outer race fault Normal 图 13    3 个 ShuffleNet 单元网络模型的不同阶段可视化结果. （a）网络输入端；（b）卷积后；（c）首个 ShuffleNet 单元后；（d）第二个 ShuffleNet 单元 后；（e）第三个 ShuffleNet 单元后；（f）GAP 后 Fig.13    Visualization results of the proposed network with 3 ShuffleNet units at different stages: (a) model input; (b) after convolution operation; (c) after the first ShuffleNet unit; (d) after the second ShuffleNet unit; (e) after the third ShuffleNet unit; (f) after the GAP 4    结论 （1）本文采用模块化设计思想，基于 ShuffleNet 单元，构建了一种新型轻量化 ShuffleNet 网络模 型，在 ShuffleNet 单元中综合使用了分组卷积、深 度可分离卷积及通道混洗技术. （2）实验分析表明，本文所提的 ShuffleNet 网 络可有效用于各种复杂负载工况下高速列车轮对 轴承的故障诊断，并在各种噪声工况下显示了较 好的诊断精度，验证了网络模型的可靠性. （ 3）相比当前的 CNN、ResNets 和 Xception 等 模型，本文提出的 ShuffleNet 网络在运算时间、模 型参数量和复杂度等方面均有明显提升，对于计 算机硬件配置的依赖更小，为深度网络技术走向 轨道交通工程应用提供了一条新的途径. 参    考    文    献 [1] Sun R B, Yang Z B, Zhai Z, et al. Sparse representation based on parametric impulsive dictionary design for bearing fault diagnosis. Mech Syst Signal Process, 2019, 122: 737 Wang  B,  Lei  Y  G,  Yan  T,  et  al.  Recurrent  convolutional  neural network: A new framework for remaining useful life prediction of machinery. Neurocomputing, 2020, 379: 117 [2] Zhang  L  J,  Rong  Y  L,  Liu  K,  et  al.  State  pre-warning  and optimization  for  rotating-machinery  maintenance. Chin J Eng, 2017, 39（7）: 1094 （章立军, 荣银龙, 刘凯, 等. 旋转机械设备状态预警与维修优化. 工程科学学报, 2017, 39（7）：1094） [3] Dong  S  J,  Luo  T  H,  Zhong  L,  et  al.  Fault  diagnosis  of  bearing based on the kernel principal component analysis and optimized k￾nearest  neighbour  model. J Low Freq Noise Vib Active Control, 2017, 36（4）: 354 [4] Shao K X, Fu W L, Tan J W, et al. Coordinated approach fusing time-shift  multiscale  dispersion  entropy  and  vibrational  Harris Hawks  optimization-based  SVM  for  fault  diagnosis  of  rolling bearing. Measurement, 2021, 173: 108580 [5] Wang  D,  Tsui  K  L.  Two  novel  mixed  effects  models  for prognostics of rolling element bearings. MechSyst Signal Process, [6] 邓飞跃等： 一种基于轻量级神经网络的高铁轮对轴承故障诊断方法 · 1489 ·