原文传递
高速列车轴箱轴承故障诊断方法研究
| 论文题名： | 高速列车轴箱轴承故障诊断方法研究 |
| 关键词： | 高速列车;轴箱轴承;故障诊断;卷积神经网络;元学习 |
| 摘要： | 轴箱轴承作为高速列车的重要部件，在运行过程中承担了多种载荷，是动车组列车最基础和最易发生故障的零件之一，其运行时的健康状态直接决定了列车能否安全可靠地运行。对列车轴箱轴承运行状态进行实时监测和故障诊断，保证行车安全，对高速列车的运维和发展有重大意义。本文以振动信号为信息源，进行了基于深度学习技术的列车轴箱轴承故障诊断方面研究。论文主要工作如下： 首先，提出了一种基于空洞卷积神经网络和门控循环单元集成的滚动轴承故障诊断方法（2D-DilatedCNN-GRU），并在凯斯西储大学轴承数据集上对该模型进行了训练与验证。结果表明，相比于单一卷积神经网络等模型，该混合模型具有良好的诊断精度和效率，鲁棒性高，能够高效准确的识别多种载荷下的故障特征。 其次，提出了基于元学习的小样本轴承故障诊断方法，建立了元学习轴承故障诊断数据集，在该数据集上的测试结果表明，该方法能够实现小样本条件下的快速训练，模型在不同工况乃至不同故障诊断领域中的适应性和稳定性较高，能够有效提高在小样本、跨工况条件下的诊断准确率。 最后，设计了列车轴箱轴承故障实验台，通过人工制造轴承损伤的方式获取故障条件下的轴箱轴承运行数据，建立了实验室环境中轴箱轴承在不同时速及损伤条件下适配深度学习方法和元学习的数据集。基于该数据集对提出的模型进行了验证，验证结果表明，本文提出的2D-DilatedCNN-GRU模型及元学习模型的准确率及泛化性均优于其他结构的模型，可以更好的适应列车轴箱轴承的故障诊断及分类。 |
| 作者： | 徐德昊 |
| 专业： | 机械设计及理论 |
| 导师： | 刘宏民 |
| 授予学位： | 硕士 |
| 授予学位单位： | 燕山大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
