原文传递
基于CNN-LSTM的高铁牵引电机轴承剩余寿命预测研究
| 论文题名： | 基于CNN-LSTM的高铁牵引电机轴承剩余寿命预测研究 |
| 关键词： | 高铁牵引电机;轴承部件;剩余寿命预测;卷积神经网络;长短期记忆网络 |
| 摘要： | 高铁牵引电机轴承作为高铁动力系统的关键部件，直接影响牵引系统的正常运转，进而影响高铁列车的安全运行。针对高铁牵引电机轴承检修过程中存在的欠维修或过度维修及到达服役时间后依然健康所造成的浪费问题，开展了高铁牵引电机轴承的剩余寿命预测研究工作。论文以已完成服役工作且健康的高铁牵引电机轴承为研究对象，通过搭建试验平台，采集轴承振动信号，对信号进行分析处理，构建 CNN-LSTM 网络模型，对高铁牵引电机轴承的剩余寿命进行预测研究。 首先，阐述了神经网络和深度学习的发展，并研究了卷积神经网络和长短时记忆网络的基本结构及算法，为搭建预测模型提供理论支持。 其次，进行高铁牵引电机轴承剩余寿命试验。通过搭建轴承寿命试验平台，确定采集系统中传感器型号，依据高铁牵引电机轴承实际工况，制定试验内容和方案；通过选取适当的试验载荷和不同的转速，进行了高铁牵引电机轴承的寿命试验，并完成了试验信号采集工作。 然后，对采集的高铁牵引电机轴承振动信号进行了时、频域分析，根据单次循环中的转速变换，将采集到的振动信号分为6部分，并采用快速傅里叶变换，将此6部分数据转化为频域信号，构建了试验数据集。 最后，定制高铁牵引电机轴承剩余寿命预测流程，选择构建预测模型使用的开发语言，搭建了基于 CNN-LSTM 的高铁牵引电机轴承剩余寿命预测模型，并对模型参数进行调整。将试验数据集输入搭建的 CNN-LSTM 网络模型，通过卷积神经网络学习其不同频带的特征，再利用长短记忆网络学习序列数据潜在的时间关系，并对其深层特征进行有效挖掘，得到了数据集中各测试集的状态预测值，接着通过预测模块对高铁牵引电机轴承的剩余寿命进行预测并与基于 CNN模型得到的预测结果进行对比。采用剩余寿命预测百分比误差对所建 CNN-LSTM 模型进行评估，结果表明，本文所提方法能够很好地预测高铁牵引电机轴承的性能退化趋势，预测值与真实值非常接近，误差很小。 |
| 作者： | 蔡薇薇 |
| 专业： | 机械工程;机械电子工程 |
| 导师： | 徐彦伟;颉潭成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河南科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
