10.19713/j.cnki.43-1423/u.T20200648
基于多任务学习的轨道车辆轴承异常检测方法
轨道车辆轴承温度现有异常检测方法的阈值判别指标受到路况、环境等多项外因干扰,并且基于异常检测目的的预测方法需要对轴承进行逐一建模,模型训练耗时且多模型维护困难.针对上述问题,提出一种基于多任务学习的轨道车辆轴承异常检测方法.首先考虑到数据分布在正常与异常时存在差异,把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化,因此该模型具有异常检测功能.其次,考虑到循环神经网络建模时进行递归运算消耗大量时间,引入多头自注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机3类共9个轴承温度进行同时检测.最后,采用极大似然估计方法,将点预测转换为置信区间预测,解释了预测结果的意义.在正常和故障数据上分别对模型进行验证,结果证明本文所提方法具有准确的9个轴承和异常检测能力,并与单任务模型相比能大幅度减少建模时间.
轨道车辆、异常检测、多任务学习、极大似然估计、自注意力机制
18
U270.7(车辆工程)
国家重点研发计划;重庆市教委科学技术研究项目
2021-06-28(万方平台首次上网日期,不代表论文的发表时间)
共10页
1267-1276