10.19713/j.cnki.43-1423/u.T20220675
基于多尺度时频图与卷积神经网络的车轮故障智能诊断
铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义.针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态.1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量.2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图.3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断.经仿真试验和现场试验验证表明:所提出的方法对于车速、故障类型和故障程度都有很好的自适应能力,故障识别准确率可达97%,且泛化能力强.因此所提方法在车辆运营状态在线监测的应用中具有一定的理论意义和工程价值.
车轮故障诊断、形态学滤波、完全噪声辅助聚合经验模态分解、Wigner-Ville分布、卷积神经网络
20
U279.2(车辆工程)
国家自然科学基金U21A20168
2023-04-12(万方平台首次上网日期,不代表论文的发表时间)
共12页
1032-1043