基于特征融合的牵引电机轴承声学故障诊断

摘要：

滚动轴承作为高速列车牵引电机的重要部件,其故障情况严重影响列车运行安全.声学轴承故障诊断方式具有无安装侵入性、运维成本低的优点,但也具有信噪比低、故障特征难以提取的缺点,机器学习则具有克服噪声影响的鲁棒性.针对应用机器学习进行声学故障诊断时,少量特征无法全面表征轴承故障的难题,文章提出将格拉姆角场(GAF)与小波时频图进行叠加融合,构成6通道融合特征图用以有效表征轴承的故障.首先,建立牵引电机轴承声学故障试验台获取故障声学信号;其次,建立基于GAF的声学信号融合特征图,然后使用残差网络(ResNET)模型针对融合特征图特征训练并验证故障分类模型,并与以单种特征图作为特征的故障分类方法进行准确率对比.结果表明,基于GAF的融合特征图的声学故障分类模型具有99.89％的准确率,融合特征图能更有效地映射轴承故障.

关键词：牵引电机轴承、声学故障诊断、卷积神经网络、融合特征图、格拉姆角场、高速列车

分类号：U292.91+4;U260.331+.2(铁路运输管理工程)

资助基金：国家重点研发计划;四川省科技计划项目

在线出版日期：2023-07-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：103-112