基于时频图像和CNN的疲劳裂纹声发射信号实验数据分析

发布时间：2021-11-20 05:13

　　轨道车辆的转向架是轨道列车结构中最为重要的部件之一,而车轴更是转向架中的关键部件,在长期承受载荷的情况下,容易发生故障。为了实现对车轴故障进行智能的故障诊断,提出了一种基于时频图像和卷积神经网络（CNN）相结合的车轴故障智能诊断方法。时频图像由对信号进行时频分析后获得,其中包含了丰富的时频联合域信息,能反映各个时刻的瞬时频率及幅值,所以可以通过时频分析对故障信号进行特征提取。卷积神经网络（CNN）作为深度学习算法的一种,在图像识别方面体现着强大的性能,因此将CNN应用于车轴故障信号时频图像的分类。对列车车轴故障的声发射信号进行时频分析,得到时频图,然后将其作为样本数据馈送到CNN中,CNN对不同故障类型的时频图像进行训练,最终测试以完成分类,从而实现列车车轴故障的智能诊断。不同的时频分析方法会生成不同的时频图像,影响最终的分类效果,分别使用三种不同的时频分析方法（短时傅里叶变换、S变换、连续小波变换）对信号进行时频分析,而不同的小波基函数又影响着连续小波变换,为此,分别使用三种不同的小波基函数（Morlet、db4、cmor3-3）进行了连续小波变换,以得出最佳的时频分析方法。为了使时... 

【文章来源】：大连交通大学辽宁省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图２．２多层神经网络结构图??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｍｕｌｔｉｌａｙｅｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??２．３．２基本神经元的构成??，，

大连交通大学工程硕士学位论文??—Ｗ??＾，??输入层?隐藏层?犏出层??图２．２多层神经网络结构图??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｍｕｌｔｉｌａｙｅｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??２．３．２基本神经元的构成??早期的神经网络类似于仿生机器学习，通过对神经元细胞的研究建模，其人工神经??网络正向传播方式类似神经元细胞的传递信号的方式。当某神经元向另一神经元传递信??息时，首先，向其树突放出包含化学递质的突触小泡；这类似人工神经元中的输入信号。??接着，突触小泡接触到神经元树突膜中的特征受体，一些突触是兴奋的，引起神经冲动；??一些突触是抑制的，减轻或阻止神经冲动；这类似于人工神经元中的输入权值，有的权??值大，有的权值校然后，这些信息被送到神经元的细胞体中，在那里与其他的输入信??息进行整合，这类似人工神经中加权求和操作。最后，整个输入沿着神经元的轴突，以??放电的形式传递，这类似人工神经中的激活输出操作［５１１，图２．３是人体神经于人工神经??的对比。???１０?－Ｓｍ??来ａ押较／｛：的输飞?ｍＸ（ｉ??树突＾／?ｋ／．?轴突分支?＇??外丨脃体?紐２巧、???，，??图２．３人体神经与人工神经??Ｆｉｇ．?２．３?Ｈｕｍａｎ?ｎｅｒｖｅ?ａｎｄ?ａｒｔｉｆｉｃｉａｌ?ｎｅｒｖｅ??１２??

ｐｕｔＬａｙｅｒ）。ＣＮＮ的强项在于处理图像，输入层为整个系统输??入图像；卷积层是ＣＮＮ的核心部分，每层卷积层含有若干的卷积核，卷积核类似滤波??器，不同的滤波器提取不同的特征，特征通过卷积运算从图像中获取；基本每个卷积层??后都会接一个池化层，池化层的作用是降维，通常都将原来的卷积层输出矩阵大小变为??原来的一半，减少网络运算量；全连接层类似于ＭＬＰ?（多层感知器）的隐层，接收前段??网络提取的特征进行运算，获得更高维度的数据表达，作用相当于分类器；输出层输出??网络的判别结果。图２．５为卷积神经网络的基础结构图。??ｐ－Ｔ—Ｔ—－?．．．—Ｔ－－…??三三三；＝兩：ｆ?ｓ??—＊－－——、、＇二二：一１１?。＾??——－?－ｊ??．．．．．．．．］特征向最?＇、、、＇?＼?ｙ／?人）????二一一?’一?特怔嶋?＇．Ｓ＇，，，’?ｍｍ??输入层??、?」?ｖ?」?＾??ｉ??卷积爝?池化层?全连接愆??图２．５卷积神经网络的基础结构图??Ｆｉｇ．?２．５?Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ?ｏｆ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??１４??


本文编号：3506639