基于STFT与改进的LENET5网络的列车轴承轨边声学诊断研究

发布时间：2023-02-22 18:20

　　轮对轴承是列车走行部的关键部件之一,它的健康运行是列车安全运行的重要保证,对其进行在线监测及故障诊断意义重大。轨边声学检测技术具有非接触式测量、成本低和早期故障预警的特点,具有良好的应用前景。近年来,深度学习得到了快速的发展,在各行各业得到了良好的应用,其中卷积神经网络是深度学习领域的一个重要组成部分,它有着较强的特征提取、特征融合与特征识别的能力。本文针对列车轴承轨边声信号多普勒畸变的特点,结合运用短时傅里叶变换和卷积神经网络,研究列车在不同车速下的轨边声学故障诊断方法,主要研究内容如下:(1)研究了一种基于STFT和改进的Lenet5网络的列车轴承轨边声学诊断方法,并通过实验对比分析验证了所提方法的有效性和优越性。首先,研究了基于STFT的列车轴承轨边声信号图片集制作方法,并针对信号特点基于传统的Lenet5网络进行网络结构搭建;其次,进行了网络参数的设计、池化层方式的选择、S2与C3的连接方式选择,通过训练过程中损失函数和识别精度的走势验证了所提网络的有效性;然后,通过实验数据对比分析了所提方法与时域样本图片输入方式,验证了所提方法的优越性;最后,与传统的KNN算法进行比较,结果...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
        1.1.1 机械设备状态监测和故障诊断
        1.1.2 列车轴承故障诊断
    1.2 列车轴承道旁声学故障诊断
        1.2.1 轨边声学诊断技术简介
        1.2.2 技术难点
        1.2.3 卷积神经网络研究现状
    1.3 论文的主要研究工作
        1.3.1 主要研究思路
        1.3.2 论文的结构安排
第二章 实验与信号分析
    2.1 引言
    2.2 列车轴承道旁声学信号的采集
        2.2.1 实验模型
        2.2.2 实验仪器
        2.2.3静态实验
        2.2.4动态实验
    2.3 实验信号特征分析
        2.3.1 时域特征分析
        2.3.2 频域特征分析
    2.4 本章小结
第三章 基于STFT与 LENET5 的诊断方法研究
    3.1 引言
    3.2 卷积神经网络基本组成部分
        3.2.1 神经元
        3.2.2 卷积层
        3.2.3 池化层
        3.2.4 全连接层
    3.3 改进的LENET5 网络
        3.3.1 网络结构搭建
        3.3.2 Dropout层
        3.3.3 Softmax分类器
        3.3.4 池化层方式的确定
        3.3.5 S2-C3 连接方式对网络性能的影响
    3.4 基于STFT的数据集制作
        3.4.1 STFT
        3.4.2 数据集的设置
        3.4.3 图片集种类对卷积神经网络性能的影响
    3.5 对比实验分析
    3.6 本章小结
第四章 针对车速的样本扩充方法研究
    4.1 引言
    4.2 时域插值重采样法
        4.2.1 时间序列矫正
        4.2.2 幅值矫正
        4.2.3 插值拟合取样
        4.2.4 仿真和实验验证
    4.3 多普勒调制
    4.4 数据集的改进
    4.5 实验分析
    4.6 本章小结
总结与展望
    5.1 工作总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间取得的学术成果



本文编号：3748057