轴承故障诊断的适应感受野卷积神经网络研究

发布时间：2021-11-07 07:23

　　我国高速铁路事业也如火如荼地进行着,为经济发展提供了举足轻重的作用。我国幅员辽阔,运营环境千差万别。近年,随着高速铁路运营里程的增加,高速列车的关键受力零部件处在越来越恶劣的服役环境。齿轮箱轴承作为高速列车的扭矩转换装置,将高转速低扭矩的电机输入转换为低转速高扭矩的输出。齿轮箱轴承在运行过程中受到轮轨冲击、加减速牵引力和各种瞬态冲击等,面对如此复杂的环境,必须时刻监测轴承状态。一旦轴承失效,会导致邻近的零部件性能衰减,甚至发生列车事故。目前,高速列车的运行监测数据海量增长。基于信号处理进行特征提取,然后利用分类器进行诊断的传统智能诊断技术不能及时处理海量数据,而且必须依靠经验丰富的专家,诊断时间长并且通用性差。针对此问题,本文以高速列车齿轮箱轴承为研究对象,提出了一种感受野提升的卷积神经网络轴承故障诊断算法,该算法可以自动提取高速列车齿轮箱轴承的高噪声振动信号的特征以及故障识别。本文具体工作如下:首先,针对高噪声下的齿轮箱轴承信号特点,提出了适应高速列车齿轮箱轴承故障诊断的卷积神经网络,其主要特征是适配了最后池化层神经元的感受野,且具有堆叠结构的卷积核。其次,为了进一步优化模型,包括减... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

轴承智能诊断算法步骤分解由1.4节启发，卷积神经网络具备这样的端对端性质：它的输入层可以直接获取原始振动信号，它的多个隐藏层同时具备特征获取和特征降维的功能，它的输出层则具

池化层化层能够减少特征图的长度，从而进一步减少模型参数的数量。常用大池化（Max-pooling）操作。下面详细解释最大池。化层超参数（Hyper-parameter）为池长度，记为s 。最大池化操作是对连续值取最大值。压缩后的特征向量如式（2-4）所示：：1 21[ , ,..., ]t mshh h h中，( 1) ( 1) 1 1max( , ,..., )j j s j s jsh c c c ，然后，通过交替上述两层:卷积层常添加完全连接层（Fully-connected Layers）和 Softmax 层作为顶层进出一个清晰的说明，单层 CNN 的框架如图 2-1 所示。

西南交通大学硕士研究生学位论文第激活层活层的功能是把相关和无关的信息之间进行隔离。当我们的大脑同时接，它会努力去理解和分类有用和无用的信息。需要一种类似的机制来将类为有用的或不太有用的（在使用神经网络的情况下）。激活函数是人工个极其重要的特征。它们基本上决定了一个神经元是否应该被激活。神信息是与给定的信息相关还是应该被忽略，一个神经元的激活过程如图

【参考文献】：
期刊论文
[1]高速列车齿轮箱箱体动应力响应及疲劳可靠性研究[J]. 王文静,张莹,曲俊生,李国栋,戴晓超.  中国铁道科学. 2018(06)
[2]浅析“一带一路”倡议对中国高速铁路发展的影响[J]. 王刚,徐厚广.  综合运输. 2017(09)

博士论文
[1]高速列车齿轮箱箱体动态特性及疲劳可靠性研究[D]. 李广全.北京交通大学 2018



本文编号：3481426