基于MED辅助特征提取CNN模型的列车轴承故障诊断方法

发布时间：2024-04-16 04:22

　　为增强基于振动信号的列车滚动轴承故障的诊断准确性,提出一种采用MED辅助特征提取的卷积神经网络模型。首先采用MED理论对振动信号进行处理,再将其与原信号构成二维张量送入卷积神经网络进行训练。这样,既在一定程度上突出信号中故障引起的冲击成分,使得故障特征更容易被卷积神经网络提取出来,也完整地保留原信号中的信息,不影响信息的完整性。采用实测轴承数据进行性能分析和验证,对比直接使用CNN的方法。结果表明:该模型确拥有更好的性能,在测试集与训练集来自于不同运行速度数据的情况下,表现出更好的泛化能力,更高的诊断准确性,将测试集的诊断准确率提高2个百分点,是一种能更好用于列车滚动轴承故障智能诊断的方法。

【文章页数】：6 页

【部分图文】：

图1数据处理前后对比

在滚动轴承的振动信号中，故障特征实际源于周期的冲击信号，经由系统的调制逐渐使得这种特征变得不利于提取。此处MED虽不能完美地构建出系统的逆滤波器还原，但能在一定程度上突出信号的冲击成分，且经由后面的实验验证，经过MED后的振动信号的故障特征更易被神经网络提取。图1所示为其中一截原....

图2卷积神经网络示意图

卷积神经网络最早用于计算机视觉相关的研究，并取得了不俗的成绩。由于权值共享等特点，大幅度减少了神经网络的参数计算，降低了过拟合的风险，大幅提高了大型深层神经网络的性能[9]。卷积神经网络的主要结构又可分为卷积层、池化层和全连接层，其中卷积层和池化层常交替出现，见图2。本文中卷积网....

图3轮对轴承故障试验故障类型

本文实验数据来源于CRH2型高速列车轮对的台架试验，试验轴承型号为CRI-2692轴承，为密封性双列圆锥滚子轴承。数据采集系统由调理器、加速度传感器、数据交换机、IMC采集器以及PC电脑等组成。其中加速度传感器为压电式振动传感器，IMC采集器采样频率为10kHz。试验中，在....

图4本文神经网络结构图

目前，卷积神经网络的参数确定尚缺乏明确的指导理论，需不断调试参数，通过比较确定一个合适的值，仍依赖于人工经验。本文的模型以LeCun提出的LeNet-5模型[11]为基础，但调整了网络的部分参数和超参数，使其能在轴承振动数据上有较好的诊断效果。网络结构如图4所示。其中，C代表....

本文编号：3956441