一种多通道信息融合的横向减振器性能退化阶段辨别方法

对于转向架这样复杂的系统,分布在系统不同位置的传感器可以实时检测大量数据。这些数据能够反映高速列车运行过程中转向架关键部件的性能退化状态,但单一通道的振动信号存在着信息缺失、信噪比低等缺陷,无法据此实现转向架关键部件性能退化阶段的精确辨识。因此,本文以横向减振器为研究对象,通过对转向架振动数据相关性分析,提出了车体和转向架上多个通道的振动信号共同用于横向减振器性能退化阶段辨识的方法。并通过构建基于CNN的多通道信息融合模型,将多个通道信息进行融合,实现了横向减振器性能退化特征的自适应提取与阶段辨识。将该方法与基于单个通道的方法进行比较,结果表明,该方法能够精确实现横向减振器间隔10%的性能退化阶段辨识。     

基于多任务学习的轨道车辆轴承异常检测方法

轨道车辆轴承温度现有异常检测方法的阈值判别指标受到路况、环境等多项外因干扰,并且基于异常检测目的的预测方法需要对轴承进行逐一建模,模型训练耗时且多模型维护困难.针对上述问题,提出一种基于多任务学习的轨道车辆轴承异常检测方法.首先考虑到数据分布在正常与异常时存在差异,把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化,因此该模型具有异常检测功能.其次,考虑到循环神经网络建模时进行递归运算消耗大量时间,引入多头自注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机3类共9个轴承温度进行同时检测.最后,采用极大似然估计方法,将点预测转换为置信区间预测,解释了预测结果的意义.在正常和故障数据上分别对模型进行验证,结果证明本文所提方法具有准确的9个轴承和异常检测能力,并与单任务模型相比能大幅度减少建模时间.