遗传BP网络在滚动轴承故障诊断中的应用

分析了传统ＢＰ算法存在训练速度慢且易陷入局部极小点的缺点，研究了解决的方法。利用基因实数编码的遗传算法训练ＢＰ网络节点的权值，大大提高了神经网络的训练速度及训练精度。遗传算子包括适应值比例选择、整体离散交叉及随机变异３个算子。对比遗传ＢＰ网络和传统ＢＰ网络对机车车辆滚动轴承的诊断结果，遗传ＢＰ网络具有较多的优越性，便于实际应用。     

机车走行部滚动轴承故障的诊断

阐述了机车走行部滚动轴承的振动机理,分析了轴承故障产生的原因及表现。介绍了应用共振解调技术诊断滚动轴承故障的基本原理及故障判断方法,并列举了一起应用该技术的故障诊断实例。     

机车车辆滚动轴承故障振动诊断技术

机车车辆轴承故障（表面损伤）与故障征兆（振动的各类特征）并非简单的对应关系。一种故障征兆并不仅仅对应一种故障，几种故障可能都有同一故障征兆；同时，一种故障又可能有多种故障征兆，这种不可逆性使轴承诊断变得复杂而又困难和一种参数，一种方法难以包容众多的故障，难以发现众多的故障征兆，据此，作者研究提出双参数简易诊断与共振解调精密诊断相结合的诊断技术，并研制成ＪＳＣ－２０６机车车辆轴承诊断仪，取得了满意的     

BP神经网络方法在机车轴承故障诊断中的应用

应用BP神经网络理论对机车轴承的故障进行诊断，同时结合VISUAL BASIC开发出基于用户界面的应用程序。     

机车滚动轴承故障的产生及诊断方法

介绍机车滚动轴承故障的产生原因和轴承的简易诊断及精密诊断方法,例举诊断事例。     

基于小波包变换和BP网络的铁道车辆滚动轴承故障诊断方法

针对铁道车辆滚动轴承故障诊断,提出1种改进的小波包与BP神经网络相结合的故障诊断方法,并开发出基于该方法的铁道车辆滚动轴承故障诊断系统。用压电加速度传感器采集轴承试验台的模拟故障轴承振动信号,对采集到的信号先进行小波降噪,再通过小波包分解,构造特征向量,以此作为故障样本对改进的BP网络进行训练,实现智能化故障诊断。实验结果表明,基于该方法的故障诊断系统能够很好地诊断出铁道车辆滚动轴承内圈、外圈及滚动体表面出现的疲劳、剥落、磨损和裂纹等故障,具有实际工程应用价值。     

机车车辆故障振动诊断实践（上）

本文就作者及振动诊断专题组近１０年来在机车车辆行业从事的振动诊断工作作了较全面的介绍。以柴油机机械故障的诊断，机车上旋转件如轴承、齿轮的故障诊断为核心，介绍了简易诊断技术和精密诊断技术及其在上述零部件上的应用，以大量的诊断实例说明了振动诊断技术的广泛实用性和发展前景。     

热弹流理论在机车车辆滚动轴承中的应用

介绍了一组热弹流润滑的计算公式，并应用该组公式对铁路机车车辆用滚动轴承的最高油膜温度和最小油膜厚度等进行了计算。对高速列车用滚动轴承的最高油膜温度和平均轴温进行了预测。计算表明，高速列车用滚动轴承的最高油膜温度约为１０８．５℃。平均轴温约为９０．４℃。     

货车滚动轴承故障判断与检查

1 前言 货车无轴箱滚动轴承外观上是一个整体,直观性的外观检查不易准确发现和判断轴承的内部故障,给轴承检修工作带来诸多困难.一旦有故障的轴承投入运营,就会成为行车事故的隐患,随时可能发生燃切轴等行车事故,给人民的生命财产造成不可估量的损失.所以,怎样提高判断轴承故障的能力,提高滚动轴承的检修质量,已成为十分迫切的问题.     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于BP神经网络的道岔智能故障诊断方法

为将神经网络技术运用在铁路道岔故障诊断领域,提出了以神经网络技术为基准,针对道岔常见的3个故障类分别建立3个子神经网络,并总体组建成一个并行神经网络系统的道岔智能故障诊断方法,以帮助维修人员快捷、准确、自动地诊断出故障原因,降低故障处理时间,提高运行效率。     

机车车辆机械故障振动诊断现状及近期研究

介绍目前已实现的机车车辆旋转机械的诊断项目，指出柴油机机械故障诊断进展缓慢原因在于诊断平台建立在平稳随机振动基础上的问题。进一步论证了柴油机非平稳、非线性振动特性，并建议以小波分析或遗传算法加自动识别系统诊断柴油机故障的新设想。     

滚动轴承试验机

滚动轴承试验机完善了机车车辆滚动轴承的试验手段，使轴承的试验工作不再完全依靠手装车试验。对该机的主要组成部件，各部分的工作原理进行了较详细的分析说明。     

基于BP神经网络的动车组智能化控制和诊断研究

为解决因采集数据异常导致的列车控制的误动作和误诊断问题,对基于BP神经网络的动车组智能化控制和诊断方法进行了研究,建立了基于BP神经网络的预测模型,采用列车实际运行数据进行多次训练和参数调整,获取最优网络模型,结合该模型的预测值和实际值得到最终可信值,并融入到现有列车控制逻辑中进行控制和诊断。通过实验验证,采用训练模型的预测结果与实际采集值相比具有较高准确性,能够达到预测效果。实验结果表明,采用BP神经网络模型进行状态预测,并结合相关处理策略进行列车运行控制及故障诊断具有可行性。     

货车滚动轴承早期故障轨边声学诊断系统

货车滚动轴承早期故障轨边声学诊断系统(TADS)对运行中的列车车辆滚动轴承在线故障进行诊断预报。该系统通过全路联网,跟踪故障轴承运行状态趋势,及时进行故障预报。TADS网络结构由一个采集级和三个应用级共四个层面组成,即数据信息采集级、故障预报应用级、铁路局应用级和铁道部应用级。该系统具有计轴计量、车次号自动识别、故障报警、数据采集、处理、存储等功能。TADS采用网络化管理监控软件进行列检所和车辆段的故障轴承预报、扣车报警、检查结果反馈。