基于特征融合的牵引电机轴承声学故障诊断 |
| |
引用本文: | 杨岗,卫昱乾,李芾.基于特征融合的牵引电机轴承声学故障诊断[J].机车电传动,2023(2):103-112. |
| |
作者姓名: | 杨岗 卫昱乾 李芾 |
| |
作者单位: | 1.西南交通大学机械工程学院610031;2.西南交通大学唐山研究院063000; |
| |
基金项目: | 国家重点研发计划项目(2020YFB1200300ZL);四川省科技计划项目(2022YFG0088)。 |
| |
摘 要: | 滚动轴承作为高速列车牵引电机的重要部件,其故障情况严重影响列车运行安全。声学轴承故障诊断方式具有无安装侵入性、运维成本低的优点,但也具有信噪比低、故障特征难以提取的缺点,机器学习则具有克服噪声影响的鲁棒性。针对应用机器学习进行声学故障诊断时,少量特征无法全面表征轴承故障的难题,文章提出将格拉姆角场(GAF)与小波时频图进行叠加融合,构成6通道融合特征图用以有效表征轴承的故障。首先,建立牵引电机轴承声学故障试验台获取故障声学信号;其次,建立基于GAF的声学信号融合特征图,然后使用残差网络(ResNET)模型针对融合特征图特征训练并验证故障分类模型,并与以单种特征图作为特征的故障分类方法进行准确率对比。结果表明,基于GAF的融合特征图的声学故障分类模型具有99.89%的准确率,融合特征图能更有效地映射轴承故障。
|
关 键 词: | 牵引电机轴承 声学故障诊断 卷积神经网络 融合特征图 格拉姆角场 高速列车 |
本文献已被 维普 等数据库收录! |