基于多尺度时频图与卷积神经网络的车轮故障智能诊断 |
| |
引用本文: | 李大柱,牛江,梁树林,池茂儒.基于多尺度时频图与卷积神经网络的车轮故障智能诊断[J].铁道科学与工程学报,2023(3):1032-1043. |
| |
作者姓名: | 李大柱 牛江 梁树林 池茂儒 |
| |
作者单位: | 西南交通大学牵引动力国家重点实验室 |
| |
基金项目: | 国家自然科学基金资助项目(U21A20168); |
| |
摘 要: | 铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明:所提出的方法对于车速、故障类型和故障程度都有很好的...
|
关 键 词: | 车轮故障诊断 形态学滤波 完全噪声辅助聚合经验模态分解 Wigner-Ville分布 卷积神经网络 |
|
|