基于多尺度时频图与卷积神经网络的车轮故障智能诊断

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...