基于CNN-LSTM的车辆悬挂系统故障识别方法研究

高速铁路车辆（简称：车辆）运行条件恶劣多变，车辆悬挂系统的可靠性关系到行车安全和乘坐舒适性。当车辆的悬挂系统发生故障时，振动信号呈现非线性、非平稳的特征。为此，提出了一种基于卷积神经网络（CNN,Convolutional Neural Network）-长短时记忆（LSTM,Long Short-Term Memory）模型的车辆悬挂系统故障识别方法。通过SIMPACK平台建立了包含悬挂系统的车辆-轨道耦合动力学模型，获得了车辆系统各部件在健康状态及各类故障状态下的振动信号；以与故障元件关联部件的振动加速度信号作为模型输入，通过构建的CNN-LSTM模型对时序信号进行特征提取和分类预测，进而实现对车辆悬挂系统的故障识别；通过构建不同工况的故障数据集对该方法进行评估。试验结果表明，该方法在速度等级相同的情况下，故障识别准确率可达98%；在速度等级不同的情况下，故障识别准确率可达99%，验证了该方法的有效性。