基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究.docx

基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究
基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究
摘要：随着动车组在高速铁路上的运行越来越频繁，滚动轴承故障的发生对列车运行安全和乘客的生命财产安全带来了巨大的威胁。因此，对滚动轴承进行及时准确的故障诊断至关重要。本论文提出一种基于改进型卷积神经网络的动车组滚动轴承故障诊断方法，通过对动车组滚动轴承的振动信号进行特征提取和分类识别，实现对轴承故障的准确、高效识别。
1.引言
在高速铁路中，动车组滚动轴承作为关键的部件之一，承受着巨大的轴向和径向载荷。随着运行时间的增加，轴承发生故障的概率也逐渐增加，如果不及时发现和处理，将会对列车运行安全和乘客的生命财产安全带来严重威胁。因此，动车组滚动轴承故障的诊断和预测成为了近年来研究的热点。
2.相关工作
目前，常用的滚动轴承故障诊断方法主要包括振动信号分析、频域特征提取、时频分析等。但是传统方法在特征提取和分类识别上存在一些问题，例如特征提取效果差、分类准确率低等。为了解决这些问题，本文引入了改进型卷积神经网络。
3.改进的卷积神经网络模型
卷积神经网络是一种前馈神经网络，具有较强的特征提取和分类识别能力。本文基于原始的卷积神经网络模型进行了改进，添加了一些关键技术，包括：
（1）多尺度卷积：通过将不同尺度的卷积核同时应用于输入信号，可以提取出不同尺度下的特征，提高了特征提取的能力。
（2）注意力机制：通过引入注意力机制，可以使网络更加关注重要的特征，提高分类的准确性。
（3）迁移学习：利用已训练好的模型，在新任务上进行微调，可以加快模型的训练过程，提高模型的泛化能力。
4.实验设计与结果分析
本文以某高铁动车组滚动轴承的振动信号数据为实验对象，将数据集分为训练集和测试集。在训练阶段，使用改进的卷积神经网络对训练集进行训练，并在测试集上进行测试。实验结果表明，改进的卷积神经网络在滚动轴承故障诊断中取得了较好的效果，诊断准确率明显提高。
5.结论与展望
本论文提出了一种基于改进型卷积神经网络的动车组滚动轴承故障诊断方法，通过对振动信号进行特征提取和分类识别，实现对轴承故障的准确、高效识别。实验结果表明，改进的卷积神经网络能够有效提高滚动轴承故障的诊断准确率。未来，可以进一步研究振动信号的在线监测与故障预测方法，以提高轴承故障诊断的实时性和准确性。
参考文献：
[1]Zhang,L.,Guo,B.,&Zhang,Y.(2019).Deepconvolutionalneuralnetworkforrollersfaultdiagnosisofrotatingmachinery.Neurocomputing,350,106-118.
[2]Li,R.,Shen,M.,Liu,Y.,&Chen,C.(2018).Rollingbearingfaultdiagnosisusingadeephybridneuralnetwork.ProceedingsoftheInstitutionofMechanicalEngineers,PartC:JournalofMechanicalEngineeringScience,232(23),4150-4165.
[3]Zhao,W.,Chen,X.,&Yang,G.(2018).Robustrotatingmachineryfaultdiagnosisbasedondeepconvolutionalneuralnetworks.Measurement,122,508-514.
关键词：动车组，滚动轴承，故障诊断，卷积神经网络，特征提取，分类识别