西南交通大学机械工程学院;
目前转向架故障诊断研究仅仅考虑了较为理想的列车运行状态，未考虑车轮多边形的影响，而车轮多边形激励的存在能显著降低故障诊断的精度。为此，提出了一种基于LSTM网络和卷积神经网络的深度学习方法。该方法由LSTM以及一维卷积神经网络组成，并引入了注意力机制用于强调训练数据特征，提高转向架故障信号识别的准确率。以CRH380动车组转向架为例，引入车轮多边形激励，采用所提方法对不同工况下的关键部件故障进行了分类。通过与已有方法对比发现，所提方法由于引入了注意力机制，较大程度克服了车轮多边形带来的噪声干扰，提高了转向架故障诊断的精度。
| 146 | 0 | 19 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]粟丽源.基于卷积神经网络的高速列车转向架故障诊断方法研究[D].成都：西南交通大学，2019.
[2]梁开伟.基于多重卷积循环神经网络的高速列车转向架故障诊断方法研究[D].成都：西南交通大学，2020.
[3]ZUO Y,WANG N,JIA L,et al. Fully Decomposed Singular Value and Fixed Dictionary Extreme Learning Machine for Bogie Fault Diagnosis[J]. IEEE Transactions on Intelligent Transportation Systems,2022,23(8):10262-10274.
[4]LI Y,JIN W. Application of Full Vector IMF Entropy in Fault Diagnosis of High Speed Train[J]. Journal of Vibration,Measurement and Diagnosis,2021,41(5):874-879.
[5]秦娜，金炜东，黄进.基于EEMD的高速列车转向架故障诊断[J].计算机工程，2013,39(12):1-4.
[6]WANG Z,JIA L,KOU L,et al. Spectral Kurtosis Entropy and Weighted SaE-ELM for Bogie Fault Diagnosis under Variable Conditions[J]. Sensors(Basel, Switzerland),2018,18(6):1705.
[7]HUANG D,LI S,QIN N,et al. Fault Diagnosis of High-Speed Train Bogie Based on the Improved-CEEMDAN and 1-D CNN Algorithms[J]. IEEE Transactions on Instrumentation and Measurement,2021(70):1-11.
[8]王忆佳，曾京，罗仁.高速列车车轮多边形化对车辆动力学性能的影响[J].四川大学学报（工程科学版），2013,45(3):176-182.
[9]王红兵，李国芳，王泽根.车轮多边形对车辆动力学性能影响分析[J].铁道标准设计，2020,64(6):165-171.
[10]尹振坤，吴越，韩健.高速列车车轮多边形磨耗对轮轨垂向力的影响[J].铁道学报，2017,39(10):26-32.
[11]POPP. System dynamics of railway vehicles and track[J].ARCHIVE OF APPLIED MECHANICS,2003,72(11-12):949-961.
[12]李凤林，杜红梅，樊懿葳.基于形态学滤波的车轮多边形故障诊断方法[J].机械，2023,50(8):39-46.
[13]高润.列车车轮失圆动态检测方法与技术研究[D].北京：北京交通大学，2021.
[14]朱海燕，胡华涛，尹必超.轨道车辆车轮多边形研究进展[J].交通运输工程学报，2020,20(1):102-119.
[15]赵新利，吴越，郭涛.车轮多边形磨耗统计规律及关键影响因素分析[J].振动测试与诊断，2020,40(1):48-53.
[16]胡晓依.动车组车轮多边形磨耗形成与发展过程仿真研究[J].中国铁道科学，2021,42(2):107-115.
[17]翟婉明.车辆-轨道耦合动力学Vehicle-track coupling dynamics[M].北京：科学出版社，2007.
[18]HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural Computation,1997,9(8):1735-1780.
[19]ALEX. Supervised Sequence Labelling with Recurrent Neural Networks[M]. Berlin:Springer,2012.
[20]VIET. Skin Lesion Classification on Imbalanced Data Using Deep Learning with Soft Attention[J]. SENSORS,2022,22(19):7530.
[21]LIU J W,LIU J W,LUO X L. Research progress in attention mechanism in deep learning[J]. Chinese Journal of Engineering,2021,43(11):1499-1511.
基本信息:
DOI：
中图分类号:U279
引用信息:
[1]张懿,杨旭锋,方修洋.一种考虑车轮多边形的转向架故障诊断深度学习方法[J].机械,2024,51(09):37-44.
基金信息:
中央高校基本科研业务费专项资金（2682022ZTPY079）; 四川省科技计划项目（2021YFG0178）