軌道車輛的轉(zhuǎn)向架是軌道列車結(jié)構(gòu)中最為重要的部件之一,而車軸更是轉(zhuǎn)向架中的關(guān)鍵部件,在長期承受載荷的情況下,容易發(fā)生故障。為了實(shí)現(xiàn)對(duì)車軸故障進(jìn)行智能的故障診斷,提出了一種基于時(shí)頻圖像和卷積神經(jīng)網(wǎng)絡(luò)（CNN）相結(jié)合的車軸故障智能診斷方法。時(shí)頻圖像由對(duì)信號(hào)進(jìn)行時(shí)頻分析后獲得,其中包含了豐富的時(shí)頻聯(lián)合域信息,能反映各個(gè)時(shí)刻的瞬時(shí)頻率及幅值,所以可以通過時(shí)頻分析對(duì)故障信號(hào)進(jìn)行特征提取。卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為深度學(xué)習(xí)算法的一種,在圖像識(shí)別方面體現(xiàn)著強(qiáng)大的性能,因此將CNN應(yīng)用于車軸故障信號(hào)時(shí)頻圖像的分類。對(duì)列車車軸故障的聲發(fā)射信號(hào)進(jìn)行時(shí)頻分析,得到時(shí)頻圖,然后將其作為樣本數(shù)據(jù)饋送到CNN中,CNN對(duì)不同故障類型的時(shí)頻圖像進(jìn)行訓(xùn)練,最終測試以完成分類,從而實(shí)現(xiàn)列車車軸故障的智能診斷。不同的時(shí)頻分析方法會(huì)生成不同的時(shí)頻圖像,影響最終的分類效果,分別使用三種不同的時(shí)頻分析方法（短時(shí)傅里葉變換、S變換、連續(xù)小波變換）對(duì)信號(hào)進(jìn)行時(shí)頻分析,而不同的小波基函數(shù)又影響著連續(xù)小波變換,為此,分別使用三種不同的小波基函數(shù)（Morlet、db4、cmor3-3）進(jìn)行了連續(xù)小波變換,以得出最佳的時(shí)頻分析方法。為了使時(shí)... 

【文章來源】：大連交通大學(xué)遼寧省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｍｕｌｔｉｌａｙｅｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??２．３．２基本神經(jīng)元的構(gòu)成??，，

大連交通大學(xué)工程碩士學(xué)位論文??—Ｗ??＾，??輸入層?隱藏層?犏出層??圖２．２多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．?２．２?Ｓｔｒｕｃｔｕｒａｌ?Ｃｈａｒｔ?ｏｆ?Ｍｕｌｔｉｌａｙｅｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??２．３．２基本神經(jīng)元的構(gòu)成??早期的神經(jīng)網(wǎng)絡(luò)類似于仿生機(jī)器學(xué)習(xí)，通過對(duì)神經(jīng)元細(xì)胞的研究建模，其人工神經(jīng)??網(wǎng)絡(luò)正向傳播方式類似神經(jīng)元細(xì)胞的傳遞信號(hào)的方式。當(dāng)某神經(jīng)元向另一神經(jīng)元傳遞信??息時(shí)，首先，向其樹突放出包含化學(xué)遞質(zhì)的突觸小泡；這類似人工神經(jīng)元中的輸入信號(hào)。??接著，突觸小泡接觸到神經(jīng)元樹突膜中的特征受體，一些突觸是興奮的，引起神經(jīng)沖動(dòng)；??一些突觸是抑制的，減輕或阻止神經(jīng)沖動(dòng)；這類似于人工神經(jīng)元中的輸入權(quán)值，有的權(quán)??值大，有的權(quán)值校然后，這些信息被送到神經(jīng)元的細(xì)胞體中，在那里與其他的輸入信??息進(jìn)行整合，這類似人工神經(jīng)中加權(quán)求和操作。最后，整個(gè)輸入沿著神經(jīng)元的軸突，以??放電的形式傳遞，這類似人工神經(jīng)中的激活輸出操作［５１１，圖２．３是人體神經(jīng)于人工神經(jīng)??的對(duì)比。???１０?－Ｓｍ??來ａ押較／｛：的輸飛?ｍＸ（ｉ??樹突＾／?ｋ／．?軸突分支?＇??外丨脃體?紐２巧、???，，??圖２．３人體神經(jīng)與人工神經(jīng)??Ｆｉｇ．?２．３?Ｈｕｍａｎ?ｎｅｒｖｅ?ａｎｄ?ａｒｔｉｆｉｃｉａｌ?ｎｅｒｖｅ??１２??

ｐｕｔＬａｙｅｒ）。ＣＮＮ的強(qiáng)項(xiàng)在于處理圖像，輸入層為整個(gè)系統(tǒng)輸??入圖像；卷積層是ＣＮＮ的核心部分，每層卷積層含有若干的卷積核，卷積核類似濾波??器，不同的濾波器提取不同的特征，特征通過卷積運(yùn)算從圖像中獲�。换久總�(gè)卷積層??后都會(huì)接一個(gè)池化層，池化層的作用是降維，通常都將原來的卷積層輸出矩陣大小變?yōu)??原來的一半，減少網(wǎng)絡(luò)運(yùn)算量；全連接層類似于ＭＬＰ?（多層感知器）的隱層，接收前段??網(wǎng)絡(luò)提取的特征進(jìn)行運(yùn)算，獲得更高維度的數(shù)據(jù)表達(dá)，作用相當(dāng)于分類器；輸出層輸出??網(wǎng)絡(luò)的判別結(jié)果。圖２．５為卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)圖。??ｐ－Ｔ—Ｔ—－?．．．—Ｔ－－…??三三三；＝兩：ｆ?ｓ??—＊－－——、、＇二二：一１１?。＾??——－?－ｊ??．．．．．．．．］特征向最?＇、、、＇?＼?ｙ／?人）????二一一?’一?特怔嶋?＇．Ｓ＇，，，’?ｍｍ??輸入層??、?」?ｖ?」?＾??ｉ??卷積爝?池化層?全連接愆??圖２．５卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)圖??Ｆｉｇ．?２．５?Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ?ｏｆ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??１４??


本文編號(hào)：3506639