輪對(duì)軸承是列車(chē)走行部的關(guān)鍵部件之一,它的健康運(yùn)行是列車(chē)安全運(yùn)行的重要保證,對(duì)其進(jìn)行在線(xiàn)監(jiān)測(cè)及故障診斷意義重大。軌邊聲學(xué)檢測(cè)技術(shù)具有非接觸式測(cè)量、成本低和早期故障預(yù)警的特點(diǎn),具有良好的應(yīng)用前景。近年來(lái),深度學(xué)習(xí)得到了快速的發(fā)展,在各行各業(yè)得到了良好的應(yīng)用,其中卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域的一個(gè)重要組成部分,它有著較強(qiáng)的特征提取、特征融合與特征識(shí)別的能力。本文針對(duì)列車(chē)軸承軌邊聲信號(hào)多普勒畸變的特點(diǎn),結(jié)合運(yùn)用短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò),研究列車(chē)在不同車(chē)速下的軌邊聲學(xué)故障診斷方法,主要研究?jī)?nèi)容如下:(1)研究了一種基于STFT和改進(jìn)的Lenet5網(wǎng)絡(luò)的列車(chē)軸承軌邊聲學(xué)診斷方法,并通過(guò)實(shí)驗(yàn)對(duì)比分析驗(yàn)證了所提方法的有效性和優(yōu)越性。首先,研究了基于STFT的列車(chē)軸承軌邊聲信號(hào)圖片集制作方法,并針對(duì)信號(hào)特點(diǎn)基于傳統(tǒng)的Lenet5網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)搭建;其次,進(jìn)行了網(wǎng)絡(luò)參數(shù)的設(shè)計(jì)、池化層方式的選擇、S2與C3的連接方式選擇,通過(guò)訓(xùn)練過(guò)程中損失函數(shù)和識(shí)別精度的走勢(shì)驗(yàn)證了所提網(wǎng)絡(luò)的有效性;然后,通過(guò)實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析了所提方法與時(shí)域樣本圖片輸入方式,驗(yàn)證了所提方法的優(yōu)越性;最后,與傳統(tǒng)的KNN算法進(jìn)行比較,結(jié)果...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
        1.1.1 機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷
        1.1.2 列車(chē)軸承故障診斷
    1.2 列車(chē)軸承道旁聲學(xué)故障診斷
        1.2.1 軌邊聲學(xué)診斷技術(shù)簡(jiǎn)介
        1.2.2 技術(shù)難點(diǎn)
        1.2.3 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 論文的主要研究工作
        1.3.1 主要研究思路
        1.3.2 論文的結(jié)構(gòu)安排
第二章 實(shí)驗(yàn)與信號(hào)分析
    2.1 引言
    2.2 列車(chē)軸承道旁聲學(xué)信號(hào)的采集
        2.2.1 實(shí)驗(yàn)?zāi)Ｐ?br>        2.2.2 實(shí)驗(yàn)儀器
        2.2.3靜態(tài)實(shí)驗(yàn)
        2.2.4動(dòng)態(tài)實(shí)驗(yàn)
    2.3 實(shí)驗(yàn)信號(hào)特征分析
        2.3.1 時(shí)域特征分析
        2.3.2 頻域特征分析
    2.4 本章小結(jié)
第三章 基于STFT與 LENET5 的診斷方法研究
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)基本組成部分
        3.2.1 神經(jīng)元
        3.2.2 卷積層
        3.2.3 池化層
        3.2.4 全連接層
    3.3 改進(jìn)的LENET5 網(wǎng)絡(luò)
        3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)搭建
        3.3.2 Dropout層
        3.3.3 Softmax分類(lèi)器
        3.3.4 池化層方式的確定
        3.3.5 S2-C3 連接方式對(duì)網(wǎng)絡(luò)性能的影響
    3.4 基于STFT的數(shù)據(jù)集制作
        3.4.1 STFT
        3.4.2 數(shù)據(jù)集的設(shè)置
        3.4.3 圖片集種類(lèi)對(duì)卷積神經(jīng)網(wǎng)絡(luò)性能的影響
    3.5 對(duì)比實(shí)驗(yàn)分析
    3.6 本章小結(jié)
第四章 針對(duì)車(chē)速的樣本擴(kuò)充方法研究
    4.1 引言
    4.2 時(shí)域插值重采樣法
        4.2.1 時(shí)間序列矯正
        4.2.2 幅值矯正
        4.2.3 插值擬合取樣
        4.2.4 仿真和實(shí)驗(yàn)驗(yàn)證
    4.3 多普勒調(diào)制
    4.4 數(shù)據(jù)集的改進(jìn)
    4.5 實(shí)驗(yàn)分析
    4.6 本章小結(jié)
總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果



本文編號(hào)：3748057