我國高速鐵路事業(yè)也如火如荼地進行著,為經(jīng)濟發(fā)展提供了舉足輕重的作用。我國幅員遼闊,運營環(huán)境千差萬別。近年,隨著高速鐵路運營里程的增加,高速列車的關(guān)鍵受力零部件處在越來越惡劣的服役環(huán)境。齒輪箱軸承作為高速列車的扭矩轉(zhuǎn)換裝置,將高轉(zhuǎn)速低扭矩的電機輸入轉(zhuǎn)換為低轉(zhuǎn)速高扭矩的輸出。齒輪箱軸承在運行過程中受到輪軌沖擊、加減速牽引力和各種瞬態(tài)沖擊等,面對如此復(fù)雜的環(huán)境,必須時刻監(jiān)測軸承狀態(tài)。一旦軸承失效,會導(dǎo)致鄰近的零部件性能衰減,甚至發(fā)生列車事故。目前,高速列車的運行監(jiān)測數(shù)據(jù)海量增長。基于信號處理進行特征提取,然后利用分類器進行診斷的傳統(tǒng)智能診斷技術(shù)不能及時處理海量數(shù)據(jù),而且必須依靠經(jīng)驗豐富的專家,診斷時間長并且通用性差。針對此問題,本文以高速列車齒輪箱軸承為研究對象,提出了一種感受野提升的卷積神經(jīng)網(wǎng)絡(luò)軸承故障診斷算法,該算法可以自動提取高速列車齒輪箱軸承的高噪聲振動信號的特征以及故障識別。本文具體工作如下:首先,針對高噪聲下的齒輪箱軸承信號特點,提出了適應(yīng)高速列車齒輪箱軸承故障診斷的卷積神經(jīng)網(wǎng)絡(luò),其主要特征是適配了最后池化層神經(jīng)元的感受野,且具有堆疊結(jié)構(gòu)的卷積核。其次,為了進一步優(yōu)化模型,包括減... 

【文章來源】：西南交通大學(xué)四川省 211工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

軸承智能診斷算法步驟分解由1.4節(jié)啟發(fā)，卷積神經(jīng)網(wǎng)絡(luò)具備這樣的端對端性質(zhì)：它的輸入層可以直接獲取原始振動信號，它的多個隱藏層同時具備特征獲取和特征降維的功能，它的輸出層則具

池化層化層能夠減少特征圖的長度，從而進一步減少模型參數(shù)的數(shù)量。常用大池化（Max-pooling）操作。下面詳細解釋最大池。化層超參數(shù)（Hyper-parameter）為池長度，記為s 。最大池化操作是對連續(xù)值取最大值。壓縮后的特征向量如式（2-4）所示：：1 21[ , ,..., ]t mshh h h中，( 1) ( 1) 1 1max( , ,..., )j j s j s jsh c c c ，然后，通過交替上述兩層:卷積層常添加完全連接層（Fully-connected Layers）和 Softmax 層作為頂層進出一個清晰的說明，單層 CNN 的框架如圖 2-1 所示。

西南交通大學(xué)碩士研究生學(xué)位論文第激活層活層的功能是把相關(guān)和無關(guān)的信息之間進行隔離。當我們的大腦同時接，它會努力去理解和分類有用和無用的信息。需要一種類似的機制來將類為有用的或不太有用的（在使用神經(jīng)網(wǎng)絡(luò)的情況下）。激活函數(shù)是人工個極其重要的特征。它們基本上決定了一個神經(jīng)元是否應(yīng)該被激活。神信息是與給定的信息相關(guān)還是應(yīng)該被忽略，一個神經(jīng)元的激活過程如圖

【參考文獻】：
期刊論文
[1]高速列車齒輪箱箱體動應(yīng)力響應(yīng)及疲勞可靠性研究[J]. 王文靜,張瑩,曲俊生,李國棟,戴曉超.  中國鐵道科學(xué). 2018(06)
[2]淺析“一帶一路”倡議對中國高速鐵路發(fā)展的影響[J]. 王剛,徐厚廣.  綜合運輸. 2017(09)

博士論文
[1]高速列車齒輪箱箱體動態(tài)特性及疲勞可靠性研究[D]. 李廣全.北京交通大學(xué) 2018



本文編號：3481426