近年來(lái),高速鐵路運(yùn)營(yíng)里程的快速增長(zhǎng)和運(yùn)行時(shí)速的迅速提高使得高速列車安全保障技術(shù)面臨著巨大挑戰(zhàn)。轉(zhuǎn)向架作為車體的重要組成部分之一,其異常狀態(tài)往往會(huì)體現(xiàn)在轉(zhuǎn)向架和車體的異常振動(dòng)上,由于該類機(jī)械部件在整個(gè)系統(tǒng)中所起的作用及其性能蛻化程度的不同,異常振動(dòng)信號(hào)的體現(xiàn)方式也有所不同。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks,RNN)是一種可以根據(jù)時(shí)序數(shù)據(jù)提取其內(nèi)部關(guān)聯(lián)特征的網(wǎng)絡(luò)。由于轉(zhuǎn)向架振動(dòng)數(shù)據(jù)是時(shí)序數(shù)據(jù),所以利用RNN可以從本質(zhì)上提取數(shù)據(jù)內(nèi)部信息。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term-Memory,LSTM)是RNN的一種升級(jí)網(wǎng)絡(luò),它可以對(duì)輸入、保存和輸出的數(shù)據(jù)量進(jìn)行自由設(shè)定,通過(guò)連接先前的數(shù)據(jù)進(jìn)行分析,提取當(dāng)前數(shù)據(jù)的特征,以此來(lái)提升RNN的故障診斷效率。本文建立了基于LSTM網(wǎng)絡(luò)的高速列車轉(zhuǎn)向架振動(dòng)信號(hào)故障診斷模型與性能參數(shù)蛻化擬合模型。具體內(nèi)容如下:首先,對(duì)已有的高速列車轉(zhuǎn)向架關(guān)鍵部件故障振動(dòng)數(shù)據(jù),搭建基于LSTM網(wǎng)絡(luò)等多種神經(jīng)網(wǎng)絡(luò)的故障診斷模型。針對(duì)多種故障在恒定速度條件下進(jìn)行多通道融合的故障診斷。其次,在原始振動(dòng)數(shù)據(jù)固有的58個(gè)通道之外加入其他神經(jīng)網(wǎng)絡(luò)故...

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀概述
        1.2.1 故障診斷的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)的研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 高速列車轉(zhuǎn)向架相關(guān)研究
    2.1 高速列車轉(zhuǎn)向架關(guān)鍵部件
    2.2 高速列車轉(zhuǎn)向架振動(dòng)數(shù)據(jù)
        2.2.1 數(shù)據(jù)來(lái)源
        2.2.2 數(shù)據(jù)介紹
    2.3 高速列車振動(dòng)信號(hào)時(shí)頻分析
        2.3.1 振動(dòng)信號(hào)頻譜分析
        2.3.2 振動(dòng)信號(hào)EEMD特征提取分析
    2.4 小結(jié)
第3章 基于LSTM的轉(zhuǎn)向架故障診斷
    3.1 網(wǎng)絡(luò)模型原理
        3.1.1 LSTM
        3.1.2 Catboost
        3.1.3 Adaboost
        3.1.4 K-means聚類
    3.2 故障診斷實(shí)驗(yàn)設(shè)計(jì)
        3.2.1 實(shí)驗(yàn)數(shù)據(jù)分析
        3.2.2 實(shí)驗(yàn)設(shè)計(jì)
    3.3 固定行車時(shí)速的故障診斷
        3.3.1 基于Catboost網(wǎng)絡(luò)的故障診斷
        3.3.2 基于Adaboost網(wǎng)絡(luò)的故障診斷
        3.3.3 基于LSTM網(wǎng)絡(luò)的故障診斷
    3.4 數(shù)據(jù)特征擴(kuò)展及魯棒性驗(yàn)證
        3.4.1 K-means聚類實(shí)驗(yàn)
        3.4.2 基于LSTM網(wǎng)絡(luò)的數(shù)據(jù)特征擴(kuò)展故障診斷
    3.5 小結(jié)
第4章 基于LSTM的轉(zhuǎn)向架部件參數(shù)蛻變擬合
    4.1 網(wǎng)絡(luò)模型原理
    4.2 部件參數(shù)蛻變擬合實(shí)驗(yàn)設(shè)計(jì)
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)分析
        4.2.2 部件參數(shù)蛻變擬合實(shí)驗(yàn)設(shè)計(jì)
    4.3 固定行車時(shí)速的單通道部件參數(shù)蛻變擬合分析
        4.3.1 基于LSTM網(wǎng)絡(luò)的擬合分析
        4.3.2 基于GBDT網(wǎng)絡(luò)的擬合分析
        4.3.3 基于改進(jìn)LSTM網(wǎng)絡(luò)的擬合分析
    4.4 固定行車速度的全通道部件參數(shù)蛻變擬合分析
        4.4.1 基于LSTM網(wǎng)絡(luò)的擬合分析
        4.4.2 基于GBDT網(wǎng)絡(luò)的擬合分析
        4.4.3 基于改進(jìn)LSTM網(wǎng)絡(luò)的擬合分析
    4.5 小結(jié)
總結(jié)與展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間的論文及科研情況



本文編號(hào)：4037471