隨著我國軌道交通的快速發(fā)展,列車安全問題日益突出,從而會影響運(yùn)行效率和費(fèi)用。其中,軌道轉(zhuǎn)換裝置是軌道運(yùn)輸中的重要組成部分,而柱塞泵作為軌道轉(zhuǎn)換裝置的核心部件,其運(yùn)行的安全性關(guān)系到鐵路交通能否正常運(yùn)轉(zhuǎn)。傳統(tǒng)的柱塞泵由人工進(jìn)行維護(hù),但這種方式存在著嚴(yán)重的滯后性和被動性。近年來,隨著深度學(xué)習(xí)的不斷發(fā)展和進(jìn)步,各種神經(jīng)網(wǎng)絡(luò)模型在柱塞泵故障診斷領(lǐng)域得到了廣泛的應(yīng)用和推廣,但仍存在以下問題:故障診斷率低和實(shí)際采集到的數(shù)據(jù)不平衡。為解決上述問題,本文提出了基于CNN-LSTM-Attention和基于雙通道特征融合的CNN-Bi GRU-Attention兩種模型來解決故障診斷率低的問題,并采用SMOTE+Tomek Link解決樣本不平衡的問題。本文主要研究工作如下:(1)設(shè)計了基于注意力機(jī)制的CNN-LSTM柱塞泵故障診斷模型。該模型可在確保故障診斷結(jié)果的前提下,克服傳統(tǒng)基于經(jīng)驗(yàn)的先驗(yàn)知識,降低人為特征抽取和選取所造成的不確定因素,實(shí)現(xiàn)了對原始振動信號的高效自動化。實(shí)驗(yàn)結(jié)果表明該模型對于柱塞泵故障診斷有著明顯的效果。(2)構(gòu)建了基于SMOTE+Tomek Link和雙通道特征融合的CNN-Bi ...

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

華北理工大學(xué)碩士學(xué)位論文-8-部分進(jìn)行反應(yīng)，并在圖像處理中具有出色的性能。其結(jié)構(gòu)主要包括卷積層、池化層、全連接層和輸出層。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層對圖像特征進(jìn)行提取，通過池化層對圖像進(jìn)行降維，全連接層和輸出層對圖像特征進(jìn)行直觀展現(xiàn)和分類。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)如圖....

圖3自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

華北理工大學(xué)碩士學(xué)位論文-8-部分進(jìn)行反應(yīng)，并在圖像處理中具有出色的性能。其結(jié)構(gòu)主要包括卷積層、池化層、全連接層和輸出層。卷積神經(jīng)網(wǎng)絡(luò)通過卷積層對圖像特征進(jìn)行提取，通過池化層對圖像進(jìn)行降維，全連接層和輸出層對圖像特征進(jìn)行直觀展現(xiàn)和分類。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)如圖....

圖4深度置信網(wǎng)絡(luò)Fig.4Deepbeliefnetworks

第1章緒論-9-RBM都可以單獨(dú)用作聚類器。RBM只有兩層神經(jīng)元，一層叫做顯層，由顯元組成，用于輸入訓(xùn)練數(shù)據(jù)。另一層叫做隱層，相應(yīng)地的由隱元組成，用作特征檢測器。多層DBN組成一個神經(jīng)網(wǎng)絡(luò)，使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。最后結(jié)合反向傳播算法進(jìn)行微調(diào)。深度置信網(wǎng)絡(luò)結(jié)構(gòu)如圖....

圖5循環(huán)神經(jīng)網(wǎng)絡(luò)Fig.5Recurrentneuralnetwork

第1章緒論-9-RBM都可以單獨(dú)用作聚類器。RBM只有兩層神經(jīng)元，一層叫做顯層，由顯元組成，用于輸入訓(xùn)練數(shù)據(jù)。另一層叫做隱層，相應(yīng)地的由隱元組成，用作特征檢測器。多層DBN組成一個神經(jīng)網(wǎng)絡(luò)，使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。最后結(jié)合反向傳播算法進(jìn)行微調(diào)。深度置信網(wǎng)絡(luò)結(jié)構(gòu)如圖....

本文編號：3916789