基于數(shù)據(jù)驅(qū)動的高速列車轉(zhuǎn)向架故障診斷

目錄
第1章 緒論 1
1.1 高速列車轉(zhuǎn)向架 3
1.1.1 轉(zhuǎn)向架基本知識 3
1.1.2 高速列車轉(zhuǎn)向架故障及性能退化 6
1.2 國內(nèi)外研究現(xiàn)狀 9
1.2.1 故障診斷研究現(xiàn)狀 9
1.2.2 高速列車轉(zhuǎn)向架故障診斷研究現(xiàn)狀 20
1.3 本書內(nèi)容構(gòu)架 22
參考文獻 23
第2章 基于信號處理的轉(zhuǎn)向架故障診斷 38
2.1 機械故障信號常規(guī)特征參數(shù) 38
2.1.1 時域特征 38
2.1.2 頻域特征 44
2.1.3 時頻域特征 46
2.2 信息測度理論體系 51
2.2.1 信息熵測度指標 51
2.2.2 復雜度指標 52
2.3 基于小波信息熵的轉(zhuǎn)向架故障特征分析 53
2.3.1 小波信息熵理論基礎(chǔ) 53
2.3.2 轉(zhuǎn)向架故障信號小波信息熵特征提取 54
2.3.3 高速列車轉(zhuǎn)向架故障診斷 59
2.4 基于經(jīng)驗模態(tài)熵的轉(zhuǎn)向架故障特征分析 62
2.4.1 聚合經(jīng)驗模態(tài)分解理論 62
2.4.2 經(jīng)驗模態(tài)能量矩特征提取 66
2.4.3 經(jīng)驗模態(tài)熵特征提取 68
2.4.4 經(jīng)驗模態(tài)復雜度特征提取 74
2.5 轉(zhuǎn)向架性能退化的關(guān)聯(lián)信息測度特征分析 82
2.5.1 轉(zhuǎn)向架性能退化估計方法 82
2.5.2 互相關(guān)樣本熵 82
2.6 基于復合特征分析模型的轉(zhuǎn)向架故障診斷 85
2.6.1 復合信息測度模型 85
2.6.2 多準則特征選擇 87
2.6.3 流形二次特征降維 91
參考文獻 95
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障診斷 97
3.1 卷積神經(jīng)網(wǎng)絡(luò)模型概述 97
3.2 基于一維卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障分類 102
3.2.1 一維卷積神經(jīng)網(wǎng)絡(luò)模型 102
3.2.2 故障分類實驗結(jié)果分析 106
3.3 基于膠囊神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障分類 109
3.3.1 膠囊神經(jīng)網(wǎng)絡(luò)模型 109
3.3.2 故障分類實驗結(jié)果分析 112
3.4 基于RSNet卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障診斷 116
3.4.1 RSNet卷積神經(jīng)網(wǎng)絡(luò)模型 116
3.4.2 故障分類實驗結(jié)果分析 118
3.4.3 故障定位實驗結(jié)果分析 122
參考文獻 123
第4章 基于遞歸神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障診斷 124
4.1 遞歸神經(jīng)網(wǎng)絡(luò)模型概述 124
4.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 124
4.1.2 長短期記憶網(wǎng)絡(luò) 125
4.2 基于LSTM的轉(zhuǎn)向架故障分類 127
4.2.1 LSTM網(wǎng)絡(luò)模型 127
4.2.2 故障分類實驗結(jié)果分析 128
4.2.3 對比實驗結(jié)果分析 130
4.2.4 數(shù)據(jù)特征擴展及魯棒性驗證 133
4.3 基于LSTM的轉(zhuǎn)向架部件參數(shù)蛻變擬合 138
4.3.1 部件參數(shù)蛻變擬合實驗設(shè)計 138
4.3.2 固定行車速度的單通道部件參數(shù)蛻變擬合分析 141
4.3.3 固定行車速度的全通道部件參數(shù)蛻變擬合分析 149
4.4 基于GRU網(wǎng)絡(luò)的轉(zhuǎn)向架故障分類 154
4.4.1 GRU網(wǎng)絡(luò)模型 154
4.4.2 故障分類實驗結(jié)果分析 155
4.4.3 部件性能退化程度實驗結(jié)果分析 156
4.4.4 對比實驗結(jié)果分析——極限梯度提升(XGBoost) 157
參考文獻 159
第5章 基于復合模型的轉(zhuǎn)向架故障診斷 161
5.1 基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障分類 161
5.1.1 卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型 161
5.1.2 消融實驗 166
5.1.3 與機器學習算法的對比實驗 166
5.1.4 與深度學習算法的對比實驗 169
5.2 基于多重卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架故障分類與性能退化評估 171
5.2.1 多重卷積循環(huán)神經(jīng)網(wǎng)絡(luò)模型 172
5.2.2 消融實驗 173
5.2.3 對比實驗結(jié)果分析 176
5.2.4 泛化性能結(jié)果分析 177
5.3 基于雙域融合DenseNet的轉(zhuǎn)向架故障診斷 179
5.3.1 DenseNet模型 179
5.3.2 雙域融合網(wǎng)絡(luò)模型結(jié)構(gòu) 180
5.3.3 實驗數(shù)據(jù)及流程 182
5.3.4 故障分類實驗結(jié)果分析 184
5.3.5 故障定位實驗結(jié)果分析 188
5.3.6 基于分類算法的轉(zhuǎn)向架性能退化評估 189
5.4 基于ICEEMDAN和1D-CNN的轉(zhuǎn)向架故障診斷 191
5.4.1 ICEEMDAN和1D-CNN模型 191
5.4.2 故障分類實驗結(jié)果分析 196
5.4.3 故障定位實驗結(jié)果分析 199
參考文獻 203
第6章 未來展望 205
6.1 基于復合神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)向架智能協(xié)同故障診斷 205
6.1.1 高速列車轉(zhuǎn)向架的多傳感器優(yōu)化布局 206
6.1.2 高速列車轉(zhuǎn)向架智能協(xié)同一次診斷 206
6.1.3 高速列車轉(zhuǎn)向架智能協(xié)同二次診斷 207
6.2 前轉(zhuǎn)向架-車體-后轉(zhuǎn)向架耦合振動機理分析及故障診斷 207
6.2.1 前轉(zhuǎn)向架-車體-后轉(zhuǎn)向架耦合振動機理分析 207
6.2.2 前后轉(zhuǎn)向架多源振動信號分離與識別 208
6.2.3 多源振動耦合關(guān)系下轉(zhuǎn)向架故障診斷 208
6.3 面向轉(zhuǎn)向架在線故障診斷的神經(jīng)網(wǎng)絡(luò)泛化和輕量化 209
6.3.1 面向多速度、多車型、多軌道的轉(zhuǎn)向架故障診斷模型泛化 209
6.3.2 面向嵌入式應用的轉(zhuǎn)向架故障診斷模型輕量化 209
6.3.3 面向在線運行的高速列車轉(zhuǎn)向架故障診斷模型融合 210