CN114397121B - 一种转向架故障诊断方法 - Google Patents

一种转向架故障诊断方法 Download PDF

Info

Publication number
CN114397121B
CN114397121B CN202210070717.8A CN202210070717A CN114397121B CN 114397121 B CN114397121 B CN 114397121B CN 202210070717 A CN202210070717 A CN 202210070717A CN 114397121 B CN114397121 B CN 114397121B
Authority
CN
China
Prior art keywords
layer
output end
input end
module
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210070717.8A
Other languages
English (en)
Other versions
CN114397121A (zh
Inventor
秦娜
张一鸣
黄德青
游依婷
杜家豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210070717.8A priority Critical patent/CN114397121B/zh
Publication of CN114397121A publication Critical patent/CN114397121A/zh
Application granted granted Critical
Publication of CN114397121B publication Critical patent/CN114397121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种转向架故障诊断方法，包括以下步骤：S1、通过传感器采集高速列车转向架的振动信号；S2、将振动信号进行分割，构建训练集；S3、采用训练集对故障诊断模型进行训练，得到训练完成的故障诊断模型；S4、采集待测转向架的振动信号，输入训练完成的故障诊断模型中，得到故障类型；本发明解决了现有基于深度学习的转向架故障诊断方法准确率低的问题。

Description

一种转向架故障诊断方法
技术领域
本发明涉及机械部件测试领域，具体涉及一种转向架故障诊断方法。
背景技术
高速列车(HST)的发展为人们的出行和生活带来了便利，也引起了人们对其安全问题的关注。随着速度的提升，列车振动及运行稳定性日趋严重。在确保准点的前提下，安全舒适地到达目的地成为列车运行的首要任务。
转向架作为列车与轨道之间的唯一连接，其主要功能便是吸收和抑制由于轨道不平顺和轮轨磨损引起的振动，以保证列车的安全性和可靠性。转向架系统由轮对、轴箱、构架、基础制动装置、牵引驱动装置、一系悬挂装置和二系悬挂装置等部分组成。其中，二系悬挂装置又包括空气弹簧(Air Sping，ASs)、横向减振器(Lateral Damper，LDs)和抗蛇行减振器(Anti-yaw Damper，ADs)等，具有缓解列车横向及纵向振动，抑制列车蛇形运动的作用。在转向架故障诊断中，通过判断二系悬挂装置三部件工作状态来评估和诊断转向架状态。转向架故障诊断现有研究方法主要分为：基于解析模型、基于数据驱动和基于深度学习的转向架故障诊断。
基于解析模型的转向架故障诊断通过建立转向架系统模型，通过分析各种工况下的残差信号，实现较为准确的故障诊断。该方法的优点在于模型可解释性高，提取的特征都能赋予具体的物理意义。同时解析模型存在由系统非线性及不确定性造成的建模精度不高、建模难度大等问题。基于数据驱动的转向架故障诊断通过采集、处理与分析转向架信号，挖掘出数据中隐含的故障特征，进而实现故障诊断。该方法避免了复杂的模型建立，人为提取故障特征使得特征具有可解释性。然而数据驱动过分依赖信号处理技术和工程实践经验辅助实现故障特征提取，导致难以提取信号的深层特征。为了弥补上述两种故障诊断方法的不足，基于深度学习的转向架故障诊断方法逐渐兴起。
基于深度学习的转向架故障诊断方法与前两类故障诊断方法相比，不用搭建复杂的对象模型，同时能够克服对信号处理技术及相关诊断经验的依赖。该方法自适应提取信号深层特征，构建信号特征与故障模态间的非线性映射关系，实现转向架安全状态的智能诊断。但是，现有基于深度学习的方法对特征的利用率不高，易产生大量的冗余特征，且其诊断准确率大多低于95％，难以满足铁路工程的要求。
发明内容
针对现有技术中的上述不足，本发明提供的一种转向架故障诊断方法解决了现有基于深度学习的转向架故障诊断方法准确率低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种转向架故障诊断方法，包括以下步骤：
S1、通过传感器采集高速列车转向架的振动信号；
S2、将振动信号进行分割，构建训练集；
S3、采用训练集对故障诊断模型进行训练，得到训练完成的故障诊断模型；
S4、采集待测转向架的振动信号，输入训练完成的故障诊断模型中，得到故障类型。
进一步地，故障诊断模型包括：第一卷积层、第一特征提取单元、第二特征提取单元和分类单元；
所述第一卷积层的输入端作为故障诊断模型的输入端，其输出端与第一特征提取单元的输入端连接；所述第一特征提取单元的输出端与第二特征提取单元的输入端连接；所述第二特征提取单元的输出端与分类单元的输入端连接；所述分类单元的输出端作为故障诊断模型的输出端。
进一步地，所述第一特征提取单元和第二特征提取单元均包括：密集模块、压缩模块和过渡模块；
所述密集模块的输入端作为第一特征提取单元或第二特征提取单元的输入端，其输出端与压缩模块的输入端连接；所述压缩模块的输出端与过渡模块的输入端连接；所述过渡模块的输出端作为第一特征提取单元或第二特征提取单元的输出端。
上述进一步方案的有益效果为：设计分层提取特征的结构，提取原始数据中的重要特征，通过压缩模块剔除冗余信息，保证特征提取的适用性。
进一步地，所述过渡模块包括：第一BN层、第一激活层、第二卷积层和第一池化层；
所述第一BN层的输入端作为过渡模块的输入端，其输出端与第一激活层的输入端连接；所述第一激活层的输出端与第二卷积层的输入端连接；所述第二卷积层的输出端与第一池化层的输入端连接；所述第一池化层的输出端作为过渡模块的输出端。
上述进一步方案的有益效果为：BN层的加入能够有效提高网络训练速度，提高模型泛化能力。卷积层与池化层的作用在于提取特征信息。
进一步地，所述分类单元包括：第二激活层、第一全局池化层、第一全连接层和分类层；
所述第二激活层的输入端作为分类单元的输入端，其输出端与第一全局池化层的输入端连接；所述第一全局池化层的输出端与第一全连接层的输入端连接；所述第一全连接层的输出端与分类层的输入端连接；所述分类层的输出端作为分类单元的输出端。
进一步地，所述密集模块包括：第一瓶颈块、第二瓶颈块和第三瓶颈块；
输入第一瓶颈块的特征数据，还分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第一瓶颈块处理后的特征数据分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第二瓶颈块处理后的特征数据输入第三瓶颈块中，以及输出密集模块；所述第三瓶颈块处理后的特征数据输出密集模块。
上述进一步方案的有益效果为：通过密集连接网络各层的方式，将前一层学到的特征图直接作为输入传递给所有后续层。这种结构可以缓解梯度消失的现象，有助于提高特征传播深度。
进一步地，所述第一瓶颈块、第二瓶颈块和第三瓶颈块均包括：第二BN层、第三激活层、第三卷积层、第三BN层、第四激活层和第四卷积层；
所述第二BN层的输入端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输入端，其输出端与第三激活层的输入端连接；所述第三卷积层的输入端与第三激活层的输出端连接，其输出端与第三BN层的输入端连接；所述第四激活层的输入端与第三BN层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输出端。
上述进一步方案的有益效果为：在此模块中第三卷积层大小为1*1，该层不仅可以减少各层特征通道数量，还可以融合各个通道的特征，提高计算效率。第四卷积层用来提取输入信号的特征信息。
进一步地，所述压缩模块包括：第二全局池化层、第二全连接层和第三全连接层；
所述第二全局池化层的输入端作为压缩模块的输入端，其输出端与第二全连接层的输入端连接；所述第三全连接层的输入端与第二全连接层的输出端连接，其输出端作为压缩模块的输出端。
所述压缩模块输出的计算公式为：
Figure BDA0003481964760000051
其中，
Figure BDA0003481964760000052
为压缩模块的输出特征，xc为压缩模块的输入特征，σ[]为Sigmoid函数，δ()为Relu函数，W为输入特征xc的宽度，H为输入特征xc的高度，W1为第二全连接层的权重，W2为第三全连接层的权重，xc(i，j)为i行j列的特征，“×”为叉乘，“·”为点乘。
上述进一步方案的有益效果为：使用两个全连接层组成的结构去构建通道间的相关性，并输入输出特征同样数目的权重。首先通过第二全连接层将特征维度压缩到低维，然后经过激活函数与第三全连接层升回原来的维度。这样处理比单一全连接层的优势在于：1、具有更多的非线性，可以更好的拟合通道间复杂的相关性；2、极大的减少了参数量和计算量。然后通过一个Sigmoid函数获得0～1之间归一化的权重，最后将归一化的权重加权到每个通道上。以此实现特征的筛选。
综上，本发明的有益效果为：
1、本发明设计了一种转向架故障诊断方法，增强了特征的复用与特征传播的深度，提高神经网络的运行效率，且故障识别准确率。
2、本发明通过特征在通道上的跳线连接实现特征重用。在学习输入信号的深层特征的同时保留了浅层特征，增强了特征的复用与特征传播深度。
3、本发明融合了压缩模块的思想，通过第二全连接层和第三全连接层拟合通道的相关性，通过Sigmoid函数归一化权重并剔除了权重小的特征信息(非重要信息)以此减小模型参数和计算量，从而实现模型的高效运行。
4、本发明在提取输入信号的特征信息时会提取大量冗余特征，这些特征不仅拖慢了模型训练节奏，还会对最后的分类效果造成负影响，剔除该部分冗余特征在一定程度上提高了故障识别的准确率。
附图说明
图1为一种转向架故障诊断方法的流程图；
图2为故障诊断模型的结构示意图；
图3为第一特征提取单元或第二特征提取单元的结构示意图；
图4为分类单元的结构示意图；
图5为密集模块的结构示意图；
图6为第一瓶颈块、第二瓶颈块或第三瓶颈块的结构示意图；
图7为压缩模块的结构示意图；
图8为故障诊断模型的混淆矩阵；
图9为LSTM的混淆矩阵；
图10为DenseNet模型的混淆矩阵；
图11为1D-CNN的混淆矩阵；
图12为不同速度下，故障诊断模型、LSTM、DenseNet模型和1D-CNN的准确度对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种转向架故障诊断方法，包括以下步骤：
S1、通过传感器采集高速列车转向架的振动信号；
在本实施例中，采用仿真数据代替实测数据。本实施例使用多体动力学SIMPACK软件平台搭建转向架动力学模型(CRH380A)。模型由西南交通大学牵引动力国家重点实验室提供。此外，仿真模型中所使用的轨道为武广线实测轨道谱，数据来源真实可靠。在转向架仿真模型上共安装58个传感器，用于记录关键部件在横向、纵向和垂直方向上的振动加速度和位移，具体传感器布局如表1所示。数据集由上述传感器采集的58个通道数据组成。传感器的采样频率为243Hz，采样时间210s。该数据集包括一组正常状态数据和六组互不相同的故障状态数据，详见表2。
表1通道序号和传感器位置记录表
Figure BDA0003481964760000071
Figure BDA0003481964760000081
表2数据采集表
Figure BDA0003481964760000082
S2、将振动信号进行分割，构建训练集；
在本实施例中，按时间长度1s为间隔对振动信号进行分割，构建训练集；
S3、采用训练集对故障诊断模型进行训练，得到训练完成的故障诊断模型；
S4、采集待测转向架的振动信号，输入训练完成的故障诊断模型中，得到故障类型。
如图2所示，故障诊断模型包括：第一卷积层、第一特征提取单元、第二特征提取单元和分类单元；
所述第一卷积层的输入端作为故障诊断模型的输入端，其输出端与第一特征提取单元的输入端连接；所述第一特征提取单元的输出端与第二特征提取单元的输入端连接；所述第二特征提取单元的输出端与分类单元的输入端连接；所述分类单元的输出端作为故障诊断模型的输出端。
第一卷积层的卷积核的大小为1*7，用于对振动信号进行局部特征提取，得到振动信号的局部特征数据。
如图3所示，第一特征提取单元和第二特征提取单元均包括：密集模块、压缩模块和过渡模块；
所述密集模块的输入端作为第一特征提取单元或第二特征提取单元的输入端，其输出端与压缩模块的输入端连接；所述压缩模块的输出端与过渡模块的输入端连接；所述过渡模块的输出端作为第一特征提取单元或第二特征提取单元的输出端。
第一特征提取单元和第二特征提取单元结构相同，第二特征提取单元是从非线性特征中提取更深层次的特征，同时增强有用特征，抑制无用特征。
第一特征提取单元中的密集模块用于提取特征数据，压缩模块用于增加非线性特征并筛选重要特征抑制非重要特征，过渡模块用于合并通道并减少模型参数。
过渡模块包括：第一BN层、第一激活层、第二卷积层和第一池化层；
所述第一BN层的输入端作为过渡模块的输入端，其输出端与第一激活层的输入端连接；所述第一激活层的输出端与第二卷积层的输入端连接；所述第二卷积层的输出端与第一池化层的输入端连接；所述第一池化层的输出端作为过渡模块的输出端。
如图4所示，分类单元包括：第二激活层、第一全局池化层、第一全连接层和分类层；
所述第二激活层的输入端作为分类单元的输入端，其输出端与第一全局池化层的输入端连接；所述第一全局池化层的输出端与第一全连接层的输入端连接；所述第一全连接层的输出端与分类层的输入端连接；所述分类层的输出端作为分类单元的输出端。
如图5所示，密集模块包括：第一瓶颈块、第二瓶颈块和第三瓶颈块；
输入第一瓶颈块的特征数据，还分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第一瓶颈块处理后的特征数据分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第二瓶颈块处理后的特征数据输入第三瓶颈块中，以及输出密集模块；所述第三瓶颈块处理后的特征数据输出密集模块。
如图6所示，第一瓶颈块、第二瓶颈块和第三瓶颈块均包括：第二BN层、第三激活层、第三卷积层、第三BN层、第四激活层和第四卷积层；
所述第二BN层的输入端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输入端，其输出端与第三激活层的输入端连接；所述第三卷积层的输入端与第三激活层的输出端连接，其输出端与第三BN层的输入端连接；所述第四激活层的输入端与第三BN层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输出端。
第三卷积层的卷积核的大小为1*1，第四卷积层的卷积核的大小为1*3。
1*3的第四卷积层用于提取一维信号信道特征，1*1的第三卷积层用于融合信道特征，降低特征维数。第三卷积层和第四卷积层包含24个滤波器。
如图7所示，压缩模块包括：第二全局池化层、第二全连接层和第三全连接层；
所述第二全局池化层的输入端作为压缩模块的输入端，其输出端与第二全连接层的输入端连接；所述第三全连接层的输入端与第二全连接层的输出端连接，其输出端作为压缩模块的输出端。
为了抑制密集模块带来的大量冗余信息复用现象，在其后添加了压缩模块，用于自动获取每个特征通道的重要性级别，增强有用特征的同时抑制无用特征。
压缩模块输出的计算公式为：
Figure BDA0003481964760000101
其中，
Figure BDA0003481964760000102
为压缩模块的输出特征，xc为压缩模块的输入特征，σ[]为Sigmoid函数，δ()为Relu函数，W为输入特征xc的宽度，H为输入特征xc的高度，W1为第二全连接层的权重，W2为第三全连接层的权重，xc(i，j)为i行j列的特征，“×”为叉乘，“·”为点乘。
实验：
采用Tensorflow-gpu 1.8.0深度学习框架，使用NVIDIA GeForce GTX 1080 Ti(GPU)、Win10操作系统对模型进行训练。
1、验证基于密集-压缩的故障诊断模型可以加强有用特征，抑制无用或冗余特征，提高特征的利用率。
实验中，设定列车速度为200km/h，采样频率243Hz。车辆系统的临界速度会因LDs和Ads的故障而大幅下降，因此选择低于HST正常运行时的速度(200km/h)。7组故障状态数据的样本大小为243×58，共收集了1470个样本。由于没有标准的测试集，所以从1470个样本中随机抽取每组实验的测试数据，进行10次测试。将所有样本随机变换后，将训练样本和测试样本按4∶1的比例进行分割。该网络的分类精度为10组数据的平均值。对比故障诊断模型、LSTM、DenseNet和1D-CNN的混淆矩阵，验证故障诊断模型的相关特性，四种模型的识别结果如图8～11所示。
图8描述了故障诊断模型的混淆矩阵。结果表明，一个原本属于LDs和ADs故障(Label 4)的样本，被误分类为ASs和LDs故障(Label 3)。这是由于这两种故障的振动信号包含相似的特征，使得分类时出现了误判。图10为DenseNet模型的混淆矩阵。由矩阵可知，DenseNet模型将多个Label 5样本(ADs故障)误判为Label 4，将Label 1样本(ASs和ADs故障)误判为Label 6(ASs故障)。同理从图9和图11中也可得到类似结果——无压缩模块的网络对具有相似特征的不同故障的分类效果较差。这说明相比于其他三种模型，故障诊断模型通过加入压缩模块，在一定程度上抑制了无用特征和冗余特征的传递，加强了有用特征，能较好地识别包含了单一故障特征的混合故障。
2、验证基于密集-压缩的故障诊断模型在多速环境下，具有较强的自适应性，且其故障识别准确率在99％以上。该实验硬件环境与实验1相同。
在SIMPACK平台上采集CRH380A列车的多速(120、140、160、200km/h)仿真数据。每个速度下的数据切片长度为1s，即每个样本大小为243×58，每个速度总共有1470个样本。训练集和测试集仍然按照4:1的比例划分。图12显示了不同速度下，故障诊断模型、LSTM、DenseNet和1D-CNN的性能。
结果表明，在不同速度下，本发明设计的包含密集模块和压缩模块的模型识别精度均高于其他网络，而且识别精度稳定在99.66％左右。这说明基于密集-压缩的转向架故障诊断方法具有较强的自适应性，即使在不同速度下，精度也可稳定在99％以上，能满足实际铁路工程需求。

Claims (5)

1.一种转向架故障诊断方法，其特征在于，包括以下步骤：
S1、通过传感器采集高速列车转向架的振动信号；
S2、将振动信号进行分割，构建训练集；
S3、采用训练集对故障诊断模型进行训练，得到训练完成的故障诊断模型；
S4、采集待测转向架的振动信号，输入训练完成的故障诊断模型中，得到故障类型；
所述故障诊断模型包括：第一卷积层、第一特征提取单元、第二特征提取单元和分类单元；
所述第一卷积层的输入端作为故障诊断模型的输入端，其输出端与第一特征提取单元的输入端连接；所述第一特征提取单元的输出端与第二特征提取单元的输入端连接；所述第二特征提取单元的输出端与分类单元的输入端连接；所述分类单元的输出端作为故障诊断模型的输出端；
所述第一特征提取单元和第二特征提取单元均包括：密集模块、压缩模块和过渡模块；
所述密集模块的输入端作为第一特征提取单元或第二特征提取单元的输入端，其输出端与压缩模块的输入端连接；所述压缩模块的输出端与过渡模块的输入端连接；所述过渡模块的输出端作为第一特征提取单元或第二特征提取单元的输出端；
所述压缩模块包括：第二全局池化层、第二全连接层和第三全连接层；
所述第二全局池化层的输入端作为压缩模块的输入端，其输出端与第二全连接层的输入端连接；所述第三全连接层的输入端与第二全连接层的输出端连接，其输出端作为压缩模块的输出端；
所述压缩模块输出的计算公式为：
Figure FDA0003817256600000021
其中，
Figure FDA0003817256600000022
为压缩模块的输出特征，xc为压缩模块的输入特征，σ[]为Sigmoid函数，δ()为Relu函数，W为输入特征xc的宽度，H为输入特征xc的高度，W1为第二全连接层的权重，W2为第三全连接层的权重，xc(i,j)为i行j列的输入特征，“×”为叉乘，“·”为点乘。
2.根据权利要求1所述的转向架故障诊断方法，其特征在于，所述过渡模块包括：第一BN层、第一激活层、第二卷积层和第一池化层；
所述第一BN层的输入端作为过渡模块的输入端，其输出端与第一激活层的输入端连接；所述第一激活层的输出端与第二卷积层的输入端连接；所述第二卷积层的输出端与第一池化层的输入端连接；所述第一池化层的输出端作为过渡模块的输出端。
3.根据权利要求1所述的转向架故障诊断方法，其特征在于，所述分类单元包括：第二激活层、第一全局池化层、第一全连接层和分类层；
所述第二激活层的输入端作为分类单元的输入端，其输出端与第一全局池化层的输入端连接；所述第一全局池化层的输出端与第一全连接层的输入端连接；所述第一全连接层的输出端与分类层的输入端连接；所述分类层的输出端作为分类单元的输出端。
4.根据权利要求1所述的转向架故障诊断方法，其特征在于，所述密集模块包括：第一瓶颈块、第二瓶颈块和第三瓶颈块；
输入第一瓶颈块的特征数据，还分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第一瓶颈块处理后的特征数据分别输入第二瓶颈块和第三瓶颈块中，以及输出密集模块；所述第二瓶颈块处理后的特征数据输入第三瓶颈块中，以及输出密集模块；所述第三瓶颈块处理后的特征数据输出密集模块。
5.根据权利要求4所述的转向架故障诊断方法，其特征在于，所述第一瓶颈块、第二瓶颈块和第三瓶颈块均包括：第二BN层、第三激活层、第三卷积层、第三BN层、第四激活层和第四卷积层；
所述第二BN层的输入端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输入端，其输出端与第三激活层的输入端连接；所述第三卷积层的输入端与第三激活层的输出端连接，其输出端与第三BN层的输入端连接；所述第四激活层的输入端与第三BN层的输出端连接，其输出端与第四卷积层的输入端连接；所述第四卷积层的输出端作为第一瓶颈块、第二瓶颈块或第三瓶颈块的输出端。
CN202210070717.8A 2022-01-21 2022-01-21 一种转向架故障诊断方法 Active CN114397121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210070717.8A CN114397121B (zh) 2022-01-21 2022-01-21 一种转向架故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210070717.8A CN114397121B (zh) 2022-01-21 2022-01-21 一种转向架故障诊断方法

Publications (2)

Publication Number Publication Date
CN114397121A CN114397121A (zh) 2022-04-26
CN114397121B true CN114397121B (zh) 2022-11-15

Family

ID=81233800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210070717.8A Active CN114397121B (zh) 2022-01-21 2022-01-21 一种转向架故障诊断方法

Country Status (1)

Country Link
CN (1) CN114397121B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115326437B (zh) * 2022-08-19 2024-06-21 华东交通大学 一种转向架故障监测与诊断的嵌入式系统装置及方法
CN118228081B (zh) * 2024-03-15 2024-08-23 宁波大学 一种工业设备故障诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104236911B (zh) * 2014-09-28 2017-07-21 江苏润仪仪表有限公司 一种列车转向架轴承服役过程监测与故障诊断系统及方法
CN104502126B (zh) * 2014-12-28 2017-08-15 华东交通大学 一种基于模态区间的高速列车转向架故障诊断方法
CN105403420B (zh) * 2015-12-15 2018-02-09 广州地铁集团有限公司 一种融合多传感器的转向架故障诊断方法
CN108152059B (zh) * 2017-12-20 2021-03-16 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
JP2021046191A (ja) * 2019-09-13 2021-03-25 ナブテスコ株式会社 鉄道用状態監視装置、鉄道車両の台車、鉄道車両、鉄道用ブレーキ制御装置
CN111814404A (zh) * 2020-07-22 2020-10-23 华东交通大学 一种机车转向架螺栓松动故障检测方法
CN112393906B (zh) * 2020-10-28 2023-04-07 中车南京浦镇车辆有限公司 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法

Also Published As

Publication number Publication date
CN114397121A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN114397121B (zh) 一种转向架故障诊断方法
CN109448369B (zh) 高速公路实时运行风险计算方法
CN106203330A (zh) 一种基于卷积神经网络的车辆分类方法
CN111563313B (zh) 一种行车事件模拟再现方法、系统、设备及存储介质
CN104850676B (zh) 一种公路桥梁随机车流仿真模拟方法
Rong et al. Effects of individual differences on driving behavior and traffic flow characteristics
CN104802737A (zh) 一种基于手机的车辆异常驾驶行为检测方法
CN104933284B (zh) 一种基于实测数据的公路桥梁随机车流模拟方法
CN107121285B (zh) 一种滚动轴承振动信号故障特征提取方法
CN111071291B (zh) 列车轮对监测系统及列车轮对监测方法
CN113657432A (zh) 一种基于车联网数据的商用车驾驶行为风险等级辨识方法
CN111695201A (zh) 一种基于数据的磁浮列车运行状态的监测方法
CN110530589B (zh) 一种考虑连续车流耦合效应的梁式桥冲击系数检测方法
CN115032894A (zh) 一种基于T-S模糊数据驱动ToMFIR的高速列车悬挂故障诊断方法
CN115544763A (zh) 一种路面平整度预测方法、系统及介质
CN115545101A (zh) 一种基于残差神经网络的高速列车转向架故障诊断方法
CN101075377A (zh) 基于偏最小二乘原理的高速公路交通事件自动检测方法
CN111079488B (zh) 一种基于深度学习的公交客流检测系统及方法
CN115343066A (zh) 一种基于台试测试的汽车自动驾驶评价系统
CN113870560B (zh) 基于多源数据的高速公路画像评价与安全风险研判系统
CN116061953A (zh) 一种基于行驶轨迹数据的货车危险驾驶行为判别评价方法
CN113312744B (zh) 一种车辆荷载预测方法和系统
CN114863210A (zh) 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统
CN114743166A (zh) 一种铁路货车的制动机检测方法
CN114354185A (zh) 一种基于解耦网络的齿轮箱故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant