基于數(shù)據(jù)驅(qū)動(dòng)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(shí) 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(xiàn) 23
第2章 基于信號(hào)處理的轉(zhuǎn)向架故障診斷 38
2.1 機(jī)械故障信號(hào)常規(guī)特征參數(shù) 38
2.1.1 時(shí)域特征 38
2.1.2 頻域特征 44
2.1.3 時(shí)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(biāo) 51
2.2.2 復(fù)雜度指標(biāo) 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(hào)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(yàn)?zāi)B(tài)熵的轉(zhuǎn)向架故障特征分析 62
2.4.1 聚合經(jīng)驗(yàn)?zāi)B(tài)分解理論 62
2.4.2 經(jīng)驗(yàn)?zāi)B(tài)能量矩特征提取 66
2.4.3 經(jīng)驗(yàn)?zāi)B(tài)熵特征提取 68
2.4.4 經(jīng)驗(yàn)?zāi)B(tài)復(fù)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(jì)方法 82
2.5.2 互相關(guān)樣本熵 82
2.6 基于復(fù)合特征分析模型的轉(zhuǎn)向架故障診斷 85
2.6.1 復(fù)合信息測度模型 85
2.6.2 多準(zhǔn)則特征選擇 87
2.6.3 流形二次特征降維 91
參考文獻(xiàn) 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(shí)驗(yàn)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(shí)驗(yàn)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(shí)驗(yàn)結(jié)果分析 118
3.4.3 故障定位實(shí)驗(yàn)結(jié)果分析 122
參考文獻(xiàn) 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(shí)驗(yàn)結(jié)果分析 128
4.2.3 對比實(shí)驗(yàn)結(jié)果分析 130
4.2.4 數(shù)據(jù)特征擴(kuò)展及魯棒性驗(yàn)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(shí)驗(yàn)設(shè)計(jì) 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(shí)驗(yàn)結(jié)果分析 155
4.4.3 部件性能退化程度實(shí)驗(yàn)結(jié)果分析 156
4.4.4 對比實(shí)驗(yàn)結(jié)果分析——極限梯度提升(XGBoost) 157
參考文獻(xiàn) 159
第5章 基于復(fù)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(shí)驗(yàn) 166
5.1.3 與機(jī)器學(xué)習(xí)算法的對比實(shí)驗(yàn) 166
5.1.4 與深度學(xué)習(xí)算法的對比實(shí)驗(yàn) 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(píng)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(shí)驗(yàn) 173
5.2.3 對比實(shí)驗(yàn)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(shí)驗(yàn)數(shù)據(jù)及流程 182
5.3.4 故障分類實(shí)驗(yàn)結(jié)果分析 184
5.3.5 故障定位實(shí)驗(yàn)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(píng)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(shí)驗(yàn)結(jié)果分析 196
5.4.3 故障定位實(shí)驗(yàn)結(jié)果分析 199
參考文獻(xiàn) 203
第6章 未來展望 205
6.1 基于復(fù)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(dòng)機(jī)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(dòng)機(jī)理分析 207
6.2.2 前后轉(zhuǎn)向架多源振動(dòng)信號(hào)分離與識(shí)別 208
6.2.3 多源振動(dòng)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(yīng)用的轉(zhuǎn)向架故障診斷模型輕量化 209
6.3.3 面向在線運(yùn)行的高速列車轉(zhuǎn)向架故障診斷模型融合 210