科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对高速列车车轮失圆识别难以兼顾效率与精度问题，提出一种基于轴箱振动与动力学模型的高速列车车轮失圆状态智能识别方法。首先，利用静态检测设备采集车轮非圆原始数据，提出一种数据增强技术构建车轮非圆增强数据集。其次，将增强数据集输入至高速列车车辆—轨道耦合动力学模型，获取车轮不同失圆状态下轴箱振动样本集。最后，通过构建恰当结构与配置参数的一维卷积神经网络(1-dimensional convolutional neural network,1-DCNN)，可对轴箱振动信号进行自适应特征提取，实现对车轮失圆状态的智能识别分类。结果表明：提出的车轮失圆状态智能识别方法能实现正常车轮、多边形车轮、擦伤车轮、随机非圆化车轮与局部缺陷车轮5类车轮失圆状态的智能分类，准确率达99.2%(标准差为0.05)，且单个样本平均识别耗时为0.4 ms。结合现场试验，所提方法对实测轴箱振动具有较好识别能力，测试精度为95%。与经典的SVM和BP神经网络相比，1-DCNN模型具有更高的识别准确度。
- 出版日期2023
- 单位牵引动力国家重点实验室; 西南交通大学
