科研之友
微信
新浪微博
Facebook
分享链接
摘要
在轨边声学检测过程中，列车轴承信号由于受到多普勒效应的影响，会导致其轴承故障诊断准确性下降，针对这一问题，提出了一种基于参数驱动学习模型的列车轴承声学智能故障诊断方法。首先，对列车轴承振动信号受多普勒效应影响导致失真的因素进行了分析，提出了故障诊断方法，即在前期样本不平衡情况下，利用运动学参数驱动的安全域模型(KPD-SRM)进行诊断；在后期样本平衡情况下，利用运动学参数驱动的一维卷积神经网络(KPD-CNN)进行诊断；然后，在仿真情况下，利用该方法分别对样本不平衡和样本平衡的10种不同故障类型的轴承样本进行了故障诊断，计算了其故障诊断的准确率；最后，在实验情况下，利用该方法分别对样本不平衡和样本平衡的4种不同故障类型的轴承样本进行了故障诊断，并计算了其故障诊断的准确率。研究结果表明：在样本不平衡和样本平衡两种情况下，仿真案例的诊断准确率分别达到97.5%和96%,实验案例的诊断准确率分别达到93.5%和97%;参数驱动学习模型可以在不经过复杂的信号校正情况下，有效利用历史数据提高其故障诊断的准确率，且其诊断的准确率随着监测样本的增加而不断提高。
