基于长短期记忆网络的动车组轴箱轴承故障诊断预测模型研究

U266.2%U270.331+2; 动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明,该诊断模型能有效地提高故障诊断的辨识精度,模型拟合优度可达到90％,辨识准确率最高可达到98％....

Full description

Saved in:
Bibliographic Details
Published in城市轨道交通研究 Vol. 25; no. 2; pp. 86 - 91
Main Authors 刘冠男, 常振臣, 高明亮, 赵明, 高珊
Format Journal Article
LanguageChinese
Published 中车长春轨道客车股份有限公司国家轨道客车工程研究中心,130062,长春 2022
Subjects
动车组;轴箱轴承;故障诊断预测模型;长短期记忆网络
Online AccessGet full text

Cover

More Information
Summary:U266.2%U270.331+2; 动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明,该诊断模型能有效地提高故障诊断的辨识精度,模型拟合优度可达到90％,辨识准确率最高可达到98％.
ISSN:1007-869X
DOI:10.16037/j.1007-869x.2022.02.022