云平臺(tái)下基于深度學(xué)習(xí)的高速列車(chē)走行部故障診斷技術(shù)研究.pdf

1、隨著我國(guó)高速列車(chē)快速發(fā)展，高速列車(chē)安全性越來(lái)越受到人們的重視和關(guān)注。與列車(chē)運(yùn)行聯(lián)系最為密切的是列車(chē)的走行部。因此，為了確保高速列車(chē)的安全運(yùn)行，對(duì)列車(chē)的走行部進(jìn)行監(jiān)測(cè)及故障診斷就顯得尤為重要。實(shí)驗(yàn)中在列車(chē)的車(chē)體、軸箱和構(gòu)架等部位裝有大量的多類(lèi)型的振動(dòng)傳感器，用來(lái)采集列車(chē)運(yùn)行過(guò)程中的振動(dòng)數(shù)據(jù)，通過(guò)監(jiān)測(cè)這些振動(dòng)數(shù)據(jù)來(lái)確定走行部的運(yùn)行狀態(tài)。然而，如何快速地高效地從這些海量振動(dòng)數(shù)據(jù)中提取特征并進(jìn)行故障診斷是一個(gè)需要解決的難題。
　　一方面，

2、深度學(xué)習(xí)是最強(qiáng)大的數(shù)據(jù)特征表達(dá)技術(shù)之一，并且深度信念網(wǎng)絡(luò)(DBNs)作為構(gòu)建這種深層結(jié)構(gòu)的先驅(qū)，它近似一個(gè)高度復(fù)雜的非線性特征提取器，每個(gè)隱藏層從輸入數(shù)據(jù)中學(xué)習(xí)獲得高階相關(guān)性特征，并為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來(lái)了希望，在處理數(shù)據(jù)結(jié)構(gòu)高度復(fù)雜、數(shù)據(jù)量大等數(shù)據(jù)處理方面表現(xiàn)優(yōu)異。本文首先分析了幾種工況下振動(dòng)信號(hào)的時(shí)域和頻域特性，在此基礎(chǔ)上，提出了一種基于FFT-DBNs的高速列車(chē)走行部特征提取及故障診斷方法。我們的方法能夠從振動(dòng)數(shù)據(jù)中自動(dòng)

3、提取高層特征并進(jìn)行故障診斷。它先對(duì)振動(dòng)信號(hào)進(jìn)行FFT處理，得到的頻譜系數(shù)用來(lái)初始化DBNs的可見(jiàn)單元，并逐層訓(xùn)練RBM，當(dāng)整個(gè)DBNs訓(xùn)練完成之后，標(biāo)簽層連接到DBNs的最頂層用來(lái)進(jìn)行故障識(shí)別。實(shí)驗(yàn)表明基于FFT-DBNs的特征提取及故障診斷方法效果優(yōu)于傳統(tǒng)方法。然后，在DBNs原理基礎(chǔ)上，結(jié)合KNN的優(yōu)勢(shì)，在每一隱藏特征層上求未知樣本的K近鄰，提出了一種基于K-DBNs的深度學(xué)習(xí)算法，并進(jìn)行故障診斷仿真實(shí)驗(yàn)。最后，介紹了優(yōu)化深度網(wǎng)絡(luò)每

4、一層方法，并進(jìn)行了基于改進(jìn)深度學(xué)習(xí)算法的列車(chē)走行部故障診斷仿真實(shí)驗(yàn)。
　　另一方面，由于傳統(tǒng)的信號(hào)分析方法在分析處理這種大規(guī)模增長(zhǎng)的振動(dòng)數(shù)據(jù)會(huì)遇到非常大的困難，而云計(jì)算是一種基于互聯(lián)網(wǎng)的計(jì)算方式，在大數(shù)據(jù)計(jì)算和網(wǎng)絡(luò)存儲(chǔ)方面具有卓越的性能表現(xiàn)。在Hadoop平臺(tái)上，基于Spark實(shí)現(xiàn)的振動(dòng)數(shù)據(jù)分析及處理方法，利用大規(guī)模集群分布式處理任務(wù)能力，和具有很好的容錯(cuò)性、自動(dòng)均衡負(fù)載等特性，來(lái)解決高速列車(chē)振動(dòng)數(shù)據(jù)處理過(guò)程中處理速度慢，原始振動(dòng)