云平臺下基于深度學習的高速列車走行部故障診斷技術研究.pdf

1、隨著我國高速列車快速發(fā)展，高速列車安全性越來越受到人們的重視和關注。與列車運行聯(lián)系最為密切的是列車的走行部。因此，為了確保高速列車的安全運行，對列車的走行部進行監(jiān)測及故障診斷就顯得尤為重要。實驗中在列車的車體、軸箱和構(gòu)架等部位裝有大量的多類型的振動傳感器，用來采集列車運行過程中的振動數(shù)據(jù)，通過監(jiān)測這些振動數(shù)據(jù)來確定走行部的運行狀態(tài)。然而，如何快速地高效地從這些海量振動數(shù)據(jù)中提取特征并進行故障診斷是一個需要解決的難題。
　　一方面，

2、深度學習是最強大的數(shù)據(jù)特征表達技術之一，并且深度信念網(wǎng)絡(DBNs)作為構(gòu)建這種深層結(jié)構(gòu)的先驅(qū)，它近似一個高度復雜的非線性特征提取器，每個隱藏層從輸入數(shù)據(jù)中學習獲得高階相關性特征，并為解決深層結(jié)構(gòu)相關的優(yōu)化難題帶來了希望，在處理數(shù)據(jù)結(jié)構(gòu)高度復雜、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信號的時域和頻域特性，在此基礎上，提出了一種基于FFT-DBNs的高速列車走行部特征提取及故障診斷方法。我們的方法能夠從振動數(shù)據(jù)中自動

3、提取高層特征并進行故障診斷。它先對振動信號進行FFT處理，得到的頻譜系數(shù)用來初始化DBNs的可見單元，并逐層訓練RBM，當整個DBNs訓練完成之后，標簽層連接到DBNs的最頂層用來進行故障識別。實驗表明基于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原理基礎上，結(jié)合KNN的優(yōu)勢，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的深度學習算法，并進行故障診斷仿真實驗。最后，介紹了優(yōu)化深度網(wǎng)絡每

4、一層方法，并進行了基于改進深度學習算法的列車走行部故障診斷仿真實驗。
　　另一方面，由于傳統(tǒng)的信號分析方法在分析處理這種大規(guī)模增長的振動數(shù)據(jù)會遇到非常大的困難，而云計算是一種基于互聯(lián)網(wǎng)的計算方式，在大數(shù)據(jù)計算和網(wǎng)絡存儲方面具有卓越的性能表現(xiàn)。在Hadoop平臺上，基于Spark實現(xiàn)的振動數(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能力，和具有很好的容錯性、自動均衡負載等特性，來解決高速列車振動數(shù)據(jù)處理過程中處理速度慢，原始振動