文摘

检测外圆(可怜)地铁车辆车轮的错误是非常重要的,提高地铁车辆的平稳性与稳定,避免造成事故的可怜的缺点。可怜的诊断故障的要求准确地提取有用的信息质量差的振动信号的信噪比(信噪比)的地铁车辆车轮对于复杂的运行状态。在本文中,我们提出了一个诊断方法在整个断层的地铁车辆车轮结合变分模态分解(VMD),核主成分分析(KPCA)和深度信念网(DBN)诊断整个地铁车轮的缺点。中国地铁车辆车轮的振动信号采集地铁车辆运行时用于火车DBN的诊断模型和调整参数和KPCA基于测试精度。不同维度的KPCA、时代号码和节点数量的DBN相比,基于振动信号诊断的更好的参数模型是本文的结论。诊断模型的泛化检查9次通过测试每组参数的计算和使用一个错误减少的过程。诊断模型在本文提出的平均精度为0.9136,和诊断模型提出了非常重要的在线检测的可怜的缺点。

1。介绍

地铁车辆是城市交通模式在大多数大中城市地铁车辆的安全、速度快的优势,和舒适。然而,车轮的磨损和疲劳破坏将不可避免的对地铁车辆的运行,从而导致失圆的(可怜)故障的地铁车辆车轮。可怜的过失轮子影响rails和提高地铁车辆的振动,特别是垂直振动。增加垂直振动和冲击也会导致临界损失轮轨接触表面,这也会缩短使用寿命,甚至导致损害许多车辆系统的关键部件,如轴箱轴承和制动系统。这些损失,缩短寿命度量车辆的关键部件不能保证安全运行1,增加铁路和车轮之间的垂直振动和影响甚至可能导致脱轨事故。如今,人们更加注意检测,收集故障信号诊断,可怜的错误和失败的原因2- - - - - -6]。然而,很难单独的故障信息收集的复杂振动信号的振动传感器在地铁车辆运行。

歌等人介绍了一些失圆的断层之间的关系(OORF)和垂直动态性能和二次悬浮OORF造成的车辆没有潮湿的函数(7]。局域网et al。1)关注整个故障的影响穿正常制动条件下的车轮。车轮会滑,刹车的制动转矩控制磨损状况。他们还带轮卸货率作为指标的确定风险出轨当轮包含整个缺陷。道(8]调查整个故障的电力机车车轮通过广泛的测量进行了现场的网站。测量结果表明,两种类型的货运机车遭受严重的多边形磨损问题与中心波长从160到315毫米和主导的波长是200毫米。

福等人发现城市轨道列车车轮缺陷的类型基于改进集成经验模态分解(EEMD)和希尔伯特变换(9]。张等人提出了一个方法,火车车轮的在线故障诊断特征光谱分析与嘈杂的背景(10]。他们都集中在噪声背景下提取故障特征的火车。

许多优秀的故障诊断方法虽然提出了这些方法不用于诊断的可怜的火车车轮。g .亚当等人的角磨机通风故障诊断通过红外(IR)热敏成像法和红外图像处理(11]。AlShorman等人进行状态监测和故障诊断基于声音,声发射四种类型的缺点:轴承、转子、定子、复合(12]。拉普拉斯算子的质量判别分析是用于诊断故障的齿轮和诊断准确性较高13]。杨等人提出了一个新颖的多层领域适应方法诊断同时复合断层和单一故障的多个大小(14]。

以上,振动信号、声学信号和热成像作为输入信号的故障诊断。人们会选择一个或多个类型的信号作为输入,根据设备结构、传感器位置、工作条件和类型的噪声。

车轮故障监测和诊断失圆的准确是非常重要的对地铁车辆的安全运行和减少维护时间和成本。为了准确诊断的可怜的地铁车辆在线故障,我们可以建立一个系统,包括降噪,提取组件故障,提高诊断的准确性,和网络速度。

深度学习通常是用来预测客流和安全预测的轨道交通系统15- - - - - -17],我们试图结合变分模态分解(VMD),核主成分分析(KPCA)和深度信念网(DBN)检测的可怜的过失地铁车轮。

在本文中,我们提出了一个诊断方法在整个断层的地铁车辆车轮结合变分模态分解(VMD),核主成分分析(KPCA)和深度信念网(DBN)和匹配参数诊断整个故障诊断模型的地铁轮子。

2。地铁车辆车轮的振动信号

整个车轮的缺点可能主要引起车轮的垂直振动,但这些缺点并不是唯一因素的垂直振动。不规则的铁路和故障滚动轴承轴箱的也会导致垂直振动时,振动传感器位于轴箱。不规则的铁路和可怜的过失轮数据所示1和2。合理的位置传感器,有效信号收集和准确地分离的可怜的垂直振动故障诊断非常重要的可怜的过失地铁车辆车轮。

2.1。地铁车辆的车轮的振动信号的集合

合理的位置传感器可以帮助收集有效的振动信号,它将包含状态信息的可怜的尽可能多的错误。这意味着应该放在振动传感器的振动源。四个振动传感器位于轴箱四个轮子分别如图3。

四个振动传感器主要用于收集垂直振动信号对整个车轮的缺点。垂直振动轮振动可能包括来自其他振动源,如不规则的铁路和地铁车辆的振动状态的身体。振动传感器将收集所有的垂直振动信号引起的所有因素,混合和收集的振动传感器,包括大量的噪音。此外,驱动组件包括齿轮箱和电机地铁车辆运行时还会产生振动,最后收集到的振动信号与振动电机和齿轮箱混合。如图1,振动信号可能显示不同振幅和频率的传感器1和2都位于两个轴框时,因为传感器附近1是齿轮箱和电机,而传感器2远离他们。

当地铁车辆具有良好的运行状态,采集振动信号的振动传感器将包括垂直振动造成的大量的振动源,如不规则的铁路和地铁车辆的振动状态的身体,不仅如此可怜的过失造成的轮子。在实践中,不同的振动造成的振动信号来源通常重叠和相互作用,和分离可怜故障的振动信号测量传感器采集的振动信号的预处理为整个故障诊断工作是地铁车辆的轮子。

本文将主成分的可怜的缺点和降噪方法摆脱干扰齿轮的振动,汽车和汽车的身体。我们建议的方法KPCA-DBN快速而准确地诊断的可怜的缺点没有人工特征提取和选择有效的信息保持原始数据的KPCA (16,17]。我们选择DBN的匹配参数和尺寸的KPCA地铁车辆的车轮的振动信号适应构建整个故障的诊断方法。

2.2。地铁车辆车轮的振动信号

我们选择三组垂直振动信号,这是正常的三种状态,初期的可怜的缺点,严重的地铁车辆的车轮的可怜的缺点。信噪比(信噪比)低于五当轮子初期或严重的可怜的缺点(表1)。十的每一组数据集选择振动信号测试诊断和消除干扰的方法提出了。收集的一波又一波的振动信号传感器在正常,初期,和故障状态数据所示4- - - - - -6为每个状态中,有四个波没有denosie和提取主成分。振动信号的光谱显示数据所示7- - - - - -9车轮时,光谱显示是正常的,潜在故障和故障状态,分别。

2.3。振动信号处理

振动信号的信噪比初期收集的缺点和错误状态传感器不超过四个,都是低信噪比信号,并有很强的噪声。这意味着错误的信息可能会淹没在强噪声,我们将提高振动信号的信噪比,选择小波阈值去噪函数和最佳的小波分解层数设置为摆脱强烈的噪音。然后,我们评估小波降噪的效果通过对比信噪比和原始之间的均方根误差和去噪信号。

3所示。基于DBN的故障诊断模型

3.1。的结构和Pretraining DBN

DBN通常用于预测和诊断(18- - - - - -20.),它是由限制玻耳兹曼机(元),和DBN的层数与增加疟疾的数量将会增加。DBN通常有多个隐层结构与多个组织遏制,和第一个遏制是可见的DBN层和输出层首先遏制输入层第二遏制。通过这种方式,两个相邻的遏制和输出层连接的遏制是输出层DBN(图10。DBN可以一步一步提取的特征数据,可以实现深度学习21,22]。

贪婪算法(23)和反向传播算法(BP)相结合来训练DBN,这样可以找到最优初始重量和获取深度信息的数据。英国石油公司采用调整全局优化的初始重量。

我们将选择适当的层数,数量的节点,步长当DBN用于诊断故障的轮子。否则,underfitting或过度拟合可能出现在学习不是最好的初始值,数据分布和其他因素。

我们试图匹配字符的DBN和车轮的振动信号通过以下方式不同轮状态。(1)贪婪算法和反向传播算法(BP)相结合来训练DBN,和英国石油公司采用全球优化调整权重。(2)DBN的结构简化为两个可怜的疟疾诊断故障振动信号分布的基础上,摆脱过度拟合。(3)难过的所有数据,以便训练数据和测试数据具有相同的分布underfitting逃跑。(4)通过传感器采集振动信号可能包括更多的噪音在地铁车辆的运行过程中,噪音可能影响DBN模型的输入和输出之间的映射。在本文中,小波和VMD摆脱噪音。(5)尽量选择合适的训练步骤,训练时间避免过度拟合和underfitting。

此外,我们选择适当数量的KPCA增加诊断的准确性的可怜和结合小波和正则化方法增加诊断模型的泛化。

3.2。由小波降噪处理和VMD

频率范围的轮子可以估计整个轮直径和地铁车辆运行速度的问题。车轮直径是840毫米。我们收集振动信号轮速度从92 r / min时592 r / min,然后,我们可以计算地铁车辆的速度是14.56公里到93.69公里/小时如下:

可怜的缺点造成的振动信号频率可以表达的 在哪里N是一个整数影响车轮的状态和如果有更可怜的缺点,N会比这少的可怜的缺点有轮子。n轮子的转动速度。当N等于1,可怜的错误可能造成的主要频率范围1.53赫兹和9.87赫兹之间不同的地铁车辆运行速度。

我们适应变分模式分解(VMD)将振动信号分解成五个固有模态函数(货币)和减少IMF1噪音信号的小波图所示11。信封图11 (b)显示了图的比这更明显的频率特性(11日),这是由小波处理。

3.3。整个故障诊断模型

振动信号的地铁车辆车轮传感器收集的噪音减少了降噪过程图12这是用于构建整个故障诊断模型的输入数据。70%的数据用于训练后DBN KPCA提取主要组件。KPCA维度数量减少是22为减少计算和重叠。然后,我们试图调整DBN的参数匹配地铁车辆的振动数据,得到更精确的诊断准确性的可怜轮集的故障。层数、节点数量、缩略字数量和时代数量应该调整,以满足地铁车辆的数据,当我们得到DBN的最佳参数,我们可以得到整个故障的故障诊断模型的地铁车辆车轮。模型可以用来区分是否有车轮上的可怜的缺点。

4所示。通过地铁车辆振动数据测试诊断模型

我们测试相结合的诊断模型小波,VMD, KPCA,地铁车辆振动和DBN方法使用三组数据,其中包括正常,初期,车轮和故障的振动信号采集的振动传感器,和每个状态数据组包括10集的振动信号。每组中有1024点的振动信号。首先,我们将所有振动信号和把他们分为训练数据集和测试数据集。再除以数据集和所有的数据与随机混合,过度拟合可能下降,可以提高诊断的准确性。

所有的振动信号是减少噪声信号通过小波和VMD,然后,信号由KPCA拒绝维度。所有的数据分为40集混合后。第二,我们选择两个RMBs DBN 20 30节点的第一层和第二层的节点。学习速率是0.001,迭代是1000。训练集输入整个故障的诊断模型,和测试集输入到训练模型来计算诊断准确性,0.8611。错误的测试测试1 9次拒绝与迭代(图13。这些测试2所示图14,这些测试3所示图15,这些测试4图所示16,这些测试4图所示17和测试如图518。

虽然相同的数据和相同的DBN参数在相同的测试,每个测试的误差下降过程是不同的DBN和随机初始权重值可能是分配给每个测试计算时间。

首先,选择尺寸的KPCA 40和节点的第一层是50,第二层是30;使用这些参数,测试诊断的准确性是0.80565。第二,改变KPCA的维度是20和节点的第一层是30,第二层是20;使用这些参数,测试诊断的准确性是0.8611。第三,改变KPCA的尺寸是25和第一层的节点数是20,第二层是20。然后,测试诊断的准确性是0.8889。我们继续改变KPCA的尺寸是22和节点数量的第一层是30,第二层是20。通过这些参数,测试诊断的准确性增加到0.9444。通过进一步改变KPCA的尺寸是25和其他参数没有改变,诊断精度为0.9722(表2。在第六个测试中,第二层是增强的节点数量是30,其他参数都是相同的测试5。

每个测试计算9次检查诊断方法的推广提出了本文和的平均精度测试6是0.9136,这是所有测试的平均精度最高。计算结果表明,该参数的测试6是最好的最优参数的测试。

测试6可能最好的泛化或者地铁车辆的诊断。迭代的数量提高到1500岁,和其他参数一样的测试6和平均精度几乎等于1000缩略字。这意味着1000缩略字时间足够对地铁车辆的振动信号。

在每次测试中,数据计算了1000次在一个时代,和许多时代可能在每次培训DBN模型的计算。我们计算每个测试(表9倍3。我们选择60岁,45岁,20世为测试6找到测试精度是怎样与不同时代*(图19。当时代的时间是20,测试精度的不同计算时间更稳定和20世纪可能是最好的纪元时报在60岁,45岁和20。当时代的时间是45到60,有各种计算精度在80.00%以下。这意味着当时代选择45至60,可能发生重叠,与时代的提高计算精度下降。与计算结果比较,我们选择了纪元时报是22。

我们选择的参数测试6 22时代和两个30元,30 DBN,,结合KPCA方法,采取的是整个地铁车辆故障诊断模型。

5。结论

提出了一种诊断方法的失圆的(可怜)地铁车辆车轮的缺点,结合核主成分分析(KPCA)和深度信念网络(DBN),名叫KPCA-DBN诊断模型,分析检测的可怜的过失轮子即使信噪比(信噪比)低于5。KPCA-DBN诊断模型是用来区分车轮与初期和严重的可怜的缺点24]。

振动信号采集的振动传感器运行地铁车辆用于训练和测试KPCA-DBN诊断模型。VMD和小波方法用于提取振动信号的主要组件,提高信噪比。比较强的样本熵判断组件KPCA-DBN诊断模型的噪声和调整参数,通过计算得到最优参数测试精度。进一步,配六组的参数,包括KPCA的维度,迭代次数,节点的第一层,第二层节点,学习速率和时代。平均测试精度是最好的诊断准确性和设置在0.9136的模型与参数测试6。与其他测试相比,有一个更好的泛化测试6。分析误差的差异与九在所有测试迭代次下降。时代设定在22号比45至60,相比之下,意味着测试精度。当时代号码是45到60,培训期间可能会有重叠的诊断模型。

发现KPCA-DBN诊断方法可以提高地铁车辆车轮的振动信号的信噪比和检测初期或者在地铁车辆运行故障,可以准确检测这样的早期或者错误的地铁车辆车轮。

诊断模型的平均精度提出了可以0.9136,和诊断模型提出了非常重要的在线检测的可怜的缺点。

总之,我们提出一个方法来诊断失圆的缺点的火车车轮,可以检测出故障的时间做出合理的维修方案。一个合理的维护计划将帮助降低维护的成本和停止时间的火车和提高列车运行时稳定性和安全性。

该方法也可以扩展到整个故障诊断的高速列车,铁路货车和其他轨道交通车辆。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明他们没有利益冲突。

作者的贡献

这项研究是由黄海丰和所有作者写的。

确认

这项工作得到了四川省科技计划项目(没有。19 gjhz0061)。作者表达自己真诚的感谢人工Intelligence-IBERAMIA进步2002点灵感。