用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 6. 信号处理与特征分析 > 特征与分类

关键词搜索：

标 题： A Fault Diagnosis Method for High-speed Train Wheelset Bearings Based on Deep Learning
基于深度学习的高速列车轮对轴承故障诊断方法
作 者： Hu Zheng
Libin Tan
Xiaoliu Yu
关键词： Bearing  [轴承]
Fault diagnosis  [ 故障诊断]
Feature extraction  [ 特征提取]
SNR  [ 信噪比]
出版年： 2022
文集名： 5th World Conference on Mechanical Engineering and Intelligent Manufacturing (WCMEIM 2022)
第五届世界机械工程与智能制造大会（WCMEIM 2022）
会议名： 5th World Conference on Mechanical Engineering and Intelligent Manufacturing (WCMEIM 2022)
第五届世界机械工程与智能制造大会（WCMEIM 2022）
届 次： 5th
摘 要： Aiming at the problem that the traditional fault diagnosis method is difficult to effectively extract the fault features of the high-speed train wheelset bearing signal, this paper proposes a fault diagnosis method based on the two-dimensional image method. First, the one-dimensional vibration signal is converted into a Two-dimensional grayscale image, eliminating the influence of expert experience on the feature extraction process. Then an improved network model is proposed, which can automate the process of feature extraction and fault diagnosis. Finally, this paper simulates the complex driving environment of high-speed trains by adding noise with different SNRs to the vibration signal and analyzes the influence of noise on the diagnostic ability of the method. The results show that the method is effective.

针对传统故障诊断方法难以有效提取高速列车轮对轴承信号故障特征的问题，本文提出了一种基于二维图像的方法。首先，将一维振动信号转换为二维灰度图像，从而消除了专家经验对特征提取过程的影响。接着，提出一种改进的网络模型，可实现特征提取和故障诊断过程的自动化。最后，通过在振动信号中加入不同信噪比（SNR）的噪声，模拟高速列车复杂的运行环境，分析了噪声对方法诊断能力的影响。结果表明，该方法具有良好的有效性。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号