书籍详情
基于数据驱动的高速列车转向架故障诊断
作者：黄德青，秦娜，马磊 著
出版社：科学出版社
出版时间：2021-10-01
ISBN：9787030683519
定价：¥129.00
购买这本书可以去
内容简介
《基于数据驱动的高速列车转向架故障诊断》系统阐述高速列车转向架故障诊断相关方法的理论基础及实践应用。《基于数据驱动的高速列车转向架故障诊断》共6章，第1章主要介绍转向架的基础知识以及国内外故障诊断方法的研究现状。第2～5章主要介绍不同类型的转向架故障诊断方法，分别从信号处理、深度学习、复合模型的角度开展转向架高精度智能故障诊断研究。第6章从转向架智能协同故障诊断、多源振动耦合关系下的故障诊断以及面向嵌入式应用和在线运行的故障诊断三个角度展望了转向架故障诊断方法。
作者简介
暂缺《基于数据驱动的高速列车转向架故障诊断》作者简介
目录
目录
第1章 绪论 1
1.1 高速列车转向架 3
1.1.1 转向架基本知识 3
1.1.2 高速列车转向架故障及性能退化 6
1.2 国内外研究现状 9
1.2.1 故障诊断研究现状 9
1.2.2 高速列车转向架故障诊断研究现状 20
1.3 本书内容构架 22
参考文献 23
第2章 基于信号处理的转向架故障诊断 38
2.1 机械故障信号常规特征参数 38
2.1.1 时域特征 38
2.1.2 频域特征 44
2.1.3 时频域特征 46
2.2 信息测度理论体系 51
2.2.1 信息熵测度指标 51
2.2.2 复杂度指标 52
2.3 基于小波信息熵的转向架故障特征分析 53
2.3.1 小波信息熵理论基础 53
2.3.2 转向架故障信号小波信息熵特征提取 54
2.3.3 高速列车转向架故障诊断 59
2.4 基于经验模态熵的转向架故障特征分析 62
2.4.1 聚合经验模态分解理论 62
2.4.2 经验模态能量矩特征提取 66
2.4.3 经验模态熵特征提取 68
2.4.4 经验模态复杂度特征提取 74
2.5 转向架性能退化的关联信息测度特征分析 82
2.5.1 转向架性能退化估计方法 82
2.5.2 互相关样本熵 82
2.6 基于复合特征分析模型的转向架故障诊断 85
2.6.1 复合信息测度模型 85
2.6.2 多准则特征选择 87
2.6.3 流形二次特征降维 91
参考文献 95
第3章 基于卷积神经网络的转向架故障诊断 97
3.1 卷积神经网络模型概述 97
3.2 基于一维卷积神经网络的转向架故障分类 102
3.2.1 一维卷积神经网络模型 102
3.2.2 故障分类实验结果分析 106
3.3 基于胶囊神经网络的转向架故障分类 109
3.3.1 胶囊神经网络模型 109
3.3.2 故障分类实验结果分析 112
3.4 基于RSNet卷积神经网络的转向架故障诊断 116
3.4.1 RSNet卷积神经网络模型 116
3.4.2 故障分类实验结果分析 118
3.4.3 故障定位实验结果分析 122
参考文献 123
第4章 基于递归神经网络的转向架故障诊断 124
4.1 递归神经网络模型概述 124
4.1.1 循环神经网络 124
4.1.2 长短期记忆网络 125
4.2 基于LSTM的转向架故障分类 127
4.2.1 LSTM网络模型 127
4.2.2 故障分类实验结果分析 128
4.2.3 对比实验结果分析 130
4.2.4 数据特征扩展及鲁棒性验证 133
4.3 基于LSTM的转向架部件参数蜕变拟合 138
4.3.1 部件参数蜕变拟合实验设计 138
4.3.2 固定行车速度的单通道部件参数蜕变拟合分析 141
4.3.3 固定行车速度的全通道部件参数蜕变拟合分析 149
4.4 基于GRU网络的转向架故障分类 154
4.4.1 GRU网络模型 154
4.4.2 故障分类实验结果分析 155
4.4.3 部件性能退化程度实验结果分析 156
4.4.4 对比实验结果分析——极限梯度提升(XGBoost) 157
参考文献 159
第5章 基于复合模型的转向架故障诊断 161
5.1 基于卷积循环神经网络的转向架故障分类 161
5.1.1 卷积循环神经网络模型 161
5.1.2 消融实验 166
5.1.3 与机器学习算法的对比实验 166
5.1.4 与深度学习算法的对比实验 169
5.2 基于多重卷积循环神经网络的转向架故障分类与性能退化评估 171
5.2.1 多重卷积循环神经网络模型 172
5.2.2 消融实验 173
5.2.3 对比实验结果分析 176
5.2.4 泛化性能结果分析 177
5.3 基于双域融合DenseNet的转向架故障诊断 179
5.3.1 DenseNet模型 179
5.3.2 双域融合网络模型结构 180
5.3.3 实验数据及流程 182
5.3.4 故障分类实验结果分析 184
5.3.5 故障定位实验结果分析 188
5.3.6 基于分类算法的转向架性能退化评估 189
5.4 基于ICEEMDAN和1D-CNN的转向架故障诊断 191
5.4.1 ICEEMDAN和1D-CNN模型 191
5.4.2 故障分类实验结果分析 196
5.4.3 故障定位实验结果分析 199
参考文献 203
第6章 未来展望 205
6.1 基于复合神经网络的转向架智能协同故障诊断 205
6.1.1 高速列车转向架的多传感器优化布局 206
6.1.2 高速列车转向架智能协同一次诊断 206
6.1.3 高速列车转向架智能协同二次诊断 207
6.2 前转向架-车体-后转向架耦合振动机理分析及故障诊断 207
6.2.1 前转向架-车体-后转向架耦合振动机理分析 207
6.2.2 前后转向架多源振动信号分离与识别 208
6.2.3 多源振动耦合关系下转向架故障诊断 208
6.3 面向转向架在线故障诊断的神经网络泛化和轻量化 209
6.3.1 面向多速度、多车型、多轨道的转向架故障诊断模型泛化 209
6.3.2 面向嵌入式应用的转向架故障诊断模型轻量化 209
6.3.3 面向在线运行的高速列车转向架故障诊断模型融合 210
第1章 绪论 1
1.1 高速列车转向架 3
1.1.1 转向架基本知识 3
1.1.2 高速列车转向架故障及性能退化 6
1.2 国内外研究现状 9
1.2.1 故障诊断研究现状 9
1.2.2 高速列车转向架故障诊断研究现状 20
1.3 本书内容构架 22
参考文献 23
第2章 基于信号处理的转向架故障诊断 38
2.1 机械故障信号常规特征参数 38
2.1.1 时域特征 38
2.1.2 频域特征 44
2.1.3 时频域特征 46
2.2 信息测度理论体系 51
2.2.1 信息熵测度指标 51
2.2.2 复杂度指标 52
2.3 基于小波信息熵的转向架故障特征分析 53
2.3.1 小波信息熵理论基础 53
2.3.2 转向架故障信号小波信息熵特征提取 54
2.3.3 高速列车转向架故障诊断 59
2.4 基于经验模态熵的转向架故障特征分析 62
2.4.1 聚合经验模态分解理论 62
2.4.2 经验模态能量矩特征提取 66
2.4.3 经验模态熵特征提取 68
2.4.4 经验模态复杂度特征提取 74
2.5 转向架性能退化的关联信息测度特征分析 82
2.5.1 转向架性能退化估计方法 82
2.5.2 互相关样本熵 82
2.6 基于复合特征分析模型的转向架故障诊断 85
2.6.1 复合信息测度模型 85
2.6.2 多准则特征选择 87
2.6.3 流形二次特征降维 91
参考文献 95
第3章 基于卷积神经网络的转向架故障诊断 97
3.1 卷积神经网络模型概述 97
3.2 基于一维卷积神经网络的转向架故障分类 102
3.2.1 一维卷积神经网络模型 102
3.2.2 故障分类实验结果分析 106
3.3 基于胶囊神经网络的转向架故障分类 109
3.3.1 胶囊神经网络模型 109
3.3.2 故障分类实验结果分析 112
3.4 基于RSNet卷积神经网络的转向架故障诊断 116
3.4.1 RSNet卷积神经网络模型 116
3.4.2 故障分类实验结果分析 118
3.4.3 故障定位实验结果分析 122
参考文献 123
第4章 基于递归神经网络的转向架故障诊断 124
4.1 递归神经网络模型概述 124
4.1.1 循环神经网络 124
4.1.2 长短期记忆网络 125
4.2 基于LSTM的转向架故障分类 127
4.2.1 LSTM网络模型 127
4.2.2 故障分类实验结果分析 128
4.2.3 对比实验结果分析 130
4.2.4 数据特征扩展及鲁棒性验证 133
4.3 基于LSTM的转向架部件参数蜕变拟合 138
4.3.1 部件参数蜕变拟合实验设计 138
4.3.2 固定行车速度的单通道部件参数蜕变拟合分析 141
4.3.3 固定行车速度的全通道部件参数蜕变拟合分析 149
4.4 基于GRU网络的转向架故障分类 154
4.4.1 GRU网络模型 154
4.4.2 故障分类实验结果分析 155
4.4.3 部件性能退化程度实验结果分析 156
4.4.4 对比实验结果分析——极限梯度提升(XGBoost) 157
参考文献 159
第5章 基于复合模型的转向架故障诊断 161
5.1 基于卷积循环神经网络的转向架故障分类 161
5.1.1 卷积循环神经网络模型 161
5.1.2 消融实验 166
5.1.3 与机器学习算法的对比实验 166
5.1.4 与深度学习算法的对比实验 169
5.2 基于多重卷积循环神经网络的转向架故障分类与性能退化评估 171
5.2.1 多重卷积循环神经网络模型 172
5.2.2 消融实验 173
5.2.3 对比实验结果分析 176
5.2.4 泛化性能结果分析 177
5.3 基于双域融合DenseNet的转向架故障诊断 179
5.3.1 DenseNet模型 179
5.3.2 双域融合网络模型结构 180
5.3.3 实验数据及流程 182
5.3.4 故障分类实验结果分析 184
5.3.5 故障定位实验结果分析 188
5.3.6 基于分类算法的转向架性能退化评估 189
5.4 基于ICEEMDAN和1D-CNN的转向架故障诊断 191
5.4.1 ICEEMDAN和1D-CNN模型 191
5.4.2 故障分类实验结果分析 196
5.4.3 故障定位实验结果分析 199
参考文献 203
第6章 未来展望 205
6.1 基于复合神经网络的转向架智能协同故障诊断 205
6.1.1 高速列车转向架的多传感器优化布局 206
6.1.2 高速列车转向架智能协同一次诊断 206
6.1.3 高速列车转向架智能协同二次诊断 207
6.2 前转向架-车体-后转向架耦合振动机理分析及故障诊断 207
6.2.1 前转向架-车体-后转向架耦合振动机理分析 207
6.2.2 前后转向架多源振动信号分离与识别 208
6.2.3 多源振动耦合关系下转向架故障诊断 208
6.3 面向转向架在线故障诊断的神经网络泛化和轻量化 209
6.3.1 面向多速度、多车型、多轨道的转向架故障诊断模型泛化 209
6.3.2 面向嵌入式应用的转向架故障诊断模型轻量化 209
6.3.3 面向在线运行的高速列车转向架故障诊断模型融合 210
猜您喜欢
