仪器仪表学报

作者：琚泽东，陈寅生

单位：琚泽东,哈尔滨理工大学测控技术与通信工程学院哈尔滨150080,,陈寅生,哈尔滨理工大学测控技术与通信工程学院哈尔滨150080,chenys@hrbust.edu.cn,

关键词：传动系统;故障诊断;噪声抑制;联想记忆;多层次特征

利用深度学习模型对传动系统进行故障诊断，有助于提升列车运行的平稳性与安全性。然而，列车运行环境复杂多变，传动系统的故障信号易受噪声干扰甚至被淹没，从而导致诊断模型性能下降。因此，提出了一种多层次联想记忆网络，用于诊断噪声干扰下列车传动系统的故障。首先，提出了一种双域特征提取模块，用于捕获并融合时域与频域中的潜在信息，从而提取多层次特征。其次，提出了一种特征片段化编码器，将连续特征按固定长度与步长切分为部分重叠片段，并注入位置信息，使其具备内容可寻址能力。然后，提出一种片段特征关联重建器，在片段间进行内容可寻址的关联与预测，用于补全受噪声干扰的片段，并通过加海宁窗与重叠相加实现连续特征重建。同时，引入了门控残差连接单元，有选择地将重建特征注入多层次特征中，以增强细节恢复和抗噪能力。最后，分别在自构建数据集和公开数据集上进行了充分实验，以验证所提方法的有效性和优越性。实验结果显示，在多种噪声干扰任务下，所提方法在两个数据集上的平均诊断准确率分别达到94.40%和97.96%，较7种对比方法至少分别提升11.15%和2.41%。实验结果表明，所提方法能够有效抑制噪声干扰，具有较高的诊断性能，在列车传动系统故障诊断中具有一定的应用潜力。

来源：2026年第1期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第1期