仪器仪表学报

作者：宋志坤，徐立成，胡晓依，任海星，李 强

单位：宋志坤,1.北京交通大学机械与电子控制工程学院,,徐立成,1.北京交通大学机械与电子控制工程学院,,胡晓依,1.北京交通大学机械与电子控制工程学院,,任海星,1.北京交通大学机械与电子控制工程学院,,李 强,1.北京交通大学机械与电子控制工程学院,

关键词：故障诊断;滚动轴承;shapelets;机器学习;动车组

现存的两种分别基于信号处理技术和大数据处理技术的滚动轴承故障诊断方法,存在着过度依赖信号处理、模型复杂、可解释性弱等特点。针对传统故障诊断技术的不足,本文将基于shapelets学习算法的时间序列分类方法引入故障诊断领域,通过动车组轮对台架滚振实验建立了动车组轴箱轴承故障的非平衡数据集,并基于Dropout思想对诊断模型进行了改进。实验结果表明,该方法在保证故障诊断精确度的同时,保留了shapelets作为“最具代表性的时间序列子序列”的强可解释性。同时,基于Dropout的模型改进提升了模型的泛化性能,在轴承故障数据的训练集和测试集上都取得了100%的诊断精度,证明了基于shapelets的改进学习算法是一种可行的应用于动车组轴箱轴承故障诊断的方法。

来源：2021年第2期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2021年第2期