云平台下基于深度学习的高速列车走行部故障诊断技术研究

《云平台下基于深度学习的高速列车走行部故障诊断技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、力治又邊乂＇＾ＷＳＯＵＴＨＷＥＳＴＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ＾顿士学位论文＿ＭＡ－ＳＴＥＲＤＩＳＳＥＲＴＡＴＩＯＮ＾＾论文题百？去平台下基于深麼學习的高速列车走行？故障诊断技术研究位类别：工学社科专业：信号与信息处理「．：２０１２卑级：：厮究生：谢吉朋＾５导老师：杨燕：国内图书分类号：ＴＰ３０１．６密级公幵国际图书分类号：６８１．１４西南交通大学研究生学位论文云平台下基于深度学习的高速列车走行部故障诊断技术研究年级二〇一二级姓名谢吉朋申请学位级别硕士专业信号与

2、信息处理指导老师杨燕教授二零一五年五月ＣｌａｓｓｉｆｉｅｄＩｎｄｅｘ：ＴＰ３０１．６Ｕ．Ｄ．Ｃ：６８１．１４ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙＭａｓｔｅｒＤｅｇｒｅｅＴｈｅｓｉｓＲＥＳＥＡＲＣＨＯＮＦＡＵＬＴＤＩＡＧＮＯＳＩＳＯＦＨＩＧＨＳＰＥＥＤＲＵＮＮＩＮＧＧＥＡＲＢＡＳＥＤＯＮＤＥＥＰＬＥＡＲＮＩＮＧＵＮＤＥＲＣＬＯＵＤＰＬＡＴＦＯＲＭＧｒａｄｅ：２０１２Ｃａｎｄｉｄａｔｅ：ＸｉｅＪｉｐｅｎｇＡｃａｄｅｍｉｃＤｅｒｅｅＡｌｉｅｄｆｏｒ：Ｍａｓｔｅｒｇｐｐ

3、Ｓｅｃｉａｌｉｔ；ＳｉｎａｌａｎｄｉｎｆｏｒｍａｔｉｏｎｒｏｃｅｓｓｐｙｇｐＳｕｐｅｒｖｉｓｏｒ：Ｐｒｏｆ．ＹａｎｇＹａｎＭａ２０１５ｙ，西南交通大学学位论文版权使用授权书、本学位论文作者完全了解学校有关保留使用学位论文的规定，同意学校保留并。向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以釆用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于１．保密口，在年解密后适用本授权书；２．不保密使用本授权书。以上方框内打“十’

4、（请在）－学位论文作者签名ｔ指导老师签名：＇Ｉ：武曰期：．曰期＞１＼＼＼＾西南交通大学硕士学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下：（１）本文分析高速列车走行部在不同工况下的振动信号时域和频域特性，在此基一础上ＦＦＴ－，结合深度学习，提出了种基于ＤＢＮｓ的列车走行部故障诊断方法，实现对高铁振动数据进行多层特征提取并进行了故障诊断。分别用三种诊断模型对高速列ＦＴ－车走行部进行故障诊断仿真实验，结果表明基于ＦＤＢＮｓ的高速列车走行部故障诊断方法的诊断效果比较好。一２－ＤＢＮｓ－ｓ提出了种基于Ｋ的列车走行部故障诊断模型，

5、利用ＫＤＢＮ对高速（）列车走行部振动信号进行特征提取并进行故障诊断仿真实验。结合无监督学习和有监督学习过程，改进ＲＢＭ学习过程，通过优化ＲＢＭ模型来提高深度学习对特征提取的效果，并利用改进的深度学习模型对高速列车走行部振动信号进行特征提取及故障诊断仿真实验。（３）研究了ＲＤＤ并行计算框架模型的编程模式，结合高速列车振动数据处理需要，利用云计算技术Ｓｐａｒｋ完成对深度学习中主要运算的改进，提出并实现了基于Ｓｐａｒｋ的振动数据特征提取及故障诊断方法，并通过实验验证了大数据下该方法的有效性。本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成

6、果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰。。写过的研究成果对本文的研究做出贡献的个人和集体，均已在文中作了明确说明一本人完全了解违反上述声明所引起的切法律责任将由本人承担。学位论文作者签名：ｔ＾曰期：Ｔｃ／Ｊｒ？夕．／）西南交通大学硕士研究生学位论文第１页摘要随着我国高速列车快速发展，高速列车安全性越来越受到人们的重视和关注。与列车运行联系最为密切的是列车的走行部。因此，对，为了确保高速列车的安全运行列车的走行部进行监测及故障诊断就显得尤为重要。实验中在列车的车体、轴箱和构架等部位装有大量的多类型的振动传感器

7、，用来采集列车运行过程中的振动数据，通过监测这些振动数据来确定走行部的运行状态。然而，如何快速地高效地从这些海量一振动数据中提取特征并进行故障诊断是个需要解决的难题。一一且深度信念网络方面，深度学习是最强大的数据特征表达技术之，并（ＤＢＮｓ）作为构建这种深层结构的先驱一，它近似个高度复杂的非线性特征提取器，每个隐藏层从输入数据中学习获得高阶相关性特征，并为解决深层结构相关的优化难题带来了