计算机应用

作者：杜小磊, 陈志刚, 张楠, 许旭

单位：1. 北京建筑大学 机电与车辆工程学院, 北京 100044;2. 北京建筑大学 北京市建筑安全监测工程技术研究中心, 北京 100044

关键词：列车,压缩感知,小波自编码器,深度学习,故障识别

基金：国家自然科学基金资助项目（51605022）；北京市属高校基本科研业务费专项（X18217）；北京市教育委员会科技计划一般项目（SQKM201710016014）；北京市优秀人才培养资助项目（2013D005017000013）。

针对列车走行部故障振动数据无监督特征学习的难点，提出了一种基于压缩感知和深度小波神经网络（CS-DWNN）的列车故障识别方法。首先，对采集得到的列车走行部振动信号利用高斯随机矩阵进行压缩采样；其次，构建以改进小波自编码器（WAE）为基础的深层小波网络，将压缩后的信号直接输入网络进行自动逐层特征提取；最后，用DWNN学习到的多层特征分别训练多个深度支持向量机（DSVM）和深度森林（DF）分类器，并将识别结果进行集成。该方法利用深层小波网络从压缩信号中自动挖掘隐藏的故障信息，受先验知识和主观影响较小，并且避免了复杂的人工特征提取过程。实验结果表明，CS-DWNN方法取得了99.16%的平均诊断正确率，能够有效识别列车走行部的3种常见故障，识别能力优于传统的人工神经网络（ANN）、支持向量机（SVM）等方法和深度信念网络（DBN）、堆栈降噪自编码器（SDAE）等深度学习模型。

来源：2019年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第7期