论文总字数：20922字

摘 要

随着城市化进程的加快，人们越来越离不开公共轨道交通，因此有轨列车在越来越多的场合体现出优越性。有轨列车的安全性直接影响到人们的出行。滚动轴承作为城市轨道交通列车最重要也是故障率最高的机械零件之一，对它进行快速而准确的故障诊断是提升有轨列车日常人工检测和定期维护工作效率的有效方式。深度学习手段的蓬勃发展，滚动轴承的诊断方法也向智能化进步。本文从轴承故障诊断的原因及分类入手，结合深度学习、网络训练的方法，给出了5种解决方法，分别是基于RBF网络分类法、基于BP网络分类法、基于PNN网络分类法、基于BP网络预测法和基于BP-Adaboost网络预测法。用这五种方法对400组已知故障数据进行深度学习，把其中300组作为训练组，100组作为测试组，能将无故障、内圈故障、滚动体故障和外圈故障四类信号分辨出来，准确率均可达到90%以上。

关键词：滚动轴承，故障诊断，神经网络

Abstract

With the acceleration of the urbanization process, public rail transit reflects its advantages in more and more occasions. The safety of rail trains directly affects people's travel. Rolling bearing is the most important part of the urban rail transit train running department with the highest failure rate. Rapid and accurate fault diagnosis is an effective way to improve the daily manual inspection and regular maintenance work efficiency of rail trains. With the continuous development of deep learning technology, fault diagnosis methods for rolling bearings have progressed toward intelligent diagnosis. Starting from the development history of rolling bearing fault diagnosis and combined with neural network training methods, five methods for fault diagnosis of rolling bearings are proposed, which are respectively based on RBF neural network classification, BP neural network classification, PNN-based neural network classification, and BP Neural Network Prediction Method and BP-Adaboost Neural Network Prediction Method. Using these five methods, 400 sets of known failure data were studied in depth. Among them, 300 sets were used as training set and 100 sets were used as test set. The four types of signals can be distinguished from no fault, inner race fault, ball fault and out race fault, and the accuracy rate can reach more than 90%.

KEY WORDS: Rolling bearing, Troubleshooting, Neural Networks,

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 选题背景及意义 1

1.2 有轨列车走行部故障诊断方法研究现状 1

1.3 本文研究内容及章节安排 2

1.3.1 研究内容 2

1.3.2 研究难点 3

1.3.3 论文章节安排 3

第二章 基于深度学习的滚动轴承故障诊断原理 5

2.1 RBF网络预测算法 5

2.2 概率神经网络（PNN）模式分类算法 6

2.3 BP神经网络算法以及其改进 7

2.3.1 BP神经网络模式分类法 7

2.3.2 BP神经网络预测算法 8

2.3.3 BP-Adaboost神经网络预测算法 8

2.4 本章小结 9

第三章 基于深度学习的滚动轴承故障诊断方法对比研究 10

3.1 数据来源以及预处理 10

3.2 基于深度学习的滚动轴承故障诊断算法实现 11

3.2.1 RBF神经网络预测算法 11

3.2.2 BP神经网络模式分类 13

3.2.3 概率网络（PNN）模式分类 16

3.2.4 BP神经网络预测 19

3.2.5 BP-Adaboost神经网络预测算法 23

3.3 本章小结 28

第四章 基于深度学习滚动轴承故障诊断方法应用验证 29

4.1 数据来源以及预处理 29

4.2 基于深度学习算法的诊断结果 30

4.3 结果分析 34

4.4 本章小结 34

第五章 总结与展望 36

5.1 工作总结 36

5.2 研究展望 36

致谢 38

参考文献 39

第一章 绪论

选题背景及意义

随着我国人民生活水平不断提高和城市化的飞速推进，我国车辆正以每年新增2000万辆的速度增加，交通出行压力与日俱增，每天各个城市的车载广播都实时播报早晚高峰拥堵路段，上海、杭州等大城市甚至采取限号、分时段限外地牌照的措施，但是效果甚微，而公共交通能有效缓解该压力，减少车流量。作为公共交通的代表，城市轨道交通有着容量巨大、速度飞快且环保低碳等优点，近年来无论是总长度还是客流量都增长迅猛。以南京地铁为例，截至2017年12月，有四条地铁线或沿线正在建设中；有十条地铁线或沿线已进入准备阶段，即将在三年内开工。在近十年内，南京将陆陆续续建成25条总长度高达1011.2公里的地铁线路。

在城市轨道交通的发展不仅体现在长度上。据统计，南京地铁的最高车速从1、2、3、10号线的80km/h，到S1号的100km/h，再到S8号线的120km/h。如何保证城市轨道交通在高速行驶且频繁起停的条件下保持其稳定性和安全性成为了一个热门课题。有轨列车在频繁变速的过程中，处于走行部的滚动轴承最容易受到损伤，因此对损伤进行识别和诊断非常有实际意义。

随着AI和机器学习的推广，许多工业产品也将机器学习应用在诊断上。在对列车走行部进行轴承诊断方面，目前在深度学习算法支持下的故障诊断和以往的故障诊断方法相比有着迅速高效的特点，但是诊断的准确率约为80%~85%，依然有着较大的提升空间。因此系统地研究其诊断方法。这不仅能加速我国轨道交通的发展，更能使我国在这方面有制定准则的能力，成为轨道交通行业顶尖国家。

1.2 有轨列车走行部故障诊断方法研究现状

国内外学者针对有轨列车走行部的故障诊断提出了很多方法，近年来出现了很多基于深度学习的模式分类算法。

剩余内容已隐藏，请支付后下载全文，论文总字数：20922字