面向高速动车组牵引电机轴承故障预警的研究

目录

声明

致谢

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 故障预测与健康管理研究现状

1.2.2 轴承研究现状

1.3 本文的主要研究内容

1.4 本文的组织结构

2 理论基础与相关技术研究

2.1 故障预警研究

2.1.1 基于经验知识的方法

2.1.2 基于机理模型的方法

2.1.3 基于数据驱动的方法

2.2 轴承数据分析

2.2.1 温度数据分析

2.2.2 原始数据集描述

2.2.3 时间相关性分析

2.2.4 空间相关性分析

2.2.5 不同运行状态的相关性分析

2.3 轴承温度预测方法

2.3.1 方法的选择

2.3.2 长短期记忆网络

2.4 本章小结

3 基于多任务学习和注意力机制的LSTM的温度预测

3.1 问题描述

3.2 基于Attention的LSTM模型

3.2.1 注意力机制

3.2.2 基于Attention的LSTM结构

3.3 基于MTL和Attention的LSTM模型

3.3.1 多任务学习

3.3.2 基于MTL和Attention 的LSTM结构

3.4 AM-LSTM的损失函数优化

3.4.1 回归问题的损失函数

3.4.2 分位数的MSE损失函数

3.5 多任务学习的损失函数优化

3.5.1 基于同方差不确定性的MTL损失函数

3.5.2 基于梯度归一化的MTL损失函数

3.5.3 基于Gradient的MTL 联合损失函数

3.6 实验验证

3.6.1 实验数据及环境配置

3.6.2 评价指标

3.6.3 实验设计

3.6.4 实验结果及分析

3.7 本章小结

4 基于多模型融合的动态阈值的故障预警

4.1 问题描述

4.2 基于模糊隶属度函数的运行状态识别

4.2.1 模糊理论概述

4.2.2 模糊统计试验法

4.2.3 模糊分布法

4.2.4 运行状态的模糊识别

4.3 模糊运行状态下的多模型融合

4.4 基于动态阈值的故障预警

4.5 实验验证

4.5.1 实验数据及环境配置

4.5.2 评价指标

4.5.3 实验设计

4.5.4 实验结果及分析

4.6 本章小结

5 总结与展望

5.1 工作总结

5.2 工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集