基于shapelets学习算法的动车组轴箱轴承早期故障识别方法研究

目录

声明

致谢

1 引言

1.1 研究意义与课题背景

1.2 滚动轴承故障诊断的研究现状

1.2.1基于传统信号处理方法的故障诊断

1.2.2 智能故障诊断方法

1.3 时间序列分类方法综述

1.4 本文主要研究内容

2 基于shapelets的时间序列分类方法

2.1 shapelets的起源与意义

2.2 shapelets暴力发现算法

2.3 基于 shapelets 的时间序列分类方法

2.3.1 shapelets学习算法模型的建立

2.3.2 shapelets分类算法原理

2.4 基于机器学习的全局 shapelets发现算法

2.5 基于 CWRU数据集的 shapelets诊断方案验证

2.5.1 CWRU数据集介绍

2.5.2 基于 CWRU数据集的轻度故障-正常轴承模型验证

2.6 本章小结

3 动车组轴承故障采集实验及数据前处理

3.1 动车组轴箱轴承故障数据采集实验

3.1.1 轴箱轴承常见故障分析

3.1.2 动车组轴承故障数据采集实验

3.2 动车组走行部轴承故障诊断系统

3.2.1 简易诊断机理

3.2.2 诊断系统软硬件配置

3.3 数据前处理

3.4 本章小结

4 基于shapelets的动车组轴箱轴承故障诊断验证

4.1 诊断模型配置

4.1.1 诊断模型参数选择

4.1.2 超平面参数个数选择

4.1.3 机器学习分类结果的评价指标

4.2 基于 shapelets 的诊断模型与卷积神经网络模型的比较

4.3 诊断模型的泛化能力提升

4.3.1 模型泛化能力方面的不足

4.3.2 提升泛化能力的方法

4.3.3 诊断模型泛化能力提升验证

4.4 本章小结

5 结论与展望

5.1 研究结论

5.2 研究展望

参考文献

附录 A

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