期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于轴箱振动与动力学模型驱动的高速列车车轮失圆状态识别方法 被引量：1
1
作者 邓磊鑫 谢清林 +1 位作者 陶功权 温泽峰 《机械工程学报》 EI CAS CSCD 北大核心 2023年第3期110-121,共12页
针对高速列车车轮失圆识别难以兼顾效率与精度问题,提出一种基于轴箱振动与动力学模型的高速列车车轮失圆状态智能识别方法。首先,利用静态检测设备采集车轮非圆原始数据,提出一种数据增强技术构建车轮非圆增强数据集。其次,将增强数据... 针对高速列车车轮失圆识别难以兼顾效率与精度问题,提出一种基于轴箱振动与动力学模型的高速列车车轮失圆状态智能识别方法。首先,利用静态检测设备采集车轮非圆原始数据,提出一种数据增强技术构建车轮非圆增强数据集。其次,将增强数据集输入至高速列车车辆—轨道耦合动力学模型,获取车轮不同失圆状态下轴箱振动样本集。最后,通过构建恰当结构与配置参数的一维卷积神经网络(1-dimensional convolutional neural network,1-DCNN),可对轴箱振动信号进行自适应特征提取,实现对车轮失圆状态的智能识别分类。结果表明:提出的车轮失圆状态智能识别方法能实现正常车轮、多边形车轮、擦伤车轮、随机非圆化车轮与局部缺陷车轮5类车轮失圆状态的智能分类,准确率达99.2%(标准差为0.05),且单个样本平均识别耗时为0.4 ms。结合现场试验,所提方法对实测轴箱振动具有较好识别能力,测试精度为95%。与经典的SVM和BP神经网络相比,1-DCNN模型具有更高的识别准确度。 展开更多
关键词 车轮失圆 车辆—轨道耦合动力学模型 轴箱振动 数据增强 一维卷积神经网络
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部