文献类型：期刊文章

作　　者：曲志刚[1,2] 王曼[1] 李继清[1] 李印华[3] 王俊刚[4] 李书军[3]

QU Zhi-gang;WANG Man;LI Ji-qing;LI Yin-hua;WANG Jun-gang;LI Shu-jun(College of Electronic Information and Automation,Tianjin University of Science&Technology,Tianjin 300222,China;International Advanced Structural Integrity Research Centre,Tianjin University of Science&Technology,Tianjin 300222,China;Tianjin Optical Electrical Gaosi Communication Engineering Technology Co.,Ltd.,Tianjin 300211,China;China Railway Beijing Group Co.,Ltd.,Beijing 100860,China)

机构地区：[1]天津科技大学电子信息与自动化学院,天津300222 [2]天津科技大学先进结构完整性国际联合研究中心,天津300222 [3]天津光电高斯通信工程技术股份有限公司,天津300211 [4]中国铁路局北京集团有限公司,北京100860

出　　处：《测控技术》

基　　金：国家自然科学基金项目(51674176,61873187);教育部人文社会科学研究青年基金项目(18YJC630108)。

年　　份：2020

卷　　号：39

期　　号：5

起止页码：65-68

语　　种：中文

收录情况：JST、ZGKJHX、普通刊

摘　　要：铁路在交通运输行业有着举足轻重的地位,一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低,因此难以捕获列车的故障样本。针对上述问题,提出了一种无监督学习的列车故障识别方法,通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN),利用小波包分解提取检测信号的特征向量并将其作为DBN的输入,待网络充分训练后,由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明,该方法能够在无监督的条件下有效识别列车故障,保障了列车的运行安全。

关 键 词：列车故障诊断  深度学习  深度信念网络  小波包

分 类 号：TP29]