科研之友
微信
新浪微博
Facebook
分享链接
摘要
高铁列车关键部件的智能化诊断是当前电气化铁路智能检测与控制的关键一环,如何通过深度学习方法更精确、灵敏地诊断出高铁列车关键部件的故障已成为当前研究的热点。该文在卷积神经网络架构的基础上,提出了融合注意力机制与多尺度网络的故障诊断方法,选择4种乙丙橡胶(ethylene propylene rubber, EPR)电缆终端典型缺陷模型作为研究对象,通过所提出的融合注意力机制与多尺度网络的方法进行了终端典型缺陷的诊断。结果表明:所提出的方法对于EPR电缆终端故障的预测准确率达95.9%,相较于传统方法,预测准确率提高15%;同时,相较于其他深度学习方法,该方法对终端故障的预测准确率提高了5%,且所构建的诊断模型的训练迭代步数减少约40%。该文还提出了一种在极值寻优能力、网络稳定性、特征学习能力优于多尺度网络的网络模型,但相较于传统识别方法,深度学习方法的模型训练时间过长,如何缩短网络的模型训练时间还需要进一步深入研究。
- 单位
