论文总字数：20024字

摘 要

轨道交通作为在整个交通运输领域占据主导地位的交通方式之一，它的安全一直受到大量的关注，为了保证轨道交通的健康运行，必须要高速，高精度、高效的找出铁轨中的故障。过去传统的数据处理在面对大量数据的非线性关系和复杂结构时存在不足，而新兴的深度学习方法具有更强的能力来处理复杂的数据。

论文主要研究了对车轴和车厢位置的时域加速度的数据进行处理，搭建卷积神经网络、密集连接网络、长短期记忆网络等网络模型进行训练并与传统的支持向量机的机器学习方法进行对比。通过修改模型的相关参数来对模型进行优化，提高模型的准确度。并对各个算法的实验结果进行对比分析。

实验结果表明：密集连接网络模型、卷积神经网络、长短期记忆网络这三种深度学习的方法都可以获得损失值较小的模型。但在效率上仍有差距，在同样的学习率下，卷积神经网络所需的训练次数最少，长短期记忆模型次之，密集连接网络模型所用的时间最多。该实验为铁轨的故障检测提供了解决方案。

关键词：深度学习；神经网络；故障检测

Abstract

As one of the dominant transportation modes in the entire transportation field, rail transit has received a lot of attention for its safety. In order to ensure the healthy operation of rail transit, it is necessary to find out the faults in the rails with high speed, high precision and high efficiency. In the past, traditional data processing was inadequate in the face of the nonlinear relationship and complex structure of a large amount of data, and the emerging deep learning methods have a stronger ability to process complex data.

The paper mainly studies the processing of the time-domain acceleration data of the axle and compartment positions, builds convolutional neural networks, densely connected networks, long-short-term memory networks and other network models for training and compares them with traditional support vector machine machine learning methods. By modifying the relevant parameters of the model to optimize the model, improve the accuracy of the model. And comparative analysis of the experimental results of each algorithm.

The experimental results show that the three deep learning methods of densely connected network model, convolutional neural network, and long and short-term memory network can all obtain models with small loss values. But there is still a gap in efficiency. At the same learning rate, the convolutional neural network requires the least number of trainings, followed by the long and short-term memory model, and the densely connected network model takes the most time. This experiment provides a solution for the fault detection of rails.

Key Words：neural network；deep learning；machinery fault diagnosis

目录

第1章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 1

1.3本文主要研究内容 3

第2章 总体设计 4

2.1功能设计 4

2.2铁轨数据特点分析 4

2.3开发平台选择 4

2.4深度学习机制 5

2.4.1密集连接网络模型 5

2.4.2卷积神经网络模型 5

2.4.3长短期记忆模型 6

2.4.4支持向量机 6

2.5 系统运行流程 6

第3章 系统具体实现 8

3.1 数据预处理 8

3.2训练集和测试集 8

3.3基于数据驱动的铁轨故障检测方法的实现 9

3.3.1四种模型及其训练流程 9

3.3.2激活函数的选取 10

3.3.3损失函数 11

3.3.4优化器 11

3.3.5 密集连接模型 12

3.3.6卷积神经网络 13

3.3.7长短期记忆模型 14

3.4参数调整及模型优化 16

第4章 运行结果及测试 18

4.1运行结果 18

4.2测试 20

第五章 结论与展望 24

5.1结论 24

5.2展望 24

参考文献 26

致谢 27

第1章 绪论

1.1 研究目的及意义

轨道交通作为我国交通方式的重要组成部分，关系着各个行业能否正常运行。但轨道交通在创造大量的经济效益时，同时也要面对许多安全问题，而铁轨是关系到铁路交通安全的重要设备，对行车安全有着直接的影响，当铁轨出现故障时，以最快的速度检测并进行修复对轨道交通的安全至关重要。随着我国近年来在交通方面的大力发展，铁路运输规模已远超之前，主要干线的列车重量和行车密度的不断增加，数据量越加庞大。面对海量的数据，传统的故障检测的方法已经捉襟见肘。如何对大量复杂的数据进行处理？如何从复杂的数据中对轨道的故障进行检测？选择建立什么样的模型可以帮助我们更好的解决该问题，是我们本次研究的目的。

随着计算机技术、网络技术和测量技术的快速发展，铁轨方面有大量的监测以及维修数据可以使用，利用这使得铁轨震荡故障的智能检测成为可能。随着铁轨的增加，铁轨产生的数据量越来越大，而传统的方法对于这种大量的非线性的复杂数据处理存在不足，已经不能满足我们的需要，而铁轨产生任何故障都可能会造成灾难性的后果。现在新兴的深度学习(DL, Deep Learning)方法对于这种数据有着更强的处理能力，能够帮助我们高效地从相关的数据中筛选出我们所需要的内容。

综上所述，利用快速发展的故障诊断技术，应用于铁轨故障检测中，可以有效的提高对铁轨震荡故障检测的效率，对铁轨震荡故障快速准确的维修具有重要意义。

1.2 国内外研究现状

故障诊断是工业生产中的重要问题，生产技术发展至今，已有大量的故障诊断的方法，现在比较常用的分类方法是国际故障诊断领域权威的德国P.M Frank教授的观点，即把故障诊断的方法基于知识的方法，基于数学模型的方法和基于数据驱动的方法^[1]。随着现代机械化设备的复杂化，影响故障检测的数据急剧增加，传统的故障检测已经无法应付现在复杂的数据。随着相关技术的发展，深度学习算法目前应用于越来越多的机械监控系统中，在解决各种故障和复杂的故障原因、复杂的监控系统、大范围的非线性数据以及早期预测弱故障的障碍等方面都证明了其优越的性能。

深度学习通过其特性学习过程将复杂冗余的信息提取出有用的数据进行故障检测。就传统地机器学习方法而言，特征提取的目的是选择信息量最大的特征子集。然而，很难确定哪些特性最能代表数据集中的信息，而且很少是完全客观的。为了取代特征提取，近年来在端到端的学习方法的开发上投入了大量的努力，这有助于增强机器数据深度学习的鉴别特征。特征学习被认为是原始数据的转换。特征学习会输出原始输入数据的一种新的表示，其中数据是针对给定任务的最佳表示。深度学习避免了传统的特征提取陷阱，能够自适应地从原始数据派生表示。由于深度学习模型的独特功能，它们已经被应用于机械故障诊断领域，在面对大量的非线性的数据处理时，展现了出了独特的优势。

在国外，已经有不少领域运用了深度学习进行故障检测，在一些领域中，故障据量大，且故障特征不明显。深度学习能从故障特征不明显的数据中筛选出故障处理需要的特征，对故障进行检测。已有大量关于深度学习在故障检测方面的应用。

美国通过8个传感器检测启动系统数据并从中提取24个特征参数，对神经网络进行训练，选择了ART2（Adaptive resonance theory）和BP(Back Propagation)两类神经网络结构，实现对11类故障进行诊断和分离^[2]。

请支付后下载全文，论文总字数：20024字