典型文献
基于机器学习的高速列车轴承温度状态识别
文献摘要：
通过研究大量的高速列车轴承温度实测历史数据,提出了利用轴承温度关联测点之间的变化相似作为实现轴承温度状态连续性识别的依据.首先,应用无监督学习One-class SVM算法进行异常识别,结果表明该算法虽然可以较好地识别异常即"紧急"状态,但无法实现轴承温度状态的连续性识别.然后,进一步地根据相对温度变化将轴承从正常到故障失效整个过程定义为4个阶段,即长、中、短、紧急,并提出了以包含相对温度及温变速率等信息的图像样本来描述轴承温度状态变化的数据表达方式.最后,应用深度学习CNN算法进行轴承温度状态的连续性识别,结果表明CNN模型能够可靠地识别轴承温度的不同状态,从而为实现高速列车轴承预测性维护提供了一定支撑.
文献关键词：
车辆工程;轴承温度状态;卷积神经网络;图像识别;高速列车;机器学习
中图分类号：
作者姓名：
段亮;宋春元;刘超;魏苇;吕成吉
作者机构：
中车长春轨道客车股份有限公司国家轨道客车工程研究中心,长春130002
文献出处：
引用格式：
[1]段亮;宋春元;刘超;魏苇;吕成吉-.基于机器学习的高速列车轴承温度状态识别)[J].吉林大学学报（工学版）,2022(01):53-62
A类：
轴承温度状态
B类：
基于机器学习,高速列车轴承,状态识别,温度实测,历史数据,联测,无监督学习,One,class,异常识别,温变速率,像样,状态变化,数据表达,表达方式,预测性维护,车辆工程,图像识别
AB值：
0.189539
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
