故障诊断 | 基于GASF-CNN的状态识别研究

概述

抗蛇行减振器作为高速动车组二系悬挂系统的关键零部件，对改善车辆运动稳定性、提高车辆系统的临界速度具有重要意义。抗蛇行减振器在高级修时需全部进行拆解维修或报废处理，若在高级修中的三、四级修时其性能尚能够满足实际使用要求，将其过早地拆解检修或者报废换新无疑增加了运用成本。

国内外学者在对抗蛇行减振器劣化状态进行有效识别方面进行了大量研究工作。这些研究包括以下几个方面：

抗蛇行减振器的常见故障类型调研：研究人员对动车组运营过程中抗蛇行减振器的故障类型进行了调研和分类，以了解不同故障类型对减振器性能的影响。

抗蛇行减振器的作用机理和建模方法：通过对减振器的作用机理进行研究，学者们建立了相应的数学模型来描述减振器的性能。这些模型可以用于分析减振器的工作状态和预测其劣化情况。

抗蛇行减振器参数对动力学性能的影响和优化：研究人员通过对减振器参数的分析和优化，探索了不同参数对动车组的动力学性能的影响。他们试图找到最佳参数配置，以提高列车的运行稳定性和舒适性。

利用机器学习等人工智能算法开展劣化状态的识别：学者们尝试应用机器学习和人工智能算法，如卷积神经网络（CNN），来识别抗蛇行减振器的劣化状态。这些算法可以通过对实测数据进行训练和测试，实现对减振器劣化状态的准确识别。

然而，目前在抗蛇行减振器劣化状态识别方面，大部分研究主要基于仿真数据，并且常常考虑极端工况，如减振器严重失效或直接拆除等情况。这些设置与实际情况存在较大偏差。相比之下，基于实测数据的识别模型研究相对较少。

为此，研究人员针对服役过程中抗蛇行减振器的实际劣化状态，提出了一种新的识别方法。他们构建了一个基于格拉姆角和场（Gramian Angular Summation Fields，GAS