龐榮，余志斌，熊維毅，李輝

(西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031)

?

基于深度學(xué)習(xí)的高速列車轉(zhuǎn)向架故障識(shí)別

龐榮，余志斌，熊維毅，李輝

(西南交通大學(xué) 電氣工程學(xué)院，四川 成都 610031)

摘要:為提取高速列車轉(zhuǎn)向架關(guān)鍵部件振動(dòng)信號(hào)的特征，提出基于深度學(xué)習(xí)(Deep Learning)的高速列車轉(zhuǎn)向架故障識(shí)別新方法。以轉(zhuǎn)向架關(guān)鍵部件非全拆單工況故障信號(hào)為研究對(duì)象，對(duì)故障信號(hào)進(jìn)行離散傅里葉變換，然后依據(jù)深度學(xué)習(xí)的降噪自動(dòng)編解碼過(guò)程對(duì)故障的頻域信號(hào)進(jìn)行特征學(xué)習(xí)，并以此特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入實(shí)現(xiàn)轉(zhuǎn)向架故障信號(hào)的識(shí)別。實(shí)驗(yàn)結(jié)果表明：在不同速度下，所提方法對(duì)轉(zhuǎn)向架關(guān)鍵部件非全拆故障識(shí)別正確率能達(dá)到100%，表明了該方法的有效性。

關(guān)鍵詞：深度學(xué)習(xí)；離散傅里葉變換；高速列車；轉(zhuǎn)向架

隨著高速列車的飛速發(fā)展，列車的安全穩(wěn)定運(yùn)行變得尤為重要。金學(xué)松等[1]總結(jié)了引起高速列車運(yùn)行安全的主要因素是關(guān)鍵零部件失效和重大自然災(zāi)害。轉(zhuǎn)向架是高速列車走行部的重要組成部分，其機(jī)械性能的優(yōu)劣對(duì)整個(gè)高速列車系統(tǒng)運(yùn)行的可靠性和安全性都有著非常重要的影響，因此，高速列車轉(zhuǎn)向架關(guān)鍵部件的性能檢測(cè)及故障診斷方法在實(shí)際應(yīng)用中有著重要的意義[2]。由于轉(zhuǎn)向架發(fā)生故障的機(jī)理復(fù)雜，特征信號(hào)不明顯，利用常規(guī)的信號(hào)處理方法很難有效提取故障信息及對(duì)轉(zhuǎn)向架故障做出正確識(shí)別[3]。因此，隨著對(duì)高速鐵路安全的重視，研究出準(zhǔn)確率高的轉(zhuǎn)向架故障識(shí)別方法變得越來(lái)越迫切。黃照偉等[4]從動(dòng)力學(xué)方面研究了高速列車車輪磨耗與高速列車運(yùn)行性能的關(guān)系。史紅梅等[5]研究了列車蛇行運(yùn)動(dòng)穩(wěn)定性以及不同線路和速度下高速列車振動(dòng)性能。這些成果對(duì)實(shí)施高速列車運(yùn)行狀態(tài)的跟蹤監(jiān)測(cè)提供了理論基礎(chǔ)，并獲得了大量的跟蹤監(jiān)測(cè)數(shù)據(jù)。[6]如何從振動(dòng)數(shù)據(jù)中準(zhǔn)確地分析出高速列車故障特征及分類是一個(gè)亟待研究的問(wèn)題。張兵等[3，6]研究了監(jiān)測(cè)數(shù)據(jù)中的均值、三階原點(diǎn)距及中心距、以及自相關(guān)系數(shù)的衰減度對(duì)走行部的橫向失穩(wěn)。孫永奎[7]通過(guò)多重分形理論分析了轉(zhuǎn)向架3種典型全拆工況故障。由于高速列車轉(zhuǎn)向架工況故障的復(fù)雜性，戴津等[8]的方法均未能充分反映監(jiān)測(cè)數(shù)據(jù)所包含關(guān)鍵部件變化時(shí)動(dòng)力學(xué)的信息特征和考慮到列車實(shí)際運(yùn)行情況即很少出現(xiàn)全拆工況故障。同時(shí)，這些方法均需要人為設(shè)計(jì)并選擇轉(zhuǎn)向架故障信號(hào)特征，其缺點(diǎn)是耗時(shí)，且工作量大。近年來(lái)，Hinton等[9-10]基于人腦學(xué)習(xí)的思想提出了一種深度學(xué)習(xí)的機(jī)器學(xué)習(xí)方法。深度學(xué)習(xí)也稱深度神經(jīng)網(wǎng)絡(luò)，該方法是一種多層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法，具有多非線性映射的深層結(jié)構(gòu)，可以完成復(fù)雜的函數(shù)逼近；它通過(guò)無(wú)監(jiān)督訓(xùn)練逐層學(xué)習(xí)算法以獲取輸入數(shù)據(jù)的主要驅(qū)動(dòng)變量和數(shù)據(jù)的分布式特征。Dahl等[11-12]分析論證了深度學(xué)習(xí)對(duì)非平穩(wěn)信號(hào)特征學(xué)習(xí)的有效性，并應(yīng)用于語(yǔ)音信號(hào)識(shí)別中，在標(biāo)準(zhǔn)TIMIT語(yǔ)音數(shù)據(jù)庫(kù)中取得當(dāng)前最好的效果。深度學(xué)習(xí)可通過(guò)深層網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)有效表征關(guān)鍵信息的特征，以提高識(shí)別精度，并且減少了人為設(shè)計(jì)特征的缺點(diǎn)。因此，本文基于深度學(xué)習(xí)思想提出一種新的轉(zhuǎn)向架故障工況識(shí)別方法，以期獲得更高的識(shí)別精度。將該方法應(yīng)用于非全拆工況故障信號(hào)特征提取并分類識(shí)別，實(shí)驗(yàn)結(jié)果表明了該方法的有效性。

1深度學(xué)習(xí)理論

1.1　降噪自動(dòng)編碼器模型

Hinton等[13]提出的自動(dòng)編碼器模型如圖1所示，其數(shù)學(xué)描述可表示為：

y=fθ(x)=s(Wx+b)

(1)

(2)

其中θ′={W′,b′}，其中W和b′分別為W和b的轉(zhuǎn)置。通過(guò)訓(xùn)練數(shù)據(jù)最小化互熵LIH(x,z)，使重建信號(hào)z和原始輸入x之間誤差盡量小。

minLIH(x,z)=min{-∑j[xjlogzj+

(1-xj)log(1-zj)]}

(3)

圖1　基本自動(dòng)編碼器模型Fig.1 Structure diagram of autoencoders

圖2　圖2 降噪自動(dòng)編碼器模型~qD(|x)(“?”表示置0)Fig.2 Structure diagram of denoising autoencoders

1.2　基于深度學(xué)習(xí)特征學(xué)習(xí)模型

深度學(xué)習(xí)使用前饋型神經(jīng)網(wǎng)絡(luò)即是堆疊多個(gè)神經(jīng)元層，并且每一層的輸出作為高一層的輸入，通過(guò)逐層特征變換，將樣本在原空間的特征表示變換到一個(gè)新特征空間來(lái)學(xué)習(xí)對(duì)原輸入具有更好表征的特征。如果將學(xué)習(xí)結(jié)構(gòu)看作一個(gè)網(wǎng)絡(luò)，則深度學(xué)習(xí)的核心思想可描述如下：1)無(wú)監(jiān)督學(xué)習(xí)用于每一層網(wǎng)絡(luò)的預(yù)訓(xùn)練；2)每次用無(wú)監(jiān)督學(xué)習(xí)只訓(xùn)練一層，將其訓(xùn)練結(jié)果作為其高一層的輸入；3)用無(wú)(有)監(jiān)督訓(xùn)練來(lái)調(diào)整所有層(加上一個(gè)或者更多的用于產(chǎn)生預(yù)測(cè)的附加層)。

基于上述思想，對(duì)原始輸入信號(hào)x，首先使用大量的無(wú)標(biāo)注的數(shù)據(jù)通過(guò)無(wú)監(jiān)督學(xué)習(xí)的算法來(lái)進(jìn)行模型參數(shù)的初始化，稱模型預(yù)訓(xùn)練(Pre-training)。其中Pre-training主要是通過(guò)逐層訓(xùn)練降噪自動(dòng)編碼器得到一個(gè)多層的編碼器模型，然后使用較少量的標(biāo)注數(shù)據(jù)，利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法(如BP算法)來(lái)學(xué)習(xí)模型的參數(shù)，稱模型微調(diào)Fine-tuning。當(dāng)把DAE應(yīng)用于分類等任務(wù)時(shí)需要在DAE的頂層添加一個(gè)與深度學(xué)習(xí)模型訓(xùn)練目標(biāo)相關(guān)的Softmax輸出層或線性回歸層，形成具有初始化網(wǎng)絡(luò)參數(shù)的深度學(xué)習(xí)(連接Softmax輸出層網(wǎng)絡(luò)參數(shù)除外，該層參數(shù)通?？呻S機(jī)初始化)。則Softmax輸出層對(duì)應(yīng)深度學(xué)習(xí)的輸出目標(biāo)值。該模型采用無(wú)監(jiān)督逐層預(yù)訓(xùn)練優(yōu)化網(wǎng)絡(luò)和有監(jiān)督微調(diào)整個(gè)網(wǎng)絡(luò)構(gòu)成深度學(xué)習(xí)模型稱為堆疊降噪自動(dòng)編碼器模型(Stack Denoising Autoencoders, SDAE)如圖3所示。

圖3　深度學(xué)習(xí)模型Fig.3 Structure diagram for SDAE

1.3　基于深度學(xué)習(xí)的振動(dòng)信號(hào)識(shí)別算法

通常對(duì)于處理連續(xù)非平穩(wěn)的信號(hào)如振動(dòng)信號(hào)和聲音信號(hào)等，首先先對(duì)信號(hào)進(jìn)行離散傅里葉變換(discrete Fourier Transforms, DFTs)得到信號(hào)的頻域信號(hào)[11]，然后采用無(wú)監(jiān)督的預(yù)訓(xùn)練得到一個(gè)多層的DAE模型。最后經(jīng)DAE初始化的深度學(xué)習(xí)進(jìn)一步通過(guò)傳統(tǒng)的BP算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行監(jiān)督微調(diào)。

基于深度學(xué)習(xí)的振動(dòng)信號(hào)(SDAE)算法流程圖如圖4所示。

圖4　深度學(xué)習(xí)算法流程圖Fig.4 Flow chart of deep network algorithm

2實(shí)驗(yàn)分析及結(jié)果

2.1　轉(zhuǎn)向架構(gòu)成及數(shù)據(jù)來(lái)源

實(shí)驗(yàn)采用車體及轉(zhuǎn)向架仿真模型如圖5所示，該模型依據(jù)牽引動(dòng)力國(guó)家重點(diǎn)實(shí)驗(yàn)室機(jī)車車輛整車滾動(dòng)振動(dòng)試驗(yàn)臺(tái)，基于多體動(dòng)力學(xué)SIMPACK軟件平臺(tái)，搭建的列車振動(dòng)仿真模型。

(a)整車模型；(b) 轉(zhuǎn)向架模型圖5　高速列車仿真模型Fig.5 Simulation model of the high-speed train

仿真模型由1個(gè)車體，2個(gè)構(gòu)架和4個(gè)輪對(duì)構(gòu)成；列車上裝有58個(gè)傳感器通道，高速列車走行部主要零部件含有4個(gè)二系空氣彈簧(成對(duì))、4個(gè)橫向二系減震器及8個(gè)抗蛇行減震器。仿真機(jī)車運(yùn)行工況主要涉及列車正常狀態(tài)和非全拆的單故障包括單個(gè)橫向減振器失效、單個(gè)抗蛇行減振器失效、一對(duì)空氣彈簧失氣)。每種工況下運(yùn)行速度按照80 ，120，140，160和200 km/h。每種速度下運(yùn)行3.6 min并記錄傳感器數(shù)據(jù)，采樣頻率為243 Hz。實(shí)驗(yàn)數(shù)據(jù)截取2s即486個(gè)采樣點(diǎn)為一個(gè)樣本，每種工況樣本數(shù)為100個(gè)，將樣本隨機(jī)二等分為訓(xùn)練樣本和測(cè)試樣本。由實(shí)際列車運(yùn)行情況可知，當(dāng)列車發(fā)生故障，單個(gè)零部件壞的可能比全部零件壞的可能性更大，因此，實(shí)驗(yàn)選取了所有工況單個(gè)關(guān)鍵部件故障作為實(shí)驗(yàn)對(duì)象，研究并分析單個(gè)部件失效對(duì)列車運(yùn)行狀態(tài)的影響，即本文主要針對(duì)分析單個(gè)故障工況在轉(zhuǎn)向架上的振動(dòng)信號(hào)特征，其更具有實(shí)際意義。

2.2　轉(zhuǎn)向架振動(dòng)信號(hào)分析及結(jié)果

本文實(shí)驗(yàn)采用深度學(xué)習(xí)模型為SDAE，輸入層的結(jié)點(diǎn)數(shù)為DFT變換后的特征維數(shù)，輸出層結(jié)點(diǎn)個(gè)數(shù)為故障的分類數(shù)。其余初始化參數(shù)選取通過(guò)200次以上測(cè)試選取最優(yōu)參數(shù)，參數(shù)初始化見(jiàn)表1。實(shí)驗(yàn)環(huán)境：主頻為2.8 Hz的4核CPU電腦及Matlab2013b。為了確定深度神經(jīng)網(wǎng)絡(luò)的層數(shù)，采用文獻(xiàn)[13]方法確定層數(shù)，層數(shù)和識(shí)別率之間關(guān)系如圖6所示：

圖6　隱含層層數(shù)與分類正確率關(guān)系Fig.6 Relationship between hidden Layer numbers and the dassification accuracy

由圖6可知，對(duì)于轉(zhuǎn)向架振動(dòng)信號(hào)，本文將隱含層確定3層進(jìn)行實(shí)驗(yàn)。

表1　SDAE模型參數(shù)

識(shí)別正確率定義如下：

(4)

式中：ρ表示識(shí)別正確率；N表示測(cè)試樣本總數(shù)；r表示正確識(shí)別樣本數(shù)。所有實(shí)驗(yàn)正確率均是試驗(yàn)10次所得平均值，振動(dòng)信號(hào)時(shí)域如圖7所示。7(a)表示列車正常狀態(tài)；7(b)表示單個(gè)橫向減振器失效；7(c)表示單個(gè)抗蛇行減振器失效；7(d)表示一對(duì)空氣彈簧失氣。

圖7　正常狀態(tài)與非全拆單個(gè)故障工況失效時(shí)域Fig.7 Time domain chart of the normal state and single fault

按照1.3節(jié)所提出的算法流程，首先對(duì)振動(dòng)信號(hào)進(jìn)行DFT變換，變換后信號(hào)如圖8所示。由圖8可看出，相對(duì)于正常狀態(tài)，當(dāng)轉(zhuǎn)向架出現(xiàn)單個(gè)故障工況時(shí)，頻域信號(hào)有一定差異性(b，c和d)的幅值比a的幅值略小；而單個(gè)故障工況之間的差別不大。然后對(duì)DFT變換后的信號(hào)采用深度學(xué)習(xí)進(jìn)行特征學(xué)習(xí)，獲得振動(dòng)信號(hào)的有效特征并進(jìn)行分類識(shí)別。

圖8　正常狀態(tài)與非全拆單個(gè)故障工況失效頻域Fig.8 Spectrum of the normal state and single fault

當(dāng)深度學(xué)習(xí)訓(xùn)練后，使用文獻(xiàn)[14]所提的t-SNE方法(t分布的隨機(jī)鄰近嵌入)，該方法根據(jù)兩點(diǎn)之間的相似度為思想進(jìn)行聚類分析，可用于高維數(shù)據(jù)在二維或者三維空間上的數(shù)據(jù)點(diǎn)位置的可視化，采用該方法可視化4種工況樣本的分布圖，如圖9所示。

圖9　正常狀態(tài)與非全拆單個(gè)故障工況有效特征Fig.9 Feature map of the normal state and single fault

從圖9中可以清楚地看到正常狀態(tài)(a)和單個(gè)故障(b，c和d)樣本之間有很大的距離，而單個(gè)故障樣本之間大部分也能區(qū)分開(kāi)，但有少量的樣本存在交疊的情況，因單個(gè)故障振動(dòng)數(shù)據(jù)之間差異性較小。將深度學(xué)習(xí)(SDAE算法)與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比分析實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表2　通道1算法性能對(duì)比

從表2中可看出，由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)可能陷入局部極值，與深度學(xué)習(xí)方法相比，其總體平均識(shí)別率較低、算法運(yùn)行耗時(shí)較長(zhǎng)。深度學(xué)習(xí)正是克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)易陷入局部極值的缺點(diǎn)，大大提升了訓(xùn)練速度，同時(shí)也獲得了較好效果。

對(duì)各種速度下的各種故障工況采用深度學(xué)習(xí)對(duì)特征進(jìn)行自動(dòng)學(xué)習(xí)并分類識(shí)別正確率如表3所示。

表3　通道1各工況識(shí)別平均正確率

表3中可看出正常狀態(tài)在各種速度下都能達(dá)到100%的識(shí)別率，即采用該方法可以較準(zhǔn)確的判斷出正常和非正常狀態(tài)。而對(duì)于非全拆單個(gè)故障工況之間也能達(dá)到較高的識(shí)別率，表明該方法對(duì)各種故障工況能進(jìn)行有效識(shí)別。表3中還可看出，空氣彈簧失氣(d)識(shí)別率相對(duì)較低，因通道1為車體中部橫向加速度振動(dòng)信號(hào)，該通道主要檢測(cè)橫向的振動(dòng)信號(hào)，對(duì)抗蛇行減振器故障和橫向減振器故障有比較好的敏感度，而對(duì)空氣彈簧失氣敏感度??；而隨著速度降低，空氣彈簧失氣(d)工況識(shí)別率有小幅度下降，因速度較低時(shí)，通道1(橫向加速度振動(dòng)信號(hào)特征)對(duì)垂向的空氣彈簧故障敏感程度有所下降。

3結(jié)論

1)提出將深度學(xué)習(xí)算法應(yīng)用于高速列車轉(zhuǎn)向架故障診斷，采用深度學(xué)習(xí)逐層學(xué)習(xí)振動(dòng)信號(hào)中有效表征狀態(tài)信息的特征，并采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別。對(duì)高速列車的4種典型的非全拆工況進(jìn)行工況識(shí)別。

2)實(shí)驗(yàn)結(jié)果表明深度學(xué)習(xí)能夠充分表征高速列車的運(yùn)行狀態(tài)，對(duì)非全拆故障識(shí)別正確率能達(dá)到100%。為高速列車的故障信號(hào)診斷提供了一種新的思路，對(duì)高速列車實(shí)際的運(yùn)行決策有重要意義。

3)實(shí)驗(yàn)數(shù)據(jù)均為轉(zhuǎn)向架阻尼部件非全拆故障工況數(shù)據(jù)，而實(shí)際轉(zhuǎn)向架阻尼部件的故障常常是漸變的，因此下一步研究的重點(diǎn)和難點(diǎn)是在于研究探討深度學(xué)習(xí)算法對(duì)轉(zhuǎn)向架故障漸變參數(shù)。

參考文獻(xiàn)：

[1] 金學(xué)松,郭俊,肖新標(biāo),等.高速列車安全運(yùn)行研究的關(guān)鍵科學(xué)問(wèn)題[J].工程力學(xué),2009,12(增2):8-22,105.

JIN Xuesong, GUO Jun, XIAO Xinbiao, et al.Key scientific problems in the study on running safety of high speed train[J].Engineering Mechanics,2009,12(Suppl 2):8-22,105.

[2] 王新銳,丁勇,李國(guó)順.鐵路貨車可靠性試驗(yàn)方法及評(píng)價(jià)標(biāo)準(zhǔn)的研究[J].中國(guó)鐵道科學(xué),2010，31(1):116-122.

WANG Xinrui, DING Yong, LI Guoshun.Study on the reliability test method and evaluation specifications of railway freight car[J].China Railway Science, 2010，31(1):116-122.

[3] 張兵.列車關(guān)鍵部件安全監(jiān)測(cè)理論與分析研究[D].成都：西南交通大學(xué),2008.

ZHANG Bin.Study on the theory and analysis of the key components of train safety monitoring [D].Chengdu：Journal of Southwest Jiaotong University,2008.

[4] 黃照偉,崔大賓,杜星,等.車輪偏磨對(duì)高速列車直線運(yùn)行性能的影響[J].鐵道學(xué)報(bào),2013,35(2):14-20.

HUANG Zhaowei, CUI Dabin, DU Xing, et al.Simulation on wheel wear prediction of high-speed train[J].Journal of the China Railway Society, 2013,35(2):14-20.

[5] 史紅梅,余祖俊,周佳亮.不同線路條件及運(yùn)行速度下高速列車振動(dòng)性能分析[J].北京交通大學(xué)學(xué)報(bào),2012,36(1): 112-116.

SHI Hongmei, YU Zujun, ZHOU Jialiang.Vibration analysis of high-speed vehicles under the conditions of various speed and lines[J].Journal of Beijing Jiaotong University, 2012,36(1): 112-116.

[6] 陸嘯秋,趙紅衛(wèi),黃志平,等.高速列車運(yùn)行安全監(jiān)控技術(shù)[J].鐵道機(jī)車車輛,2011,31(2):34-37,81.

LU Xiaoqiu, ZHOU Hongwei, HUANG Zhiping, et al.High-speed train running safety monitoring technology[J].Railway Locomotive & Car, 2011, 31(2):34-37,81.

[7] 孫永奎,余志斌,金煒東.基于多重分形與SVM的高速列車運(yùn)行狀態(tài)識(shí)別方法[J].西南交通大學(xué)學(xué)報(bào),2015,50(1):7-12.

SUN Yongkui, YU Zhibin, JIN Weidong.Recognizing running state of high-speed train based on multifractal theory and SVM [J].Journal of Southwest Jiaotong University,2015,50(1):7-12.

[8] 戴津,劉峰,董孝卿,等.基于同一轉(zhuǎn)向架歷史對(duì)比與同一列車橫向?qū)Ρ鹊霓D(zhuǎn)向架狀態(tài)監(jiān)測(cè)[J].鐵道機(jī)車車輛,2010,30(2):26-29,37.

DAI Jin, LIU Feng, DONG Xiaoqing, et al.Bogie condition monitoring based on comparing historical date of one bogie and date of all bogies in one train[J].Railway Locomotive & Car,2010,30(2):26-29,37.

[9] Hinton G E, Salakhutdinov R.Reducing the dimensionality of data with neural networks[J].Science, 2006,313(7):504-507.

[10] Hinton G E, Osindero S, Whye Y.A fast learning algorithm for deep belief nets [J].Neural Computation, 2006(18):1527-1554.

[11] Dahl G E, DONG Yu, LI Deng, et al.Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition [J].IEEE Transactions on Audio, Speech, and Language Processing, 2012(20):30-42.

[12] Mohamed A R, Dahl G E, Hinton G E.Acoustic modeling using deep belief networks [J].IEEE Transactions on Audio, Speech & Language Processing,2012(20):1-9.

[13] Vincent P, Larochelie H, Lajoie I, et al.Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion[J].Journal of Machine Learning Research, 2010(11): 3371-3408.

[14] Maaten L J P, Hinton G E.Visualizing high-dimensional data using t-sne [J].Journal of Machine Learning Research, 2008(9):2579-2605.

(編輯蔣學(xué)東)

Faults recognition of high-speed train bogie based on deep learning

PANG Rong, YU Zhibin, XIONG Weiyi, LI Hui

(School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，China)

Abstract:To extract the features of vibration signals of high-speed train bogie, a novel approach, which is based on Deep Network, was proposed to recognize the faults of high-speed train bogie.Fault signals were obtained from non-whole single fault of key components of bogie.The discrete fourier trandform was conducted to the fault signals and then a denoising autoencoders was presented to abstract features of vibration signals.Based on the deep learning concept, a deep network was build to recognize the faults of high-speed train bogie.The experimental results show that the recognition rate is 100% for non-whole fault of key components of bogie at the different speed, which verified the effectiveness of the proposed method.

Key words：deep learning; discrete fourier transforms; high-speed train; bogie

通訊作者：余志斌(1977-)，男，湖南寧鄉(xiāng)人，教授，博士，從事模式識(shí)別與人工智能研究；E-mail：zbinyy@126.com

基金項(xiàng)目：國(guó)家自然科學(xué)重點(diǎn)基金資助項(xiàng)目(61134002)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2682014CX029)

收稿日期：2015-04-11

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1672-7029(2015)06-1283-06