基于LSTM循环神经网络的转向架部件监测参数趋势预测

故障诊断与预测通过海量数据，采用推断统计、神经网络等研究方法，对监测数据进行分析和预测，从而评估轨道车辆的健康状况，最大限度保证轨道车辆各系统部件健康工作。本文通过研究转向架关键部件的物理特性，结合长短期记忆网络在处理“长期依赖”问题的优势，构建了基于长短期记忆网络的转向架关键参数趋势预测模型。为了验证方法的有效性，本文使用CRH380动车组转向架轴箱轴承和齿轮箱的温度监测数据进行了预测。结果表明，基于长短期记忆网络的转向架关键部件参数趋势预测方法能够有效预测转向架关键参数的变化趋势。

转向架系统作为轨道车辆的核心部件，其健康状态直接影响着车辆的行车安全，而转向架轴箱轴承和齿轮箱是转向架中最为核心的部分。研究表明，在车辆故障诱因中，大约30%是由上述部件的损坏引起的。

随着转向架系统的结构复杂性和耦合性越来越高， 传统的以专家经验为诊断依据的方法已不适用。

特别是轨道车辆维修由计划性维修向状态性维修转变的过程中，亟需实现对车辆系统部件性能状态的预测能力。为此，本文通过研究转向架关键部件的物理特性，结合长短期记忆网络在处理“长期依赖”问题的优势，构建了基于长短期记忆网络的转向架关键参数趋势预测模型。本文使用CRH380 动车组转向架轴箱轴承和齿轮箱的温度监测数据进行了预测，验证了方法的有效性。

2. 国内外现状 目前，关于转向架系统的故障诊断研究，国内外学术团体及工业界已取得了一定的研究成果。冯泽阳等人分析了我国当前转向架故障诊断的技术特点，通过小波包变换提取了列车转向架故障工况的能量特征向量， 同时结合列车振动信号的时频特征， 提出一种基于多维特征SVM 模型的列车转向架故障诊断方法。并通过滚动振动试验台实测的转向架故障运行工况数据，对比了SVM 算法和BP 神经网络的诊断性能[1]。颜云华等人针对转向架系统故障诊断问题，将SVM 的硬输出通过Platt 模型转化为概率输出， 用混淆矩阵来评估分类器的识别能力；将分类器局部可信度作为DS 融合时的折扣因子， 建立了基于SVM和DS 结合的转向架系统故障诊断模型[2]。刘建强等人针对转向架轴承故障特征极容易受到轮轨激扰和环境随机噪声影响的问题，提出一种故障诊断方法。该方法首先对采集的振动信号进行降噪预处理，并利用小波包分析法将其分解为多个频带，基于峭度指标自适应调整各频带包络分析和故障搜索的顺序， 快速、充分地提取轴承故障特征[3]。王远霏等人针对地铁车辆转向架轴承的故障诊断方法大多采用单一