2026, 40(3): 308-314, 354.
doi: 10.12299/jsues.25-0009
摘要:
轴承作为转向架的关键部件,对列车的安全运行有着重要的影响。针对传统轴承故障诊断算法提取的特征在故障诊断模型中表现较差,且降维过程常丢失重要结构信息,提出一种结合变分自编码器(variational autoencoder, VAE)与流形学习的新型滚动轴承故障诊断算法——SFVD (SQuaDMDS-FItSNE and variational autoencoder-based diagnosis)。通过在β-VAE中引入残差结构和SimAM模块进行特征提取,并使用SQuaMDS与FIt-SNE的梯度混合方法对高维特征集进行数据降维,解决传统特征表征故障信息较差以及降维时数据结构保持性差等问题。基于上海地铁某线电机的滚动轴承振动信号数据进行验证,并与多种方法进行对比。结果表明,SFVD结合最小二乘支持向量机(least squares support vector machine, LS-SVM)的故障识别准确率显著优于其他方法,同时保持较优的时间性能。