基于孪生网络的货车滚动轴承异常检测

轴承是铁路列车走行部中的关键组成部分,其工作环境复杂,容易发生故障,不能保障列车运行安全。根据经验对运营条件下的货车故障轴承进行识别,缺乏智能检测技术。本文基于孪生网络(Siamese)和局部离群因子(Local outliers factor, LOF)算法实现了复杂轴承特征的异常检测。在真实运营条件下验证了方法的有效性。结果显示,利用傅里叶变换的频域信号识别效果比时域信号更显著;与传统方法相比,孪生网络和分类算法结合的方法对故障和正常轴承特征的分类效果更好;LOF和一类支持向量机(One Class SVM,OCSVM)作为分类器均能实现4.4%和5.6%提升,而LOF算法分类效果比OCSVM更好。