基于CBAM-CNN的高速列车制动闸片摩擦块偏磨状态监控

为了解决高速列车制动闸片偏磨状态特征提取困难的问题,提出了一种基于二维图像识别的多尺度卷积和卷积注意力模块(CBAM)结合的状态监控模型.CBAM分别对数据的通道和空间给予不同的关注度以提取出关键的信息,使模型能够准确的对偏磨的状态特征进行提取.模型的多尺度卷积模块则是增加模型对卷积核尺度的适应性,以提取到更加丰富的特征.此外,为了防止模型训练过程中梯度爆炸和梯度消失的现象,在模型中加入残差连接.最后,将所提方法应用于自行研制的高速列车自制试验台得到的制动闸片偏磨数据集,实验结果表明,该模型不仅能够准确有效的识别制动闸片各种偏磨状态,平均准确率达到99.89%,而且也具有较强的稳定性.