基于深度学习的火车传动系统复合故障诊断：基于傅里叶增强表示

故障诊断通过确保其传动系统稳定性和可靠性来防止火车中断。数据驱动的故障诊断模型相对于传统方法在处理非线性、适应性、可扩展性和自动化方面具有多项优势。然而，现有数据驱动模型是在单独的传动组件上训练的，仅考虑单一故障，这源于现有数据集的局限性。在组件相互作动且影响彼此振动信号的场景中，这些模型将表现更差。为解决部分挑战，我们提出了一种频率域表示方法和一种1维卷积神经网络用于复合故障诊断，并应用于PHM北京2024数据集，该数据集包括21个传感器通道、17个单一故障和42个复合故障，来自4个相互作用的组件，即电机、齿轮箱、左轴盒和右轴盒。我们提出的模型在包含17个单一故障的测试集上实现了97.67%的准确率，在包含42个复合故障的测试集上实现了93.93%的准确率。