基于GASF多通道图像时序融合的高速列车横向减振器故障诊断

来源：振动与冲击杂志2025年第15期北京时间：

作者：李刚Ligang88@mail.lzjtu.cn，秦永峰，齐金平

单位：兰州交通大学机电工程学院，兰州730070

摘要：由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高，耦合性和不确定性强的非线性信号，为弥补一维信号在故障诊断时的局限性，利用格拉姆角场 (Gramian angular field，GAF)处理时间序列信号的敏感性以及对非线性信号的适应性，提出了一种基于一维（1D）时序信号和二维（2D）格拉姆角和场（Gramian angular summation field，GASF）特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制（1D-2D-CNN-GRU-MSA）的故障诊断方法。首先将一维的时序信号编码为二维的格拉姆角和场（GASF）图，再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中。其中一路为图像输入经卷积神经网络(convolutional neural networks, CNN)提取GASF图像的特征；另一路将一维的故障波形直接输入经门控循环网络单元（gated recurrent unit，GRU）提取时序特征，最后通过多头自注意力机制（multi-head self-attention，MSA）将二维图像特征和一维时序特征进行特征重点强化并降维融合，最后通过Softmax层对高速列车横向减振器故障进行分类。仿真实验证明，不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。<br>

关键词：高速列车；格拉姆角和场；卷积神经网络；多头自注意力机制；门控循环单元