论文部分内容阅读
近些年来,随着我国高铁的迅猛发展,高速铁路网的规模不断扩张,如何保障铁路车辆的安全成为极具挑战性的问题。走行部轴承作为影响列车运行安全的最关键部件,监测其健康状态一直是铁路车辆运行维护部门研究的重点。目前,如何评估轴承的健康状态仍是亟待研究的问题,本文基于全寿命周期的轴承监测数据,重点研究一种轴承健康状态的评估方法,为轴承健康监测标准的建立提供技术依据,也为铁路车辆的可靠性研究提供技术支撑。本文根据列车运行时轴承相关监测数据的时间序列属性和无标签性,选择将既能对时间序列中状态的相关性建模、又能以无监督的方式训练的隐马尔可夫模型(Hidden Markov Model,HMM)作为研究重点,并针对HMM的隐状态数必须预先设定的不足,将HMM的非参数版本,无限隐马尔可夫模型(infinite HMM,iHMM),引入到轴承的健康监测中。该模型利用分层狄利克雷过程(Hierarchical DP,HDP)的分层共享原理及良好的聚类属性推断隐状态数目,弥补了HMM的不足。同时本文对iHMM的缺陷及状态划分的质量进行优化,建立了有效模型,并将轴承全寿命周期的健康状态分为四个劣化等级,实现了对轴承健康状态的监测。具体研究有如下几点:(1)针对iHMM的收敛状况对其超参数较为敏感的缺陷,本文利用贝叶斯优化和Mann-Kendall准则调节其超参数;同时考虑到传统iHMM模型的拓扑结构不适用于轴承健康状态的退化过程,本文将其各状态遍历的拓扑改造成自左至右的模式,以贴合轴承健康监测的需要,将改进后的模型命名为LR-iHMM。(2)实际的轴承劣化数据存在两个时间尺度的动态变化,单层模型存在状态表达能力不足、状态划分过于直接的问题。因此,本文将LR-iHMM模型的结构拓展至两层,对单层模型的隐状态进行宏观划分,以宏观状态模拟轴承的健康状态,提高模型对轴承数据的建模能力;同时根据同一健康状态下其数据特征具备一定相似性的原理,将数据分布相似的微观状态归并为一个宏观状态,在无监督的条件下进一步提高模型进行健康状态划分的质量,形成了Doubly LR-iHMM模型。(3)构建了基于Doubly LR-iHMM的轴承健康监测模型,本文通过实际的轴承数据进行验证,结果表明,与单层模型相比,Doubly LR-iHMM能够更好地拟合轴承性能退化数据,健康状态的划分结果也更加合理。本文根据实验结果,以四个劣化等级定义轴承全寿命周期的健康状态,实现对轴承的健康监测。