关键词：
高速列车
滚动轴承
故障诊断
稀疏性
稀疏表征算法
稀疏深度学习
领域适配
摘要：
作为轨道交通车辆的重要组成部分,关键零部件的健康状态会直接影响到轨道交通车辆的服役安全。随着轨道交通车辆的运营里程和密度不断增加,尤其是高速列车,传统以“预防周期性维修”为核心的维修策略已逐渐无法适应如此庞大的潜在维修目标,与之替代的是基于关键零部件状态的“状态维修”模式。作为该维修模式的支撑,实现关键零部件的故障探测和诊断最为关键。滚动轴承作为高速列车中的关键零部件,在列车高速行驶过程中,不仅要承受相关非稳定动态载荷和复杂的交变应力,同时还会受到车轮多边形、轨道不平顺等因素造成的振动冲击的影响,这些因素极有可能导致滚动轴承出现磨损、剥离、点蚀等损伤,在高速旋转下进而出现轴承烧毁、保持架断裂等失效问题,对高速列车的服役安全具有较大的影响。因此,发展高速列车滚动轴承故障诊断技术具有一定的实际意义。轴承部件表面所出现的裂纹、划痕等局部故障在旋转时通过碰撞会产生循环振动冲击,振动信号对这类局部故障具有一定的敏感性,但是在实际采集的振动信号中往往包含复杂的信号成分,而如何从冗杂的振动信号中提取出反映滚动轴承故障的有效特征仍是一件较为艰巨的任务。同时,滚动轴承的状态监测依赖于智能故障诊断技术,该技术在应用时仍存在模型复杂度高和泛化能力差的问题需要被进一步解决。因此,进一步加强基于振动信号的高速列车滚动轴承故障特征提取及智能故障诊断技术的研究,能够增强故障特征检测和状态准确监测的能力,为滚动轴承及时维修提供有力支撑和依据。
轴承部件表面局部故障在旋转时与滚动体或滚道发生具有一定时间间隔的碰撞,所产生循环振动冲击会间隔地出现在振动信号中,这类反映振动冲击的故障特征具有一定的重复性和稀疏性,故障信号的稀疏性特征提取能够有效去除无用的冗杂信号分量,实现对信号内部核心特质更优化的表示。同时,在智能故障诊断应用中,稀疏性不仅使模型能够实现对故障信号特征的稀疏性学习和准确区分,在计算资源和运行效率方面也会带来一定的回报,此外,稀疏的权重矩阵能够更容易观察和分析提供显著信息的数据特征,有助于提高模型的可解释性。因此,本研究的主要内容是以稀疏性为出发点,首先通过改进现有的稀疏表征相关算法,以加强对时域振动信号中潜在故障特征的探测能力,其次是开展关于稀疏深度学习相关研究,通过设计具有一定规律的稀疏性深度网络模型,并改进现有迁移学习技术中的领域适配算法,在减少模型的复杂度的同时增强模型的泛化能力,其中重点研究的关键零部件对象为滚动轴承。本文的主要研究工作包括:
针对稀疏表征理论下字典学习目前存在的对能量较强的谐波成分敏感和关键参数难以自适应获取的问题,本文提出了一种快速迭代滤波和字典学习稀疏表征的轴承故障特征提取算法。在该算法中提出了一种本征模态函数自适应筛选准则,降低了能量较强的谐波干扰成分对故障字典原子学习的影响,增强了传统字典学习稀疏表征框架对有效故障特征原子学习的鲁棒性。同时,建立了一种稀疏编码目标误差确定准则,可以自适应获取L1范数稀疏编码中的目标误差,改善了传统基于字典学习的稀疏表征技术自适应提取故障特征能力较差的问题。引入的循环提取思想,使得算法具备单一和并发故障特征的检测能力。然而,字典学习稀疏表征框架仍存在微弱故障难以有效检测的局限性。
针对以字典学习为思路的字典构造方法可能存在无法对微弱故障特征的字典原子进行有效学习的问题,本文进一步提出了一种基于目标优化的移不变脉冲字典匹配追踪轴承微弱故障特征提取算法。该算法中引入了群智能优化算法,并提出了一种基于相关峭度的新型目标优化函数,有助于自适应获取移不变脉冲字典基本原子的关键参数。同时,提出了一种基于Hoyer指标的广义正交匹配追踪稀疏度确定准则,可以自适应获取匹配追踪框架所需要的最优稀疏度参数。该算法能够更好地实现微弱故障特征的检测,拓展了稀疏表征技术的应用场景,具有一定的工程应用价值。
针对智能故障诊断技术在实际部署和应用时卷积神经网络模型所存在的计算量大和参数存储量大的问题,本文提出了一种针对卷积层和全连接层的周期循环稀疏结构设计模式。这种网络结构不仅依然能够保证较高的诊断精度,还能够改善边缘计算平台训练时计算量和存储量较大的困境。同时,对于这种具有周期循环性的稀疏权重矩阵,在对规律排列的非零权重参数进行存储和访问时,具有相同位置的非零权重参数索引值可以重复利用,提高了模型存储和访问的效率,有利于深度学习技术的工程应用。然而,周期循环稀疏网络在跨领域的故障诊断场景中仍存在有待改进之处。
针对周期循环稀疏网络在训练和测试时因数据分布不一致而导致的泛化性能较差的问题,本文进一步引入了迁移学习的思想,开展了周期循环稀疏网络下完全领域适配滚动轴承故障诊断方法的研究。首先,本文提出了一种同时考虑整体和局部差异对齐的完全领域适配函数。该领域适配函数通过加强对每个故障状态类别的局部适配,能够
