论文部分内容阅读
随着高速铁路快速发展,客流密度逐年递增,高速列车安全运维变得尤为重要。作为高速列车的关键走行部件,转向架主要由构架、轮对、轴箱、牵引驱动装置和弹簧悬挂装置等机械部件组成,承受列车运行中产生的各种载荷及作用力,减小异常振动及冲击,保障列车安全平稳运行。在高速列车服役期间中,转向架长期承受轨道激励的扰动影响,呈现性能退化甚至完全故障等异常工况。列车通过安装传感器采集状态信息,以监测列车的实时运行状态,但多传感器信息融合程度低,多源异构信息得不到充分利用,传统故障诊断的可靠性低。针对这一问题,本文重点研究多重卷积循环神经网络(Multiple Convolutional Recurrent Neural Network,M-CRNN),构建多任务故障诊断模型,进行转向架故障类型识别以及性能退化评估的研究,主要内容包括:1)基于信号处理的高速列车转向架故障分析首先,简要介绍转向架的机械结构、故障机理及各关键部件故障影响。其次,详细阐述基于SIMPACK仿真实验的转向架模型及数据采集方案。同时,分析转向架单/复合故障在时域、频域上的特征。最后,基于聚合经验模态分解和自回归(AR)频谱分析相结合方法,提取故障、性能退化的振动信号中时频特征,筛选转向架故障、性能退化的故障特征频率,实现转向架系统的故障信号分析。2)基于一维卷积神经网络的转向架故障识别为了改进转向架故障信号的特征提取算法,并提高故障识别的准确率,提出基于一维卷积神经网络(1-Dimentional Convolutional Neural Network,1D-CNN)的高速列车转向架智能故障识别算法。1D-CNN算法以多源异构的故障信号为网络输入,自适应地挖掘表征故障信号的高维特征,进而提高转向架的多传感器信息融合效率,实现转向架复合故障识别。1D-CNN算法在转向架复合故障识别任务上达到96.4%的准确率,验证1D-CNN被用于转向架故障识别任务具有可行性。3)基于卷积循环神经网络的转向架故障识别为了充分利用转向架故障信号中多源异构的特征信息,提高1D-CNN算法的识别精度,构建深度卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)的故障诊断模型,实现识别精度高、训练速度快的转向架故障识别。CRNN故障识别算法的网络核心是1D-CNN的结构特征一次提取模块和简单循环单元(Simple Recurrent Unit,SRU)的时序特征二次提取模块。相比1D-CNN、SRU等单深度学习框架和随机森林、梯度提升树等机器学习框架,基于CRNN的转向架故障识别效率最优,其识别精度和训练耗时分别为97.4%和24min35s。同时,基于T-分布随机邻域嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)算法,设计故障分类可视化实验。在T-SNE可视化实验中,转向架单/复合故障样本在特征空间中聚类偏倚少,聚类质量高。因此,CRNN在转向架故障识别任务具有较好的适用性。4)基于M-CRNN的转向架故障识别和性能退化评估针对转向架信号中故障类型与性能退化间特征信息相互关联、交叉重叠的现象,提出M-CRNN的多任务复合故障诊断框架,实现转向架故障识别和性能退化评估。M-CRNN算法包含两大CRNN模块,学习故障类型与性能退化间内在关联,分离故障类型、性能退化的特征,进而保证故障类型与性能退化同时识别的转向架故障诊断具有较高准确率。在多运行速度下,M-CRNN的多任务故障诊断精度达到94.6%,故障类型、性能退化识别精度分别为99.1%和95.4%,验证了 M-CRNN在转向架故障诊断任务具有较好的识别精度和泛化能力。同时,在T-SNE可视化实验中,M-CRNN所提取特征在低维空间中也具有较优的聚类质量。最后,基于PyQt和Visual Studio 2015等软件进行转向架智能故障诊断人机交互界面开发,为高速列车安全运维提供系统有效的解决方案。