论文部分内容阅读
作为驱动动车组使其实现高速行进的关键部件,齿轮箱的正常运行关系着动车组的运行安全,一旦失效很可能会带来巨大的经济损失与人员伤亡,十分有必要对齿轮箱进行状态监测与故障诊断。基于振动信号对设备进行故障分析是一种十分有效的方法,对动车组实际运行中齿轮箱的振动信号采集也在陆续地开展,由于动车组关键部件的检修常采用定期更换的策略,因此齿轮箱实际运行中的故障数据少,难以进行有效的故障分析。针对上述问题,本文首先基于实验台测得的几种故障状态下的齿轮箱振动信号建立齿轮箱故障诊断模型,根据振动信号存在时间相关性的特点以及相关算法对比,选择长短时记忆网络(LSTM)作为故障诊断模型的基础;然后对故障诊断模型进行小样本目标域跨域诊断的研究,基于研究结果确定故障诊断模型对动车组齿轮箱数据的应用方案。本文主要进行了如下研究:(1)提出使用IAPSO算法对LSTM网络的最优超参数组合进行搜索,得到具有更高分类精度的IAPSO-LSTM算法。该算法通过粒子群算法的群体智能策略对LSTM网络的超参数组合进行自动寻优,解决了手动调整网络超参数存在的效率低问题。在传统的自适应权重粒子群算法(APSO)的基础上进一步细化粒子的划分,根据粒子的适应度确立三个区间,并根据三个区间中粒子的特征分别设计权重更新公式,形成本文的IAPSO算法。对IAPSO算法进行效果验证,证明该算法在参数寻优效率上较传统算法有较大的提升。基于IAPSO-LSTM算法建立齿轮箱故障诊断模型并进行对比实验,验证了本文算法的诊断效果优于未经优化的网络模型。(2)基于对模型跨域诊断的研究与动车组齿轮箱的实际应用需求的分析,提出一套动车组齿轮箱故障诊断模型的迁移策略。该策略在模型迁移的基础上通过最大化源数据域、交叉验证与早停法来提升源域预训练模型的泛化能力和目标模型的训练速度和拟合效果。(3)在动车组齿轮箱数据集上通过实验验证了IAPSO-LSTM算法和模型迁移策略的效果,并在故障数据不均衡和运行工况复杂这两个动车组实际应用场景下对目标模型的分类效果进行评估,证明本文提出的迁移策略在实际应用中具有可行性。