基于HMM时间序列分析的列车轴承健康监测的研究

论文摘要

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。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 引言
•   1.1 研究背景与意义
•     1.1.1 研究背景
•     1.1.2 研究意义
•   1.2 国内外研究现状
•     1.2.1 国内外研究水平综述
•     1.2.2 研究难点
•   1.3 本文主要的研究内容
•   1.4 论文的组织结构
• 2 理论基础与相关技术研究
•   2.1 PHM基本概念
•     2.1.1 PHM技术基本框架
•     2.1.2 PHM模型分类
•   2.2 健康监测相关研究
•     2.2.1 基于数据驱动的轴承健康监测的算法研究
•     2.2.2 原始数据展示
•     2.2.3 方法选择
•     2.2.4 基于GKPCA的特征提取
•   2.3 隐马尔可夫模型理论
•     2.3.1 隐马尔可夫理论基础
•     2.3.2 隐马尔可夫模型的不足
•     2.3.3 无限隐马尔可夫模型
•   2.4 本章小结
• 3 基于贝叶斯优化的自左至右的iHMM
•   3.1 问题描述
•   3.2 贝叶斯优化
•     3.2.1 基于高斯过程的概率代理模型
•     3.2.2 采集函数
•     3.2.3 贝叶斯优化总体设计
•   3.3 自左至右的iHMM
•     3.3.1 自左至右的转移概率矩阵
•     3.3.2 初始及终止无发射状态
•   3.4 LR-iHMM模型
•     3.4.1 基于趋势检验的目标函数
•     3.4.2 blocked采样
•   3.5 算法验证
•     3.5.1 实验评价指标及仿真数据
•     3.3.2 算法验证与分析
•   3.6 本章小结
• 4 基于Doubly LR-iHMM的轴承健康监测模型
•   4.1 问题描述
•   4.2 Doubly LR-iHMM模型
•     4.2.1 模型定义
•     4.2.2 相似性度量
•     4.2.3 改进的blocked采样
•   4.3 实验数据挑选
•   4.4 基于Doubly LR-iHMM的健康监测模型框架
•   4.5 基于Doubly LR-iHMM的健康监测结果
•     4.5.1 轴承劣化特征
•     4.5.2 超参数优化
•     4.5.3 基于Doubly LR-iHMM的实验结果对比
•   4.6 本章小节
• 5 结论
•   5.1 全文总结
•   5.2 工作展望
• 参考文献
• 作者简历及攻读硕士学位期间取得的研究成果
• 学位论文数据集

文章来源

类型: 硕士论文

作者: 孙在东

导师: 张宁

关键词: 轴承,健康监测,隐马尔可夫模型,分层狄利克雷过程,相似性度量

来源: 北京交通大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,铁路运输

单位: 北京交通大学

分类号: O211.61;U279

总页数: 74

文件大小: 5315K

下载量: 173