摘要
高速列车轴箱轴承作为连接车轴和构架的关键部件，对现代高速列车的安全运行至关重要。当前的车载轴温检测系统通过比较传感器测得的轴箱温度与预定义的阈值进行故障报警，该系统面临着对不同工况的适应性差，误报和漏报率过高等问题。针对此问题提出了一种新的物理-数据混合模型，可以准确地模拟正常轴箱的传热过程并将其输出的轴箱预测温度作为参考，通过故障判别机制识别异常温升情况。混合模型包括两部分，反映轴箱与环境之间传热机理的物理模型，和采用相同输入但基于反向传播神经网络（BPNN）和长短期记忆神经网络（LSTM）反映温升关系的数据驱动模型，并在真实工况下采集的数据集上完成了上述模型的训练和测试。混合模型方法的故障预测精度比当前车载轴温监测系统和最优单一模型分别提升了21.2%和8.7%，此外还具有适应不同运行工况和精确定位故障部件的优点。本文的主要工作如下： （1）所采集的原始列车运行数据具有数据总量大且数据质量低的特点，存在缺失值、采样频率不固定等问题。首先通过清洗整合、线性插值和滤波等操作对数据进行预处理，根据列车的运行特点，提出合适的时间窗分割算法提取有效运行数据。分析健康轴承数据与故障数据温升趋势和分布，对轴箱温升与各变量之间的相关性进行定性和定量分析。 （2）分析轴箱的产热和散热机理，根据轴箱和环境之间的传热过程建立健康轴箱的传热物理模型。通过解析法分析了轴箱温度变化机理，之后通过数值方法进行物理模型未知参数的标定，基于健康轴箱的数据集，运用遗传算法和最小二乘法对物理模型中的参数进行优化，标定完毕的物理模型可以模拟正常轴箱的传热过程，以模型的预测温度为参考判别轴箱的异常温升情况。 （3）为弥补单一物理模型的预测精度较低的问题，基于机器学习方法建立了非线性拟合能力更强的数据驱动模型。分析比较常用机器学习方法的适用性，最终建立了BP神经网络和LSTM神经网络模型，并进行超参数调节和网络结构设计。在健康轴承的数据集上进行神经网络模型的训练工作，实现更高精度的轴箱温度预测效果。 （4）分析两种模型的预测温度和轴箱实际温度的残差，运用基于统计过程控制的故障判别方法制定轴承故障判别策略，提出一种数据融合方法以综合考虑物理模型和数据驱动模型的预测结果对轴箱轴承故障进行判别及预测，并通过实例验证对混合模型的故障预测精度进行统计分析。
NETL