摘要
高速列车走行部承载着列车的全部载荷，而轮对轴承又是其最为关键的部件之一，它的健康状况极大影响着列车的安全性和可靠性。同时轮对轴承的运行环境恶劣，所处工况复杂，在长期运行过程中不可避免会产生一定损伤，威胁着车上乘客的生命财产安全。轮对轴承的健康监测与故障诊断是保障其健康运行的关键手段，随着大数据和人工智能技术的结合与发展，深度学习方法也在轮对轴承故障诊断领域受到广泛关注。但在工业应用时受到客观环境因素影响，还存在许多问题。因此本文从解决轮对轴承振动信号存在强噪声干扰、运行工况复杂、样本丰富度不足和实际工况下诊断效果差等难题出发，研究了强噪声下的特征提取、多转速样本的修复及补充、转速自适应能力的提升以及实际工况下的高精度诊断等方面的智能方法。主要的研究内容如下: (1)提出了递归多头图注意力残差网络振动信号特征提取方法。针对图神经网络在强噪声和强耦合干扰下存在训练不稳定和特征提取效果差的问题。首先利用ε-递归网络获取信号样本间关系，并保留边的权重构造加权递归图。其次提出一种多核高斯函数对称图注意力机制，对递归图进行高精度聚合。最后构建递归多头图注意力残差网络，并提出节点平均标准化层以稳定模型训练过程。通过高速列车轮对轴承实验数据集验证了所提模型的有效性和抗噪声干扰性能，为后续任务提供有效的特征提取方法。 (2)提出了图转速分类器GAN多转速样本数据增强与数据修复方法。针对现有数据增强与数据修复方法存在训练次数多、生成效果差的问题。首先在GAN中引入故障分类器和转速分类器，实现同时训练和生成不同故障与转速样本的能力，优化模型参数设定的灵活性。然后基于预训练生成器对缺失点数据进行修复，依赖生成器中学习到的多转速故障特征，实现高精度的修复效果。最后利用多种类型指标，对生成和修复的样本进行了分析，表明其具有较好的生成和修复效果，为后续转速自适应诊断任务提供充足的样本支撑。 (3)提出了振动-转速数据融合图注意力网络转速自适应方法。针对当前多转速工况方法存在融合算法复杂和转速自适应效果差的问题，首先将轮对轴承振动和转速信号在分支网络中进行特征编码。引入自注意力机制和全局平均池化，对编码后的样本进行加权和融合。然后提出递归图自动编码器，获取融合特征的样本间关系。最后构造转速自适应图注意力网络分析融合效果。实验表明所提模型能够在多转速样本集下获得较好的故障诊断精度和噪声鲁棒性，为后续实际工况下的故障诊断提供基础模型。 (4)提出了多源域非共有类别样本图注意力迁移学习网络故障诊断方法。针对现有诊断方法无法充分利用已有样本集，以及实际工况的样本与训练样本间差异较大的问题，首先利用所提转速自适应网络构造多个子通道，采用边缘领域差异对多个源域与目标域之间具有相同标签的样本进行空间分布自适应。然后提出非共有类别样本迁移机制，过滤会产生负迁移的样本，最后提出多通道知识融合诊断策略，对多个子通道进行联合训练和加权决策。通过多个工况下的实验数据验证了所提模型具有更好的跨域诊断效果，表明所提方法能够有效获取多个源域的故障信息并提高实际工况下的故障诊断精度。 综上所述，本文针对高速列车轮对轴承振动信号在实际工况下存在的特点和问题，提出了具体应对策略，实现了多工况和强干扰下的高速列车轮对轴承高精度故障诊断任务。所提理论和技术可为高速列车轮对轴承的智能特征提取与诊断提供理论参考和研究思路。
NETL