基于HMM时间序列分析的列车轴承健康监测的研究

发布时间：2023-04-11 02:35

　　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...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
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



本文编号：3789167