详情

原文传递基于图神经网络的柱塞泵故障诊断和寿命预测技术研究

论文题名：	基于图神经网络的柱塞泵故障诊断和寿命预测技术研究
关键词：	道岔转辙机;柱塞泵;故障诊断;剩余寿命预测;图神经网络
摘要：	柱塞泵作为道岔转辙机的核心动力元件，其运行状态的健康与否将直接关系到道岔转辙机的液压系统能否正常运行。由于转辙机常年暴露在野外作业，柱塞泵的工作环境具有高压、高负载、大流量等特点，极易发生退化现象和出现各种故障，轻则会降低柱塞泵的工作效率，重则会造成一系列的连锁反应，影响铁路的安全运行。因此对转辙机柱塞泵发生的故障进行精确诊断、监测其运行状态、预测其剩余使用寿命有着重要的现实意义。本文对柱塞泵的故障诊断算法和剩余使用寿命预测算法进行了研究，主要研究内容包括：　　（1）通过分析转辙机柱塞泵的振动加速度信号特点，设计了一种集成改进的自适应噪声完备集成经验模态分解（ImprovedCompleteEnsembleEmpiricalModeDecom-positionwithadaptiveNoise，ICEEMDAN）算法与基于初始残差和恒等映射的图卷积网络（GraphConvolutionalNetworkviaInitialresidualandIdentitymapping，GCNII）算法的柱塞泵故障诊断模型。模型将柱塞泵的振动加速度信号数据通过ICEEMDAN方法分解为多个维度的信号数据，分别计算了各维度信号的时域、频域特征并拼接成特征向量。为了便于图神经网络——GCNII算法的应用，模型使用KNN算法计算了各维度信号特征向量之间的相似度，依据相似度生成一种故障特征图，实现了一维时序数据到图结构数据的转换，刻画了不同故障特征样本之间的联系。此故障特征图作为GCNII分类模型的输入，能够更准确的识别出转辙机柱塞泵的故障类型。通过实验验证了该故障诊断模型的诊断率和鲁棒性。　　（2）对转辙机柱塞泵的剩余使用寿命预测算法开展了研究，提出了一种能够适用于多传感器采样条件下的多尺度并行的一维卷积神经网络（MultiscaleParallelOneDi-mensionalConvolutionalNeuralNetwork，MP1DCNN）与双向长短时记忆网络（Bidir-ectionalLongShort-TermMemory，BiLSTM）和图注意力网络（GraphAttentionNet-work，GAT）结合的柱塞泵剩余使用寿命预测模型。该模型通过MP1DCNN-BiLSTM模块把采集到的柱塞泵多通道一维振动信号数据转换为多元健康指标序列来表征柱塞泵的退化趋势。考虑到柱塞泵在退化过程中的特点，设计了一种K阶下三角邻接矩阵表示方法来映射多元健康指标序列之间的因果关系，并将其转换为多元健康指标退化特征图。使用图注意力神经网络（GAT）模块聚合特征图中蕴含的转辙机柱塞泵多元退化信息，预测出柱塞泵的剩余使用寿命。通过实测的转辙机柱塞泵寿命数据以及对比实验，验证了所提方法的有效性和准确性。　　（3）基于本文所研究的故障诊断算法和剩余使用寿命预测算法，开发了转辙机柱塞泵管理软件系统。该系统将两种算法整合为故障诊断和寿命预测两个模块，经实测数据验证，可以完成柱塞泵的故障诊断和寿命预测需求。
作者：	胡孟楠
专业：	计算机技术
导师：	杨喜旺;赵永军
授予学位：	硕士
授予学位单位：	中北大学
学位年度：	2023