基于多任务学习的轨道车辆轴承异常检测方法

蒋雨良，曾大懿，邹益胜, ，卢昌宏，张笑璐

(1.西南交通大学 机械工程学院先进设计与制造研究所，四川 成都 610031；2.西南交通大学 轨道交通运维技术与装备四川省重点实验室，四川 成都 610031)

轴承是轨道车辆重要的旋转部件，随着列车在交路中运行，安装在车辆走行部上的各个轴承因承受各项激励而产生变化，当轴承出现故障时所引起的油膜不均匀、润滑失效等一系列状况往往导致轴承温度异常，因此对轴承的温度进行实时监测至关重要[1−4]。基于轴承温度的时间序列变化趋势进行建模，尽可能地提前对轴承进行预警，提前诊断轴承是否故障，对列车运行安全具有重要意义[5−6]。目前轨道车辆轴温异常检测的方法主要有3类：1)运用规则进行判别。如采用序列对比的方式，曹源等[7]基于仿真数据，使用基于动态时间规整的方法，能够识别仿真故障，杨云等[8]更进一步的在判别上加入证据理论，通过模糊数学的理念确立故障等级，并在实测数据上取得效果。2) 运用聚类方法进行判别。针对多列数据，聚类方法相较于序列对比更具效率，刘强等[9−10]运用动态内在典型相关分析，多模态动态内在典型相关分析等方法，能够对温度数据进行重构、变维，藉此识别故障轴温数据的异常变化情况。3) 运用预测方法进行判别。通过预测值与设置的阈值进行对比，王竹欣[11]使用了多元回归、随机森林、梯度回归树等多模型融合对轴温进行估计，判别轴温故障等级；谭思雨[12]使用长短时记忆进行轴承温升估计，进而判别轴承是否异常，建立模型预测轴承温度，通过将预测值与设置的阈值比较是针对列车各部件的常用做法；……