衛(wèi)曉娟，丁旺才，李寧洲，郭文志

(蘭州交通大學(xué) 機(jī)電工程學(xué)院，甘肅 蘭州 730070)

齒輪箱是機(jī)車牽引傳動(dòng)系統(tǒng)中一個(gè)非常重要的部件，其故障的精確診斷對(duì)于提高機(jī)車牽引傳動(dòng)系統(tǒng)檢修質(zhì)量、保障機(jī)車有效發(fā)揮牽引性能及列車安全運(yùn)行至關(guān)重要。傳統(tǒng)的機(jī)車齒輪箱故障診斷主要是依靠工作人員的經(jīng)驗(yàn)對(duì)故障進(jìn)行主觀判斷，對(duì)工作人員的經(jīng)驗(yàn)要求較高，但其診斷效率較低，已經(jīng)不能滿足機(jī)車狀態(tài)修(即視情維修)的要求[1]。神經(jīng)網(wǎng)絡(luò)和智能計(jì)算等人工智能技術(shù)可使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作，其在鐵道機(jī)車車輛設(shè)備故障診斷中也得到了成功運(yùn)用[2-4]。因此，如能有效利用人工智能技術(shù)對(duì)檢修數(shù)據(jù)進(jìn)行分析處理以準(zhǔn)確判斷機(jī)車齒輪箱故障，對(duì)于指導(dǎo)維修實(shí)踐、提高檢修質(zhì)量、減輕工作人員工作負(fù)荷、降低對(duì)人員技術(shù)水平與工作經(jīng)驗(yàn)的要求具有重要的實(shí)際工程價(jià)值。

神經(jīng)網(wǎng)絡(luò)作為實(shí)現(xiàn)多屬性故障診斷的一種有效方法，具有處理分布不均勻、線性不可分復(fù)雜數(shù)據(jù)的能力，因此適用于解決具有故障原因較多且各種因素相互耦聯(lián)導(dǎo)致故障與征兆之間的映射關(guān)系呈現(xiàn)非確定性及復(fù)雜非線性特點(diǎn)[5]的機(jī)車齒輪箱故障診斷問(wèn)題。然而神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及參數(shù)的確定尚無(wú)規(guī)律可循，若參數(shù)選擇不當(dāng)則會(huì)使其在故障診斷中存在明顯不足。因此，將神經(jīng)網(wǎng)絡(luò)引入機(jī)車齒輪箱的故障診斷需要解決兩個(gè)關(guān)鍵問(wèn)題：網(wǎng)絡(luò)結(jié)構(gòu)的確定及網(wǎng)絡(luò)參數(shù)的優(yōu)化選擇?，F(xiàn)有相關(guān)文獻(xiàn)雖有將神經(jīng)網(wǎng)絡(luò)用于解決機(jī)車車輛齒輪箱故障診斷的研究[6，7]，但關(guān)于網(wǎng)絡(luò)結(jié)構(gòu)的確定及網(wǎng)絡(luò)參數(shù)的優(yōu)化選擇卻鮮有涉及。

基于此，本文提出一種基于引力搜索RBF神經(jīng)網(wǎng)絡(luò)的機(jī)車齒輪箱智能故障診斷方法，建立基于高斯RBF神經(jīng)網(wǎng)絡(luò)的機(jī)車齒輪箱故障診斷模型，采用減聚類算法[8]確定RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并提出自適應(yīng)混合引力搜索算法(Adaptive Hybrid Gravitational Search Algorithm，簡(jiǎn)稱AHGSA算法)對(duì)故障診斷模型的待優(yōu)化參數(shù)進(jìn)行優(yōu)化求解。利用國(guó)際標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)集對(duì)該方法進(jìn)行仿真實(shí)驗(yàn)，并將該方法應(yīng)用于某機(jī)務(wù)段機(jī)車齒輪箱故障的診斷中，驗(yàn)證了該方法在工程應(yīng)用中的有效性和可行性。

1 機(jī)車齒輪箱故障診斷模型的建立

1.1 機(jī)車齒輪箱故障類型與故障征兆分析

機(jī)車齒輪箱的主要故障有：齒輪嚙合時(shí)因潤(rùn)滑不良或齒面存在入侵的微小金屬顆粒和粉塵而使齒面發(fā)生磨粒磨損；因潤(rùn)滑油提供不足及顆粒和粉塵等異物入侵而導(dǎo)致軸承工作面無(wú)法形成有效的油膜，引起軸承表面磨損；因保持架老化及滾動(dòng)體向外擠壓作用而發(fā)生的軸承保持架磨損；因高速運(yùn)行時(shí)油液飛濺到箱體而發(fā)生的齒輪箱箱體磨損；齒輪箱密封不良等[5]。

大量故障實(shí)例表明，機(jī)車齒輪箱發(fā)生上述故障時(shí)會(huì)導(dǎo)致潤(rùn)滑油中所含機(jī)械磨屑和其他微粒的形態(tài)、大小、成分、濃度和粒度分布等發(fā)生變化，如：齒面磨粒磨損和軸承表面磨粒磨損會(huì)使鐵(Fe)及鉻(Cr)、鉛(Pb)等元素的濃度上升；軸承保持架磨損會(huì)使銅元素(Cu)濃度上升；齒輪箱箱體磨損會(huì)使鋁元素(Al)濃度上升；齒輪箱密封不良則會(huì)使硅元素(Si)濃度上升。因此，通過(guò)對(duì)潤(rùn)滑油進(jìn)行定性分析與定量測(cè)量，即可得到摩擦副磨損狀況等重要信息。

原子發(fā)射光譜技術(shù)和鐵譜分析技術(shù)是鐵路機(jī)務(wù)部門檢測(cè)機(jī)車齒輪箱故障征兆的主要手段，其實(shí)質(zhì)就是通過(guò)對(duì)潤(rùn)滑油進(jìn)行油品分析以獲得油中磨損元素的含量。通過(guò)對(duì)機(jī)務(wù)部門監(jiān)測(cè)得到的光鐵譜數(shù)據(jù)進(jìn)行分析處理，可建立機(jī)車齒輪箱不同磨損故障的故障樣本庫(kù)。

1.2 機(jī)車齒輪箱故障診斷模型

基于高斯RBF神經(jīng)網(wǎng)絡(luò)建立機(jī)車齒輪箱故障診斷模型時(shí)，首先將故障樣本數(shù)據(jù)及故障模式的對(duì)應(yīng)數(shù)值均映射到[0，HR]區(qū)間，其中HR∈R1，以使數(shù)據(jù)點(diǎn)的每一維(即樣本所有屬性值)和故障模式數(shù)值都介于[0，HR]之間，然后依據(jù)樣本維數(shù)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)，并采用減聚類算法確定網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)，網(wǎng)絡(luò)輸出層則選定為1個(gè)節(jié)點(diǎn)。

假設(shè)待診斷樣本為S=(f1，f2，…，fs，)，s為樣本數(shù)據(jù)維數(shù)，則機(jī)車齒輪箱故障診斷模型可以表示為

j=1，2，…，s

( 1 )

式中：Ftype表示故障類型；h為網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)；w為連接隱層和輸出層的權(quán)值；c為隱層節(jié)點(diǎn)中心；σ為徑向基函數(shù)寬度；Ftype-s為故障模式映射到[0，HR]區(qū)間的數(shù)值。

該模型通過(guò)計(jì)算RBF神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值與故障模式映射到[0，HR]區(qū)間的對(duì)應(yīng)數(shù)值之間的誤差，實(shí)現(xiàn)故障類型的準(zhǔn)確判斷，誤差最小或滿足相應(yīng)精度要求的故障模式即為待診斷樣本對(duì)應(yīng)的故障類型。模型優(yōu)化求解時(shí)，w、σ和c作為待優(yōu)化參數(shù)。

2 機(jī)車齒輪箱故障診斷模型的優(yōu)化

機(jī)車齒輪箱故障診斷模型的優(yōu)化實(shí)質(zhì)上是一個(gè)多維參數(shù)空間上的尋優(yōu)問(wèn)題，其優(yōu)化效果與優(yōu)化算法的性能密切相關(guān)。本文提出AHGSA算法對(duì)機(jī)車齒輪箱故障診斷模型進(jìn)行優(yōu)化求解。

2.1 自適應(yīng)混合引力搜索算法

引力搜索算法雖然具有相對(duì)較強(qiáng)的全局探索能力，但其局部開(kāi)發(fā)能力較差，為了實(shí)現(xiàn)全局探索能力和局部開(kāi)發(fā)能力的平衡，本文提出的自適應(yīng)混合引力搜索算法從種群初始化、速度和位置更新方式、萬(wàn)有引力系數(shù)調(diào)整三個(gè)方面對(duì)引力搜索算法進(jìn)行改進(jìn)。

2.1.1 引力搜索算法

引力搜索算法是伊朗科爾曼大學(xué)的Rashedi等于2009年提出的一種全局隨機(jī)搜索算法[9，10]。該算法中，粒子的位置表示待優(yōu)化問(wèn)題的解。粒子因受到群體中其他粒子的萬(wàn)有引力作用而產(chǎn)生加速度，從而改變粒子的速度和位置。

( 2 )

式中：Mi(t)和Mj(t)分別表示t時(shí)刻粒子i和粒子j的慣性質(zhì)量；ε為一個(gè)很小的正常數(shù)；G(t)為t時(shí)刻的萬(wàn)有引力系數(shù)，其計(jì)算公式為

( 3 )

式中：G0和α為常數(shù)；maxiter為最大迭代次數(shù)。

粒子i的慣性質(zhì)量定義為

( 4 )

式中：mi(t)為計(jì)算粒子慣性質(zhì)量的中間變量，其計(jì)算公式為

( 5 )

式中：fi(t)是t時(shí)刻粒子i的適應(yīng)值；fworst(t)和fbest(t)分別是t時(shí)刻所有粒子中最差的適應(yīng)值和最好的適應(yīng)值。

( 6 )

基于牛頓第二定律，可計(jì)算出t時(shí)刻粒子i在第d維空間上的加速度為

( 7 )

式中：randj是一個(gè)[0，1]之間的隨機(jī)數(shù)，kbest是對(duì)粒子i產(chǎn)生引力的粒子的集合。

則t+1時(shí)刻粒子i的速度和位置更新公式為

( 8 )

2.1.2 混沌序列初始化策略

優(yōu)化算法通常通過(guò)隨機(jī)方式產(chǎn)生初始種群，若初始種群的多樣性和對(duì)解空間搜索的遍歷性不利于搜索到待優(yōu)化問(wèn)題的全局最優(yōu)解時(shí)，則需要增加迭代次數(shù)或種群大小來(lái)獲得最優(yōu)解，這勢(shì)必影響優(yōu)化算法的搜索效率和穩(wěn)定性。而遍歷性和隨機(jī)性是混沌運(yùn)動(dòng)的典型特征，因此采用混沌序列初始化種群，有利于提高種群的多樣性和粒子搜索的遍歷性。文獻(xiàn)[11]通過(guò)分析指出Tent模型比Logisitic映射具有更好的遍歷性和更高的搜索效率，并驗(yàn)證了Tent模型在增加種群多樣性以及改善算法尋優(yōu)性能方面的有效性。因此，本文采用Tent模型進(jìn)行種群的混沌序列初始化操作。

Tent模型的表達(dá)式為

Tk+1=G(Tk)k=0，1，…，N-1

( 9 )

其中

(10)

假設(shè)種群規(guī)模為n，變量的維數(shù)為M維。種群初始化時(shí)，首先隨機(jī)產(chǎn)生一個(gè)M維，且每個(gè)分量數(shù)值在[0，1]之間的向量T1=(T11，T12，…，T1M)，然后將其代入式( 9 )，經(jīng)過(guò)N次(N>n)迭代產(chǎn)生一個(gè)包含N個(gè)向量T1，T2，…，Tm，…，TN的混沌序列，再將Tm(m=1，2，…，N)的各個(gè)分量經(jīng)映射xmk=xkmin+(xkmax-xkmin)Tmk(k=1，2，…，M)轉(zhuǎn)化到對(duì)應(yīng)變量的取值區(qū)間，構(gòu)成包含N個(gè)初始粒子的群體，再通過(guò)比較這N個(gè)粒子的適應(yīng)值，從中選出適應(yīng)值相對(duì)較小的n個(gè)解作為初始解，此即為種群的初始位置。

2.1.3 基于人工蜂群搜索算子的變異操作

文獻(xiàn)[12]對(duì)文獻(xiàn)[13]提出的人工蜂群算法中的搜索算子進(jìn)行改進(jìn)，提出了如式(11)所示的人工蜂群搜索算子。

(11)

(12)

λ(t)=pt

(13)

式中：t為迭代次數(shù)；p為等比系數(shù)，且p∈(0，1)。

構(gòu)造變異算子后，將其與速度、位置分別進(jìn)行組合，得到t+1時(shí)刻粒子i的速度和位置更新公式為

(14)

2.1.4 萬(wàn)有引力系數(shù)的自適應(yīng)調(diào)整

較大的萬(wàn)有引力系數(shù)可以增強(qiáng)算法的全局搜索能力，而較小的萬(wàn)有引力系數(shù)則可以增強(qiáng)算法的局部搜索能力。尋優(yōu)過(guò)程中，性能越優(yōu)的粒子，全局最優(yōu)解出現(xiàn)在其周圍的概率越大，因而萬(wàn)有引力系數(shù)應(yīng)較小，以使這部分粒子的運(yùn)動(dòng)速度較小，從而保證其能夠進(jìn)行局部精細(xì)搜索；反之，性能相對(duì)較差的粒子，全局最優(yōu)解出現(xiàn)在其周圍的概率較小，萬(wàn)有引力系數(shù)應(yīng)較大，以使這部分粒子的運(yùn)動(dòng)速度較大，從而保證其能夠進(jìn)行全局搜索。

基于上述分析，AHGSA算法根據(jù)粒子性能對(duì)萬(wàn)有引力系數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)，以使算法的全局探索能力和局部開(kāi)發(fā)能力得到平衡，從而提高算法的整體尋優(yōu)效率。為此，按比例φ(φ在[0，30%]之間隨進(jìn)化代數(shù)遞增)選擇適應(yīng)值相對(duì)較差的粒子，對(duì)其萬(wàn)有引力系數(shù)G進(jìn)行調(diào)節(jié)，即令

G=G0

(15)

而對(duì)性能相對(duì)較優(yōu)的粒子(即適應(yīng)值相對(duì)較小的粒子)，仍按式( 3 )計(jì)算G。

2.2 基于AHGSA算法的故障診斷模型優(yōu)化

(16)

采用AHGSA算法使式(16)取得最小值的全局最優(yōu)解即是故障診斷模型的最優(yōu)參數(shù)w、σ和c。其求解流程如圖1所示。

圖1 故障診斷模型求解流程

3 基于引力搜索RBF神經(jīng)網(wǎng)絡(luò)的故障診斷

3.1 引力搜索RBF神經(jīng)網(wǎng)絡(luò)的性能測(cè)試

為了測(cè)試引力搜索RBF神經(jīng)網(wǎng)絡(luò)對(duì)非線性問(wèn)題的分類性能，選取了Iris和Wine兩組UCI測(cè)試數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。在相應(yīng)的標(biāo)準(zhǔn)樣本集中選擇全部樣本作為訓(xùn)練樣本，隨機(jī)抽取部分樣本作為測(cè)試樣本。通過(guò)訓(xùn)練樣本建立診斷分類模型，測(cè)試樣本測(cè)試分類準(zhǔn)確性。

測(cè)試數(shù)據(jù)集的基本信息見(jiàn)表1。其中，Iris分為三種，每種有四種屬性：萼片長(zhǎng)度、萼片寬度、花瓣長(zhǎng)度和花瓣寬度，三種Iris各有50組數(shù)據(jù)，共有150組數(shù)據(jù)；Wine分為三種，每種有酒精度、蘋果酸、灰末等13種屬性，三種Wine共有178組數(shù)據(jù)。

表1 測(cè)試數(shù)據(jù)集基本信息

利用經(jīng)遺傳算法(簡(jiǎn)稱GA)、粒子群算法(簡(jiǎn)稱PSO)、量子粒子群算法(簡(jiǎn)稱QPSO)、引力搜索算法(簡(jiǎn)稱GSA)和AHGSA優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)分別對(duì)上述測(cè)試數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)。根據(jù)Iris屬性選定輸入層為4個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)；根據(jù)Wine屬性選定輸入層為13個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)；采用減聚類算法確定隱層節(jié)點(diǎn)數(shù)為6個(gè)。GA算法參數(shù)為：交叉概率0.6，變異概率0.4(其中0.2隨機(jī)變異，0.2為高斯變異)；PSO算法參數(shù)為：認(rèn)知系數(shù)c1和社會(huì)系數(shù)c2設(shè)置為c1=c2=2，慣性權(quán)重w設(shè)置為在[0.9，0.4]之間線性遞減；QPSO算法參數(shù)為：收縮擴(kuò)張系數(shù)β設(shè)置為在[0.5，1]之間線性遞減；GSA算法參數(shù)為：G0=100，α=14；AHGSA算法參數(shù)為：G0=140，α=17，等比系數(shù)p=0.95。五種方法進(jìn)行Iris數(shù)據(jù)集分類時(shí)種群規(guī)模為200，Wine數(shù)據(jù)集分類時(shí)種群規(guī)模為300，進(jìn)化代數(shù)均為600。

五種方法對(duì)Iris和Wine數(shù)據(jù)集的分類結(jié)果見(jiàn)表2。從表2不難發(fā)現(xiàn)，經(jīng)自適應(yīng)混合引力搜索算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)分類精度更高，泛化能力較強(qiáng)，其在高維非線性分類問(wèn)題上的性能明顯優(yōu)于采用其他四種算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)。

3.2 機(jī)車齒輪箱故障診斷

將本文方法分別應(yīng)用于某機(jī)務(wù)段兩種不同類型機(jī)車的齒輪箱故障征兆的光鐵譜數(shù)據(jù)[4]分類診斷中，以驗(yàn)證該方法在工程應(yīng)用中的實(shí)用性和可行性。故障樣本的特征量為14個(gè)：大磨粒濃度，小磨粒濃度，磨損磨?？倽舛?，以及Fe、Cr、Pb、Cu、Zn、Al、Si、B、Na、Ca、P元素的濃度等故障征兆屬性，分別用f1～f14表示。故障類型分別為齒輪磨損、軸承磨損、密封不良、保持架磨損和齒輪箱箱體磨損。

3.2.1 診斷實(shí)例一

采用本文方法對(duì)東風(fēng)4D型機(jī)車齒輪箱故障的光鐵譜數(shù)據(jù)進(jìn)行診斷，部分故障樣本見(jiàn)表3。

表2 不同方法的分類精度對(duì)比

表3 故障樣本

根據(jù)故障樣本屬性，確定RBF神經(jīng)網(wǎng)絡(luò)輸入層為14個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)，采用減聚類算法確定隱層節(jié)點(diǎn)數(shù)為7個(gè)。AHGSA算法參數(shù)為：G0=140，α=17，等比系數(shù)p=0.95，種群規(guī)模為300，進(jìn)化代數(shù)為1 000。將樣本數(shù)據(jù)的每一維都映射到[0，1.2]區(qū)間，采用本文方法進(jìn)行故障診斷時(shí)，故障診斷模型的輸出數(shù)據(jù)在[0，0.2]區(qū)間對(duì)應(yīng)為正常狀態(tài)，輸出數(shù)據(jù)在[0.2，0.4]區(qū)間對(duì)應(yīng)為齒輪磨損，輸出數(shù)據(jù)在[0.4，0.6]區(qū)間對(duì)應(yīng)為軸承磨損，輸出數(shù)據(jù)在[0.6，0.8]區(qū)間對(duì)應(yīng)為密封不良，輸出數(shù)據(jù)在[0.8，1.0]區(qū)間對(duì)應(yīng)為保持架磨損，輸出數(shù)據(jù)在[1.0，1.2]區(qū)間對(duì)應(yīng)為齒輪箱箱體磨損。

機(jī)車齒輪箱故障診斷模型參數(shù)優(yōu)化時(shí)，σ和c的取值范圍均為[0，1]，w的取值范圍為[-50，50]，AHGSA算法在式(16)所示目標(biāo)函數(shù)的引導(dǎo)下，在參數(shù)空間搜索尋優(yōu)，達(dá)到結(jié)束條件(即預(yù)設(shè)的最大進(jìn)化代數(shù))時(shí)的群體最優(yōu)位置Pg即為模型參數(shù)的優(yōu)化值。表4為機(jī)車齒輪箱故障診斷模型的優(yōu)化參數(shù)，圖2為其中三個(gè)參數(shù)(第6個(gè)隱節(jié)點(diǎn)的寬度，即σ(6)；第1個(gè)隱節(jié)點(diǎn)的第10個(gè)中心，即c(1，10)；連接第7個(gè)隱節(jié)點(diǎn)與輸出的權(quán)值，即w(7))的收斂曲線，出于篇幅的考慮，其余參數(shù)的收斂曲線不再列出。

表4 故障診斷模型參數(shù)

隨機(jī)選取3組測(cè)試樣本，分別為S1=(75.7，40.5，116.2，249.4，1.8，0.2，6.9，8.5，16.2，53.5，244.8，2，5.5，1 218)，S2=(86.2，71.5，157.7，621.3，3.2，2.1，12.5，94.1，44.4，44.1，197.5，2，4.8，1 351)，S3=(97.6，59.5，157.1，234.4，0.91，1.21，8.73，11.5，77.8，40.9，255.1，2，7.13，1 229)，采用本文方法進(jìn)行診斷，診斷結(jié)果見(jiàn)表5。其中，將樣本S1診斷為正常狀態(tài)，將樣本S2診斷為齒輪磨損，將樣本S3診斷為齒輪箱箱體磨損，診斷結(jié)果與實(shí)際情況相符。

圖2 模型參數(shù)的收斂曲線

樣本模型輸出結(jié)果診斷結(jié)果S10.099906正常S20.300063齒輪磨損S31.100550齒輪箱箱體磨損

3.2.2 診斷實(shí)例二

采用本文方法對(duì)HXD1C機(jī)車齒輪箱故障的光鐵譜數(shù)據(jù)進(jìn)行診斷測(cè)試，故障測(cè)試樣本見(jiàn)表6。故障診斷模型參數(shù)與表4所示參數(shù)相同。將測(cè)試樣本輸入診斷模型，診斷結(jié)果見(jiàn)表7。其中，將1號(hào)樣本診斷為正常，2號(hào)樣本診斷為齒輪磨損，3號(hào)樣本診斷為軸承磨損，4號(hào)樣本診斷為密封不良，5號(hào)樣本診斷為保持架磨損，6號(hào)樣本診斷為齒輪箱箱體磨損。診斷結(jié)果與實(shí)際情況一致。

表6 故障樣本

表7 診斷結(jié)果

通過(guò)故障診斷實(shí)例不難發(fā)現(xiàn)，本文所提出的故障診斷方法能夠自適應(yīng)優(yōu)化機(jī)車齒輪箱故障診斷模型的參數(shù)，從而使得故障分類結(jié)果更為客觀合理，有效保證了故障診斷精度。經(jīng)過(guò)訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)故障診斷模型可實(shí)現(xiàn)相應(yīng)故障的實(shí)時(shí)診斷。

4 結(jié)論

針對(duì)神經(jīng)網(wǎng)絡(luò)在機(jī)車齒輪箱故障診斷中存在的問(wèn)題，本文基于RBF神經(jīng)網(wǎng)絡(luò)建立了機(jī)車齒輪箱故障診斷模型，并提出自適應(yīng)混合引力搜索算法求解模型參數(shù)，測(cè)試實(shí)驗(yàn)結(jié)果表明，該算法具有良好的尋優(yōu)精度和效率，在滿足相應(yīng)目標(biāo)函數(shù)取得最小值的情況下，能夠求解出相對(duì)最優(yōu)的模型參數(shù)。機(jī)車齒輪箱故障診斷實(shí)例也表明，本文方法具有處理分布不均勻、線性不可分的復(fù)雜故障數(shù)據(jù)的能力，能夠有效分離故障特征。本文研究成果為機(jī)車齒輪箱故障診斷提供了新的思路和方法。

參考文獻(xiàn)：

[1]楊江天,周培鈺.經(jīng)驗(yàn)?zāi)B(tài)分解和Laplace小波在機(jī)車柴油機(jī)齒輪系故障診斷中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2011,47(7)：109-115.

YANG Jiangtian,ZHOU Peiyu.Fault Diagnosis for Gear Train of Locomotive Diesel Engine Based on Empirical Mode Decomposition and Laplace Wavelet[J].Journal of Mechanical Engineering,2011,47(7)：109-115.

[2]董錫明.機(jī)車車輛測(cè)試性與技術(shù)診斷[J].鐵道機(jī)車車輛,2006,21(1)：44-54.

DONG Ximing.Testability and Technique Diagnosis for Locomotive and Car[J].Railway Locomotive and Car,2006,21(1)：44-54.

[3]黃志武,賓睿,楊迎澤,等.CCBⅡ制動(dòng)機(jī)系統(tǒng)模式追蹤與多故障診斷技術(shù)[J].鐵道學(xué)報(bào),2014,36(3)：68-74.

HUANG Zhiwu,BIN Rui,YANG Yingze,et al.Mode Tracking and Multiple Faults Diagnosis of CCBⅡ Brake System[J].Journal of the China Railway Society,2014,36(3)：68-74.

[4]付強(qiáng),陳特放,朱佼佼.基于HPSO-WNN的牽引變壓器故障診斷算法研究[J].鐵道學(xué)報(bào),2012,34(9)：26-32.

FU Qiang,CHEN Tefang,ZHU Jiaojiao.Research on Traction Transformer Faults Diagnosis Algorithm Based on HPSO-WNN[J].Journal of the China Railway Society,2012,34(9)：26-32.

[5]程瑞琪,周美玉.基于統(tǒng)計(jì)與時(shí)間序列的內(nèi)燃機(jī)車機(jī)油光譜數(shù)據(jù)分析與故障診斷[J].鐵道學(xué)報(bào),1999,21(4)：20-24.

CHENG Ruiqi,ZHOU Meiyu.Statistics and Time Series Based Spectrographic Oil Analysis Data Processing for Locomotive Diesel Engine Wear Diagnosis[J].Journal of the China Railway Society,1999,21(4)：20-24.

[6]李剛,范萬(wàn)里,姜海蓮,等.結(jié)合光鐵譜技術(shù)用神經(jīng)網(wǎng)絡(luò)診斷電力機(jī)車齒輪箱故障[J].機(jī)械傳動(dòng),2013,37(3)：78-82.

LI Gang,FAN Wanli,JIANG Hailian,et al.Fault Diagnosis of Electric Locomotive Gearbox by Using Combination RDEAES and Ferrography and Neural Network[J].Journal of Mechanical Transmission,2013,37(3)：78-82.

[7]齊振國(guó),侯秀娟.神經(jīng)網(wǎng)絡(luò)在鐵道車輛齒輪箱故障診斷系統(tǒng)中的應(yīng)用[J].機(jī)車電傳動(dòng),2014(1)：97-99.

QI Zhengguo,HOU Xiujuan.Application of Neural Network in Railway Vehicle Gearbox Fault Diagnosis System[J].Electric Drive for Locomotive,2014(1)：97-99.

[8]CHEN J Y,QIN Z,JIA J.A PSO-based Subtractive Clustering Technique for Designing RBF Neural Networks[C]//Proceedings of the 2008 Congress on Evolutionary Computation.Hong Kong：IEEE Press,2008：2 047-2 052.

[9]RASHEDIE,NEZAMABADI-POUR H,SARYAZDIS.GSA：A Gravitational Search Algorithm[J].Information Sciences,2009,179(13)：2 232-2 248.

[10]RASHEDIE,NEZAMABADI-POUR H,SARYAZDIS.BGSA：Binary Gravitational Search Algorithm[J].Natural Computing,2010,9(3)：727-745.

[11]張浩,張鐵男,沈繼紅,等.Tent 混沌粒子群算法及其在結(jié)構(gòu)優(yōu)化決策中的應(yīng)用[J].控制與決策,2008,23(8)：857-862.

ZHANG Hao,ZHANG Tienan,SHEN Jihong,et al.Research on Decision-makings of Structure Optimization Based on Improved Tent PSO[J].Control and Decision,2008,23(8)：857-862.

[12]ZHU G P,KWONG S.Gbest-guided Artificial Bee Colony Algorithm for Numerical Function Optimization[J].Applied Mathematics and Computation,2010,217(7)：3 166-3 173.

[13]KARABOGA D,BASTURK B.On the Performance of Artificial Bee Colony(ABC) Algorithm[J].Applied Soft Computing,2008,8(1)：687-689.