CN104502126A - 一种基于模态区间的高速列车转向架故障诊断方法 - Google Patents

Abstract

一种基于模态区间的高速列车转向架故障诊断方法，包括如下步骤：（1）高速列车转向架振动信号获取；（2）高速列车转向架振动信号预处理；（3）高速列车转向架振动信号模态区间化；（4）高速列车转向架振动信号EMD分解；（5）高速列车转向架振动信号特征提取；（6）构建及训练初始区间神经网络模型；（7）高速列车转向架故障诊断。本发明提出了通过模态区间方法来处理转向架振动信号中的不确定性行问题，并利用区间神经网络模型的分类识别方法对高速列车转向架故障进行诊断。由于其通过模态区间的方法处理了高速列车转向架故障诊断中的不确定性问题，将大大提高故障诊断结果的可靠性。本发明方法适用高速列车转向架的故障诊断。

Description

一种基于模态区间的高速列车转向架故障诊断方法

技术领域

本发明涉及高速列车故障诊断领域，特别涉及高速列车转向架的故障诊断方法。

背景技术

转向架在高速列车运行中担当着导向、承载、减振的任务，同时也是牵引和制动最终执行者，是高速列车关键部件。转向架在高速列车营运由于中承受着频繁的随机动载荷，可能导致转向架结构件的关键部位出现各种故障，而故障的出现会导致高速列车各部位振动加剧、运行品质下降，甚至会导致脱轨翻车等严重事故。因此开展高速列车转向架性能检测和故障诊断研究，对高速列车安全可靠的运行具有重大意义。

常用的高速列车转向架故障诊断方法为：通过传感器获取转向架振动敏感信号，通过时频分析获取转向架故障特征量，最后应用分类识别模型对转向架故障进行诊断。这种常规方法从转向架故障信号的获取到特征量的提取及到最后的故障分类，都是基于精确值的基础上进行的。由于高速列车转向架结构的复杂性、运行状态中各种影响因素变化的不确定性和偶然性，将导致高速转向架振动信号测量结果同样具有不确定性和随机性，传统的诊断模型方法很少对这些不确定性问题进行相应，这将导致诊断结果的可靠性降低。

模态区间理论作为不确定性问题有效处理工具之一，Joaquim在《Applicationof Modal Interval Analysis to the Simulation of the Behavior of Dynamic Systemswith Uncertain Parameters》中进行了详细的阐述：它应用模态区间来处理工程中由于小样本、历史数据不完备、随机性、先验知识匮乏等而形成的不确定性问题，将不确定量转换为模态区间，通过模态区间的宽度来量化不确定性大小。基于模态区间的不确定性分析方法考虑了不确定性问题，而且模态区间形式的结果包含信息量更丰富、可信度更高。将模态区间理论用来解决高速列车故障诊断中涉及的不确定性问题，可提高转向架故障诊断结果的可靠性。

发明内容

本发明的目的是针对高速列车转向架故障诊断中存在的不确定性问题，提供一种基于模态区间的高速列车转向架故障诊断方法。

实现本发明的目的所采用的具体技术方案如下：

一种基于模态区间的高速列车转向架故障诊断方法，利用模态区间理论处理诊断过程中存在的不确定性问题，通过经验模态分解(EMD)提取故障特征信息，由区间神经网络模型分类识别方法对高速列车转向架故障进行可靠诊断。本发明方法具体步骤如下：

(1)高速列车转向架振动信号获取

利用测量工具获取高速列车转向架振动信号，并通过数据采集卡将获取的信息存储于计算机中。其中振动信号可以是力、加速度、位移和扭矩等信号中的任一一类，与振动信号对应的测量工具为测力计、加速度传感器、位移传感器和扭矩传感器等。

(2)高速列车转向架振动信号预处理

将采集到的高速列车转向架的振动信号进行小波包阈值滤波，消除噪声干扰，形成无噪的高速列车转向架振动信号x_j(t)，其中t为信号采集对应时刻，x为采集信号幅值，j为振动信号对应(1)中测量工具中任一一种。

(3)高速列车转向架振动信号模态区间化

考虑高速列车转向架振动信号测量及数据预处理过程中的不确定性问题，依据模态区间理论及误差理论，将预处理后的转向架振动信号x_j(t)转换成模态区间形式x_j(t)，以增加获取到的振动信号的可靠性。其中x _j(t)为振动信号下界，为振动信号上界。

模态区间x的数学定义为：

$x:[\underset{\‾}{x},\stackrel{\‾}{x}]\∈\mathrm{kR}$

即模态区间x通过一对实数x，来定义，x为下界，为上界，kR表示模态闭区间的实数集合，式中的x不受的任何约束，即模态区间中上下界大小不受限制，如经典区间只能为[2,5]，不能为[5,2]，但模态区间不受限制，两个区间都是许可的。模态区间数学运算理论基础为Kaucher算法。

(4)高速列车转向架振动信号EMD分解

分别对下界振动信号和上界振动信号进行EMD分解，得到振动信号下界本征模态函数(IMF)c(t)和振动信号下界

(5)高速列车转向架振动信号特征提取

对振动信号EMD分解后的上下界IMF进行筛选，选择特征显著的上下界IMF，并分别计算下界IMF的能量矩E _i，和上界IMF的能量矩 其中Δt为采样间隔，n为样本总数，i为EMD分解后对应的第i个IMF。并分别对上下界能量矩进行归一化，其中下界能量矩归一化方法为上界能量矩归一化方法为将上下能量矩组合成模态区间特征向量T，作为后续分类模型的输入。

(6)构建及训练初始区间神经网络模型

依据模态区间特征向量及高速列车转向架故障表现种类，构建初始区间神经网络模型，并对转向架故障表现种类进行编码，形成区间神经网络理想输出目标。依据区间神经网络模型学习方法，将(5)所述提取到的转向架振动信号特征向量T的一部分作为训练样本，采用梯度下降法对初始区间神经网络模型进行训练，直至初始区间神经网络模型参数优化为止。

其中，区间神经网络是经典神经网络的推广，它将经典神经网络的参数依据模态区间理论，转换为了模态区间形式。

(7)高速列车转向架故障诊断

将提取到的剩余转向架振动信号特征向量T作为测试样本，输入优化后的区间神经网络模型中，计算区间神经网络模型输出结果，所得到的结果利用模态区间大小比较法则进行比较，模态区间最大值对应编码所在状态即为转向架故障诊断结果。

本发明与现有的高速列车转向架故障诊断技术相比，提出了通过模态区间方法来处理转向架振动信号中的不确定性行问题，并利用区间神经网络模型的分类识别方法对高速列车转向架故障进行诊断。由于其通过模态区间的方法处理了高速列车转向架故障诊断中的不确定性问题，将提高故障诊断结果的可靠性，具体来说具有以下优势：

1)将获取的转向架振动信号中的不确定量转换为模态区间形式，通过模态区间理论处理获取信号中存在的不确定性问题，可有效解决转向架故障诊断中模型输入中的数值不确定性问题；

2)将经由模态区间理论处理了的转向架振动信号能量矩作为特征向量，应用区间神经网络模型分类识别方法对转向架进行故障诊断，由于诊断过程中的不确定性问题得到了有效处理，将提高高速列车转向架故障诊断结果的可靠性。

本发明方法适用高速列车转向架的故障诊断。

附图说明

图1是本发明基于模态区间的高速列车转向架故障诊断方法实施方式的流程框图；

图2是本发明实施例中基于模态区间的高速列车转向架故障诊断流程框图。

具体实施方式

本发明将通过以对高速列车转向架故障诊断为例实施例作进一步的说明。

(1)高速列车转向架加速度信号获取

利用测量工具获取高速列车转向架振动信号，并通过数据采集卡将获取的信息存储于计算机中，其中振动信号可以力、加速度、位移和扭矩等信号中的任一一类，与振动信号对应的测量工具为测力计、加速度传感器、位移传感器和扭矩传感器等。

本实施例优选测量工具为加速度传感器，通过加速度传感器获取转向架振动信号。

(2)高速列车转向架加速度信号预处理

将采集到的列车转向架的振动信号进行小波包阈值滤波，消除噪声干扰，形成无噪的高速列车转向架振动信号x_j(t)，其中t为信号采集对应时刻，x为采集信号幅值，j为振动信号对应(1)中测量工具中任一一种。

本实施例选用的测量工具为加速度传感器，预处理后得到的无噪振动信号为加速度信号x(t)。

(3)高速列车转向架加速度信号模态区间化

考虑高速列车转向架加速度信号测量及数据预处理过程中的不确定性问题，依据模态区间理论及误差理论，将预处理后的转向架加速度信号x(t)转换成模态区间形式x(t)，以增加获取到的加速度信号的可靠性。其中x(t)为加速度信号下界，为加速度信号上界。

模态区间x的数学定义为：

$x:[\underset{\‾}{x},\stackrel{\‾}{x}]\∈\mathrm{kR}$

即模态区间x通过一对实数x，来定义，x为下界，为上界，kR表示模态闭区间的实数集合，式中的x不受的任何约束，即模态区间中上下界大小不受限制，如经典区间只能为[2,5]，不能为[5,2]，但模态区间不受限制，两个区间都是许可的。模态区间数学运算理论基础为Kaucher算法。

(4)高速列车转向架加速度信号EMD分解

分别对下界加速度信号x(t)和上界加速度信号进行EMD分解，得到加速度信号下界本征模态函数(IMF)c(t)和加速度信号下界

(5)高速列车转向架加速度信号特征提取

对加速度信号EMD分解后的上下界IMF进行筛选，选择特征显著的上下界IMF，并分别计算下界IMF的能量矩E _i，和上界IMF的能量矩 其中Δt为采样间隔，n为样本总数，i为EMD分解后对应的第i个IMF。并分别对上下界能量矩进行归一化，其中下界能量矩归一化方法为上界能量矩归一化方法为将上下能量矩组合成模态区间特征向量T，作为后续分类模型的输入。

(6)构建及训练初始区间神经网络模型

依据模态区间特征向量及高速列车转向架故障表现种类，构建初始区间神经网络模型。在本实施例中，假定需要诊断的转向架故障数为4种，包括轮对踏面损伤、抗蛇形减振器失效、横向减振器失效和空气弹簧失气，对每一种故障从特征向量T中优选9个模态区间特征量，从而组成矩阵为9×3的初始区间神经网络模型。同时对4种高速列车转向架故障进行编码，构成区间神经网络的理想输出目标，其中轮对踏面损伤编码为([1,1][0,0][0,0][0,0])、抗蛇形减振器失效编码为([0,0][1,1][0,0][0,0])、横向减振器失效编码为([0,0][0,0][1,1][0,0])及空气弹簧失气编码为([0,0][0,0][0,0][1,1])。依据区间神经网络模型学习方法，将(5)所述提取到的转向架加速度信号特征向量T的一部分作为训练样本，采用梯度下降法对初始区间神经网络模型进行训练，直至初始区间神经网络模型参数优化为止。

其中，区间神经网络是经典神经网络的推广，它将经典神经网络的参数依据模态区间理论，转换为了模态区间形式。

(7)高速列车转向架故障诊断

将提取到的剩余转向架加速度信号特征向量T作为测试样本，输入优化后的区间神经网络模型，计算区间神经网络模型输出结果，所得到的结果利用模态区间大小比较法则进行比较，模态区间最大值对应编码所在状态即为转向架故障诊断结果。

上述实施例仅是本发明方法的一个优选的方案，但本发明的方法不局限于其对高速列车转向故障诊断，对其他的高速列车上构件的故障诊断都可适用。

Claims (8)

1.一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述方法利用模态区间理论处理诊断过程中存在的不确定性问题，通过经验模态分解提取故障特征信息，由区间神经网络模型分类识别方法对高速列车转向架故障进行可靠诊断；所述方法具体包括如下步骤：

(1)高速列车转向架振动信号获取；

(2)高速列车转向架振动信号预处理；

(3)高速列车转向架振动信号模态区间化；

(4)高速列车转向架振动信号EMD分解；

(5)高速列车转向架振动信号特征提取；

(6)构建及训练初始区间神经网络模型；

(7)高速列车转向架故障诊断。

2.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述高速列车转向架振动信号获取中，振动信号可以是力、加速度、位移和扭矩信号中的任一一类，与振动信号对应的测量工具为测力计、加速度传感器、位移传感器和扭矩传感器。

3.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述高速列车转向架振动信号预处理，将采集到的高速列车转向架的振动信号进行小波包阈值滤波，消除噪声干扰，形成无噪的高速列车转向架振动信号x_j(t)，其中t为信号采集对应时刻，x为采集信号幅值，j为振动信号对应测力计、加速度传感器、位移传感器和扭矩传感器中任一一种。

4.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述高速列车转向架振动信号模态区间化，将预处理后的转向架振动信号x_j(t)转换成模态区间形式x_j(t)，以增加获取到的振动信号的可靠性；

其中x _j(t)为振动信号下界，为振动信号上界。

5.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述高速列车转向架振动信号EMD分解，即分别对下界振动信号和上界振动信号进行EMD分解，得到振动信号下界本征模态函数(IMF)c(t)和振动信号下界

6.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，高速列车转向架振动信号特征提取，对振动信号EMD分解后的上下界IMF进行筛选，选择特征显著的上下界IMF，

并分别计算下界IMF的能量矩E _i，和上界IMF的能量矩 ${\stackrel{\‾}{E}}_i={\mathrm{\Σ}}_{k=1}^n(k\·\mathrm{\Δt}){\left|{\stackrel{\‾}{c}}_i(k\·\mathrm{\Δt})\right|}^2,$ 其中Δt为采样间隔，n为样本总数，i为EMD分解后对应的第i个IMF；并分别对上下界能量矩进行归一化，其中下界能量矩归一化方法为上界能量矩归一化方法为将上下能量矩组合成模态区间特征向量T，作为后续分类模型的输入。

7.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述构建及训练初始区间神经网络模型，将转向架振动信号特征向量T的一部分作为训练样本，采用梯度下降法对初始区间神经网络模型进行训练，直至初始区间神经网络模型参数优化为止。

8.根据权利要求1所述的一种基于模态区间的高速列车转向架故障诊断方法，其特征在于，所述高速列车转向架故障诊断，将提取到的剩余转向架振动信号特征向量T作为测试样本，输入优化后的区间神经网络模型中，计算区间神经网络模型输出结果，所得到的结果利用模态区间大小比较法则进行比较，模态区间最大值对应编码所在状态即为转向架故障诊断结果。