CN109323754A - 一种列车车轮多边形故障诊断检测方法 - Google Patents

Abstract

本发明公开了一种列车车轮多边形故障诊断检测方法。该方法为：首先选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解；然后选取分解得到的IMF分量，使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据；最后进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别。本发明基于改进的经验模态分解及改进的BP神经网络算法，检测结果明显，适用性强。

Description

一种列车车轮多边形故障诊断检测方法

技术领域

本发明属于车轮检测技术领域，特别是一种列车车轮多边形故障诊断检测方法。

背景技术

列车走行系对城轨列车重要性不言而喻，需要时刻关注其状态，及时解决走行系故障。在城轨列车的运行中，由于需要频繁的启停，因此轮轨之间不断摩擦，导致轮对的踏面形状也随之改变；随着轮轨关系的不断影响，极易发生车轮不圆顺故障，车轮全局不圆顺故障会对轨道及车辆等各个部件造成伤害。

对于城轨列车车轮全局不圆顺故障，其不圆化波深一般都在毫米级别，仅靠人工观察很难识别，需要借助专业仪器检测，检测时间较长，且准确率不高。因此研究车轮全局不圆顺特征及实时检测方法，对于城轨列车安全运行非常重要，能够及时发现车轮异常情况并采取有效措施来消除安全问题。

EMD作为一种非平稳信号的分析处理方法，具有分析效果好、应用灵活的优点，可以方便地提取出各分量的特征。而EEMD作为EMD的改进型，通过在每次分解过程中添加白噪声，来解决EMD存在的模态混叠问题，然而，由于每次添加的白噪声都不一样，导致最后的IMF分量中存在残留噪声。

发明内容

本发明的目的在于提供一种准确性高、实时性好的列车车轮多边形故障诊断检测方法，从而及时采取有效措施消除安全隐患。

实现本发明目的的技术解决方案是：一种列车车轮多边形故障诊断检测方法，包括以下步骤：

步骤1，选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解；

步骤2，选取分解得到的IMF分量；

步骤3，使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据；

步骤4，进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别。

进一步地，步骤1所述的选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解，具体如下：

步骤1.1、采用EMD算法对x⁽ⁱ⁾＝x±β_iw⁽ⁱ⁾进行分解，得到改进EMD的第1个IMF分量imf₁：

其中，E₁₊(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；并且令w(i)为均值为零，幅值标准差为常数C的一组白噪声信号，不同车轮状态且作为原始训练样本的轨道振动信号为x，其第i次加噪后的信号为x⁽ⁱ⁾，I为加噪声的总次数，β_i为白噪声强度；

步骤1.2、计算第1个IMF分量imf₁的残差r₁：

r₁＝x-imf₁ (2)

步骤1.3、采用EMD分解计算r₁±β_iw⁽ⁱ⁾的第一个模态，并定义为改进EMD分解的第2个IMF分量imf₂：

其中，E₁₊(r₁+β_iw⁽ⁱ⁾)为对r₁+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(r₁-β_iw⁽ⁱ⁾)为对r₁-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；

步骤1.4、以此类推，直至求出原始轨道振动信号x的第K个IMF分量；其中，K为训练样本原信号x最终分解得到的IMF分量数目。

进一步地，步骤2所述的选取分解得到的IMF分量，具体步骤为：

步骤2.1、设训练样本原信号x离散后的信号序列为X＝{x(1),x(2)...x(n)}，imf_i离散后的信号序列为{y_i(1),y_i(2)..y_i(n)}，定义二者的互相关系数为：

求解所有imf_i与训练样本原信号的互相关系数，并得到这K个互相关系数的标准差SD；

步骤2.2、设为{y_i(1),y_i(2)..y_i(n)}的均值，定义imf_i的信号峭度值Kurtosis为：

计算所有imf_i的信号峭度值，并根据结果设置信号峭度值的阈值ε；

步骤2.3、选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量，按照原序号大小重新顺序排列，记为{imf_j}，其中j＝1,2....m，且m≤K。

进一步地，步骤3所述的使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据，具体如下：

步骤3.1、对经过步骤2.3选取的所有IMF分量进行峭度因子、能量、能量矩的求值，将其数值结果分别作为以K维向量形式存在的输入样本；

步骤3.2、设定标签值为3维向量，并设(0，0，0)为正常车轮，(0，0，1)为一阶车轮全局不圆顺，(0，1，0)为二阶车轮全局不圆顺，(0，1，1)为三阶车轮全局不圆顺，(1，0，0)为四阶车轮全局不圆顺；根据采集样本信号的故障形式设置对应的标签值。

进一步地，步骤4所述的进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别，具体如下：

以输入样本与对应的样本标签值为单位样本数据，输送到神经网络中进行训练，并基于批量梯度下降法迭代训练神经网络，其中权重w_ij(t)的迭代公式为：

其中η(t)为学习率，为梯度函数，J(t)为代价函数，t为迭代训练次数，且t＝0，1...t_max；

定义η(0)为初始自定义学习率，在进行第一次梯度下降时，记录下所有w_ij对应的当t＝1,2...t_max时，定义

训练完成后，根据神经网络的输出结果，进行车轮多边形故障的判别。

本发明与现有技术相比，其显著优点是：(1)基于改进的经验模态分解及改进的BP神经网络算法，降低了传统梯度下降算法无法收敛的可能性，且随着迭代次数的增加能保证稳步收敛；(2)检测结果较为明显，方法适用性强。

附图说明

图1为本发明列车车轮多边形故障诊断检测方法的流程示意图。

图2为本发明中改进得EMD分解结果图。

图3为本发明实施例中各阶IMF相关系数值与峭度值计算结果图，其中(a)为各阶IMF相关系数值图，(b)为各阶IMF峭度值图。

图4为本发明实施例中基于信号峭度因子的BP神经网络分类效果图，其中(a)为BP神经网络训练效果图，(b)为BP神经网络预测效果。

图5为本发明实施例中基于信号能量的BP神经网络分类效果图，其中(a)为BP神经网络训练效果图，(b)为BP神经网络预测效果。

图6为本发明实施例中基于信号能量矩的BP神经网络分类效果图，其中(a)为BP神经网络训练效果图，(b)为BP神经网络预测效果。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

结合图1，本发明列车车轮多边形故障诊断检测方法，基于改进的经验模态分解及改进的BP神经网络算法，首先选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解；选取分解得到的IMF分量；使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据；进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别。包括以下步骤：

步骤1，首先选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解，具体如下：

步骤1.1、采用EMD算法对x⁽ⁱ⁾＝x±β_iw⁽ⁱ⁾进行分解，得到改进EMD的第1个IMF分量imf₁：

其中，E₁₊(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；并且令w(i)为均值为零，幅值标准差为常数C的一组白噪声信号，不同车轮状态且作为原始训练样本的轨道振动信号为x，其第i次加噪后的信号为x⁽ⁱ⁾，I为加噪声的总次数，β_i为白噪声强度；

步骤1.2、计算第1个IMF分量imf₁的残差r₁：

r₁＝x-imf₁ (2)

步骤1.3、采用EMD分解计算r₁±β_iw⁽ⁱ⁾的第一个模态，并定义为改进EMD分解的第2个IMF分量imf₂：

其中，E₁₊(r₁+β_iw⁽ⁱ⁾)为对r₁+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(r₁-β_iw⁽ⁱ⁾)为对r₁-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；

步骤1.4、以此类推，结合图2，直至求出原始轨道振动信号x的第K个IMF分量；其中，K为训练样本原信号x最终分解得到的IMF分量数目。

步骤2，选取分解得到的IMF分量，具体如下：

步骤2.1、设训练样本原信号x离散后的信号序列为X＝{x(1),x(2)...x(n)}，imf_i离散后的信号序列为{y_i(1),y_i(2)..y_i(n)}，定义二者的互相关系数为：

求解所有imf_i与训练样本原信号的互相关系数，并得到这K个互相关系数的标准差SD；

步骤2.2、设为{y_i(1),y_i(2)..y_i(n)}的均值，定义imf_i的信号峭度值Kurtosis为：

计算所有imf_i的信号峭度值，并根据结果设置信号峭度值的阈值ε，例如阈值ε＝8；

步骤2.3、结合图3，选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量，按照原序号大小重新顺序排列，记为{imf_j}，其中j＝1,2....m，且m≤K；

步骤3，使用被选取的IMF分量{imf_j}求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据，具体如下：

步骤3.1、结合图4、图5、图6，对经过步骤2.3选取后的所有IMF分量进行峭度因子、能量、能量矩的求值，其数值结果分别作为以K维向量形式存在的输入样本；

步骤3.2、设定标签值为3维向量，并设(0，0，0)为正常车轮，(0，0，1)为一阶车轮全局不圆顺，(0，1，0)为二阶车轮全局不圆顺，(0，1，1)为三阶车轮全局不圆顺，(1，0，0)为四阶车轮全局不圆顺；根据采集样本信号的故障形式设置对应的标签值。

步骤4，进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别，具体如下：

以输入样本与对应的样本标签值为单位样本数据，输送到神经网络中进行训练，并基于批量梯度下降法迭代训练神经网络，其中权重w_ij(t)的迭代公式为：

其中η(t)为学习率，为梯度函数，J(t)为代价函数，t为迭代训练次数，且t＝0，1...t_max；

定义η(0)为初始自定义学习率，在进行第一次梯度下降时，记录下所有w_ij对应的当t＝1,2...t_max时，定义

训练完成后，根据神经网络的输出结果，进行车轮多边形故障的判别。

实施例1

使用本发明列车车轮多边形故障诊断检测方法，应用所述的改进的经验模态分解及改进的BP神经网络算法进行模型训练，并利用通过现场采集***采集得到广州地铁A型车8788车两组转向架共4对车轮的轨道振动信号进行试验验证。计算A型车8788现场采集的4组轨道振动信号分解所得到的IMF特征值，结果如表1，表2，表3，表4所示：

表1第1组轮对振动信号特征值

表2第2组轮对振动信号特征值

表3第3组轮对振动信号特征值

表4第4组轮对振动信号特征值

将IMF的信号特征值进行归一化处理，之后作为输入特征向量，输入到训练好的改进的BP神经网络中，识别信号中的故障。故障识别结果如表5所示。

表5故障分类识别结果

由表5的结果，对比轮对1～4对应车轮的实际情况得知，只有轮对4中含有二阶全局不圆顺故障，其余轮对对应的车轮均为无故障。对于上述广州地铁公司A型车8788列车，在通过上述算法检测出故障后，经现场测量，确定了全局不圆顺故障的存在。

Claims (5)

1.一种列车车轮多边形故障诊断检测方法，其特征在于，包括以下步骤：

步骤1，选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解；

步骤2，选取分解得到的IMF分量；

步骤3，使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据；

步骤4，进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别。

2.根据权利要求1所述的列车车轮多边形故障诊断检测方法，其特征在于，步骤1所述的选取1～4阶车轮多边形故障的轨道振动信号和正常车轮的轨道振动信号，作为训练样本的选择目标；采集训练样本信号，并进行改进的经验模态分解，具体如下：

步骤1.1、采用EMD算法对x⁽ⁱ⁾＝x±β_iw⁽ⁱ⁾进行分解，得到改进EMD的第1个IMF分量imf₁：

其中，E₁₊(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(x⁽ⁱ⁾)为对x⁽ⁱ⁾＝x-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；并且令w(i)为均值为零，幅值标准差为常数C的一组白噪声信号，不同车轮状态且作为原始训练样本的轨道振动信号为x，其第i次加噪后的信号为x⁽ⁱ⁾，I为加噪声的总次数，β_i为白噪声强度；

步骤1.2、计算第1个IMF分量imf₁的残差r₁：

r₁＝x-imf₁ (2)

步骤1.3、采用EMD分解计算r₁±β_iw⁽ⁱ⁾的第一个模态，并定义为改进EMD分解的第2个IMF分量imf₂：

其中，E₁₊(r₁+β_iw⁽ⁱ⁾)为对r₁+β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量，E_1-(r₁-β_iw⁽ⁱ⁾)为对r₁-β_iw⁽ⁱ⁾使用EMD分解后得到的第1个IMF分量；

步骤1.4、以此类推，直至求出原始轨道振动信号x的第K个IMF分量；其中，K为训练样本原信号x最终分解得到的IMF分量数目。

3.根据权利要求2所述的列车车轮多边形故障诊断检测方法，其特征在于，步骤2所述的选取分解得到的IMF分量，具体步骤为：

步骤2.1、设训练样本原信号x离散后的信号序列为X＝{x(1),x(2)...x(n)}，imf_i离散后的信号序列为{y_i(1),y_i(2)..y_i(n)}，定义二者的互相关系数为：

求解所有imf_i与训练样本原信号的互相关系数，并得到这K个互相关系数的标准差SD；

步骤2.2、设为{y_i(1),y_i(2)..y_i(n)}的均值，定义imf_i的信号峭度值Kurtosis为：

计算所有imf_i的信号峭度值，并根据结果设置信号峭度值的阈值ε；

步骤2.3、选取保留所有信号峭度值大于阈值ε且互相关系数大于标准差SD的IMF分量，按照原序号大小重新顺序排列，记为{imf_j}，其中j＝1,2....m，且m≤K。

4.根据权利要求3所述的列车车轮多边形故障诊断检测方法，其特征在于，步骤3所述的使用被选取的IMF分量求解对应的时频特征量，并作为训练样本的输入信号；选取该训练样本信号对应的故障特征作为该训练样本的标签值，生成训练样本数据，具体如下：

步骤3.1、对经过步骤2.3选取的所有IMF分量进行峭度因子、能量、能量矩的求值，将其数值结果分别作为以K维向量形式存在的输入样本；

步骤3.2、设定标签值为3维向量，并设(0，0，0)为正常车轮，(0，0，1)为一阶车轮全局不圆顺，(0，1，0)为二阶车轮全局不圆顺，(0，1，1)为三阶车轮全局不圆顺，(1，0，0)为四阶车轮全局不圆顺；根据采集样本信号的故障形式设置对应的标签值。

5.根据权利要求4所述的列车车轮多边形故障诊断检测方法，其特征在于，步骤4所述的进行改进的BP神经网络训练，得到车轮全局不圆顺的故障识别模型，并进行车轮状态识别，具体如下：

以输入样本与对应的样本标签值为单位样本数据，输送到神经网络中进行训练，并基于批量梯度下降法迭代训练神经网络，其中权重w_ij(t)的迭代公式为：

其中η(t)为学习率，为梯度函数，J(t)为代价函数，t为迭代训练次数，且t＝0，1...t_max；

定义η(0)为初始自定义学习率，在进行第一次梯度下降时，记录下所有w_ij对应的当t＝1,2...t_max时，定义

训练完成后，根据神经网络的输出结果，进行车轮多边形故障的判别。