CN109781442B - 一种磁浮列车转向架裂缝故障的检测方法 - Google Patents
一种磁浮列车转向架裂缝故障的检测方法 Download PDFInfo
- Publication number
- CN109781442B CN109781442B CN201910184425.5A CN201910184425A CN109781442B CN 109781442 B CN109781442 B CN 109781442B CN 201910184425 A CN201910184425 A CN 201910184425A CN 109781442 B CN109781442 B CN 109781442B
- Authority
- CN
- China
- Prior art keywords
- formula
- principal component
- bogie
- vector
- modal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种磁浮列车转向架裂缝故障的检测方法,所述方法包括以下步骤:S1、通过传感器采集磁浮列车转向架的振动加速度信号,并从所述振动加速度信号中获取磁浮列车转向架在运行状态下的模态参数;S2、对所述步骤S1中获取的模态参数进行PCA主成分分析,提取磁浮列车转向架对裂缝故障敏感的主成分向量;S3、建立SVM支持向量机模型,并对所述步骤S2中提取的主成分向量进行SVM支持向量机训练,得到磁浮列车转向架对裂缝故障敏感的主成分向量点的分类面;S4、根据所述步骤S2中得到的主成分向量在所述步骤S3中分类面中的位置,判断该磁浮列车转向架是否存在裂缝故障。本发明能够准确判断转向架是否存在裂缝故障,具有敏感度高和精准高效的特点。
Description
技术领域
本发明涉及到磁浮列车技术领域,尤其涉及一种磁浮列车转向架裂缝故障的检测方 法。
背景技术
在磁浮列车运行过程中如果能对转向架的状态进行监测,出现异常情况可实现自动 报警与预测,则能提高磁浮列车的安全性能。传统的列车检修靠工人在检修库或者站台通过观察法或敲击听声法判断转向架有没有异常,但这种方法容易产生疏漏,需要费时 费力。
磁浮列车转向架裂缝故障诊断与监测属于结构损伤范畴,结构损伤诊断的研究工作 在国外大体上可以分为三个阶段:早期为探索阶段,探索缺陷产生的原因及修补方法,主 要通过目测方法,凭经验判断。第二阶段为发展阶段,注重裂缝检测、评估方法的研究,提 出了破损检测、无破损检测、物理检测等几十种检测方法,以及分项评价、模糊评价等多种评价方法。第三阶段完善阶段,制定了一系列的规范和标准,强调综合评价,并引入 知识工程,这种方法利用未损伤结构的数学模型连同未损伤结构的振动实验数据作为探 测损伤结构的振动信息,与损伤结构的振动响应进行比较,从而判定结构损伤的位置与程度。用结构的振动响应进行结构损伤探测是目前国内外研究的热点和难题,结构的固有 特性是结构内在性质,与环境无关,如模态频率和阻尼,当结构发生变化时,固有特性 亦会发生变化,所以利用这些变化能对结构裂缝进行诊断。而***和测量误差存在以及 各阶模态频率对裂缝的敏感系数不同,所以用传统阈值法分类识别故障比较困难,同时 在实际工程中,部件和结构往往处于多变的环境,即环境对结构的激励具有随机性,这 时响应也往往具有随机性。
鉴于此,研究一种高效准确的磁浮列车转向架裂缝故障的检测方法是本技术领域人 员亟待解决的技术问题。
发明内容
本发明的目的是提供一种磁浮列车转向架裂缝故障的检测方法,所述检测方法通过 引入PCA主成分分析提取转向架对裂缝故障敏感的主成分向量,并采用SVM支持向量 模型训练所提取的主成分向量,通过训练好的SVM模型能够准确判断所述转向架是否 存在裂缝故障,具有高效精准的特点。
为解决上述技术问题,本发明提供一种磁浮列车转向架裂缝故障的检测方法,所述 方法包括以下步骤:
S1、通过传感器采集磁浮列车转向架的振动加速度信号,并从所述振动加速度信号 中获取磁浮列车转向架在运行状态下的模态参数;
S2、对所述步骤S1中获取的所述模态参数进行PCA主成分分析,提取所述磁浮列车转向架对裂缝故障敏感的主成分向量;
S3、建立SVM支持向量机模型,并对所述步骤S2中提取的主成分向量进行SVM支 持向量机训练,得到磁浮列车转向架对裂缝故障敏感的主成分向量点的分类面;
S4、根据所述步骤S2中得到的主成分向量在所述步骤S3中分类面的位置,判断 该磁浮列车转向架是否存在裂缝故障。
作为上述技术方案的进一步优选,所述步骤S1中采用环境激励下的模态参数识别方法来获取所述磁浮列车转向架在运行状态下的模态参数。
作为上述技术方案的进一步优选,所述模态参数包括用以检测磁浮列车转向架裂缝 故障的模态频率、模态阻尼和模态振型中的至少一种。
作为技术方案的进一步优选,所述步骤S2具体实现步骤为:
S201、根据所述步骤S1中所获取的所述模态参数求出所述模态参数的总体自相关矩 阵R,其公式可表示:
R=E{XXT} (1)
式(1)中,X表示模态参数特征向量,XT表示模态参数特征向量X的转置,E表 示求平均值;
S202、根据所述步骤S201得到的总体自相关矩阵R,求出所述总体自相关矩阵R的特征值,其公式可表示为:
|R-λ|=0 (2)
式(2)中,λ表示特征值;
S203、根据所述步骤S202得到的特征值,选择较大的特征值并求出所选择特征值的 特征向量uk,其公式可表示为:
Ruk=λkuk (3)
式(3)中,k=1,2,3…n表示所选特征值的特征向量uk次序,n表示所选特征值的数量;
S204、根据所述步骤S203得到的所选特征值的特征向量uk,对所述模态参数特征向 量X进行变换,提取所述磁浮列车转向架裂缝故障识别的主成分向量X*,其公式可表 示为:
X*=UTX (4)
式(4)中,UT表示所选特征值的特征向量uk组成的特征向量矩阵的转置。
作为上述技术方案的进一步优选,所述步骤S3具体实现方式为:
S301、建立一个分类面模型,其模型可表示为:
g(x)=<ω,x>+b (5)
式(5)需满足条件<ω,xi>+b≠0,即当yi=+1时,<ω,xi>+b>0;当yi=-1时, <ω,xi>+b<0,其中yi=+1表示样本为正类,yi=-1表示样本为负类,ω为分类面的权 向量,x为主成分向量X*,b为常数项,<>代表内积,i表示样本点的次序;
S302、根据所述步骤S301对所述主成分向量X*进行SVM支持向量机训练,其公式可表示为:
式(6)中,||ω||表示权向量的模,ρ表示margin,即两类样本到分类面的最短距离之和;
S303、根据式(6)优化ρ分类间隔并使之最大,即可得到所述磁浮列车转向架对 裂缝故障敏感的主成分向量点的分类面,其公式表示为:
其中式(7)的约束条件为:
yi(<ω,xi>+b)≥1,其中i=1,2,...,l (8)
式(8)中,l表示训练样本点的数量。
作为上述技术方案的进一步优选,所述步骤S303的实现方式可以通过采用原始-对 偶方法将式(7)和式(8)代入拉格朗日函数,其公式可表示为:
与现有技术比较,本发明所提供的磁浮列车转向架裂缝故障的检测方法通过引入PCA主成分分析提取对所述磁浮列车转向架故障裂缝更为敏感的主成分向量,并采用 SVM支持向量模型对所提取的主成分向量进行支持向量机训练,通过训练好的SVM模 型能够准确识别出所述磁浮列车转向架是否存在裂缝故障,极大提高了磁浮列车的安全 性能,具有检测高效精准的特点。
附图说明
图1是本发明一种磁浮列车转向架裂缝故障的检测方法的流程图,
图2是本发明中PCA主成分分析方法的流程图,
图3是本发明一种实施例通过PCA降维后的样本三维特征点示意图,
图4是本发明一种实施例通过SVM支持向量机模型分类识别的示意图,
图5是本发明一种实施例求解弹性模态频率的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,下面结合附图对本发明作 进一步的详细说明。
如图1所示,一种磁浮列车转向架裂缝故障的检测方法,所述方法包括以下步骤:
S1、通过传感器采集磁浮列车转向架的振动加速度信号,并从所述振动加速度信号 中获取磁浮列车转向架在运行状态下的模态参数;
S2、对所述步骤S1中获取的所述模态参数进行PCA主成分分析,提取所述磁浮列车转向架对裂缝故障敏感的主成分向量;
S3、建立SVM支持向量机模型,并对所述步骤S2中提取的主成分向量进行SVM支 持向量机训练,得到磁浮列车转向架对裂缝故障敏感的主成分向量点的分类面;
S4、根据所述步骤S2中得到的主成分向量在所述步骤S3中得到的分类面中的位置, 判断该磁浮列车转向架是否存在裂缝故障。
本实施例中,磁浮列车转向架裂缝故障的检测方法通过引入PCA主成分分析提取对所述磁浮列车转向架故障裂缝更为敏感的主成分向量,并采用SVM支持向量模型对 所提取的主成分向量进行训练,根据所述主成分向量在主成分向量点的分类面中的位 置,即主成分向量点是位于所述分类面故障一侧还是位于正常一侧,从而可准确判断所 述磁浮列车转向架是否存在裂缝故障,极大提高了磁浮列车的安全性能,具有检测高效 精准的特点。
如图1所示,所述步骤S1中采用环境激励下的模态参数识别方法来获取所述磁浮列车转向架在运行状态下的模态参数。本实施例中,所述模态参数采用随机减量法 (RDT),并利用平均的方法去掉振动信号中的随机成分,从而获取原始激励响应,然 后再利用时域法分析(ITD)识别出所述磁浮列车转向架运行状态下的模态参数。
如图1所示,所述模态参数包括用以检测磁浮列车转向架裂缝故障的模态频率、模态阻尼和模态振型中的至少一种。本实施例中,通过采集所述磁浮列车转向架正常状态 和故障状态下的振动加速度信号来获取模态频率,通过所述模态频率来检测所述磁浮列 车转向架裂缝故障。在其他实施例中,所述模态频率也可以利用有限元仿真获取,同时 所述模态参数也可以是模态阻尼或模态振型,以及模态频率、模态阻尼和模态振型之间 的组合。
如图2、图3所示,所述步骤S2具体实现步骤为:
S201、根据所述步骤S1中所获取的所述模态参数求出所述模态参数的总体自相关矩 阵R,其公式可表示:
R=E{XXT} (1)
式(1)中,X表示模态参数特征向量,XT表示模态参数特征向量X的转置,E表 示求平均值;
S202、根据所述步骤S201得到的总体自相关矩阵R,求出所述总体自相关矩阵R的特征值,其公式可表示为:
|R-λ|=0 (2)
式(2)中,λ表示特征值;
S203、根据所述步骤S202得到的特征值,选择较大的特征值并求出所选择特征值的 特征向量uk,其公式可表示为:
Ruk=λkuk (3)
式(3)中,k=1,2,3…n表示所选特征值的特征向量uk次序,n表示所选特征值的数量;
S204、根据所述步骤S203得到的所选特征值的特征向量uk,对所述模态参数特征向 量X进行变换,提取所述磁浮列车转向架裂缝故障识别的主成分向量X*,其公式可表 示为:
X*=UTX (4)
式(4)中,UT表示所选特征值的特征向量uk组成的特征向量矩阵的转置。
本实施例中,通过将获取的所述模态频率进行PCA主成分分析,从中选择多个较大特征值组成所选特征值的特征向量uk(本实施例中仅选择两个较大特征值),并利用 所述所选特征值的特征向量uk对所述模态频率的特征向量X进行变换,即得到对磁浮列 车裂缝故障更为敏感的主成分向量X*,以减弱或消除有限元仿真或传感器采集实际振 动加速度信号求得的所述模态频率存在的噪声与误差。
如图4所示,所述步骤S3具体实现步骤为:
S301、建立一个分类面模型,其模型可表示为:
g(x)=<ω,x>+b (5)
其中式(5)需满足条件<ω,xi>+b≠0,即当yi=+1时,<ω,xi>+b>0;当yi=-1时,<ω,xi>+b<0,其中yi=+1表示样本为正类,yi=-1表示样本为负类,ω为分类面的权 向量,x为主成分向量X*,b为常数项,<>代表内积,i表示样本点的次序;
S302、根据所述步骤S301对所述主成分向量X*进行SVM支持向量机训练,其公式可表示为:
式(6)中,||ω||表示权向量的模,ρ表示margin,即两类样本到分类面的最短距离之和;
S303、根据式(6)优化ρ分类间隔并使之最大,即可得到所述磁浮列车转向架对 裂缝故障敏感的主成分向量点的分类面,其公式表示为:
其中式(7)的约束条件为:
yi(<ω,xi>+b)≥1,其中i=1,2,...,l (8)
式(8)中,l表示训练样本点的数量。
如图4所示,所述步骤S303的实现方式可以通过采用原始-对偶方法将式(7)和式(8)代入拉格朗日函数,其公式可表示为:
本实施例中,为了便于式(7)和式(8)的计算,满足两类样本到分类面的距离之 和最短,还可以应用拉格朗日对偶性将式(7)和式(8)带入拉格朗日函数进行计算, 相比较式(7)和式(8)而言更容易求解,其中式(9)和式(10)中条件不为零必须 满足:α* i[yi(<w,xi>+b)-1]=0 i=1,2,…,l。
为了更好的说明本发明的工作原理和技术效果,下面采用有限元软件模拟转向架裂 纹予以说明。
首先通过Workbench有限元软件模拟转向架裂纹,在电机梁和主梁中间位置生成一 条宽度3mm、长度500mm的裂缝,然后划分网格并施加边界条件对弹性模态频率进行 求解,求解过程如图5所示,
所述弹性模态频率结果如表1所示。
表1:转向架正常状态下与故障状态下固有频率对比表
将有裂缝的转向架1-11阶固有频率与正常的转向架对比可知,由于不同裂缝存在差异性和振动信号存在噪声,有裂缝故障的转向架在某些阶数的固有频率比正常的转向架固有频率低,且数值相差较小,所以很难判断是否有裂缝。通过本发明引入模式识别 领域的PCA主成分分析与SVM支持向量机分析方法来解决这一问题。具体过程如下:
第一、采用PCA主成分分析方法对所采集的模态频率降维,表2为10组正常样本 固有频率数据(该正常样本数据是由正常转向架仿真出的各阶固有频率加上随机干扰信 号组成);表3为仿真得出的10组故障转向架样本数据(该故障样本数据是由故障转向 架仿真出的各阶固有频率加上随机干扰信号组成);通过matlab程序对表2中正常样本 数据和表3中故障样本数据进行PCA降维,降维到3维空间的数据点如图3所示。
表2正常样本
表3故障样本
第二、通过matlab程序对PCA降维后的样本点特征向量进行SVM支持向量机模 型训练,如图4所示,图中圆圈表示支持向量,图中直线表示SVM支持向量机模型训 练后的分界面,所述直线右下角加号点表示正常转向架的训练样本点,所述直线左上角 星号点表示故障转向架的训练样本点,所述直线右下角减号点表示待识别正常转向架样 本的SVM识别分类结果点,所述直线左上角除号点表示待识别故障转向架样本的SVM 识别分类结果点。其中待识别样本有10个(如表4),均在所属类的一侧,被正确识别 分类,因此通过SVM训练后的支持向量机能够很好的对所述磁浮列车转向架裂缝故障 进行了识别检测。
表4待识别样本
以上对本发明所提供的一种磁浮列车转向架裂缝故障的检测方法进行了详细介绍。 本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是 用于帮助理解本发明的核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也 落入本发明权利要求的保护范围内。
Claims (4)
1.一种磁浮列车转向架裂缝故障的检测方法,其特征在于,所述方法包括以下步骤:
S1、通过传感器采集磁浮列车转向架的振动加速度信号,并从所述振动加速度信号中获取磁浮列车转向架在运行状态下的模态参数,所述模态参数包括用以检测磁浮列车转向架裂缝故障的模态频率、模态阻尼和模态振型中的至少一种;
S2、对所述步骤S1中获取的所述模态参数进行PCA主成分分析,提取所述磁浮列车转向架对裂缝故障敏感的主成分向量,具体包括:
S201、根据所述步骤S1中所获取的所述模态参数求出所述模态参数的总体自相关矩阵R,其公式表示:
R=E{XXT} (1)
式(1)中,X表示模态参数特征向量,XT表示模态参数特征向量X的转置,E表示求平均值;
S202、根据所述步骤S201得到的总体自相关矩阵R,求出所述总体自相关矩阵R的特征值,其公式表示为:
|R-λ|=0 (2)
式(2)中,λ表示特征值;
S203、根据所述步骤S202得到的特征值,选择较大的特征值并求出所选择特征值的特征向量uk,其公式表示为:
Ruk=λkuk (3)
式(3)中,k=1,2,3…n表示所选特征值的特征向量uk次序,n表示所选特征值的数量;
S204、根据所述步骤S203得到的所选特征值的特征向量uk,对所述模态参数特征向量X进行变换,提取所述磁浮列车转向架对裂缝故障敏感的主成分向量X*,其公式表示为:
X*=UTX (4)
式(4)中,UT表示所选特征值的特征向量uk组成的特征向量矩阵的转置;
S3、建立SVM支持向量机模型,并对所述步骤S2中提取的主成分向量X*进行SVM支持向量机训练,得到磁浮列车转向架对裂缝故障敏感的主成分向量点的分类面;
S4、根据所述步骤S2中得到的主成分向量X*在所述步骤S3中得到的分类面中的位置,判断该磁浮列车转向架是否存在裂缝故障。
2.如权利要求1所述的磁浮列车转向架裂缝故障的检测方法,其特征在于,所述步骤S1中采用环境激励下的模态参数识别方法来获取所述磁浮列车转向架在运行状态下的模态参数。
3.如权利要求2所述的磁浮列车转向架裂缝故障的检测方法,其特征在于,所述步骤S3具体实现方式为:
S301、建立一个分类面模型,其模型表示为:
g(x)=<ω,x>+b (5)
式(5)需满足条件<ω,xi>+b≠0,即当yi=+1时,<ω,xi>+b>0;当yi=-1时,<ω,xi>+b<0,其中yi=+1表示样本为正类,yi=-1表示样本为负类,ω为分类面的权向量,x为主成分向量X*,b为常数项,<>代表内积,i表示样本点的次序;
S302、根据所述步骤S301对所述主成分向量X*进行SVM支持向量机训练,其公式表示为:
式(6)中,||ω||表示权向量的模,ρ()表示margin,即两类样本到分类面的最短距离之和;
S303、根据式(6)优化分类间隔ρ()并使之最大,即可得到所述磁浮列车转向架对裂缝故障敏感的主成分向量点的分类面,其公式表示为:
其中,式(7)的约束条件为:
yi(<ω,xi>+b)≥1,其中i=1,2,...,l (8)
式(8)中,l表示训练样本点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184425.5A CN109781442B (zh) | 2019-03-12 | 2019-03-12 | 一种磁浮列车转向架裂缝故障的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184425.5A CN109781442B (zh) | 2019-03-12 | 2019-03-12 | 一种磁浮列车转向架裂缝故障的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109781442A CN109781442A (zh) | 2019-05-21 |
CN109781442B true CN109781442B (zh) | 2020-12-25 |
Family
ID=66489002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184425.5A Active CN109781442B (zh) | 2019-03-12 | 2019-03-12 | 一种磁浮列车转向架裂缝故障的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109781442B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695201B (zh) * | 2020-06-11 | 2023-06-02 | 中国人民解放军国防科技大学 | 一种基于数据的磁浮列车运行状态的监测方法 |
CN113378426B (zh) * | 2021-05-05 | 2023-07-14 | 温州大学 | 一种基于信息融合的机械叶片损伤识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090042621A (ko) * | 2007-10-26 | 2009-04-30 | 한국철도기술연구원 | 철도차량 차륜답면 이상결함 시험 시스템 |
CN102156051B (zh) * | 2011-01-25 | 2012-09-12 | 唐德尧 | 一种构架裂纹监测方法及其监测装置 |
CN103196681B (zh) * | 2013-03-13 | 2015-11-11 | 北京交通大学 | 基于转向架加速度的列车运行舒适度预测方法 |
CN103335617B (zh) * | 2013-06-19 | 2015-12-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
-
2019
- 2019-03-12 CN CN201910184425.5A patent/CN109781442B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109781442A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103076394B (zh) | 基于振动识别频率和振型综合的海洋平台安全评定的方法 | |
CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
CN109839440B (zh) | 一种基于静置车辆测试的桥梁损伤定位方法 | |
CN105866250B (zh) | 基于振动的通风机叶片裂纹识别方法 | |
CN109781442B (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
KR20170067292A (ko) | 기계 시스템의 잔여 수명 예측 장치 및 방법 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
Sun et al. | Hankel matrix-based condition monitoring of rolling element bearings: an enhanced framework for time-series analysis | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN117076935A (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及*** | |
CN110008520B (zh) | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN113739909A (zh) | 一种基于全尺度时域平均的船舶旋转机械故障诊断方法 | |
CN105203915B (zh) | 一种电力变压器绕组松动缺陷诊断***和诊断方法 | |
Ma et al. | Two-stage damage identification based on modal strain energy and revised particle swarm optimization | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN105651537A (zh) | 一种高损伤敏感性的桁架结构损伤实时监测*** | |
CN114692465B (zh) | 桥梁损伤位置的无损识别方法、存储介质及设备 | |
KR20140139955A (ko) | 엔진의 고장검출 시스템 및 방법 | |
CN115615696A (zh) | 一种基于声振信息融合的柴油机齿轮室故障诊断方法 | |
CN114383834B (zh) | 一种海洋工程结构微小损伤判定方法 | |
CN115452282A (zh) | 一种基于数据融合的铁路桥梁结构健康监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |