CN110084185A - 一种高速列车小幅蛇行运行特征的快速提取方法 - Google Patents
一种高速列车小幅蛇行运行特征的快速提取方法 Download PDFInfo
- Publication number
- CN110084185A CN110084185A CN201910336833.8A CN201910336833A CN110084185A CN 110084185 A CN110084185 A CN 110084185A CN 201910336833 A CN201910336833 A CN 201910336833A CN 110084185 A CN110084185 A CN 110084185A
- Authority
- CN
- China
- Prior art keywords
- matrix
- bullet train
- slightly
- signal
- formula
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 135
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 241000270295 Serpentes Species 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 18
- 230000010355 oscillation Effects 0.000 claims description 18
- 239000010977 jade Substances 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009193 crawling Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000271559 Dromaiidae Species 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种高速列车小幅蛇行运行特征的快速提取方法。针对现有方法无法快速识别高速列车小幅蛇行运动状态(正常运行、小幅收敛、小幅发散和大幅蛇行)的问题，本发明采用平均经验模态分解(EEMD)方法对预处理后的信号进行分解，将其结果转换为能量矩阵，然后对能量矩阵进行非平稳条件下的联合近似对角化(JAD)处理，融合多个传感器的能量矩阵，得到融合后的高速列车小幅蛇行运行状态特征。通过将融合特征放入最小二乘法支持向量机进行训练和识别，验证了该方法能够快速且准确地将高速列车正常运行、小幅收敛、小幅发散和大幅蛇行四种运行状态分开，从而保障列车运行安全。
Description
技术领域
本发明属于列车运行状态特征提取技术领域，具体涉及一种高速列车小幅蛇行运行特征的快速提取方法。
背景技术
高速列车在中国发展迅速，截止2018年，中国是世界上高铁通车里程和在建里程最多的国家，高铁给人民出行带来了便利，但随着高铁速度的提高，其运行安全稳定性成为了关注的焦点。
在高速列车运营过程中，研究发现，当车辆的行驶速度超过某一临界值之后，高速列车会产生不稳定的蛇行运动。蛇行失稳会产生较大的横向轮轨力，严重时会导致列车脱轨。因此，蛇行失稳高速列车安全运行的重大阻碍。目前，国内外对车辆蛇行失稳并没有统一的评判标准，国外相关标准大多数是通过列车行进过程中的轮轴横向力、轮轨横向力和车辆横向加速度等来判断是否存在蛇行失稳。我国的铁道客车行车安全监测标准也使用构架横向加速度这一指标对机车车辆的横向稳定性进行评价，《高速动车组整车试验规范》规定列车转向架横向加速度在经过10Hz滤波后，连续6次达到甚至超过极限值，则可以判定列车失去蛇行稳定性。我国现有的峰值监测法都是基于上述规范对高速列车进行监控，以确定列车运行过程中是否存在蛇行失稳现象。
在对实验数据进行分析处理时发现，列车在高速运行时还易出现小幅蛇行运动，即小幅蛇行。小幅蛇行是指在列车运行过程中，构架横向加速度信号的幅值未达到安全极限值的部分。小幅蛇行有诸多危害，譬如影响旅客乘坐的舒适性，导致轮轨磨损加剧，降低列车的服役时间，并会对列车的安全运行带来剧烈危害，小幅蛇行异常是剧烈蛇行失稳的征兆。本发明在对高速列车小幅蛇行状态进行研究时发现，根据列车小幅蛇行运动的发展，可以将小幅蛇行分为两类：小幅收敛与小幅发散。高速列车小幅收敛状态会慢慢收敛到正常运行状态，而高速列车小幅发散状态的横向振动振幅则会不断扩大，直至演变为蛇行失稳，从而对高速列车运行造成巨大伤害，因此，及时分辨小幅蛇行的这两个阶段对于列车运行稳定性至关重要。
如图1，图1(a)为高速列车小幅蛇行收敛图，图1(b)为高速列车小幅蛇行发散图，可以看出，图1(a)中转向架横向振幅逐渐缩小至正常运行状态，而图1(b)中转向架横向振幅则逐渐增大至蛇行失稳状态。因此，及时分辨小幅蛇行两种状态很有必要。
针对高速列车小幅蛇行演变，研究人员对其进行了相关的研究。Ning J提出了一种基于多尺度排列熵和局部切空间排列的高速列车小幅蛇行演变特征提取方法，此方法准确地提取出多个运行状态的运行特征，但需要消耗的运算时间较长。高速列车的运行速度极快，过长的运算时间使得特征提取结果无法快速地反映给列车，导致列车错过最好的调整窗口。为了解决上述问题，本发明提出了一种高速列车小幅蛇行运行特征的快速提取方法。
与此同时，试验中在对高速列车运行状态进行数据收集时，一般采用的均为多传感器网络***的方式，而在对高速列车蛇行失稳现象，以及高速列车小幅蛇行现象进行分析处理时，许多研究者均选用了某一位置传感器中的某一段数据信息进行研究分析，而此时得出到研究结论是否能反映列车的全部故障信息还有待商榷。为此，针对我国高速列车蛇行运动研究中亟待解决的问题，本发明结合理论分析和工程实践，以小幅蛇行演化特征提取方法为研究核心，综合了列车多个位置传感器的振动数据，根据高速列车运行时转向架构架加速度信号的测量数据，提取高速列车的小幅蛇行演变特征，为我国高速列车状态监测和安全预警提供了参考依据。
发明内容
本发明提供的一种高速列车小幅蛇行运行特征的快速提取方法解决了现有技术中高速列车运行状态特征提取不完全、无法快速地提取列车小幅蛇形演变特征的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种高速列车小幅蛇行运行特征的快速提取方法：
S1、提取高速列车运行时的原始振动信号，并对其进行预处理；
S2、通过EEMD将预处理后的振动信号分解成若干个IMF分量；
S3、根据IMF分量，构建振动信号对应的能量矩阵；
S4、通过非平稳状态的JADE方法对能量矩阵进行处理得到融合特征矩阵，，即高速列车的小幅蛇行运行特征。。
进一步地，所述步骤S1中的原始振动信号包括1位轴箱横向振动信号、1位构架横向振动信号和4位构架横向振动信号；
进一步地，所述步骤S2具体为：
S21、对预处理后的振动信号a(t)加入相同幅值的高斯白噪声序列ω(t)，得到总体信号a'(t)；
其中，总体信号a'(t)为：
a'(t)＝a(t)+ω(t)
S22、将每次加入白噪声后的总体信号a'(t)均按照EMD方法进行分解，确定各阶分量ci：
其中，总体信号a'(t)的分解公式为：
其中：ci为各阶IMF分量；
i表示第i个IMF分量；
r为残差项；
n为分解出的IMF个数。
S23、每次加入相同幅值的不同白噪声序列ωj(t)，重复步骤S21-S22，得到：
式中：aj'(t)为第j次加入的高斯白噪声序列后的总体信号；
N为加入高斯白噪声序列的次数；
ωj(t)为第j次加入的高斯白噪声序列；
cij为第j次加入高斯白噪声序列时分解出的第i个IMF分量；
rj为第j次加入高斯白噪声序列时分解出的残差值。
S24、根据高斯白噪声频率的零均值原理，消除高斯白噪声对IMF分量的影响，得到预处理后的原始振动信号对应的IMF分量为：
式中：ci(t)为第i个原始振动信号对应的IMF分量；
cij(t)为对原始振动信号进行EEMD分解得到的第i个IMF分量。
进一步地，所述步骤S3具体为：
S31、根据IMF分量构成IMF能量矩为：
式中：P为总的采样点数；
m为采样点；
ci为选取的振动信号对应的IMF分量；
Δt为采样周期。
S32、根据IMF能量矩，构造归一化后的IMF能量矩的特征向量M为：
式中：q＝1,...,Q为一个位置的原始振动信号的样本数量；
n为分解出的IMF个数；
S33、根据步骤S31-S32，将同种振动信号的所有振动信号的IMF分量的对应的特征向量M组成能量矩阵E0；
S34、根据步骤S31-S33，分别得到1位轴箱横向振动信号、1位构架横向振动信号和4位上构架横向振动信号对应的能量矩阵E1、能量矩阵E2和能量矩阵E3；
S35、将能量矩阵E1、能量矩阵E2、能量矩阵E3联合起来，得到振动信号对应的能量矩阵E。
进一步地，所述步骤S4具体为：
S41、将时间序列T分解成K段时间间隔TK，进而生成对应的K个协方差矩阵
其中，时间序列T为提取原始振动信号时对应的时间节点；
S42、确定K个协方差矩阵对应的对角化矩阵
其中，对角化矩阵为：
式中，k＝2,...,K；
为第一个协方差矩阵的对角化矩阵，且V为第一个协方差矩阵的特征矩阵，Λ第一个协方差矩阵的特征向量，上标H为共轭转置运算符；
S43、根据对角化矩阵确定一个酉矩阵U使得下式值最大；
其中：函数diag表示对角元素；
p为降维后的维数；
b和d表示矩阵的第b行和第d列。
S44、设定阈值ε，根据旋转矩阵对酉矩阵U和协方差矩阵进行迭代更新，直到更新后的酉矩阵U和协方差矩阵中的所有非对角线元素的值均小于阈值ε时，得到最终的酉矩阵完成对K个协方差矩阵的联合对角化；
其中，k＝2,...K；
旋转矩阵G(i,j,θ)为：
式中：i和j分别为旋转矩阵的第i行和第j列；
θ为中间计算参数；
S45、根据最终的酉矩阵确定转换矩阵A；
其中，转换矩阵A为：
式中：上标#为伪逆变换运算符；
S46、根据转换矩阵A，得到分解后的融合特征矩阵Z；
Z＝A·E。
进一步地，其特征在于，所述步骤S44中，对酉矩阵U的迭代公式为：
U←UG(1,2,θ)
式中：G(1,2,θ)为旋转矩阵G(i,j,θ)第1行第2列的元素值；
对协方差矩阵的迭代公式为：
进一步地，所述步骤S4中的高速列车的小幅蛇行运行特征包括正常运行状态特征、小幅收敛状态特征、小幅发散状态特征和大幅蛇形状态特征。
本发明的有益效果为：本发明提供的高速列车小幅蛇行运行特征的快速提取方法对高速列车运行信号进行分析，成功将高速列车正常运行、小幅收敛和大幅蛇形四种运行状态分开，快速并准确检测高速列车的运行状态，并利用利用机器学习的LSSVM对高速列车运行状态特征进行提取，从而预测高速列车是否会出现大幅蛇行的失稳状态，有助于提高列车监测的准确性和时效性。
附图说明
图1为本发明背景技术中高速列车小幅蛇形运行特征示意图。
图2为本发明中的高速列车小幅蛇行运行特征的快速提取方法流程图。
图3为本发明提供的实施例中仿真信号x(t)、y(t)、z(t)的时域图。
图4为仿真信号JADE方法聚类效果图。
图5为本发明提供的实施例中列车速度曲线、转向架构架横向加速度曲线图。
图6为本发明提供的实施例中列车正常运行信号EEMD分解结果图。
图7为本发明提供的实施例中列车小幅收敛信号EEMD分解结果图。
图8为本发明提供的实施例中列车小幅发散信号EEMD分解结果图。
图9为本发明提供的实施例中列车大幅蛇形信号EEMD分解结果图。
图10为本发明提供的实施例中位置1的JADE特征提取图。
图11为本发明提供的实施例中位置2的JADE特征提取图。
图12为本发明提供的实施例中位置3的JADE特征提取图。
图13为本发明提供的实施例中多位置融合JADE特征提取图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图2所示，一种高速列车小幅蛇行运行特征的快速提取方法，包括以下步骤：
S1、提取高速列车运行时的原始振动信号，并对其进行预处理；
其中，原始振动信号包括1位轴箱横向振动信号、1位构架横向振动信号和4位上构架横向振动信号；
对原始振动信号进行预处理的方法具体为：对提取的原始振动信号依次进行重采样处理、带通滤波处理、零均值化处理和去除趋势项等处理。
S2、通过EEMD将预处理后的振动信号分解成若干个IMF分量；
S3、根据IMF分量，构建振动信号对应的能量矩阵；
S4、通过非平稳状态的JADE方法对能量矩阵进行处理得到融合特征数据矩阵，即高速列车的小幅蛇行运行特征。
其中的高速列车的小幅蛇行运行特征包括正常运行状态特征、小幅收敛状态特征、小幅发散状态特征和大幅蛇形状态特征。
其中，步骤S2具体为：
S21、对预处理后的振动信号a(t)加入相同幅值的高斯白噪声序列ω(t)，得到总体信号a'(t)；
其中，总体信号a'(t)为：
a'(t)＝a(t)+ω(t)
S22、将每次加入白噪声后的总体信号a'(t)均按照EMD方法进行分解，确定各阶分量ci：
其中，总体信号a'(t)的分解公式为：
式中：ci为各阶IMF分量；
i表示第i个IMF分量；
r为残差项；
n为分解出的IMF个数。
S23、每次加入相同幅值的不同白噪声序列ωj(t)，重复步骤S21-S22，得到：
式中：a'j(t)为第j次加入的高斯白噪声序列后的总体信号；
N为加入高斯白噪声序列的次数；
ωj(t)为第j次加入的高斯白噪声序列；
cij为第j次加入高斯白噪声序列时分解出的第i个IMF分量；
rj为第j次加入高斯白噪声序列时分解出的残差值。
S24、根据高斯白噪声频率的零均值原理，消除高斯白噪声对IMF分量的影响，得到预处理后的原始振动信号对应的IMF分量为：
式中：ci(t)为第i个原始振动信号对应的IMF分量；
cij(t)为对原始振动信号进行EEMD分解得到的第i个IMF分量。
当高速列车运行时，信号一般为非平稳信号，基于传统的IMF能量的方法在体现信号中隐藏的特征时结果并不理想，而本发明使用了IMF能量矩方法来提取高速列车能量特征，因此步骤S3具体为：
S31、根据IMF分量构成IMF能量矩为：
式中：P为总的采样点数；
m为采样点；
ci为选取的振动信号对应的IMF分量；
Δt为采样周期。
S32、根据IMF能量矩，构造归一化后的IMF能量矩的特征向量M为：
式中：q＝1,...Q为一个位置的原始振动信号的样本数量；
n为分解的IMF分量的个数；
S33、根据步骤S31-S32，将同种振动信号的所有振动信号的IMF分量的对应的特征向量M组成能量矩阵Ε0；
S34、根据步骤S31-S33，分别得到1位轴箱横向振动信号、1位构架横向振动信号和4位上构架横向振动信号对应的能量矩阵E1、能量矩阵E2和能量矩阵E3；
S35、将能量矩阵E1、能量矩阵E2和能量矩阵E3联合起来，得到振动信号对应的能量矩阵E。
三个位置的原始振动信号样本的特征向量为[M1；M2；...；MQ]，即可以组成能量矩阵E1、E2和E3，能量矩阵的维数较高，特征不明显。考虑到高速列车运行时的非平稳性，为了更好地提取出高速列车振动信号特征，本文使用采用非平稳状态下的JADE算法对三个位置的能量矩阵进行融合特征提取。
考虑到高速列车信号的非平稳性，为了能够在非平稳环境下使用JADE方法，本发明将整个时间序列T分解成K段时间间隔T1,...,TK，进而能生成K个协方差矩阵本发明方法将对这K个协方差矩阵进行联合对角化，以找到一个能将K个协方差矩阵对角化的酉矩阵U，进而对能量矩阵E降维并提取降维特征数据；因此步骤S4具体为：
S41、将时间序列T分解成K段时间间隔TK，进而生成对应的K个协方差矩阵
其中，时间序列T为提取原始振动信号时对应的时间节点；
对于时间间隔T1,...,TK，协方差矩阵为：
其中：E(·)为期望运算符；
Et为时间t∈Tk内的能量矩阵E；
S42、确定K个协方差矩阵对应的对角化矩阵
想要同时对角化多个矩阵首先需要对角化第一个矩阵再对剩下的K-1个矩阵进行对角化，矩阵W为协方差矩阵的对角化矩阵；
其中第一个协方差矩阵的对角化矩阵为：
其中，V为第一个协方差矩阵的特征矩阵，Λ第一个协方差矩阵的特征向量，上标H为共轭转置运算符；
因此，对角化矩阵为：
式中，k＝2,...,K；
为第一个协方差矩阵的对角化矩阵；
S43、根据对角化矩阵确定一个酉矩阵U使得下式值最大；
本步骤中联合对角化矩阵的问题可以转换为找到一个酉矩阵U使得下式最小：
式中：函数off表示非对角线元素的平方和；
b、d分别表示数据矩阵的第b行和第d列。
由于当乘以正交矩阵时上式的平方和保持不变，因此我们可以等效地最大化对角元素的平方和，即问题转变成找到一个酉矩阵U使得下式最大，故有：
其中：函数diag表示对角元素；
p为降维后的维数；
b和d为矩阵的第b行和第d列。
S44、设定阈值ε，根据旋转矩阵对酉矩阵U和协方差矩阵进行迭代更新，直到更新后的酉矩阵U和协方差矩阵中的所有非对角线元素的值均小于阈值ε时，得到最终的酉矩阵完成对K个协方差矩阵的联合对角化；
本发明方法使用Jacobi旋转将多个协方差矩阵转变为对角矩阵，Jacobi方法的基本思想是通过一次正交变换,将目标矩阵中的一对非零的非对角元素化成零并且使得非对角元素的平方和减小。反复进行上述过程,使变换后的矩阵的非对角元素的平方和趋于零，从而使该矩阵近似为对角矩阵，得到全部特征值和特征向量。
上述方法具体为：将单位矩阵I作为矩阵U的初始值代入，θ的值则是由矩阵的元素计算得出，使用如下旋转矩阵G(i,j,θ)将矩阵组转换到对角形式；
式中：i和j分别为旋转矩阵的第i行和第j列；
θ为中间计算参数。
其中，对酉矩阵U的迭代公式为：
U←UG(1,2,θ)
式中，G(1,2,θ)为旋转矩阵G(i,j,θ)第1行第2列的元素值；
对协方差矩阵的迭代公式为：
S45、根据最终的酉矩阵确定转换矩阵A；
其中，转换矩阵A为：
式中，上标#为伪逆变换运算符；
S46、根据转换矩阵A，得到分解后的融合特征矩阵Z；
Z＝A·E。
本发明中使用最小二乘法支持向量机(LSSVM)对提取的融合特征矩阵进行验证，将其输入至(LSSVM)进行训练和测试，测试特征数据的准确性，加强预测的准确性；LSSVM方法的核心即用求解线性方程组代替二次规划问题，从而避免不敏感损失函数，该方法降低了运算复杂度，增加了运算效率。
在该过程中，取降维特征数据矩阵Z为样本，因为Z中的第一维数据包含最多的信息，故取降维矩阵Z的第一维矢量z，有：{zq,yq},q＝1,...,Q，y∈[-1,1]，z为降维特征数据，y为分类标签，Q为样本数量，最小二乘法支持向量机分类的超平面的函数如下：
其中：为可调的权值矢量；
g为偏置；
φ(z)为非线性函数，可以处理样本线性不可分的问题，其基本思想为把输入空间内线性不可分的数据映射到高维度特征空间的特征向量，使得数据变得可分。
最小二乘法支持向量机的优化问题可表示为：
式中：z为输入矢量，即降维特征数据；
ξl>0为松弛变量，用来度量偏离程度；
γ为惩罚因子；
上标H为共轭转置。
对上式采用拉格朗日乘法可得：
其中：β为拉格朗日因子；
进而分别对求偏导可得下式：
通过上式得到:
其中，I为单位矩阵；
Ωql＝yqylφ(zl)Hφ(zq)＝yqylD(zq,zl),q,l＝1,...,η为核矩阵；
为满足Mercer定理的核函数，q、o表示样本z的元素，σ表示控制核函数宽度的参数。
通过上式，LSSVM优化问题可转换为线性方程组的求解问题，因此LSSVM分类器的超平面函数可写为：
式中：f(z)为最小二乘法支持向量机目标函数；
sgn(·)为阶跃函数；
βl为拉格朗日因子，l＝1,...,η为βl的个数；
yl为分类标签，y∈[-1,1]；
D(z,zl)为满足Mercer定理的核函数；
g为偏置。
通过上述过程及时预测提取高速列车的不同运动状态，防止高速列车发生蛇形失稳，保障了列车的行驶安全。
在本发明的第一实施例中，为了验证提出方法的优越性，本文对该方法仿真测试。选取模拟信号x(t)、y(t)、z(t)所对该特征提取方法进行分析，如下式所示。仿真信号x(t)、y(t)、z(t)是由三个频率为10Hz、20Hz、30Hz的原始信号调幅相加得到的，并在此基础上，给三个仿真信号添加信噪比为10的高斯白噪声。采样频率为500Hz，得到的三个信号的时域图如下图3所示。
将仿真信号按照上述框架处理，并降维处理，可以得到低维特征，并将特征投影在二维空间，如下图4所示；
仿真信号x(t)、y(t)、z(t)的各自特征高度聚集，在二维空间中只能看到一个点，并且，不同仿真信号之间的特征排列位置相差较大，能够很好地分辨出不同信号的特征，识别效果极佳，进而证实了此方法的正确性。
在本发明的第二实施例中，提供了运用本发明方法对高速列车小幅蛇行运行状态特征提取的实例：
(1)获取实验数据：实验数据来源于某型动车组科学实验，信号采样频率为2500Hz,列车速度信息由车载无线GPS提供，加速度信息由2车1位轴箱横向加速度传感器、2车1位构架横向加速度传感器、2车4位轴箱上构架横向加速度等多个传感器提供。线路采用德国博格式无砟轨道技术，钢轨为定长100m的国产钢轨。其中列车时间-速度曲线与转向架构架时间-加速度曲线如图5(a)所示，时间全长为2491秒。经观察，该实验列车在速度330～350km/h时，反复出现蛇行失稳。
从转向架构架传感器得到的原始数据比较粗糙，需要对其做一定的预处理。由于高速列车蛇行运动的频率为2～12.07Hz，对原始数据进行2～12.07Hz的带通滤波，以有效地消除原始信号中大量的干扰信号，提高特征识别的准确度和效率，并根据香农采样定理，对原始数据进行采样频率为250Hz的重采样，之后对数据零均值化、消除趋势项以及平滑处理,从而得到平滑准确的原始数据。
(2)EEMD分解：一个位置的原始数据均选取高速列车运行速度在330～350km/h时，正常运行、小幅收敛、小幅发散、大幅蛇行四种状态各10个样本，合计40个样本，三个位置原始数据一共选取120个样本。样本数据过长，会增长计算量和运算时间；样本数据短了，则不能完整地表现出列车的运行状态，综上考虑，结合实际，本文选择样本长度为500，采样时间为2秒。
对每个原始数据得到的样本分开处理，对高速列车正常运行、小幅收敛、小幅发散、大幅蛇行四种状态的信号做EEMD分解，图6到图9为高速列车正常运行、小幅收敛、小幅发散、大幅蛇行四种运行状态经EEMD分解得到的IMF分量，可以看到原信号能量主要集中于前几个IMF分量。
(3)将EEMD分解后的IMF提取IMF能量特诊，转换为IMF能量矩，，并提取IMF能量特征，可以得到三个位置的能量矩阵E1、E2、E3，并联合起来得到能量矩阵E，由于能量特征维数为9，维数太高致使能量特征不好识别。
(4)利用非平稳状态的JADE方法融合不同位置的高速列车振动矩阵信号，联合对角化多个能量矩阵，融合特征提取得到高速列车不同运行状态的特征。将数据降到三维，并将特征投影到三维界面，如图13所示。作为对比，图10-12分别为轴箱位置(位置1)、1位构架位置(位置2)、4位构架位置(位置3)的JADE特征提取图。并且，为了突出本文提出方法的快捷性，表1为多个方法的运行时间对比，PC平台CPU为Intel Core i5-4460，12GB内存，显卡为NVIDIA GeForce GT720；
表1：多个方法的运行时间对比
(5)为了验证特征提取的准确性，将降维特征作为LSSVM的输入，验证特征提取的准确性。将数据分为训练、测试两类，每类各20组数据(5组正常运行、5组小幅收敛、5组小幅发散、5组大幅蛇行)。作为对比，本文将其他方法生成的特征也一并放入LLSVM里面，一半作为训练，另一半作为测试。由于本文利用了多个位置高速列车振动数据，并利用非平稳状态下的JADE方法融合降维了多个位置的数据，本文提出的方法的识别率是最高的，达到了100％，这也证明了本发明提供的特征提取方法的准确性和优越性。
本发明的有益效果为：本发明提供的高速列车小幅蛇行运行特征的快速提取方法对高速列车运行信号进行分析，成功将高速列车正常运行、小幅收敛和大幅蛇形四种运行状态分开，及时并准确检测高速列车的运行状态，并利用利用机器学习的LSSVM对高速列车小幅蛇行运行特征进行提取，从而预测高速列车是否会出现大幅蛇行的失稳状态，有助于提高列车监测的准确性和时效性。
Claims (7)
1.一种高速列车小幅蛇行运行特征的快速提取方法，其特征在于，包括以下步骤：
S1、提取高速列车运行时的原始振动信号，并对其进行预处理；
S2、通过EEMD将预处理后的振动信号分解成若干个IMF分量；
S3、根据IMF分量，构建振动信号对应的能量矩阵；
S4、通过非平稳状态的JADE方法对能量矩阵进行处理得到融合特征矩阵，即高速列车的小幅蛇行运行特征。
2.根据权利要求1所述的高速列车小幅蛇行的运行特征快速提取方法，其特征在于，所述步骤S1中的原始振动信号包括1位轴箱横向振动信号、1位构架横向振动信号和4位上构架横向振动信号；
对原始振动信号进行预处理的方法具体为：对提取的原始振动信号依次进行重采样处理、带通滤波处理、零均值化处理和去除趋势项处理。
3.根据权利要求2所述的高速列车小幅蛇行运行特征的快速提取方法，其特征在于，所述步骤S2具体为：
S21、对预处理后的振动信号a(t)加入相同幅值的高斯白噪声序列ω(t)，得到总体信号a'(t)；
其中，总体信号a'(t)为：
a'(t)＝a(t)+ω(t)
S22、将每次加入白噪声后的总体信号a'(t)均按照EMD方法进行分解，确定各阶分量ci：
其中，总体信号a'(t)的分解公式为：
式中：ci为各阶IMF分量；
i表示第i个IMF分量；
r为残差项；
n为分解出的IMF个数；
S23、每次加入相同幅值的不同白噪声序列ωj(t)，重复步骤S21-S22，得到：
式中：a'j(t)为第j次加入的高斯白噪声序列后的总体信号；
N为加入高斯白噪声序列的次数；
ωj(t)为第j次加入的高斯白噪声序列；
cij为第j次加入高斯白噪声序列时分解出的第i个IMF分量；
rj为第j次加入高斯白噪声序列时分解出的残差值；
S24、根据高斯白噪声频率的零均值原理，消除高斯白噪声对IMF分量的影响，得到预处理后的原始振动信号对应的IMF分量为：
式中；ci(t)为第i个原始振动信号对应的IMF分量；
cij(t)为对原始振动信号进行EEMD分解得到的第i个IMF分量。
4.根据权利要求3所述的高速列车小幅蛇行运行特征的快速提取方法，其特征在于，所述步骤S3具体为：
S31、根据IMF分量构成IMF能量矩为：
式中：P为总的采样点数；
m为采样点；
ci为选取的振动信号对应的IMF分量；
Δt为采样周期；
S32、根据IMF能量矩，构造归一化后的IMF能量矩的特征向量M为：
式中：q＝1,...,Q为一个位置的原始振动信号的样本数量；
n为分解出的IMF个数；
S33、根据步骤S31-S32，将同种振动信号的所有振动信号的IMF分量的对应的特征向量M组成能量矩阵E0；
S34、根据步骤S31-S33，分别得到1位轴箱横向振动信号、1位构架横向振动信号和4位上构架横向振动信号对应的能量矩阵E1、能量矩阵E2、能量矩阵E3；
S35、将能量矩阵E1、能量矩阵E2和能量矩阵E3联合起来，得到振动信号对应的能量矩阵E。
5.根据权利要求4所述的高速列车小幅蛇行运行特征的快速提取方法，其特征在于，所述步骤S4具体为：
S41、将时间序列T分解成K段时间间隔TK，进而生成对应的K个协方差矩阵
其中，时间序列T为提取原始振动信号时对应的时间节点；
S42、确定K个协方差矩阵对应的对角化矩阵
其中，对角化矩阵为：
式中：k＝2,...,K；
为第一个协方差矩阵的对角化矩阵，且V为第一个协方差矩阵的特征矩阵，Λ第一个协方差矩阵的特征向量，上标H为共轭转置运算符；
S43、根据对角化矩阵确定一个酉矩阵U使得下式值最大；
其中：函数diag表示对角元素；
P——降维后的维数；
b、d——矩阵的第b行和第d列；
S44、设定阈值ε，根据旋转矩阵对酉矩阵U和协方差矩阵进行迭代更新，直到更新后的酉矩阵U和协方差矩阵中的所有非对角线元素的值均小于阈值ε时，得到最终的酉矩阵完成对K个协方差矩阵的联合对角化；
其中，k＝2,...K；
旋转矩阵G(i,j,θ)为：
式中：i和j分别为旋转矩阵的第i行和第j列；
θ为中间计算参数；
S45、根据最终的酉矩阵确定转换矩阵A；
其中，转换矩阵A为：
式中：上标#为伪逆变换运算符；
S46、根据转换矩阵A，得到分解后的融合特征矩阵Z；
Z＝A·E。
6.根据权利要求5所述的高速列车小幅蛇行运行特征的快速提取方法，其特征在于，所述步骤S44中，对酉矩阵U的迭代公式为：
U←UG(1,2,θ)
式中：G(1,2,θ)为旋转矩阵G(i,j,θ)第1行第2列的元素值；
对协方差矩阵的迭代公式为：
7.根据权利要求1所述的高速列车小幅蛇行运行特征的快速提取方法，其特征在于，所述步骤S4中的高速列车的小幅蛇行运行特征包括正常运行状态特征、小幅收敛状态特征、小幅发散状态特征和大幅蛇形状态特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910336833.8A CN110084185B (zh) | 2019-04-25 | 2019-04-25 | 一种高速列车小幅蛇行运行特征的快速提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910336833.8A CN110084185B (zh) | 2019-04-25 | 2019-04-25 | 一种高速列车小幅蛇行运行特征的快速提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084185A true CN110084185A (zh) | 2019-08-02 |
| CN110084185B CN110084185B (zh) | 2021-03-16 |
Family
ID=67416623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910336833.8A Expired - Fee Related CN110084185B (zh) | 2019-04-25 | 2019-04-25 | 一种高速列车小幅蛇行运行特征的快速提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084185B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112948981A (zh) * | 2021-04-08 | 2021-06-11 | 西南交通大学 | 一种高速列车小幅蛇行演变趋势的区间预测方法 |
| CN113624521A (zh) * | 2021-08-20 | 2021-11-09 | 厦门物之联智能科技有限公司 | 一种基于轴箱振动的列车蛇形失稳的监测方法和*** |
| CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
| CN115017965A (zh) * | 2022-08-09 | 2022-09-06 | 西南交通大学 | 基于hht能量和最大李雅普诺夫指数的蛇行分类方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060182455A1 (en) * | 2005-02-17 | 2006-08-17 | Nobuhito Matsushiro | Image processing method, image processing apparatus, and image forming apparatus |
| US20100057260A1 (en) * | 2008-08-29 | 2010-03-04 | Behrooz Fallahi | Self-tuning vibration absorber |
| CN101900708A (zh) * | 2010-08-18 | 2010-12-01 | 哈尔滨工业大学 | 一种基于振动和声频信号的高速列车轨道伤损探测方法 |
| CN102175768A (zh) * | 2011-02-22 | 2011-09-07 | 哈尔滨工业大学 | 一种基于振动信号的高铁钢轨伤损探测方法及装置 |
| CN103163505A (zh) * | 2013-01-31 | 2013-06-19 | 西安电子科技大学 | 基于jade的时变窄带干扰抑制方法 |
| CN104246850A (zh) * | 2012-04-25 | 2014-12-24 | 丰田自动车株式会社 | 蛇行判定装置 |
| CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
| CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学（保定） | 一种基于振动数据的风电机组轴承故障特征提取方法 |
| CN105890744A (zh) * | 2016-03-30 | 2016-08-24 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆蛇形失稳判定方法 |
| CN107192553A (zh) * | 2017-06-28 | 2017-09-22 | 石家庄铁道大学 | 基于盲源分离的齿轮箱复合故障诊断方法 |
| CN107563403A (zh) * | 2017-07-17 | 2018-01-09 | 西南交通大学 | 一种高速列车运行工况的识别方法 |
| CN108254179A (zh) * | 2017-08-08 | 2018-07-06 | 常州路航轨道交通科技有限公司 | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 |
-
2019
- 2019-04-25 CN CN201910336833.8A patent/CN110084185B/zh not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060182455A1 (en) * | 2005-02-17 | 2006-08-17 | Nobuhito Matsushiro | Image processing method, image processing apparatus, and image forming apparatus |
| US20100057260A1 (en) * | 2008-08-29 | 2010-03-04 | Behrooz Fallahi | Self-tuning vibration absorber |
| CN101900708A (zh) * | 2010-08-18 | 2010-12-01 | 哈尔滨工业大学 | 一种基于振动和声频信号的高速列车轨道伤损探测方法 |
| CN102175768A (zh) * | 2011-02-22 | 2011-09-07 | 哈尔滨工业大学 | 一种基于振动信号的高铁钢轨伤损探测方法及装置 |
| CN104246850A (zh) * | 2012-04-25 | 2014-12-24 | 丰田自动车株式会社 | 蛇行判定装置 |
| CN103163505A (zh) * | 2013-01-31 | 2013-06-19 | 西安电子科技大学 | 基于jade的时变窄带干扰抑制方法 |
| CN104502126A (zh) * | 2014-12-28 | 2015-04-08 | 华东交通大学 | 一种基于模态区间的高速列车转向架故障诊断方法 |
| CN105699080A (zh) * | 2015-12-18 | 2016-06-22 | 华北电力大学（保定） | 一种基于振动数据的风电机组轴承故障特征提取方法 |
| CN105890744A (zh) * | 2016-03-30 | 2016-08-24 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆蛇形失稳判定方法 |
| CN107192553A (zh) * | 2017-06-28 | 2017-09-22 | 石家庄铁道大学 | 基于盲源分离的齿轮箱复合故障诊断方法 |
| CN107563403A (zh) * | 2017-07-17 | 2018-01-09 | 西南交通大学 | 一种高速列车运行工况的识别方法 |
| CN108254179A (zh) * | 2017-08-08 | 2018-07-06 | 常州路航轨道交通科技有限公司 | 一种基于meemd排列熵的高速列车轮对轴承故障诊断方法 |
Non-Patent Citations (7)
| Title |
|---|
| JARI MIETTINEN 等: "Blind Source Separation Based on Joint Diagonalization in R: The Packages JADE and BSSasymp", 《JOURNAL OF STATISTICAL SOFTWARE》 * |
| JING NING 等: "A multi-sensor fusion framework for detecting small amplitude hunting of high-speed trains", 《JOURNAL OF VIBRATION AND CONTROL》 * |
| YONGBIN LIU 等: "Feature fusion using kernel joint approximate diagonalization of eigen-matrices for rolling bearing fault identification", 《JOURNAL OF SOUND AND VIBRATION》 * |
| 冉伟 等: "基于EEMD-SVD-LTSA的高速列车蛇行演变特征提取框架", 《电子测量技术》 * |
| 叶运广 等: "高速列车转向架蛇行失稳的MEEMD-LSSVM预测模型", 《铁道学报》 * |
| 崔万里 等: "EMD-ISOMAP高速列车小幅蛇行异常特征提取", 《中国测试》 * |
| 徐智超 等: "JADE 盲源分离算法在变压器振动信号监测中的应用", 《传感器与微***》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112948981A (zh) * | 2021-04-08 | 2021-06-11 | 西南交通大学 | 一种高速列车小幅蛇行演变趋势的区间预测方法 |
| CN112948981B (zh) * | 2021-04-08 | 2022-06-21 | 西南交通大学 | 一种高速列车小幅蛇行演变趋势的区间预测方法 |
| CN113624521A (zh) * | 2021-08-20 | 2021-11-09 | 厦门物之联智能科技有限公司 | 一种基于轴箱振动的列车蛇形失稳的监测方法和*** |
| CN113624521B (zh) * | 2021-08-20 | 2024-04-02 | 厦门物之联智能科技有限公司 | 一种基于轴箱振动的列车蛇形失稳的监测方法和*** |
| CN114997252A (zh) * | 2022-08-05 | 2022-09-02 | 西南交通大学 | 一种基于惯性原理的车轮多边形车载检测方法 |
| CN115017965A (zh) * | 2022-08-09 | 2022-09-06 | 西南交通大学 | 基于hht能量和最大李雅普诺夫指数的蛇行分类方法 |
| CN115017965B (zh) * | 2022-08-09 | 2022-11-01 | 西南交通大学 | 基于hht能量和最大李雅普诺夫指数的蛇行分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084185B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084185A (zh) | 一种高速列车小幅蛇行运行特征的快速提取方法 | |
| Qin et al. | Multiple convolutional recurrent neural networks for fault identification and performance degradation evaluation of high-speed train bogie | |
| Wang et al. | An optimal vibration control strategy for a vehicle's active suspension based on improved cultural algorithm | |
| Cao et al. | The fault diagnosis of a switch machine based on deep random forest fusion | |
| Shuanbao et al. | Optimization design for aerodynamic elements of high speed trains | |
| CN106250613A (zh) | 一种车轮服役状态安全域估计及故障诊断方法 | |
| CN106021789B (zh) | 基于模糊智能的轨道车辆悬挂***故障分类方法及*** | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| Huang et al. | Fault diagnosis of high-speed train bogie based on LSTM neural network | |
| CN103674578A (zh) | 高速列车运行动力学性能状态的检测方法 | |
| CN106596149A (zh) | 基于vmd的轨道车辆平轮状态的监测与诊断方法 | |
| CN102298662A (zh) | 基于自适应谐振理论的神经网络中医证候诊断*** | |
| Ito et al. | Predicting traffic congestion using driver behavior | |
| Liu et al. | Modeling crossing behavior of drivers at unsignalized intersections with consideration of risk perception | |
| CN110411766A (zh) | 列车转向架蛇形失稳检测方法、装置、***和存储介质 | |
| CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
| Guo et al. | Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data | |
| Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
| Wang et al. | A novel optimal fuzzy integrated control method of active suspension system | |
| Liang et al. | 1d convolutional neural networks for fault diagnosis of high-speed train bogie | |
| Xi et al. | A hierarchical ensemble learning framework for energy-efficient automatic train driving | |
| Gong et al. | Modal vibration decomposition method and its application on multi-mode vibration control of high-speed railway car bodies | |
| CN115440042B (zh) | 基于多智能体约束策略优化的无信号交叉口协同控制方法 | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| Qin et al. | Bogie fault identification based on EEMD information entropy and manifold learning |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |