CN110781553A - 一种高速列车多参数智能阈值监测方法 - Google Patents

Abstract

本发明公开了一种高速列车多参数智能阈值监测方法，首先采集高速列车的工况参数与状态监测数据，按照工况参数对状态监测数据进行划分；随后利用模糊核聚类对状态监测数据进行分析，得到各类中心坐标、类内距离；最后计算中心坐标、类内距离与工况多参数之间回归关系，进而智能计算各种工况下的阈值，对高速列车进行智能报警。该方法简单易行，适用于变工况下的高速列车监测数据智能阈值的确定。

Description

一种高速列车多参数智能阈值监测方法

技术领域

本发明属监测诊断领域，具体涉及一种高速列车多参数智能阈 值监测方法。

背景技术

随着我国铁路的高速发展，高速列车已经成为中国高端制造业 崛起的重要标志。然而，高速列车属于典型复杂机电***，以分布 式、网络化方式集成了机、电、气、热等多个物理域的部件，部件 之间以多种物理作用复杂交互，导致故障表现方式高度复杂化。高 速列车的维护普遍沿用不计成本保安全的劳动力密集型计划维修体 制，已成为制约我国高铁发展乃至出口的瓶颈，为此，铁路维修保 障部门特别提出未来维修方式应该在精确掌握列车状态的前提下， 逐渐向状态维修体制过渡，从而保障运行安全、提高维修效率，满 足国内和海外维修保障需求。

在列车的实时状态监测与故障诊断过程中，如何制定阈值是行 业内的一大难题。主要原因在于：高速通常在高转速、强振动、大 应力的恶劣环境下工作，单一的阈值指标难以适应工况的变化。如 果阈值过高，只能在最大转速的极限情况下报警，会产生较大的漏报率，起不到实时预警、报警的作用。如果阈值过低，虽能适应低 转速工况，一旦高转速工作，正常状态误认为故障，会导致很大的 维修资源浪费，并带来人员恐慌，影响正常工作。因此，高速列车 监测数据的阈值确定需从实时监测数据出发，并适应各种工况的变 化。

发明内容

本发明的目的在于，提供一种高速列车多参数智能阈值监测方 法，从监测数据出发，融入工况多参数，智能确定多种工况下的监 测阈值，实现高速列车自适应工况的实时报警。

为了实现上述目的，本发明采取的技术方案是：

一种高速列车多参数智能阈值监测方法包括，

第一步骤，采集高速列车的工况参数与状态监测数据，按照工 况参数对状态监测数据进行划分；

第二步骤，利用模糊核聚类对状态监测数据进行分析，得到各 类中心坐标、类内距离；

第三步骤，计算中心坐标、类内距离与工况多参数之间回归关 系，进而计算各种工况下的阈值，基于阈值对高速列车进行报警。

所述的一种高速列车多参数智能阈值监测方法中，第一步骤中，

首先，采集各种工况下的状态监测数据，其对应的工况参数一 并采集，状态监测数据为振动加速度信号，工况参数包括转速、载 荷和/或温度，

随后，计算状态监测数据的统计特征，统计特征包括均方根值、 方根幅值、偏斜度指标、峭度指标、频域幅值特征和/或频率集散特 征，并按照工况参数对状态监测数据进行划分。

所述的一种高速列车多参数智能阈值监测方法中，第二步骤中，

首先，基于状态监测数据的统计特征构建N×d的样本集X＝{x₁，x₂，…，x_N}，其中N为监测数据时间序列的个数；d为统计特 征的种类数；x_i，i＝1，2，…，N是维数为d的样本，按照工况参数将样 本集分成J类，定义隶属度μ_ij表示分类结果，其含义为样本x_i属于 第j类的可能性，j＝1，2，…，J，

随后，给出模糊核聚类分析的目标函数：

其中U＝(μ_ij)_J×N为隶属度矩阵，V＝{v₁，v₂，…，v_J}，v_j为第j类 的中心坐标，m≥1为加权指数，

引入非线性函数φ(x)把原始样本映射至高维空间中，构建核函 数K(x_j，v_i)＝φ(x_j)^T·φ(x_j)代替x_i·v_j，得到下式

对上式进行求解，得到隶属度μ_ij和类中心坐标v_j

模糊核聚类算法的步骤为：

①设定聚类数J、模糊聚类指数m，以及停止阈值ε；

②根据以上参数初始化隶属度矩阵U；

③计算目标函数，判断是否达到中止条件，如果满足，聚类结束， 否则继续；

④根据式(3)和式(4)更新模糊聚类中心和模糊隶属度矩阵，并转向 步骤③。

⑤计算类内距离，以第j类聚类为例

d_j＝max||x_l-v_j||，l＝1，2，…，L (11)。

所述的一种高速列车多参数智能阈值监测方法中，第三步骤中，

首先，将类心坐标V＝{v₁，v₂，…，v_J}、类内距离D＝{d₁，d₂，…，d_J} 与工况多参数E＝{e₁，e₂，...，e_s}构建多元非线性回归模型：

其中e_k为J维向量，包含各种工况，利用数据自动拟合求解函数f₁、 f₂，得到类心坐标V、类内距离D与工况多参数E之间的函数关系， 继而可得到各种工况对应类内距离D之间的关系，

然后规定额定工况J₀条件下，类内距离

超出正常其50％视为 报警门限，然后计算出各种工况对应的报警门限d′_j，f₁、f₂的逆函 数求得，进而实现对高速列车的报警

由于本发明一种高速列车多参数智能阈值监测方法，具有下列 区别于传统方法的显著优势：

1)基于模糊核聚类分析方法实现了监测数据的信息融合，并对 各工况下的监测数据进行了自适应聚类，将各工况下的监测数据在 同一个维度下展开，便于制定监测阈值。

2)将工况多参数融入阈值的确定过程中，实现阈值随工况的自 动更新，智能识别高速列车故障。

3)计算简单，运算速度快，便于在工程实际中推广。

附图说明

图1所示为高速列车轴承信号原始特征；

图2所示为高速列车轴承信号模糊核聚类结果；

图3所示为高速列车轴承信号到类心的距离。

具体实施方式

参照图1所示的高速列车轴承信号原始特征，在模拟试验台获 取的振动加速度信号计算获得，横坐标为时间单位min，由于各个统 计特征含义不同，纵坐标无单位。各个统计特征差别很大，很难再 一个尺度下展示，且随工况的影响很大。

参考图2所示的高速列车轴承信号模糊核聚类结果，自适应按 照工况对特征进行分类，为在各种工况下制定阈值奠定基础，横坐 标、纵坐标均为合成参数，没有明显的物理意义。

参考图3所示的高速列车轴承信号到类心的距离，摆脱的工况 的影响，在同一个维度下展开信号特征。横坐标为时间单位min，纵 坐标是距离。

附图是本发明的具体实施例；

下面结合附图对本发明的内容作进一步详细说明：

一种高速列车多参数智能阈值监测方法包括，

第一步骤，采集高速列车的工况参数与状态监测数据，按照工 况参数对状态监测数据进行划分；

第二步骤，利用模糊核聚类对状态监测数据进行分析，得到各 类中心坐标、类内距离；

第三步骤，计算中心坐标、类内距离与工况多参数之间回归关 系，进而计算各种工况下的阈值，基于阈值对高速列车进行报警。

一种高速列车多参数智能阈值监测方法的一个实施方式中，第 一步骤中，

首先，采集各种工况下的状态监测数据，其对应的工况参数一 并采集，状态监测数据为振动加速度信号，工况参数包括转速、载 荷和/或温度，

随后，计算状态监测数据的统计特征，统计特征包括均方根值、 方根幅值、偏斜度指标、峭度指标、频域幅值特征和/或频率集散特 征，并按照工况参数对状态监测数据进行划分。

表1.统计特征

一种高速列车多参数智能阈值监测方法的一个实施方式中，第 二步骤中，

首先，基于状态监测数据的统计特征构建N×d的样本集 X＝{x₁，x₂，…，x_N}，其中N为监测数据时间序列的个数；d为统计特 征的种类数；x_i，i＝1，2，…，N是维数为d的样本，按照工况参数将样 本集分成J类，定义隶属度μ_ij表示分类结果，其含义为样本x_i属于 第j类的可能性，j＝1，2，…，J，

随后，给出模糊核聚类分析的目标函数：

其中U＝(μ_ij)_J×N为隶属度矩阵，V＝{v₁，v₂，…，v_J}，v_j为第j类 的中心坐标，m≥1为加权指数，

引入非线性函数φ(x)把原始样本映射至高维空间中，构建核函 数K(x_j，v_i)＝φ(x_j)^T·φ(x_j)代替x_i·v_j，得到下式

对上式进行求解，得到隶属度μ_ij和类中心坐标v_j

模糊核聚类算法的步骤为：

①设定聚类数J、模糊聚类指数m，以及停止阈值ε；

②根据以上参数初始化隶属度矩阵U；

③计算目标函数，判断是否达到中止条件，如果满足，聚类结束， 否则继续；

④根据式(3)和式(4)更新模糊聚类中心和模糊隶属度矩阵，并转向 步骤③。

⑤计算类内距离，以第j类聚类为例

d_j＝max||x_l-v_j||，l＝1，2，…，L (17)。

一种高速列车多参数智能阈值监测方法的一个实施方式中，第 三步骤中，

首先，将类心坐标V＝{v₁，v₂，…，v_J}、类内距离D＝{d₁，d₂，…，d_J} 与工况多参数E＝{e₁，e₂，...，e_s}构建多元非线性回归模型：

其中e_k为J维向量，包含各种工况，利用数据自动拟合求解函数f₁、 f₂，得到类心坐标V、类内距离D与工况多参数E之间的函数关系， 继而可得到各种工况对应类内距离D之间的关系，

然后规定额定工况J₀条件下，类内距离超出正常其50％视为 报警门限，然后计算出各种工况对应的报警门限d′_j，f₁、f₂的逆函 数求得，进而实现对高速列车的报警。

实施例：

该实施例给出了本发明在高速列车轴承试验中的具体实施过程， 同时验证了该发明的有效性。试验按照四种转速、两种载荷分成以下 8中工况，如表2所示，其中工况6为额定工况。

表2高速列车工况

采集高速列车轴承振动加速度计算统计特征值，如图1所示， 主要分为两部分，频域幅值指标数据较大，在图形的上部展现，其 余指标均较小，在图形下部展现。为进一步显示下部指标的趋势， 在左下部出现了一个局部放大图，可以更好地看到均方根值、方根 幅值及峭度指标随工况的变化情况。

利用模糊核聚类对统计特征进行信息融合，可以按照工况进行 聚类，在高维特征空间中展开，结果如图2所示。计算各个样本到 类心的距离，如图3所示。故各种工况下类内距离即为图3所示的 各种工况下的最大值，如表3所示。

表3各工况类内距离

工况1	工况2	工况3	工况4	工况5	工况6	工况7	工况8
								5.08	7.96	11.99	14.05	9.22	13.01	8.75	12.56

其中，工况6为额定工况，在额定工况下，其类内距离超出50％ 视为报警门限，通过求解类心坐标V、类内距离D与工况多参数E的 多元非线性回归模型，最终计算出各种工况下的报警内类距离如表4 所示，实现对高速列车的智能报警。

表4各工况报警类内距离

工况1	工况2	工况3	工况4	工况5	工况6	工况7	工况8
								7.36	11.8	16.75	21.22	12.18	19.65	12.21	18.83

Claims (4)

1.一种高速列车多参数智能阈值监测方法，其特征在于：

第一步骤，采集高速列车的工况参数与状态监测数据，按照工况参数对状态监测数据进行划分；

第二步骤，利用模糊核聚类对状态监测数据进行分析，得到各类中心坐标、类内距离；

第三步骤，计算中心坐标、类内距离与工况多参数之间回归关系，进而计算各种工况下的阈值，基于阈值对高速列车进行报警。

2.根据权利要求1所述的一种高速列车多参数智能阈值监测方法，其特征在于，优选的，第一步骤中，

首先，采集各种工况下的状态监测数据，其对应的工况参数一并采集，状态监测数据为振动加速度信号，工况参数包括转速、载荷和/或温度，

随后，计算状态监测数据的统计特征，统计特征包括均方根值、方根幅值、偏斜度指标、峭度指标、频域幅值特征和/或频率集散特征，并按照工况参数对状态监测数据进行划分。

3.根据权利要求1所述的一种高速列车多参数智能阈值监测方法，其特征在于，第二步骤中，

首先，基于状态监测数据的统计特征构建N×d的样本集X＝{x₁，x₂，…，x_N}，其中N为监测数据时间序列的个数；d为统计特征的种类数；x_i，i＝1，2，…，N是维数为d的样本，按照工况参数将样本集分成J类，定义隶属度μ_ij表示分类结果，其含义为样本x_i属于第j类的可能性，j＝1，2，…，J，

随后，给出模糊核聚类分析的目标函数：

其中U＝(μ_ij)_J×N为隶属度矩阵，V＝{v₁，v₂，…，v_J}，v_j为第j类的中心坐标，m≥1为加权指数，

引入非线性函数φ(x)把原始样本映射至高维空间中，构建核函数K(x_j，v_i)＝φ(x_j)^T·φ(x_j)代替x_i·v_j，得到下式

对上式进行求解，得到隶属度μ_ij和类中心坐标v_j

模糊核聚类算法的步骤为：

①设定聚类数J、模糊聚类指数m，以及停止阈值ε；

②根据以上参数初始化隶属度矩阵U；

③计算目标函数，判断是否达到中止条件，如果满足，聚类结束，否则继续；

④根据式(3)和式(4)更新模糊聚类中心和模糊隶属度矩阵，并转向步骤③，

⑤计算类内距离，以第j类聚类的为例

d_j＝max||x_l-v_j||，l＝1，2，…，L (5)。

4.根据权利要求1所述的一种高速列车多参数智能阈值监测方法，其特征在于，第三步骤中，

首先，将类心坐标V＝{v₁，v₂，…，v_J}、类内距离D＝{d₁，d₂，…，d_J}与工况多参数E＝{e₁，e₂，...，e_s}构建多元非线性回归模型：

其中e_k为J维向量，包含各种工况，利用数据自动拟合求解函数f₁、f₂，得到类心坐标V、类内距离D与工况多参数E之间的函数关系，继而可得到各种工况对应类内距离D之间的关系，基于定额定工况J₀条件下，类内距离

超出正常其50％视为报警门限计算出各种工况对应的报警门限d′_j，f₁、f₂的逆函数求得，进而实现对高速列车的报警。

Images