CN102452403B - 机车发动机与传动机构异常状态的智能识别方法及装置 - Google Patents

Abstract

本发明涉及一种机车发动机与传动机构异常状态的智能识别方法与装置，该方法包括系统学习和在线识别两部分；该装置包括：多个拾音器、信号放大器、信号处理器和语音提示器，所述的拾音器设置在发动机外壳或机车底盘上，该拾音器的输出接口与信号放大器的输入接口连接，所述的信号放大器的输出接口与信号处理器的输入接口连接，所述的信号处理器的输出接口与语音提示器的输入接口连接。与现有技术相比，本发明具有无需依赖被测对象的精确数学描述模型，而且检测技术也极其简单，就能够对任意一种动力装置的故障及其发生点实施在线实时识别等优点。

Description

机车发动机与传动机构异常状态的智能识别方法及装置

技术领域

本发明涉一种动力工程技术，尤其是涉及一种机车发动机与传动机构异常状态的智能识别方法及装置。

背景技术

随着铁路列车的提速和高速铁路的大面积推广，列车运行安全问题日益受到人们的高度重视，特别是行驶时速高达350千米的高速列车更是要时刻关注机车在运行过程中的可靠性和稳定性问题。一旦机车发动机与传动机构系统发生故障而未能被及时发现的话，轻则列车中途停驶、影响整条线路的正常运行，重则很可能出现严重的车毁人亡事故。但是，在高速运行中的列车如何才能实时监控机车发动机与传动机构系统的工作状态，并非易事，其中的技术难点在于：

(1)为了确保高速列车具有良好的气动特性和驾驶室与车厢等的密封性，机车发动机与传动机构系统所发出的声响已经被良好封闭，司机与乘务人员根本不可能会从机车发动机与传动机构系统突发出现的异常声响来觉察其可能存在的故障；

(2)尽管机车发动机与传动机构系统已经设置了种类与数量繁多的传感器和检测仪器，但是受到当前技术的限制，除了速度、扭矩、温度、液压等常规参数能够得到实时检测外，根本不可能对诸多非常规运行参数实施直接或间接的检测，如：传动轴的疲劳、紧固螺钉的疲劳与断裂等。

可见，寻找一种新技术用于实现高速列车动态故障的实时检测，事关高速列车运行安全性。经对现有技术文献的检索发现，张友亮、何瑞香的“内燃机状态监测与故障诊断综述”(《山东内燃机》2005年第1期)从监测信号(参数)、信号特征提取方法、信息融合识别方法等方面对内燃机目前的状态监测与故障诊断进行了综述。概括地介绍了“以故障信号的检测及处理为基本技术，以故障信号处理和特征提取理论为基本理论，以基于特征的故障信息融合识别为基本方法。”具体提及的内燃机故障诊断与状态监测特征提取分析方法，包括：幅值域分析法、频域分析方法、小波分析方法、分形理论方法、证据理论方法、神经网络方法、模糊数学方法和灰色理论方法等。

显而易见，该文献所提及的这些方法对内燃机状态监测与故障诊断均需要在内燃机状态参数检测的基础上，实施特征提取与分析，而且每种方法有其特定的适用范围；另外，在线检测与识别过程根本不可能依赖上述所有方法逐一“采用”一遍后，来对发生的故障作出结论，因此无法满足动力系统故障诊断的实时性要求。

再经对现有技术文献的检索还发现，谷立臣、张优云、丘大谋的“液压动力系统运行状态识别技术研究”(《机械工程学报》2001年第6期)以机械工程中液压动力系统为对象，在理论分析以及大量试验研究的基础上，给出了基于电流信号功率谱特征的液压动力系统4种运行状态标准模式。提出了基于灰色关联度计算的模式识别方法，用于识别液压动力系统正常以及电动机故障、机械故障、油泵故障的发生。

该方法最大的缺陷在于：需要依靠液压动力系统运行状态的精确数学模型描述并建立基于电流信号功率谱特征的液压动力系统4种运行状态标准模式。要建立精确描述电动机、机械、油泵实际运行工况的数学模型本身就是一件极为困难的事情，因此其适用范围也受到了极大的限制。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无需依赖被测对象的精确数学描述模型，而且检测技术也极其简单，就能够对任意一种动力装置的故障及其发生点实施在线实时识别的机车发动机与传动机构异常状态的智能识别方法及装置。

本发明的目的可以通过以下技术方案来实现：一种机车发动机与传动机构异常状态的智能识别方法，包括：系统学习与在线识别两个步骤。

所述的系统学习，就是利用机车发动机与传动机构异常状态的智能识别装置对机车发动机与传动机构在正常工作状态下的音响信号进行采样学习，建立机车发动机与传动机构正常音响情况下的特征空间。对机车发动机与传动机构音响信号进行采样、特征转换、建立特征空间的过程，就叫做对机车发动机与传动机构音响信息的学习过程。

所述的在线识别，就是在线采集机车发动机与传动机构音响信号，通过对采集信号的特征提取与识别，实时作出决策：是否需要向机车驾驶员提供警示信息。

步骤一、系统学习

具体分步骤如下：

(1)音响信号采集

由拾音器采集发动机或传动机构所发生的音响信号。这些音响信号包括：汽车启动、提速、不同转速、不同车速、减速和刹车等工况下的音响信号，再通过信号放大器进行电压放大后送入信号处理器。

(2)模数转换

在信号处理器中，将电压放大后的音响模拟信号转换为数字信号，交由信号处理模块进行处理。

(3)对时变信号进行傅里叶变换

对代表发动机的音响数字信号x(t)进行傅里叶变换，即

$X\left(\mathrm{j\ω}\right)={\∫}_{-\∞}^{\∞}x\left(t\right)e^{-\mathrm{j\ωt}}\mathrm{dt}$ (公式一)

式中，ω＝2πf，单位为弧度/秒，将X(jω)表示成的形式，即可得到|X(jω)|和随ω变化的曲线，分别被称为x(t)的幅频特性和相频特性。

对代表传动机构的音响数字信号y(t)进行傅里叶变换，即

$Y\left(\mathrm{j\ω}\right)={\∫}_{-\∞}^{\∞}y\left(t\right)e^{-\mathrm{j\ωt}}\mathrm{dt}$ (公式二)

式中，ω＝2πf，单位为弧度/秒，将Y(jω)表示成的形式，即可得到|Y(jω)|和随ω变化的曲线，分别被称为y(t)的幅频特性和相频特性。

由(公式一)、(公式二)能够获知对应音响信号中的频率分布信息。

(4)构建发动机或传动机构两类训练样本

对发动机在多种不同工况下所发出的音响信号建立训练样本向量

$x^1={\left[\begin{array}{ccccc}{x}_1^1& x_2^1& ...& x_{N-1}^1& x_N^1\end{array}\right]}^T$ (公式三)

$x^2={\left[\begin{array}{ccccc}{x}_1^2& x_2^2& ...& x_{N-1}^2& x_N^2\end{array}\right]}^T$ (公式四)

其中，x¹、x²分别为发动机在正常工况下的幅频特性向量(1类)和发动机在非正常工况下的幅频特性向量(2类)训练样本向量；

对传动机构在多种不同工况下所发出的音响信号建立训练样本向量

$y^1={\left[\begin{array}{ccccc}{y}_1^1& y_2^1& ...& y_{N-1}^1& y_N^1\end{array}\right]}^T$ (公式五)

$y^2={\left[\begin{array}{ccccc}{y}_1^2& y_2^2& ...& y_{N-1}^2& y_N^2\end{array}\right]}^T$ (公式六)

其中，y¹、y²分别为传动机构在正常工况下的幅频特性向量(1类)和传动机构在非正常工况下的幅频特性向量(2类)训练样本向量；

两类训练样本向量中的每个训练样本对应工况的采样点信息。根据这些样本可以构造出训练样本矩阵及其对应的类别样本矩阵。类别样本矩阵中的值为样本的分类类别，因为仅有两类：正常工况下的音响信息和非正常工况下的音响信息，结果类别样本矩阵中的值为1或-1。

由发动机所对应的1类和2类训练样本构成的训练样本矩阵X＝[x¹ x²]，与其对应的类别样本矩阵为

$d_x={\left[\begin{array}{cccc}1& 1& ...& 1\\ -1& -1& ...& -1\end{array}\right]}^T$

由传动机构所对应的1类和2类训练样本构成的训练样本矩阵Y＝[y¹ y²]，与其对应的类别样本矩阵为

$d_y={\left[\begin{array}{cccc}1& 1& ...& 1\\ -1& -1& ...& -1\end{array}\right]}^T$

(5)求解拉格朗日乘子α_i

利用公式

$L(w,b,\mathrm{\α})=\frac{1}{2}{w}^{T}w-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i[d_i(w\·x_i+b)-1]$ (公式七)

或

$L(w,b,\mathrm{\α})=\frac{1}{2}{w}^{T}w-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i[d_i(w\·y_i+b)-1]$ (公式八)

分别求解发动机和传动机构所对应的拉格朗日乘子α_i，i＝1，2，...，N与每个训练样本相对应，而且其中大部分为零，只有少数不为零的α_i才对应着支持向量。

(6)求取偏置b₀

利用拉格朗日乘子α_i、训练样本矩阵和对应的类别样本矩阵通过式

α_i[d_i(w·x_i+b)-1]＝0(i＝1，2，...，N)    (公式九)

或

α_i[d_i(w·y_i+b)-1]＝0(i＝1，2，...，N)    (公式十)

求取偏置b₀。在线性可分情况下，接着可以根据公式或求得w₀。这样便可以得到最终的分类决策函数的具体表达式，即

$\left\{\begin{array}{c}{w}_0\&CenterDot;y+b_0\&GreaterEqual;1;\mathrm{if}{d}_i=+1\\ w_0\&CenterDot;y+b_0<1;\mathrm{if}{d}_i=-1\end{array}\right.$ 或 $\left\{\begin{array}{c}{w}_0\&CenterDot;x+b_0\&GreaterEqual;1;\mathrm{if}{d}_i=+1\\ w_0\&CenterDot;x+b_0<1;\mathrm{if}{d}_i=-1\end{array}\right.$

步骤二、在线识别

具体分步骤如下：

(1)在线实时采集动力或传动机构结构音响信号

由拾音器在线实时采集发动机或传动机构所发生的音响信号，再通过信号放大器进行电压放大后送入信号处理器。

(2)模数转换

在信号处理器中，将音响模拟信号转换为数字信号，交由信号处理模块。

(3)对音响数字信号进行傅里叶变换

对应发动机的实时音响数字信号x(t)通过进行傅里叶变换，由此能够获取发动机在不同工况下的幅频特性和相频特性；

对应传动机构的实时音响数字信号y(t)通过进行傅里叶变换，由此能够获取传动机构在不同工况下的幅频特性和相频特性；

(4)对测试样本进行类别判定

利用分类决策函数：如果w₀·x+b₀≥1，就表示当前发动机工况测试样本属于第一类，即发动机处于正常运行状态；反之，当前发动机工况测试样本属于第二类，即发现发动机有异常声响；如果w₀·y+b₀≥1，就表示当前传动机构工况测试样本属于第一类，即传动机构处于正常运行状态；反之，当前传动机构工况测试样本属于第二类，即发现传动机构有异常声响。

(5)决策输出

根据对测试样本进行类别判定的结果，由信号处理器输出控制指令。

当识别结果认定发动机或传动机构有异常声响时，装置系统会自动通过语音提示器向驾驶员提示，如：“发动机有异常声响，需要停车检查！”或“传动机构有异常声响，需要停车检查！”。

所述SVM算法，即支持向量机(Support Vector Machines，SVM)算法。它是在以解决有限样本机器学习问题为目标的统计学习理论的基础上发展起来的。换句话说，SVM建立在统计学习理论的VC维理论和结构风险最小化原理的基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻找最佳折衷，以期获得最好的推广能力。SVM能够有效地避免经典学习方法中出现的过学习、欠学习、“维数灾难”以及陷入局部极小点等诸多问题。SVM又是从线性可分情况下的最优分类面发展而来的，采用的是保持经验风险值固定而使置信范围最小化的策略。

所述支持向量机，其体系结构包括：建立从输入向量到高维特征空间的非线性映射过程中，特征空间对输入输出都是隐藏的；构造一个最优超平面的目的用于分离在第一步中发现的特征。

所述最优分类超平面，就是要求分类不但能将两类样本正确分开(训练错误率为0)，而且能使分类间隔最大。具体如下：

考虑训练样本其中x_i是输入模式的第i个例子。d_i是对应的期望响应输出(目标输出)。假定由子集d_i＝+1和d_i＝-1代表的模式线性可分。用于分离的超平面形式的决策曲面方程是

w·x+b＝0    (公式十一)

式中，w为可调权值向量、x为输入向量、b为偏置，且

w＝[w₁，w₂，...，w_N]＝[w_i]；i＝1，2，...，N      (公式十二)

x＝[x₁，x₂，...，x_N]^T＝[x_i]^T；i＝1，2，...，N    (公式十三)

对分类方程，即决策曲面方程(公式十一)进行归一化后，使得对线性可分的样本(x_i，d_i)(i＝1，2，...，N，x∈R^N，d_i∈{±1})满足

d_i(w·x+b)≥1；i＝1，2，...，N    (公式十四)

对于一个给定的权值向量w和偏置b，由方程(公式十一)定义的超平面和最近的数据点之间的间隔称为分离边缘，在超平面正、负两面的距离被称为分类间隔，用ρ表示。支持向量机的目的是找到一个特殊的超平面，使得这个超平面分类间隔ρ最大。在这个条件下，决策曲面称为最优超平面(Optimal Hyperplane)。在决策曲面的两侧有方程

$\left\{\begin{array}{c}w\&CenterDot;x+b\&GreaterEqual;0;\mathrm{if}{d}_i=+1\\ w\&CenterDot;x+b<0;\mathrm{if}{d}_i=-1\end{array}\right.$ (公式十五)

令w₀和b₀分别表示权值向量和偏置的最优值，则决策面的最优超平面为

w₀·x+b₀＝0    (公式十六)

定义判别函数

g(x)＝w·x+b   (公式十七)

给出从w到最优超平面距离的一种代数度量，将x表达为

$x=x_p+r\frac{w}{\left|\right|w\left|\right|}$ (公式十八)

其中，x_p是x在最优超平面上的常规投影，r是期望的代数距离；如果x在最优超平面的正面，r是正值；反之，如果x在最优超平面的负面，r是负值。

由定义可知g(x_p)＝0，由此可以推出

g(x)＝w₀·x+b₀＝r||w₀||    (公式十九)

或

$r=\frac{g\left(x\right)}{\left|\right|w_0\left|\right|}$ (公式二十)

因此，将目标测试问题转化为：对于给定的测试样本数据集Γ＝{(x_i，d_i)}，需要找到最优超平面参数w₀和b₀。可以看到一对(w₀，b₀)必定满足条件

$\left\{\begin{array}{c}{w}_0\&CenterDot;x+b_0\&GreaterEqual;1;\mathrm{if}{d}_i=+1\\ w_0\&CenterDot;x+b_0<1;\mathrm{if}{d}_i=-1\end{array}\right.$ (公式二十一)

当式(公式十四)成立时，说明模式是线性可分的，则可以通过调整w₀和b₀的值使式(公式二十一)成立。

如果有某个数据点(x_i，d_i)使得式(公式二十一)的等号成立，则这个点被称为支持向量点，支持向量机由此得名。支持向量是那些最靠近决策面的数据点集合，这些数据点是最难分类的，因此它们和决策面的最优位置直接相关。

考虑一个支持向量对应于d_i＝+1，根据定义有

$g\left(\hat{x}\right)=w_0\&CenterDot;x\stackrel{\&OverBar;}{+}{b}_0=\stackrel{\&OverBar;}{+}1;\mathrm{in}{d}_i=\stackrel{\&OverBar;}{+}1$ (公式二十二)

从支持向量到最优超平面的代数距离是

$r=\frac{g\left(\hat{x}\right)}{\left|\right|w_0\left|\right|}=\left\{\begin{array}{ccc}\frac{+1}{\left|\right|w_0\left|\right|};& \mathrm{if}& d_i=+1\\ \frac{-1}{\left|\right|w_0\left|\right|};& \mathrm{if}& d_i=-1\end{array}\right.$ (公式二十三)

其中，正号表示在最优超平面的正面，而负号表示在最优超平面的负面。

令ρ为两个类之间分离边缘距离的最优值，两个类构成训练集合为Γ，因此得到

$\mathrm{\&rho;}=2r=\frac{2}{\left|\right|w_0\left|\right|}$ (公式二十四)

上式说明：两个类之间的分类间隔最大化等价于权值向量w最小化时的欧几里德范数。

由式(公式十六)定义的最优超平面是唯一的，即意味着最优权值向量w₀提供了正反例之间的最大可能分离。这个优化条件是通过权值向量w最小化时的欧几里德范数获得的。

所述最优分类超平面的求取方法，具体如下：

第一、线性可分模式的分类计算

要找到最优分类超平面，需要求解下面的二次规划问题(最小化泛函)

$\mathrm{\&phi;}\left(w\right)=\frac{1}{2}{\left|\right|w\left|\right|}^2=\frac{1}{2}{w}^{T}w$ (公式二十五)

其约束条件即为

d_i(w·x+b)≥1；i＝1，2，...，N

这个优化问题的解是由下面的拉格朗日(Lagrange)函数的鞍点给出的

$L(w,b,\mathrm{\&alpha;})=\frac{1}{2}{w}^{T}w-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i[d_i(w\&CenterDot;x_i+b)-1]$ (公式二十六)

其中，α_i为拉格朗日系数(又称拉格朗日乘子)，α_i≥0。在鞍点上，L取最小值，此时w＝w₀、b＝b₀满足

$\left\{\begin{array}{c}\frac{\&PartialD;L(w,b,\mathrm{\&alpha;})}{\&PartialD;}{|}_{w=w_0,b=b_0,\mathrm{\&alpha;}={\mathrm{\&alpha;}}_0}=0\&DoubleRightArrow;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{d}_i=0\\ \frac{\&PartialD;L(w,b,\mathrm{\&alpha;})}{\&PartialD;w}{|}_{w=w_0,b=b_0,\mathrm{\&alpha;}={\mathrm{\&alpha;}}_0}=0\&DoubleRightArrow;\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{d}_i{x}_i=w_0\end{array}\right.$ (公式二十七)

即，约束最优问题的解由拉格朗日函数的鞍点决定，拉格朗日函数对w和b必定最小化，对α必定最大化。

鞍点对应每一个拉格朗日乘子α_i，乘子与其相应约束的乘积为0，即

α_i[d_i(w·x_i+b)-1]＝0；i＝1，2，...，N    (公式二十八)

只有精确满足上式的乘子才能假定非零值。

确定用α_0，i表示最优拉格朗日乘子以后，可以计算最优权值向量w₀

$w_0=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_0{d}_i{x}_i$ (公式二十九)

使用获得的w₀可以计算最优偏置b₀。对于一个正的支持向量有

$b_0=1-w_0\hat{x};\mathrm{If}{d}_i=+1$ (公式三十)

第二、线性不可分离数据点的分类计算

最优分类超平面是在线性可分前提下讨论的，多数模式识别分类问题在原始的样本空间内，样本点都是线性不可分的。所谓线形不可分，就是某些训练样本不能满足式(公式十四)的条件。上述线性可分模式的分类算法应用到线性不可分的数据将会找不到可行解，这点可通过目标函数的任意增大来验证。

在线形不可分的情况下，SVM用一非线性映射函数：R^N→F，把原始空间的样本映射到高维特征空间F(也可能是无穷维的)，然后在此高维特征空间内构造最优分类面。

对于某一组训练数据，不可能建立一个不具有分类误差的分离超平面，这时仍然需要找到一个最优超平面，使它对整个训练集合的分类平均误差大的概率达到最小。

定义：如果数据点(x_i，d_i)不满足条件

d_i(w·x_i+b)≥+1；i＝1，2，...，N    (公式三十一)

则有两种情况发生：数据点(x_i，d_i)落在分类间隔区域之内，但在决策面正确的一侧；或者，数据点(x_i，d_i)落在分类间隔区域之内，但在决策面错误的一侧。称此时类之间的分离边缘是软的。对于前者分类仍然是正确的，对于后者分类是不正确的。

为了能够建立不可分离数据点的处理(计算)方法，引入一组非负标量变量到决策面的定义中

d_i(w·x_i+b)≥1-ξ_i；i＝1，2，...，N    (公式三十二)

式中，ξ_i被称为松弛变量，用于度量一个数据点对模式可分的理想条件的偏离程度。

当错误产生时，相应的ξ_i必须达到一致，所以是训练错误数的一个上界。

对于0≤ξ_i≤1，表明数据点落入分类间隔区域的内部，但是在决策面的正确一侧。

对于ξ_i＞1，表明数据点落到分类超平面的错误一侧。支持向量是精确满足

d_i(w·x_i+b)≥1-ξ_i的特殊数据点集合。

为了在训练集上找到分类平均误差最小的分离超平面(决策面)，需要对权值向量w最小化泛函

(公式三十三)

上述泛函满足约束条件d_i(w·x_i+b)≥1-ξ_i和对||w||²的限制。I(ξ)为指标函数，定义如下

$I\left(\mathrm{\&xi;}\right)=\left\{\begin{array}{ccc}0;& \mathrm{If}& \mathrm{\&xi;}\&le;0\\ 1;& \mathrm{If}& \mathrm{\&xi;}\&le;0\end{array}\right.$ (公式三十四)

由于Φ(ξ)对w的最小化是非凸的最优化问题，因此可以用来逼近泛函Φ(ξ)。

这时广义最优超平面可以进一步演化为在条件式(公式二十二)的约束下求函数

$\mathrm{\&Phi;}(w,\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w+C{\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i\right)}^k$ (公式三十五)

的极小值。

为计算方便取k＝1；其中，参数C是由使用者指定的正常数，控制着学习机的复杂性和不可分离点数之间的平衡，或者说，它实际上起着控制对错分样本惩罚程度的作用，实现在错分样本的比例和算法复杂度之间的折衷。指定一个较大的C可以降低错分样本的个数。此时，目标函数对应的拉格朗日函数为

$L(w,b,\mathrm{\&alpha;},\mathrm{\&xi;})=\frac{1}{2}{w}^{T}w-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i[d_i(w\&CenterDot;x_i+b)-1+{\mathrm{\&xi;}}_i]-\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_i{\mathrm{\&xi;}}_i$ (公式三十六)

其中，引入μ_i是为了增强ξ_i的肯定度。考虑到条件

$\left\{\begin{array}{ccc}{\mathrm{\&alpha;}}_i[d_i(w\&CenterDot;x_i+b)-1+{\mathrm{\&xi;}}_i]=0& & \\ & ;i=\mathrm{1,2}...,N& \\ (C-{\mathrm{\&alpha;}}_i){\mathrm{\&xi;}}_i=0& & \end{array}\right.$ (公式三十七)

可得

$\frac{\&PartialD;L}{\&PartialD;w}=0\&DoubleRightArrow;w_0=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{d}_i{x}_i$ (公式三十八)

$\frac{\&PartialD;L}{\&PartialD;b}=0\&DoubleRightArrow;0=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{d}_i$ (公式三十九)

$\frac{\&PartialD;L}{\&PartialD;{\mathrm{\&xi;}}_i}=0\&DoubleRightArrow;C-{\mathrm{\&alpha;}}_i-{\mathrm{\&mu;}}_i=0$ (公式四十)

ξ_i≥0，α_i≥0，μ_i≥0                    (公式四十一)

α_i[d_i(w·x_i+b)-1]＝0；i＝1，2，...，N    (公式四十二)

μ_iξ_i＝0    (公式四十三)

通过等式(公式二十六)和(公式二十八)确定阈值b₀。结合等式(公式三十)和(公式三十三)可以看出，如果α_i＜C，可得ξ_i＝0。

同时，广义最优分类面的对偶问题与线性可分情况下几乎完全相同，只是在线性可分下的条件α_i≥0变为

0≤α_i≤C    (公式四十四)

换句话说，采用取训练样本中所有满足0≤α_i≤C的数据点参与计算后，求取所得到b₀的平均值作为最终的最优偏置则更好。

一种机车发动机与传动机构异常状态的智能识别装置，包括：拾音器、信号放大器、信号处理器和语音提示器。拾音器又称声音传感器或语音传感器。用于本发明装置中的拾音器采用微型驻极拾音器；拾音器的数量由监测点数来确定，如监测点为2个，则拾音器就需要2个，如此类推；拾音器安装于靠近机车发动机和/或传动机构的固定部件上，用以采集(拾取)机车发动机和传动机构在运行过程所发出的音响，即声音信号。拾音器的输出接口与信号放大器的输入接口连接，信号放大器的输出接口与信号处理器的输入接口连接，信号处理器的输出接口与语音提示器的输入接口连接。

所述的微型驻极拾音器，又称微型驻极体击时，振动膜片发生法向振动，随着振动膜片的振动，使得附着在振动膜片上的导电薄膜与极话筒，其结构包括：导电薄膜；极性环、振动膜片及其支撑件。当微型驻极拾音器受到声波冲性环之间形成一个频率与幅值大小能够跟随声波信号变化的电压信号输出。这就是微型驻极拾音器的基本工作原理。

所述的振动薄片，由充以电荷的驻极体薄膜构成；所述的导电薄膜，通过溅射或化学气相沉积方法在驻极体薄膜的一侧形成导电薄膜；所述的极性环，设置在导电薄膜下侧的导电环状体；所述的支撑件，即支撑导电薄膜圆周与极性环的部件以便与监测点固定部件紧固连接。

所述的固定部件，即机车发动机与传动机构机械装置中的非运动部件，如：发动机外壳、机车底盘等。

所述的信号放大器，内含模拟放大电路，主要是对拾音器输出的音响模拟电信号进行电压放大。音响模拟电信号又简称音响模拟信号。

所述的信号处理器，包括：输入接口、模数转换模块、信号处理模块、内存模块、输出接口。其中：输入接口的输入端与拾音器输出接口相连，输入接口的输出端与模数转换模块的输入端连接，模数转换模块的输出端口与信号处理模块的输入端口连接；信号处理模块的输出端口与输出接口的输入端连接；输出接口的输出端与语音提示器输入接口连接；内存模块寄存样本特征数据库，信号处理模块与内存模块之间通过信号处理器的内部信号总线连接，实现两者之间的数据双向交互。

所述的语音提示器，包括：输入接口、译码器、数字语音模块、数模转换器、功率放大模块、扬声器；其中：输入接口的输入端口与信号处理器的输出接口连接，输入接口的输出端与译码器的输入端口连接，译码器的输出端口与数字语音模块的输入端口连接，数字语音模块的输出端口与数模转换器的输入端口连接，数模转换器的输出端口与功率放大模块的输入端口连接，功率放大模块的输出端口与扬声器的输入端口连接。当语音提示器的输入接口接收到控制指令后，经过译码器的解释，链接数字语音模块中的相关语音单元，将链接后的语音单元序列依次输至数模转换器转换为语音模拟信号，再将语音模拟信号输至功率放大模块经功率放大后驱动扬声器发出相应的语音提示。

本发明的信号处理器输入接口从信号放大器接收到经过电压放大的音响模拟信号后，将音响模拟信号送入模数转换模块的输入端，模数转换模块再将转换后的音响数字信号输至信号处理模块。信号处理器对音响数字信号进行处理与分析后，确定当前发动机或传动机构是否出现异常现象；一旦确认当前发动机或传动机构存在异常现象，信号处理器会实时地将识别结果生成控制指令由其输出接口输出；在控制指令的作用下，通过语音提示器向机车驾驶员发出警示，如：“当前动力装置出现异常现象，必须采取有效措施或停驶检查！”。

与现有技术相比，本发明具有以下优点：

1、无需依赖被测对象的精确数学描述模型，而且检测技术也极其简单，就能够对任意一种动力装置的故障及其发生点实施在线实时识别。

2、本发明用于高速列车等交通工具的故障实时检测，能够很好解决常规检测所无法实现的技术难题。本发明同样适用于汽车、航空飞行器等交通工具的发动机与传动机构故障识别与诊断，因此具有较高的应用价值。

附图说明

图1为本发明系统结构示意图；

图2为本发明信号处理器结构示意图；

图3为本发明语音提示器结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本实施例涉及一种机车发动机与传动机构异常状态的智能识别方法，包括：系统学习与在线识别两个步骤。

步骤1)系统学习

具体分步骤如下：

(1)音响信号采集

由第一拾音器1采集发动机所发生的音响信号，由第二拾音器2采集传动机构所发生的音响信号，并将第一拾音器1和第二拾音器2所采集到的音响信号分别通过第一信号放大器3和第二信号放大器4放大后送入信号处理器5。

(2)模数转换

在信号处理器5中，将来自第一拾音器1和第二拾音器2并经电压放大后的音响模拟信号转换为数字信号，再交由信号处理模块55进行处理。

(3)对时变信号进行傅里叶变换

对源自第一拾音器1、第二拾音器2音响数字信号x(t)、y(t)分别进行傅里叶变换： 由此获知第一、第二音响信号中的频率分布信息。

(4)构建发动机训练样本

对发动机在多种不同工况下所发出的音响信号建立代表正常工况下的幅频特性向量(1类)训练样本向量：和代表非正常工况下的幅频特性向量(2类)训练样本向量：

由1类和2类训练样本构成的训练样本矩阵X＝[x¹ x²]；

取类别样本矩阵中的值为1或-1，则类别样本矩阵为

$d_x={\left[\begin{array}{cccc}1& 1& ...& 1\\ -1& -1& ...& -1\end{array}\right]}^T$

(5)针对发动机训练样本求解拉格朗日乘子α_i

利用公式求解拉格朗日乘子α_i，i＝1，2，...，N与每个训练样本相对应，而且其中大部分为零，只有少数不为零的α_i才对应着支持向量。

(6)针对发动机训练样本求取偏置b₀

利用拉格朗日乘子α_i、训练样本矩阵和对应的类别样本矩阵通过式

α_i[d_i(w·x_i+b)-1]＝0(i＝1，2，...，N)

求取偏置b₀。在线性可分情况下，接着可以根据公式求得w₀。这样便可以得到最终的分类决策函数的具体表达式，即

$\left\{\begin{array}{c}{w}_0\&CenterDot;x+b_0\&GreaterEqual;1;\mathrm{if}{d}_i=+1\\ w_0\&CenterDot;x+b_0<1;\mathrm{if}{d}_i=-1\end{array}\right.$

(7)构建传动机构训练样本

对传动机构在多种不同工况下所发出的音响信号建立代表正常工况下的幅频特性向量(1类)训练样本向量：和代表非正常工况下的幅频特性向量(2类)训练样本向量：

由1类和2类训练样本构成的训练样本矩阵Y＝[y¹ y²]；

取类别样本矩阵中的值为1或-1，则类别样本矩阵为

$d_y={\left[\begin{array}{cccc}1& 1& ...& 1\\ -1& -1& ...& -1\end{array}\right]}^T$

(8)针对传动机构结构训练样本求解拉格朗日乘子α_i

利用公式求解拉格朗日乘子α_i，i＝1，2，...，N与每个训练样本相对应，而且其中大部分为零，只有少数不为零的α_i才对应着支持向量。

(9)针对传动机构训练样本求取偏置b₀

利用拉格朗日乘子α_i、训练样本矩阵和对应的类别样本矩阵通过式

α_i[d_i(w·y_i+b)-1]＝0(i＝1，2，...，N)

求取偏置b₀。在线性可分情况下，接着可以根据公式求得w₀。这样便可以得到最终的分类决策函数的具体表达式，即

$\left\{\begin{array}{c}{w}_0\&CenterDot;y+b_0\&GreaterEqual;1;\mathrm{if}{d}_i=+1\\ w_0\&CenterDot;y+b_0<1;\mathrm{if}{d}_i=-1\end{array}\right.$

步骤2)在线识别，具体分步骤如下：

(1)在线实时采集动力或传动机构结构音响信号

由第一拾音器1在线实时采集发动机所发生的音响信号，由第二拾音器2在线实时采集传动机构所发生的音响信号分别通过第一信号放大器3和第二信号放大器4放大后送入信号处理器5。

(2)模数转换

在信号处理器中，将来自第一拾音器1和第二拾音器2的音响模拟信号转换为数字信号，再交由信号处理模块。

(3)对音响数字信号进行傅里叶变换

对来自第一拾音器1、第二拾音器2的在线实时音响数字信号x(t)、y(t)分别进行傅里叶变换： 由此获知发动机与传动机构在不同工况下的幅频特性和相频特性。

(4)对测试样本进行类别判定

利用分类决策函数：如果w₀·x+b₀≥1，就表示当前发动机工况测试样本属于第一类，即发动机处于正常运行状态；反之，当前发动机工况测试样本属于第二类，即发现发动机有异常声响；如果w₀·y+b₀≥1，就表示当前传动机构工况测试样本属于第一类，即传动机构处于正常运行状态；反之，当前传动机构工况测试样本属于第二类，即发现传动机构有异常声响。

(5)决策输出

根据对测试样本进行类别判定的结果，由信号处理器输出控制指令。

当识别结果认定发动机或传动机构有异常声响时，装置系统会自动通过语音提示器向驾驶员提示，如：“发动机有异常声响，需要停车检查！”或“传动机构有异常声响，需要停车检查！”。实施结果已经证实：机车在行驶过程中，一旦被拾音器检出异常音响，系统会实时向驾驶员提出警示，其准确率达到100％。

一种机车发动机与传动机构异常状态的智能识别装置，包括：第一拾音器1、第二拾音器2、第一信号放大器3、第二信号放大器4、信号处理器5和语音提示器6。第一拾音器1设置于第一个监测点，即安装于最靠近发动机的固定机座上，用于监测发动机工作状态；第二拾音器2设置于第二个监测点，即安装于传动机构的固定机构上，用于监测传动机构工作状态。第一拾音器1的输出接口与第一信号放大器3的输入接口连接，第一信号放大器3的输出接口与信号处理器5的第一输入接口连接；第二拾音器2的输出接口与第二信号放大器4的输入接口连接，第二信号放大器4的输出接口与信号处理器5的第二输入接口连接。信号处理器5的输出接口与语音提示器6的输入接口连接。

如图2所示，所述信号处理器5，包括：第一输入接口51、第二输入接口52、第一模数转换模块53、第二模数转换模块54、信号处理模块55、内存模块56、输出接口57。其中：第一输入接口51的输入端与第一拾音器1输出接口相连，第一输入接口51的输出端与第一模数转换模块53的输入端连接，第一模数转换模块53的输出端口与信号处理模块55的输入端口连接；第二输入接口52的输入端与第二拾音器2输出接口相连，第二输入接口52的输出端与第二模数转换模块54的输入端连接，第二模数转换模块54的输出端口与信号处理模块55的输入端口连接；信号处理模块55的输出端口与输出接口57的输入端连接；输出接口57的输出端与语音提示器6的输入接口连接；内存模块56寄存样本特征数据库，信号处理模块55与内存模块56之间通过信号处理器5的内部信号总线连接，实现两者之间的数据双向交互。

如图3所示，所述语音提示器6，包括：输入接口61、译码器62、数字语音模块63、数模转换器64、功率放大模块65、扬声器66；其中：输入接口61的输入端口与信号处理器5的输出接口57连接，输入接口61的输出端与译码器62的输入端口连接，译码器62的输出端口与数字语音模块63的输入端口连接，数字语音模块63的输出端口与数模转换器64的输入端口连接，数模转换器64的输出端口与功率放大模块65的输入端口连接，功率放大模块65的输出端口与扬声器66的输入端口连接。当语音提示器6的输入接口61接收到控制指令后，经过译码器62的解释，链接数字语音模块63中的相关语音单元，将链接后的语音单元序列依次输至数模转换器64转换为语音模拟信号，再将语音模拟信号输至功率放大模块65经功率放大后驱动扬声器66发出相应的语音提示。

本发明的信号处理器5从第一信号放大器3或第二信号放大器4接收到经过电压放大的音响模拟信号后，将音响模拟信号送入第一模数转换模块53或第二模数转换模块54的输入端，第一模数转换模块53或第二模数转换模块54再将转换后的音响数字信号输至信号处理模块55。信号处理模块55对音响数字信号进行处理与分析后，确定当前动力或传动机构结构是否出现异常现象；一旦确认当前当前动力或传动机构结构存在异常现象，信号处理器5会实时地将识别结果生成控制指令由其输出接口57输出；在控制指令的作用下，通过语音提示器6向机车驾驶员发出警示，如：“当前发动机出现异常现象，必须采取有效措施或停驶检查！”或“当前传动机构出现异常现象，必须采取有效措施或停驶检查！”。

Claims (1)

1.一种机车发动机与传动机构异常状态的智能识别方法，其特征在于，该方法包括系统学习与在线识别两个步骤：

1)系统学习，利用机车发动机与传动机构异常状态的智能识别装置对机车发动机与传动机构在正常工作状态下的音响信号进行采样学习，建立机车发动机与传动机构正常音响情况下的特征空间，对机车发动机与传动机构音响信号进行采样、特征转换、建立特征空间的过程；

2)在线识别，在线采集机车发动机与传动机构音响信号，通过对采集信号的特征提取与识别，实时作出是否需要向机车驾驶员提供警示信息的决策；

步骤2)所述在线识别，包括分步骤如下：

(1)在线实时采集动力或传动机构结构音响信号

由拾音器在线实时采集发动机或传动机构所发生的音响信号，再通过信号放大器进行电压放大后送入信号处理器；

(2)模数转换

在信号处理器中，将音响模拟信号转换为数字信号，交由信号处理模块；

(3)对音响数字信号进行傅里叶变换

对应发动机的实时音响数字信号x(t)通过进行傅里叶变换，由此能够获取发动机在不同工况下的幅频特性和相频特性；对应传动机构的实时音响数字信号y(t)通过进行傅里叶变换，由此能够获取传动机构在不同工况下的幅频特性和相频特性；

(4)对测试样本进行类别判定

利用分类决策函数：如果w₀·x+b₀≥1，就表示当前发动机工况测试样本属于第一类，即发动机处于正常运行状态；反之，当前发动机工况测试样本属于第二类，即发现发动机有异常声响；如果w₀·y+b₀≥1，就表示当前传动机构工况测试样本属于第一类，即传动机构处于正常运行状态；反之，当前传动机构工况测试样本属于第二类，即发现传动机构有异常声响；

(5)决策输出

根据对测试样本进行类别判定的结果，由信号处理器输出控制指令；

当识别结果认定发动机或传动机构有异常声响时，装置系统会自动通过语音提示器向驾驶员提示；

其中ω为角频率；w₀和b₀分别表示最优权值向量和最优偏置值；x、y分别为发动机和传动机构测试样本向量。