CN102607867B - 基于glrt列车悬挂系在途故障检测系统及检测方法 - Google Patents

Abstract

本发明涉及基于GLRT列车悬挂系在途故障检测方法，该方法包括：1)对列车车辆悬挂系统进行建模并设计相应的Kalman滤波器；2)利用加速度传感器获取列车运行时各个位置的加速度信号；3)对加速度信号进行抗混叠滤波、高通滤波、二次积分预处理，获得系统输出；4)利用Kalman滤波器对所述的系统输出进行处理，获得残差输出；5)根据残差序列运用GLRT方法判断列车是否发生故障。本发明这种悬挂系在线故障检测技术可以以较高的鲁棒性进行悬挂系的故障检测，有效降低故障误报漏报率。

Description

基于GLRT列车悬挂系在途故障检测系统及检测方法

技术领域

本发明涉及列车故障检测系统，特别是涉及基于GLRT列车悬挂系在途故障检测系统及检测方法。

背景技术

列车悬挂系统位于列车车体与转向架之间以及转向架与轮对之间，由大量不同的部件构成，包括螺旋弹簧、阻尼器、空气弹簧等。轨道车辆的悬挂系统通常分为一系(位于轮对与转向架之间)与二系(位于转向架与车体之间)，同时也根据其对列车运动状态的影响分为横向与垂向系统。一方面，悬挂系统支撑着车体与转向架；另一方面，悬挂系还起到缓冲由轨道不平顺所引起的轮轨作用力、控制列车行驶方向、保持运行舒适性等作用。

目前，当前国内外较为成熟的列车在途故障检测系统大多是针对列车动力系、辅助系、制动系等子系统，即牵引电机、逆变器、空调系统、车门系统、空气制动系统的故障检测。即使在针对列车走行系状态监控的技术系统中，也以车轮、轴承、转向架构架等部位为主，几乎没有明确以列车悬挂系统作为状态监控与故障检测对象的系统与方法。

另一方面，在检测对象包括车辆走行部(列车走行部中包括一系二系悬挂系统)的一些列车故障检测系统中，其检测内容只是简单的表现为转向架的运动状态是否平稳，以一些简单的震动加速度指标或者震动频域指标值作为说明，没有明确悬挂系统是否发生了故障。同时列车走行部的运行状态除了直接受列车悬挂系统性能影响之外，线路条件、车辆负载情况、列车运行工况等都对其产生十分重要的作用，因此以往的检测系统并不能获取导致走行部暂时运动状态失稳的原因。

发明内容

为避免以上现有技术的不足，本发明提出一种基于GLRT列车悬挂系在途故障检测系统及检测方法，以解决能对列车悬挂系统状态进行实时检测。

本发明的目的通过以下技术方案来实现：

基于GLRT列车悬挂系在途故障检测方法，该方法包括：

1)对列车车辆悬挂系统进行建模并设计相应的Kalman滤波器；

2)利用加速度传感器获取列车运行时各个位置的加速度信号；

3)对加速度信号进行抗混叠滤波、高通滤波、二次积分预处理，获得系统输出；

4)利用Kalman滤波器对所述的系统输出进行处理，获得残差输出；

5)根据残差序列运用GLRT方法判断列车是否发生故障。

进一步，步骤1)对列车车辆悬挂系统进行建模设计相应的Kalman滤波器具体为：

101)根据列车悬挂系统在运行过程中的动力学特性建立悬挂系统横向、垂向动力学模型，构建横向、垂向悬挂系统空间状态方程；

所述系统空间状态方程为： $\begin{array}{c}\stackrel{\·}{x}=\mathrm{Ax}+B_{d}d\\ y=\mathrm{Cx}+D_{d}d\end{array}$

其中x为车辆运动状态变量，d为轨道激励，y为加速度传感器输出信号两次积分后得到的信号，即位移，A,B,C_d,D_d为空间状态方程相应的系数矩阵；

102)根据系统空间状态方程以及轨道激励信息，以状态估计的误差方差阵的最小为目标设计Kalman滤波器，并得到该滤波器预测误差方差阵P和滤波增益矩阵K,其中

P＝(A-KC)P(A-KC)′+(B-KD)(B-KD)′

K＝(APC′+BD′)(CPC′+DD′)^-1；

公式中A，B，C，D分别是空间状态方程中的A，B_d，C，D_d，P为状态估计的误差方差阵，K为反馈增益矩阵。

进一步，步骤5)根据所述滤波器输出残差运用GLRT算法判断列车悬挂系是否发生故障，具体为：当l_k超出一个阈值的时候，即判断系统发生了故障；

$l_k=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }{\mathrm{\λ}}_k\left({\mathrm{\τ}}^{*}\right)=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }\frac{x_k^2\left({\mathrm{\τ}}^{*}\right)}{S_k\left({\mathrm{\τ}}^{*}\right)}\≈\frac{x_k^2}{S_k}$

$x_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{\mathrm{\ρ}}_j$

R_j＝C_jPC′_j+D_jD′_j

$S_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{G}_j$

其中P为Kalman滤波器误差方差阵；ρ_j为Kalman滤波器输出残差；G_j为故障特征向量。

进一步，该系统包括：

传感器，用于获取列车在各个位置的加速度信息；

数据采集单元，负责连接传感器和数据预处理单元，将传感器发送的模拟信号转换为数据预处理单元可以识别的格式，以统一的通信协议传输信号给数据预处理单元，实现各传感器测量数据的采集和转换处理；

数据预处理单元，与所述信号采集单元相连，对信号采集单元的数据进行管理，且接收数据采集单元送来的数据及对数据进行预处理，包括高通滤波、二次积分处理工作，然后再将预处理结果通过以太网传给故障诊断单元；

故障诊断单元，对接收到的数据预处理结果进行分析，判断列车悬挂系统是否发生故障。

进一步，所述的传感器包括车体传感器和转向架传感器，分别用于获取车体XYZ三项加速度信号与转向架YZ二项加速度信号。

进一步，所述的车体传感器位于列车底板四角。

进一步，所述的转向架传感器位于列车的转向架侧梁上方两端。

进一步，所述车辆运行状态包括车体与转向架的沉浮运动状态、点头运动状态、侧滚运动状态。

本发明的优点在于：

本发明提出的列车悬挂系在途故障检测系统直接以列车悬挂系统作为检测对象，该检测技术对线路条件、列车运行工况等环境干扰具有鲁棒性，而对悬挂系自身故障却十分敏感，在悬挂系统发生较小故障的时候就可以实时地检测到故障的存在并报警。

附图说明

图1：本发明故障检测系统结构框架；

图2：传感器布设位置；

图3：数据采集单元信号调理电路流程；

图4：数据采集单元电路框图；

图5：数据预处理单元数据处理逻辑如；

图6：车辆垂向悬挂系统示意图；

图7：车辆横向悬挂系统示意图

图8为卡尔曼滤波器滤波估计流程图；

图9为卡尔曼滤波增益和误差方差阵计算流程图；

图10：Kalman滤波器滤波产生残差；

图11：空璜故障检测算法验证图示。

具体实施方式

如图1所示为本发明故障检测系统结构框架图，所述故障检测系统包括：传感器，用于获取列车在各个位置的加速度信息；数据采集单元，负责连接传感器和数据预处理单元，将传感器发送的模拟信号转换为数据预处理单元可以识别的格式，以统一的通信协议发送到数据预处理单元，实现各传感器测量数据的采集和转换理；数据预处理单元，逻辑上负责各数据采集单元的数据管理及车辆网络管理，且接收数据采集单元送来的数据，对数据进行坐标变换、高通滤波、二次积分运算等工作，然后再将预处理结果通过以太网传给故障诊断单元；所述数据采集单元与预处理单元在每个车厢上都有安装，而故障诊断主机一辆列车配备一台，即故障诊断单元，通过以太网搜集各个车厢上采集的信息，对接收到的数据预处理结果进行判断，判断列车悬挂系统是否发生故障。

下面对系统各单元分别进行详细说明。

如图2所示，所述传感器类型有两种，为车体传感器与转向架传感器，分别用于获取车体XYZ三项加速度信号与转向架YZ二项加速度信号。车体传感器布设在车底板的四个角，与车底板边缘距离均为400mm。该布设方案不仅能有效获得车体各个位置各方向加速度信息，且能够用于转换摇头、点头、侧滚等角加速度，全面获取车体各运动状态数据，为故障检测、分离提供充分数据。转向架传感器布设在转向架构架上方四角位置，获取转向架横向以及垂向加速度信号。这样的布设方案同样能够最大限度的获取转向架的运动状态数据。

数据采集单元负责连接传感器和数据预处理单元，将传感器发送的模拟信号转换为数据预处理单元可以识别的格式，以统一的通信协议向上发送，实现各传感器测量数据的采集和转换理。数据采集单元具体将完成以下工作：电流信号到电压信号的转换，抗混叠滤波、电压转换，模拟信号的A/D转换等工作，并通过以太网将采集数据传给数据预处理单元。

数据采集单元电路流程及框图如图3和4所示，数据采集单元具体规格如下：

√采用16位AD转换电路，每个通道能达到200KSPS采样速率，采用二阶抗混叠低通滤波器，提供数字滤波器实现过采样功能

√采用10M/100M/1000M以太网口传输数据，支持IEE1588网络同步协议

√CPU采用Freescale MPC系列高性能处理器，主频400M，内存不小于128MB，板载64M flash

√Altera Cyclone EPC4系列FPGA作为协处理器，可用于采集数据预处理运算

√24VDC供电，单板功耗≤15W

√全部采用高可靠性工业级宽温器件

所述信号预处理单元，物理上负责连接信号采集单元与网络节点，逻辑上负责各信号采集单元的数据管理及车辆网络管理。信号预处理单元接收汇聚信号采集单元送来的数据，对数据进行坐标变换、高通滤波、二次积分运算等工作，然后再将预处理结果通过以太网传给诊断服务主机。

数据处理板的主要功能是对数据进行数字化滤波，积分运算、特征提取等工作，以及完成来自不同传感器接入的异构数据的整合功能。

数据预处理单元数据处理逻辑如图5所示：

●数据处理板规格

√CPU采用Freescale MPC系列高性能处理器，主频400M

√内存不小于128MB

√板载64M flash

√采用10M/100M/1000M以太网口传输数据

√5VDC供电，单板功耗≤15W

√全部采用高可靠性工业级宽温器件

故障诊断单元，由车载高性能工业计算机构成，对接收到的数据预处理结果进行判断，判断列车悬挂系统是否发生故障。具体诊断方法如下。

1.对列车悬挂系统进行建模并设计相应的Kalman滤波器。

如图6,7所示，对车辆垂向、横向悬挂系统建模，根据车辆运动的动力学方程分别建立车体悬挂系统垂向、横向微分方程模型，进而导出车辆悬挂系统的空间状态方程，其形式为： $\begin{array}{c}\stackrel{\·}{x}=\mathrm{Ax}+B_{d}d\\ y=\mathrm{Cx}+D_{d}d\end{array}$

其中x为状态变量，d为轨道激励，y为加速度传感器输出后两次积分量，即位移,A,B,C_d,D_d为空间状态方程相应的系数矩阵。

如图8为卡尔曼滤波器滤波估计流程图，图9为卡尔曼滤波增益和误差方差阵计算流程图。卡尔曼滤波器进行波形估计的原则为实现状态估计的误差方差阵的最小化，得到滤波器预测误差方差阵P为：

P＝(A-KC)P(A-KC)′+(B-KD)(B-KD)′

滤波增益矩阵K的计算公式为：

K＝(APC′+BD′)(CPC′+DD′)^-1

公式中A，B，C，D分别是空间状态方程中的A，B_d，C，D_d，P为状态估计的误差方差阵，K为反馈增益矩阵。

2.利用加速度传感器获取列车运行时各个位置的加速度信号。

3.对加速度信号进行抗混叠滤波、高通滤波、二次积分预处理，获得系统输出。

4.利用Kalman滤波器对所述的系统输出进行处理，获得残差输出，如图10中虚线框内部分。

5.根据残差序列运用GLRT方法判断列车是否发生故障。

此处是基于GLRT的故障检测，GLRT方法即广义概率比率检验方法(Generalized Likelihood Ratio Test)，其基本原理为在每一个时间窗内，利用卡尔曼滤波器输出的残差计算当前系统故障、无故障的条件概率比值，并以该比值作为系统是否发生故障的指标，当下面公式中l_k超出一个预先设定的阈值时，即判断系统发生了故障。

广义概率比率公式为：

$l_k=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }{\mathrm{\λ}}_k\left({\mathrm{\τ}}^{*}\right)=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }\frac{x_k^2\left({\mathrm{\τ}}^{*}\right)}{S_k\left({\mathrm{\τ}}^{*}\right)}\≈\frac{x_k^2}{S_k}$

其中：

$x_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{\mathrm{\ρ}}_j$

R_j＝C_jPC′_j+D_jD′_j

$S_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{G}_j$

上述公式中符号含义：P为Kalman滤波器误差方差阵；ρ_j为Kalman滤波器输出残差；G_j为故障特征向量。

我们利用SIMPACK动力学仿真专用软件对上述故障检测方法进行验证，车辆二系空璜正常刚度值为0.26513MN/m，现在系统运行至40s时发生故障，漏气导致空璜刚度值变为正常值的一半，即0.13256MN/m。如图11可以看到我们的检测算法迅速地检测到了这一故障的发生。当然，发生故障的悬挂系部件也可以是一系二系的其他弹簧与阻尼。经大量的仿真试验验证了该故障检测算法的可靠性。本发明这种悬挂系在线故障检测技术可以以较高的鲁棒性进行悬挂系的故障检测，有效降低故障误报漏报率。本发明列车悬挂系在途故障检测系统是针对列车悬挂系统进行状态监控、故障检测的全新的方法，与已有的列车故障检测系统或者列车状态监控系统有本质的不同。

应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.基于GLRT列车悬挂系在途故障检测方法，其特征在于，该方法包括：

1)对列车车辆悬挂系统进行建模并设计相应的Kalman滤波器；

2)利用加速度传感器获取列车运行时各个位置的加速度信号；

3)对加速度信号进行抗混叠滤波、高通滤波、二次积分预处理，获得系统输出；

4)利用Kalman滤波器对所述的系统输出进行处理，获得残差输出；

5)根据残差序列运用GLRT方法判断列车是否发生故障；

所述步骤1)对列车车辆悬挂系统进行建模设计相应的Kalman滤波器具体为：

101)根据列车悬挂系统在运行过程中的动力学特性建立悬挂系统横向、垂向动力学模型，构建横向、垂向悬挂系统空间状态方程；

所述系统空间状态方程为： $\begin{array}{c}\stackrel{\·}{x}=\mathrm{Ax}+B_{d}d\\ y=\mathrm{Cx}+D_{d}d\end{array}$

其中x为车辆运动状态变量，d为轨道激励，y为加速度传感器输出信号两次积分后得到的信号，即位移，A，B_d，C，D_d为空间状态方程相应的系数矩阵；

102)根据系统空间状态方程以及轨道激励信息，以状态估计的误差方差阵的最小为目标设计Kalman滤波器，并得到该滤波器预测误差方差阵P和滤波增益矩阵K,其中

P＝(A-KC)P(A-KC)′+(B-KD)(B-KD)′

K＝(APC′+BD′)(CPC′+DD′)^-1；

公式中A，B，C，D分别是空间状态方程中的A，B_d，C，D_d，P为状态估计的误差方差阵，K为反馈增益矩阵；

所述步骤5)根据所述滤波器输出残差运用GLRT算法判断列车悬挂系是否发生故障，具体为：当l_k超出一个阈值的时候，即判断系统发生了故障；

$l_k=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }{\mathrm{\λ}}_k\left({\mathrm{\τ}}^{*}\right)=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }\frac{x_k^2\left({\mathrm{\τ}}^{*}\right)}{S_k\left({\mathrm{\τ}}^{*}\right)}\≈\frac{x_k^2}{S_k}$

$x_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{\mathrm{\ρ}}_j$

R_j＝C_jPC′_j+D_jD′_j

$S_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{G}_j$

其中P为Kalman滤波器误差方差阵；ρ_j为Kalman滤波器输出残差；G_j为故障特征向量。

2.基于GLRT的列车悬挂系在途故障检测系统，其特征在于，该系统包括：

传感器，用于获取列车在各个位置的加速度信息；

数据采集单元，负责连接传感器和数据预处理单元，将传感器发送的模拟信号转换为数据预处理单元可以识别的格式，以统一的通信协议传输信号给数据预处理单元，实现各传感器测量数据的采集和转换处理；

数据预处理单元，与所述信号采集单元相连，对信号采集单元的数据进行管理，且接收数据采集单元送来的数据及对数据进行预处理，包括高通滤波、二次积分处理工作，然后再将预处理结果通过以太网传给故障诊断单元；

故障诊断单元，包括：

根据列车悬挂系统在运行过程中的动力学特性建立悬挂系统横向、垂向动力学模型，构建横向、垂向悬挂系统空间状态方程；

所述系统空间状态方程为： $\begin{array}{c}\stackrel{\·}{x}=\mathrm{Ax}+B_{d}d\\ y=\mathrm{Cx}+D_{d}d\end{array}$

其中x为车辆运动状态变量，d为轨道激励，y为加速度传感器输出信号两次积分后得到的信号，即位移，A，B_d，C，D_d，为空间状态方程相应的系数矩阵；

根据系统空间状态方程以及轨道激励信息，以状态估计的误差方差阵的最小为目标设计Kalman滤波器，并得到该滤波器预测误差方差阵P和滤波增益矩阵K,其中

P＝(A-KC)P(A-KC)′+(B-KD)(B-KD)′

K＝(APC′+BD′)(CPC′+DD′)^-1；

公式中A，B，C，D分别是空间状态方程中的A，B_d，C，D_d，P为状态估计的误差方差阵，K为反馈增益矩阵；

利用Kalman滤波器对预处理的数据进行处理，获得残差,并运用GLRT算法判断列车悬挂系是否发生故障，具体为：当l_k超出一个阈值的时候，即判断系统发生了故障；

$l_k=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }{\mathrm{\λ}}_k\left({\mathrm{\τ}}^{*}\right)=\underset{{\mathrm{\τ}}^{*}\∈[k-L,k]}{\max }\frac{x_k^2\left({\mathrm{\τ}}^{*}\right)}{S_k\left({\mathrm{\τ}}^{-*}\right)}\≈\frac{x_k^2}{S_k}$

$x_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{\mathrm{\ρ}}_j$

R_j＝C_jPC′_j+D_jD′_j

$S_k\left({\mathrm{\τ}}^{*}\right)=\underset{j={\mathrm{\τ}}^{*}}{\overset{k}{\mathrm{\Σ}}}{G}_j^{\′}\left({\mathrm{\τ}}^{*}\right)R_j^{-1}{G}_j$

其中P为Kalman滤波器误差方差阵；ρ_j为Kalman滤波器输出残差；G_j为故障特征向量。

3.根据权利要求2所述的基于GLRT的列车悬挂系在途故障检测系统，其特征在于，所述的传感器包括车体传感器和转向架传感器，分别用于获取车体XYZ三项加速度信号与转向架YZ二项加速度信号。

4.根据权利要求3所述的基于GLRT的列车悬挂系在途故障检测系统，其特征在于，所述的车体传感器位于列车底板四角。

5.根据权利要求3所述的基于GLRT的列车悬挂系在途故障检测系统，其特征在于，所述的转向架传感器位于列车的转向架侧梁上方两端。

6.根据权利要求2所述的基于GLRT的列车悬挂系在途故障检测系统，其特征在于，车辆运行状态包括车体与转向架的沉浮运动状态、点头运动状态、侧滚运动状态。