CN102998130A - 基于加速度测量的数据驱动的列车悬挂系统故障检测方法 - Google Patents

Abstract

本发明涉及基于加速度测量的数据驱动的列车悬挂系统故障检测方法，该方法包括如下步骤：1)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，2)对所述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，系统输出即各传感器所在位置的位移信号；3)运用DPCA算法建立系统的统计模型；实时获取步骤2中的系统输出,依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标；5)判断监测信号是否超出设定阈值，当两个监测指标任何一个超过阈值，则给出故障报警。这种检测方法易于推广应用；对故障敏感性强，能够检测到列车悬挂系统的微弱故障；且故障检测响应时间短，能在故障发生后迅速检测到故障的存在。

Description

基于加速度测量的数据驱动的列车悬挂系统故障检测方法

技术领域

本发明涉及基于加速度测量的数据驱动的列车悬挂系统故障检测方法。

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。

首先，当前国内外较为成熟的列车在途故障检测系统大多针对列车动力系、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。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。

其次，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，并以诸如震动加速度指标或者震动频域指标等值作为说明，没有明确悬挂系统是否发生了故障。

发明内容

针对以上现有技术的不足，本发明提供一种基于加速度测量的数据驱动的列车悬挂系统故障检测方法。直接以列车悬挂系统作为检测对象，通过检测指标的实时监测判断列车悬挂系统是否发生故障。

本发明的目的通过以下技术方案来实现：

基于加速度测量的数据驱动的列车悬挂系统故障检测方法，该方法包括如下步骤：1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,具体包括车体四个角的垂向、横向加速度信号，以及前后转向架共计八个轴箱位置的垂向、横向加速度信号；2对所述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，系统输出即各传感器所在位置的位移信号；3)运用DPCA算法建立系统的统计模型；4)实时获取步骤2中的系统输出,依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标；5)判断监测信号是否超出设定阈值，当两个监测指标任何一个超过阈值，则给出故障报警。

所述运用DPCA算法建立系统的统计模型主要步骤包括：

301)进行数据的获取与前处理，即在车辆悬挂系统状态良好的状态下，利用车载传感器网络、数据采集单元以及信号预处理单元获取充分的系统输出历史数据，构成如下数据矩阵：

其中y_t表示在t时刻系统输出向量，对Y(l)进行标准化处理，化为均值为0，方差为1的数据矩阵：

${\tilde{y}}_t=\frac{y_t-y_{\mathrm{mean}}}{y_{\mathrm{std}}},$

其中y_mean为悬挂系统状态良好情况下系统输出均值向量，y_std为悬挂系统状态良好情况下系统输出标准差向量；

302）协方差矩阵的分解，协方差矩阵为：

${\mathrm{\Σ}}_0\≈\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}$

采用SVD奇异分解或者EVD特征分解，协方差矩阵∑₀被分解为如下形式：

$\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}={\mathrm{P\ΛP}}^T,$ $\mathrm{\Λ}=\left[\begin{array}{cc}{\mathrm{\Λ}}_{\mathrm{pc}}& 0\\ 0& {\mathrm{\Λ}}_{\mathrm{res}}\end{array}\right]$

用

i＝1,2,…,m表示协方差矩阵的第i个奇异值，有

${\mathrm{\Λ}}_{\mathrm{pc}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_1^2& ...& {\mathrm{\σ}}_l^2\end{array}\right),$ ${\mathrm{\Λ}}_{\mathrm{res}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_{l+1}^2& ...& {\mathrm{\σ}}_m^2\end{array}\right)$

PP^T=I_m×m

$\left[\begin{array}{c}{P}_{\mathrm{pc}}^T\\ P_{\mathrm{res}}^T\end{array}\right]\left[\begin{array}{cc}{P}_{\mathrm{pc}}& P_{\mathrm{res}}\end{array}\right]=\left[\begin{array}{cc}{I}_{l\×l}& 0\\ 0& I_{(m-l)\×(m-l)}\end{array}\right]$

至此，基于DPCA方法的统计模型建立完成。

所述实时获取步骤2中的系统输出,依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标，计算方法为：

401)每次在线获得l个系统输出数据 $y\left(l\right)=(y_k^T,y_{k-1}^T,...,y_{k-l}^T)\∈R^{1\×(m\×l+m)};$

402)将其标准化，得到数据

403)计算T²指标与SPE指标：

$T^2={\tilde{y}}^T{P}_{\mathrm{pc}}\mathrm{\Λ}{P}_{\mathrm{pc}}^T\tilde{y}$

$\mathrm{SPE}={\tilde{y}}^T{P}_{\mathrm{res}}{P}_{\mathrm{res}}^T\tilde{y}.$

检测指标T²与SPE的报警阈值分别为J_th,SPE与

由历史数据计算获得，故障报警逻辑为：

本发明的优点在于：

1)不需要建立对象的物理模型，且易于推广应用；

2)对故障敏感性强，能够检测到列车悬挂系统的微弱故障；

3）故障检测响应时间短，能在故障发生后迅速检测到故障的存在。

附图说明

图1：车载悬挂系故障检测系统结构框架；

图2：传感器布设位置；

图3：信号调理电路流程；

图4：数据预处理单元数据处理逻辑；

图5：基于DPCA的悬挂系统故障检测方法流程；

图6：动态报警阈值确定流程；

图7：基于检测结果融合的报警确认。

具体实施方式

如图1所示为本发明故障诊断系统结构框架图，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，上负责各信号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并对故障进行分离。

1.传感器规格以及布设方案：

传感器类型有两种，分别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。规格如下表所示：

表一：传感器规格

如图2所示为传感器布设位置图，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。转向架传感器布设在四个轴箱的正上方。

2.数据采集单元主要功能：

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。

信号采集单元实体即信号调理板，主要是为传感器传输来的模拟信号进行隔离处理、模数转换和数字滤波，为给复合节点提供数据，其电路流程如图3所示。

●信号调理板规格

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

3.信号预处理单元功能：

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、滤波、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。

信号预处理单元实体即数据处理板，主要功能是对数据进行坐标变换，数字化滤波，积分运算等工作，以及完成来自不同传感器接入的异构数据的整合功能。数据处理板逻辑图如图4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

4.车载悬挂系统故障诊断主机：

车载悬挂系统故障诊断主机由车载高性能工业计算机以及内置单车故障检测算法构成，完成列车悬挂系统的在途故障检测。具体内容详见诊断算法部分。

基于动态主元分析(DPCA)的故障检测算法：

基于主元分析（PCA）的故障检测方法的原理是将多变量样本空间分解成由主元变量张成的较低维的投影子空间和一个相应的残差子空间，并分别在这两个空间中构造能够反映空间变化的统计量，然后将观测向量分别向两个子空间进行投影，并计算相应的统计量指标用于过程监控。动态主元分析（DPCA）是对PCA方法的一种推广，更加适合于动态多变量过程的监控。

基于DPCA的列车悬挂系统故障检测方法基本流程如图5所示，包括以下几个步骤：

5)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,具体包括车体四个角的垂向、横向加速度信号，以及前后转向架共计八个轴箱位置的垂向、横向加速度信号，如图2传感器布设位置所示。

6)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。系统输出即各传感器所在位置的位移信号。

7)运用DPCA算法建立系统的统计模型，其主要流程包括：

●数据的获取与前处理。即在车辆悬挂系统状态良好的状态下，利用车载传感器网络、数据采集单元以及信号预处理单元获取充分的系统输出历史数据。构成如下数据矩阵：

其中y_t表示在t时刻系统输出向量。对Y(l)进行标准化处理，化为均值为0，方差为1的数据矩阵：

${\tilde{y}}_t=\frac{y_t-y_{\mathrm{mean}}}{y_{\mathrm{std}}},$

其中y_mean为悬挂系统状态良好情况下系统输出均值向量，y_std为悬挂系统状态良好情况下系统输出标准差向量。

●协方差矩阵的分解。协方差矩阵为：

${\mathrm{\Σ}}_0\≈\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}$

采用SVD（奇异分解）或者EVD（特征分解），协方差矩阵∑₀被分解为如下形式：

$\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}={\mathrm{P\ΛP}}^T,$ $\mathrm{\Λ}=\left[\begin{array}{cc}{\mathrm{\Λ}}_{\mathrm{pc}}& 0\\ 0& {\mathrm{\Λ}}_{\mathrm{res}}\end{array}\right]$

用

i＝1,2,…,m表示协方差矩阵的第i个奇异值，有

${\mathrm{\Λ}}_{\mathrm{pc}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_1^2& ...& {\mathrm{\σ}}_l^2\end{array}\right),$ ${\mathrm{\Λ}}_{\mathrm{res}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_{l+1}^2& ...& {\mathrm{\σ}}_m^2\end{array}\right)$

PP^T＝I_m×m

$\left[\begin{array}{c}{P}_{\mathrm{pc}}^T\\ P_{\mathrm{res}}^T\end{array}\right]\left[\begin{array}{cc}{P}_{\mathrm{pc}}& P_{\mathrm{res}}\end{array}\right]=\left[\begin{array}{cc}{I}_{l\×l}& 0\\ 0& I_{(m-l)\×(m-l)}\end{array}\right]$

至此，基于DPCA方法的统计模型建立完成。

8)实时获取步骤2中的系统输出，依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标，计算方法为：

●每次在线获得l个系统输出数据 $y\left(l\right)=(y_k^T,y_{k-1}^T,...,y_{k-l}^T)\∈R^{1\×(m\×l+m)};$

●将其标准化，得到数据

●计算T²指标与SPE指标：

$T^2={\tilde{y}}^T{P}_{\mathrm{pc}}\mathrm{\Λ}{P}_{\mathrm{pc}}^T\tilde{y}$

$\mathrm{SPE}={\tilde{y}}^T{P}_{\mathrm{res}}{P}_{\mathrm{res}}^T\tilde{y}$

9)判断监测信号是否超出设定阈值，只要两个监测指标之一超过阈值，则给出故障报警。检测指标T²与SPE的报警阂值分别为J_th，SPE与一般可由历史数据计算获得。于是故障报警逻辑为：

故障诊断专家系统

一、动态报警阈值设计

由于列车实际运行环境相当复杂，受到包括线路的线路条件、车辆负载、行驶车速、运行工况等等因素的影响，简单的设置报警阈值可能会导致故障检测结果存在误报、漏报等情况。为了提高故障检测系统的鲁棒性，设计动态报警阈值设计方法，报警阈值通过查表确定，以适应当前列车实际运行状况。流程如图6所示。

二、基于各车厢故障检测结果横向对比融合的报警确认

列车运行复杂环境存在较多的不可预计的因素，例如线路异物入侵、道岔状况不良、对向列车通过等。这些环境干扰因素都可能引起悬挂系故障检测系统的误报警。为了尽可能地降低故障的误报率，设计基于各车厢故障检测结果横向对比融合的报警确认方法，报警确认逻辑为：一段时间内相邻车厢依次发出故障报警，并在短时间内恢复正常，则认为这样的报警是由于较强的外界干扰所引起的，予以忽略；单个车厢发出故障报警，并持续较长时间，则认为这样的报警确实由悬挂系故障引起，如图7所示。

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 (4)

1.基于加速度测量的数据驱动的列车悬挂系统故障检测方法，其特征在于，该方法包括如下步骤：

1)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,具体包括车体四个角的垂向、横向加速度信号，以及前后转向架共计八个轴箱位置的垂向、横向加速度信号；

2)对所述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，系统输出即各传感器所在位置的位移信号；

3)运用DPCA算法建立系统的统计模型；

4)实时获取步骤2中的系统输出,依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标；

5)判断监测信号是否超出设定阈值，当两个监测指标任何一个超过阈值，则给出故障报警。

2.根据权利要求1所述的基于加速度测量的数据驱动的列车悬挂系统故障检测方法，其特征在于，所述运用DPCA算法建立系统的统计模型主要步骤包括：

301)进行数据的获取与前处理，即在车辆悬挂系统状态良好的状态下，利用车载传感器网络、数据采集单元以及信号预处理单元获取充分的系统输出历史数据，构成如下数据矩阵：

其中y_t表示在t时刻系统输出向量，对Y(l)进行标准化处理，化为均值为0，方差为1的数据矩阵：

${\tilde{y}}_t=\frac{y_t-y_{\mathrm{mean}}}{y_{\mathrm{std}}},$

其中y_mean为悬挂系统状态良好情况下系统输出均值向量，y_std为悬挂系统状态良好情况下系统输出标准差向量；

302）协方差矩阵的分解，协方差矩阵为：

${\mathrm{\Σ}}_0\≈\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}$

采用SVD奇异分解或者EVD特征分解，协方差矩阵∑₀被分解为如下形式：

$\frac{1}{n-l+1}{\tilde{Y}}^T\tilde{Y}={\mathrm{P\ΛP}}^T,$ $\mathrm{\Λ}=\left[\begin{array}{cc}{\mathrm{\Λ}}_{\mathrm{pc}}& 0\\ 0& {\mathrm{\Λ}}_{\mathrm{res}}\end{array}\right]$

用

i＝1,2,…,m表示协方差矩阵的第i个奇异值，有

${\mathrm{\Λ}}_{\mathrm{pc}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_1^2& ...& {\mathrm{\σ}}_l^2\end{array}\right),$ ${\mathrm{\Λ}}_{\mathrm{res}}=\mathrm{diag}\left(\begin{array}{ccc}{\mathrm{\σ}}_{l+1}^2& ...& {\mathrm{\σ}}_m^2\end{array}\right)$

PP^T=I_m×m

$\left[\begin{array}{c}{P}_{\mathrm{pc}}^T\\ P_{\mathrm{res}}^T\end{array}\right]\left[\begin{array}{cc}{P}_{\mathrm{pc}}& P_{\mathrm{res}}\end{array}\right]=\left[\begin{array}{cc}{I}_{l\×l}& 0\\ 0& I_{(m-l)\×(m-l)}\end{array}\right]$

至此，基于DPCA方法的统计模型建立完成。

3.根据权利要求1所述的基于加速度测量的数据驱动的列车悬挂系统故障检测方法，其特征在于，所述实时获取步骤2中的系统输出,依据步骤3中建立的统计模型来实时计算监测信号的T²指标与SPE指标，计算方法为：

401)每次在线获得l个系统输出数据 $y\left(l\right)=(y_k^T,y_{k-1}^T,...,y_{k-l}^T)\∈R^{1\×(m\×l+m)};$

402)将其标准化，得到数据

403)计算T²指标与SPE指标：

$T^2={\tilde{y}}^T{P}_{\mathrm{pc}}\mathrm{\Λ}{P}_{\mathrm{pc}}^T\tilde{y}$

$\mathrm{SPE}={\tilde{y}}^T{P}_{\mathrm{res}}{P}_{\mathrm{res}}^T\tilde{y}.$

4.根据权利要求1所述的基于加速度测量的数据驱动的列车悬挂系统故障检测方法，其特征在于，检测指标T²与SPE的报警阈值分别为J_th,SPE与

由历史数据计算获得，故障报警逻辑为：

Images