CN103697330A - 一种列车超长管路泄露监测方法 - Google Patents

Abstract

本发明公开了一种列车超长管路泄露监测方法，对列车空气管路信号中存在的各种干扰和噪声进行滤波处理；对滤波后的列车管路压力进行小波分解，根据小波分解的系数重构滤波后的列车管路压力，得到去除干扰信号后的列车管路压力的高频部分；将高频部分中相邻的高频部分数据相乘，得到新的高频数据；搜索新的高频数据的模极值点，从而确定各时刻空气压力信号的奇异点出现的位置，并记录该位置，定位列车管路泄露点。本发明对整个列车管路状态进行监测，对管路状态信号进行实时捕捉，监测精度高，准确判断泄漏发生的时刻点，同时能高效准确地定位泄露点，为列车安全运行提供了保障。

Description

一种列车超长管路泄露监测方法

技术领域

本发明涉及重载组合列车中的空气管路泄露监测方法。

背景技术

依据目前的检修工艺，当重载组合列车出现故障后，司机室的制动屏上仅显示少量的故障提示信息，乘务员很难描述故障现象，信息办工作人员也难以给出科学合理的指导意见，只有等现场救援人员或回段检修人员下载CCU/TCU日志和IPM的PTU日志后才能进行诊断分析，获取故障原因、确定故障位置，并进行针对性的更换配件或维护，这可能错过最佳维修时间，增加了检修成本，严重的会造成机破事故。

由于传统泄漏检测采用人工逐节排查耗时、复杂，且当列车在线运行、不在段内不能进行泄漏检测等问题，如何高效准确的对泄漏进行定位诊断，实时检测管路状态信号并判断泄漏发生时刻点、对泄漏点进行精确定位成为管路泄漏监测诊断系统需要解决的关键问题。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种列车超长管路泄露监测方法，提高监测效率，实时检测管路状态信号并判断泄漏发生的时刻点，对泄漏点进行精确定位。

为解决上述技术问题，本发明所采用的技术方案是：一种列车超长管路泄露监测方法，该方法为：

1）采用英国德鲁克公司的PTX 1400型压力传感器（灵敏度高，温漂系数小）和德国CS VA 300流量传感器实时采集列车管路空气压力、流量的信号向量d(k)，将各采样点空气压力、流量的信号向量构成的矩阵D(k)=(d(k),d(k-1),…,d(k-N+1))^T作为自适应滤波器的输入，求得去除干扰信号后的列车管路压力、流量的信号向量y(k)：y(k)=W^T(k)D(k)；其中，W(k)=(w₁(k),w₂(k),…,w_N(k))^T表示自适应滤波器的权系数矢量；N为自适应滤波器的权系数矢量的行数；

2）对去除干扰信号后的列车管路压力、流量的信号向量y(k)进行离散小波分解，根据小波分解的系数重构y(k)，得到去除干扰信号后的列车管路压力、流量的信号向量y(k)的高频部分d₁,d₂,...,d_j；其中，j为小波分解尺度；

3）将高频部分d₁,d₂,...,d_j中相邻的高频部分数据相乘，得到新的高频数据；

4）搜索上述新的高频数据的模极值点，从而确定D(k)的奇异点出现的位置（模极值点就是空气压力信号经过平滑后的函数在该点的一阶导数的极值，这就恰好对应了信号的突变点（奇异点），信号出现突变的点即为泄露点），并记录该位置，定位列车管路泄露点。

所述步骤1）中，自适应滤波器的权系数矢量的计算方法为：

1）初始化W(k)=0；

2）计算k+1时刻权系数矢量W(k+1)：W(k+1)=W(k)-2μe(k)D(k)；其中，μ为收敛因子，

是D(k)的自相关矩R的最大特征值；e(k)为k时刻列车管路空气压力和流量的信号向量构成的矩阵的误差序列，e(k)=D(k)-D^T(k)W(k)。

所述收敛因子

N的取值范围为10～50。

与现有技术相比，本发明所具有的有益效果为：本发明针对列车管路状态检测中干扰较大、小泄漏难以确定的难点，通过滤除各种干扰和噪声，克服噪声信号对列车管路真实信号的影响，为重载组合列车管路泄漏诊断精度的提高提供了有力保障；本发明对整个列车管路状态进行监测，对管路状态信号进行实时捕捉，监测精度高，准确判断泄漏发生的时刻点，同时能高效准确地定位泄露点，为列车安全运行提供了保障。

附图说明

图1管路状态信号滤波框图；

图2离散信号的小波变换与反变换结构框图；图2（a）表示信号分解；图2（b）表示重建滤波器组；

图3重载组合列车多传感器节点分布图；

图4为本发明流量分流检测原理图。

具体实施方式

针对机车多管路泄漏，通过机车固有网络系统（LON网络）对安装在机车上的总风压力传感器、均衡风缸压力传感器、列车管压力传感器、制动缸压力传感器、流量传感器（德国CS VA 300）的数据进行采集、转存、融合处理、诊断，最后通过打印报表形式进行故障诊断信息的提示。

介于对重载组合列车列车管路泄漏诊断的要求，需将整个列车分成N段，进而进行精确实时定位。为此，在整个列车装有N个监测子部件，为简化系统节约成本，采用重叠分解技术将整个列车管路检测系统分成链状重叠部分。重载组合列车每个子部件作为前一段的末站，同时又作为后段的首站。监测管路的流量、温度、压力、声波信号，而流量、温度作为子系统间的共享信息。

重载组合列车是由多台机车进行牵引及制动的，机车则分别位于重载列车的前部、中部以及后部，两节机车之间连挂着多台车辆。通过车钩实现车辆和车辆之间，车辆和机车之间的硬连接。通过列车软管连接每节车的列车管从而实现气路连接，整个组合列车通过列车管贯通，同时控制着各个机车和车辆的制动。分布在列车不同位置上的传感器数据利用机车无线网络进行传输，同时接收监测系统设备发出的控制信号，从而实现重载组合列车气路泄漏的监测。监测诊断中心通过发射电台实时发出监测命令，同时对车辆级检测部件中个各个子部件进行GPS时间校准，以同步列车管路状态数据的采集时间。当车辆级检测部件中的车辆传感器接收到监测命令后，对各个子管路的状态数据进行实时采集，当列车管路状态发生突变时将该突变时刻做标记，同时将采集到的机车及列车管路流量、压力、温度等数据以及采集时间反馈给重载组合列车管路泄漏诊断中心。

监测诊断中心根据这些反馈回来的传感器数据、采集时间，特别是管路状态突变时刻附近数据进行泄漏诊断分析。首先对管路是否存在泄漏进行判断，当存在泄漏时，将采集时间以及管路状态数据进行计算处理，得到车辆管路泄漏诊断定位点。机车检测部件通过LON网络对重载组合列车的运行状况进行实时监测，并对机车部件中的管路状态进行采集，再由监测诊断中心做出诊断。最后监测诊断中心将诊断结果、泄漏处理意见、列车当前运行状况发送到机车管路泄漏诊断记录显示装置，能够指导乘务员和检修人员对列车管泄漏故障进行科学合理的维护和故障检修。

参见图1，在列车管路泄漏监测诊断过程中，通过引入自适应滤波器，就能够依据递推算法进而逐步修正滤波过程，即：根据管路监测子部件采样得到的空气压力、流量信号对滤波参数进行实时修正，从而使自适应滤波器能够有效地跟踪信号的变化，使之在平稳情况下收敛于最佳估计值或者在非平稳情况下跟踪其时变特性。

重载组合列车空气管路状态信号的自适应滤波处理过程，列车管路空气实时测得压力、流量信号向量为d(k)，自适应滤波器的输出值为去除干扰信号后的列车管路压力、流量信号向量y(k)，其均方误差为：

E[e²(k)]=E[(D(k)-y(k))²]    （1）

通过最小均方（LMS）自适应算法来求取自适应滤波器的最佳权估计，从而改善信号检测。

将自适应滤波器输入信号矢量记为：D(k)=(d(k),d(k-1),…,d(k-N+1))^T，N为权系数个数，与自适应滤波器的失调系数有关，一般取为10～50。自适应滤波器的权系数矢量：W(k)=(w₁(k),w₂(k),…,w_N(k))^T，由公式（3）计算得到。记输入信号D(k)的自相关矩为：R=E[D(k)D^T(k)]，测得的管路压力、流量信号向量分两路输入到自适应滤波器，一路作为原始输入信号D(k)，一路经过延时后作为参考输入信号x(k)，D(k)与x(k)的互相关矢量为：P=E[x(k)D(k)]，则信号误差序列e(k)为：

e(k)=d(k)-y(k)=D(k)-W^T(k)D(k)=D(k)-D^T(k)W(k)    （2）

自适应滤波器输出的均方误差ξ(k)=E[e²(k)]，将ξ(k)对W(k)进行求导得到均方误差函数梯度▽(k)，并令该梯度为0，便能实现通过调整权系数矢量使得均方误差为最小。

ξ(k)_min=E[e²(k)]_min=E[D²(k)]-P^TW₀

其中，W₀就是最佳权系数矢量，且W₀=R^-1P。

但是通过W₀=R^-1P求解W₀，必须首先知道P和R的先验统计知识，并且需进行逆矩阵的求解。为计算简便，采用Widrow-Hoff的LMS算法，“下一时刻”的权系数矢量W(k+1)等于“现时刻”权系数矢量W(k)加上一项比例为负的均方误差函数的梯度▽(k)，且可将迭代计算权矢量表示为：

W(k+1)=W(k)-μ▽(k)    （3）

其中μ是控制收敛速度的常数，称为收敛因子。

是输入信号D(k)的自相关矩R的最大特征值，μ取值越大，收敛速度越快，但是误调节度也随之增大，因此μ一般取

以保证较快的收敛速度和较低的误调节度。

通常▽(k)近似取为：

▽(k)=▽[e²(k)]=-2e(k)D(k)    （4）

通过Widrow-Hoff近似算法公式（3）变为：

W(k+1)=W(k)-2μe(k)D(k)    （5）

初始化条件为：W(0)=0，R(0)=I；

k时刻滤波器的输出为：

$y\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\left(k\right)d(k-i+1)=W^T\left(k\right)D\left(k\right)---\left(6\right)$

参见图2，依据离散信号小波变换的多尺度分析，可以将信号分解为低频分解部分和高频分解部分。可知离散信号的小波变换与反变换结构。

图2（a）表示信号分解，H₀(z)为低通滤波器，H₁(z)为高通滤波器，分别为信号提供低频分量和高频分量，即原始信号的近似分量CA和细节分量CD。因为在信号经过滤波器组后原始信号的频率将提高一倍，所以在经过H₀(z)和H₁(z)后需要对CA和CD进行模2抽取（两倍抽取），使得信号在分解后数据量保持不变。

图2（b）表示重建滤波器组，即信号重建。G₀(z)为低通滤波器，G₁(z)为高通滤波器。在信号重建过程中进行模2内插(2倍补零内插)以便将CA和CD完整合成为原始信号。

综上分析可知，小波变换可以用两通道滤波器组得到，而且对于离散采样点，小波变换可以直接用这样的滤波器组来计算，而不必先计算基本小波ψ(t)。首先通过双正交性质可以求出低通滤波器h₀(n)和g₀(n)，即

双正交性质是原始信号的各种尺度形式由其尺度和分辨率参数唯一确定的充分必要条件。高通滤波器h₁(n)和g₁(n)可由公式（8）得出。

$\left\{\begin{array}{c}{g}_1\left(n\right)={(-1)}^n{h}_0\left(n\right)\\ h_1\left(n\right)={(-1)}^{n+1}{g}_0\left(n\right)\end{array}\right.---\left(8\right)$

在对状态信号（空气压力、流量）进行小波分解后，依据分解系数进行重构，得出高频部分d₁,d₂,...,d_j（j为分解尺度）；为得到新的高频数据d_(n,n+1)，可以将将两两相邻的高频部分数据进行相乘，为：d_(n,n+1)=d_n·d_n+1(n∈j)；从新搜索重构后的高频数据的模极值点（信号的奇异点）。

通过信号分解将原始信号分成高频细节和低频概貌，再根据高频细节中模极值点来精确定位信号的奇异点。通过信号小波变换后的信号的模极值点可以精确定位信号的奇异点出现的位置，并可记录对该点位置出现的时刻，以实现重载组合列车管路泄漏点的精确定位。

本发明对信号干扰及噪声进行有效滤波，极大地提高重载组合列车管路泄漏诊断系统的可靠性。将传感器采集的信号作为自适应滤波器的原始输入信号进行后续滤波处理。为了解决对于小泄漏信号奇异点的可靠有效捕捉，首先对小波变换原理及信号奇异性特点进行分析。再提出相关性增强的信号奇异点捕捉算法，将相邻的高频信号进行乘积运算使在管路泄漏时刻信号的模极大值变得更加的突出，通过小波变换后的模极值点便可以精确定位信号奇异点的位置。重载组合列车多传感器节点的分布参见图3。该重联重载组合列车可以是HXD1型和HXD1型、HXD1型和HXD2型机车进行重联。机车则分别位于重载列车的前部和中部，后部为可控列尾。整个组合列车通过GSM-R网络进行数据和控制命令的传输，进而通过列车管路控制各个机车和车辆的制动和缓解。在本文设计的重载组合列车管路泄漏诊断系统中，分布在列车不同位置上的传感器节点的数据也是利用机车无线网络进行传输。同时监测子部件接收管路泄漏诊断系统设备发出的控制信号，从而实现重载组合列车气路泄漏的监测。

重载组合列车管路泄漏监测系统装置，在通过GPS进行数据采集时间的校准后，车辆处安装的监测子部件（监测节点）就开始进行管路中各信号的实时采集。在监测中心经发射电台发出监测命令，同时监测节点接收到监测命令后，反馈采集到的列车管路流量、压力、温度声波数据。这些数据在监测中心进行数据的融合处理，并根据泄漏定位算法进行泄漏点定位，最后将诊断后的结果通过GSM-R传输到管路泄漏诊断系统记录和显示装置。该装置位于每台机车的机械间内，每台装置及各个监测子部件都有自己的地址编码，从而不会相互干扰，为故障点的精确定位提供重要保证。

本发明采用流量分流检测法，流量分流检测法就是当在理想状态下，假定在一条未发生泄漏的封闭列车管路内，利用“流入=流出”的原理，通过节点传感器实时所测出的列车子管路出口与入口的流量值进行泄漏的有效判断。当入口流量和出口流量有差别时，则表明列车管段内可能发生泄漏。依据电路理论中的电流分流原理，将管路泄漏也可考虑成一个流体的分流。当未发生泄漏时，其状态就是只有一个主管路；当发生泄漏时就如同电流分流似的，多了泄漏分支管对列车主管路的空气压缩气体进行分流；当多点泄漏时，就相当于多条泄漏分支管对主管路的气体流量进行分流。主要就其是否泄漏进行判断，即多点泄漏也可看成是一个点泄漏。

流量分流检测法原理图参见图4。

Claims (4)

1.一种列车超长管路泄露监测方法，其特征在于，该方法为：

1）实时采集列车管路空气压力和流量，构成空气压力和流量的信号向量d(k)，将各采样点空气压力和流量的信号向量构成的矩阵D(k)=(d(k),d(k-1),…,d(k-N+1))^T作为自适应滤波器的输入，则去除干扰信号后的列车管路压力和流量向量为y(k)：y(k)=W^T(k)D(k)；其中，W(k)=(w₁(k),w₂(k),…,w_N(k))^T表示自适应滤波器的权系数矢量；N为自适应滤波器的权系数矢量的行数；

2）对去除干扰信号后的列车管路压力和流量向量y(k)进行离散小波分解，根据小波分解的系数重构y(k)，得到去除干扰信号后的列车管路压力和流量向量y(k)的高频部分d₁,d₂,...,d_j；其中，j为小波分解尺度；

3）将高频部分d₁,d₂,...,d_j中相邻的高频部分数据相乘，得到新的高频数据；

4）搜索上述新的高频数据的模极值点，从而确定D(k)的奇异点出现的位置，并记录该位置，定位列车管路泄露点。

2.根据权利要求1所述的列车超长管路泄露监测方法，其特征在于，所述步骤1）中，自适应滤波器的权系数矢量的计算方法为：

1）初始化W(k)=0；

2）计算k+1时刻权系数矢量W(k+1)：W(k+1)=W(k)-2μe(k)D(k)；其中，μ为收敛因子，

是D(k)的自相关矩R的最大特征值；e(k)为k时刻列车管路空气压力和流量的信号向量构成的矩阵的误差序列，e(k)=D(k)-D^T(k)W(k)。

3.根据权利要求2所述的列车超长管路泄露监测方法，其特征在于，所述收敛因子 $\mathrm{\μ}={0.8\mathrm{\λ}}_{\max }^{-1}.$

4.根据权利要求1～3之一所述的列车超长管路泄露监测方法，其特征在于，N的取值范围为10～50。

Images