CN104596780A - 一种动车组制动系统传感器故障的诊断方法 - Google Patents

Abstract

本发明公开了一种动车组制动系统传感器故障的诊断方法。对采集的动车组历史传感器信号进行EEMD处理，构建历史传感器信号的能量特征矢量；根据能量特征矢量训练FDA模型，得到FDA模型参数；采集在线传感器测试信号，对在线传感器测试信号进行EEMD处理，构建在线传感器测试信号的能量特征矢量；根据FDA模型参数中的投影矩阵计算传感器测试信号的能量特征矢量的FDA得分向量；基于FDA模型的参数对FDA得分向量进行分类，确定在线传感器测试信号的故障类别。本发明克服了EMD方法存在模态混叠效应的缺点，能够有效提取信号特征，并利用单个FDA模型进行故障分类，降低了基于SVM的故障分类算法的复杂度。

Description

一种动车组制动系统传感器故障的诊断方法

技术领域

本发明涉及工业监测和故障诊断领域，特别涉及一种动车组制动系统传感器故障的诊断方法。

背景技术

动车组制动系统对保证列车安全运行具有极其重要的意义。动车组制动系统通常包括空气制动系统和电气制动系统两大部分，其中后者即为工作在制动状态下的牵引传动系统。传感器是制动系统硬件组成中的关键部件，主要有速度传感器、轴温传感器以及用于测量多种阀门的压力传感器等。传感器作为信息获取的源头，其测量结果直接影响系统的运行。在动车组制动控制系统这样的典型闭环系统下，各种传感器的性能优劣直接决定了动车组能否及时准确地完成要求的制动任务。因此，动车组制动系统传感器对列车安全运行的重要性不言而喻，对其进行监测和故障诊断具有重要意义。

目前，动车组制动系统主要通过在关键部位安装相应的传感器对电流、电压、压力、温度等物理量进行监测，采用超限报警机制或其他简单逻辑判断故障的发生与否，很少涉及对这些传感器本身的故障检测与诊断。针对动车组制动系统传感器故障诊断问题，现有的少量工作主要基于经验模态分解(empirical modedecomposition,EMD)和支持向量机(support vector machine,SVM)相结合或基于此进行简单改进的方法。EMD主要用于提取非稳态信号的时频特征，在1998年被Huang等提出后，被广泛应用于很多领域并取得较好效果。SVM及其改进方法作为机器学习领域有监督的学习模型，主要用于故障识别和分类。通常，利用上述方法进行传感器故障诊断时，首先利用EMD方法提取不同类别信号的能量特征，然后需要设计多个一类对余类的支持向量机实现故障分类。

但是，基于EMD方法提取信号特征存在模态混叠效应，且训练多个支持向量机增加了算法的复杂度。

发明内容

本发明的目的在于克服现有基于信号处理传感器故障诊断方法的不足，提供一种动车组制动系统传感器故障的诊断方法，包括：

对采集的动车组历史传感器信号进行集成经验模态分解EEMD处理，构建所述历史传感器信号的能量特征矢量；

根据所述能量特征矢量训练费舍尔判别分析FDA模型，得到FDA模型参数；

采集在线传感器测试信号，对在线传感器测试信号进行EEMD处理，构建所述在线传感器测试信号的能量特征矢量；

根据所述FDA模型参数中的投影矩阵计算传感器测试信号的能量特征矢量的FDA得分向量；

基于所述FDA模型的参数对FDA得分向量进行分类，确定在线传感器测试信号的故障类别。

在一个实施例中，所述对采集的动车组历史传感器信号进行EEMD处理的步骤包括：

将采集的动车组历史传感器信号分为正常工况信号和多种类别的故障信号；

对所述历史传感器信号进行EEMD处理，获得所述历史传感器信号的本征模态函数和余项函数。

在一个实施例中，在构建所述历史传感器信号的能量特征矢量的步骤中包括：

计算所述历史传感器信号的本征模态函数和余项函数的能量；

选择排序靠前的历史传感器信号的部分本征模态函数的能量和余项函数的能量构建历史传感器信号的能量特征矢量。

在一个实施例中，在根据所述能量特征矢量训练FDA模型的步骤中包括：

将所有历史传感器信号的能量特征矢量按列排列，其转置构成训练数据矩阵；

计算训练数据矩阵的总离散度矩阵、类内离散度矩阵及类间离散度矩阵；

确定FDA向量以使得类内离散度最小并保证类间离散度最大；

将FDA向量按列构成FDA模型的投影矩阵；

存储FDA模型参数，所述FDA模型参数包括FDA模型的投影矩阵、所述历史传感器信号的能量特征矢量的样本数、均值向量和类内离散度矩阵。

在一个实施例中，所述对在线传感器测试信号进行EEMD处理，构建所述在线传感器测试信号的能量特征矢量的步骤包括：

对所述在线传感器测试信号进行EEMD处理，获得所述在线传感器测试信号的本征模态函数和余项函数；

计算所述在线传感器测试信号的本征模态函数和余项函数的能量；

选择排序靠前的在线传感器测试信号的部分本征模态函数的能量和余项函数的能量构建在线传感器测试信号的能量特征矢量。

在一个实施例中，所述在线传感器测试信号的能量特征矢量的维数与历史传感器信号的能量特征矢量的维数相同。

在一个实施例中，在计算传感器测试信号的能量特征矢量的FDA得分向量的步骤中，

利用FDA模型的投影矩阵和在线传感器测试信号的能量特征矢量计算FDA得分向量。

在一个实施例中，所述基于所述FDA模型的参数对FDA得分向量进行分类的步骤中包括：

基于所述FDA模型的参数计算在线传感器测试信号的判别函数的数值；

将在线传感器测试信号赋予使判别函数具有最大数值的信号类别。

在一个实施例中，采集的在线传感器测试信号的长度与历史传感器信号的长度相同。

在一个实施例中，对在线传感器测试信号进行EEMD处理的参数与对历史传感器信号进行EEMD处理的参数一致。

本发明实施例与现有技术相比具有如下优点及有益效果：首先，与基于EMD的故障特征提取方法相比，基于EEMD的信号特征提取方法可以有效地克服EMD方法的模态混叠效应，使得信号特征提取更加准确；其次，本发明实施例在构建传感器信号的能量特征矢量时，将信号经EEMD方法分解得到的余项函数的能量考虑进来，而现有技术大都只是取前几阶IMF能量作为能量特征矢量，未考虑余项函数的能量。根据EEMD方法的性质可知，本发明实施例采用的方案可以更有效地区分正常信号和具有恒值偏差的信号；最后，与传统的基于SVM或神经网络NN的分类器相比，基于FDA的故障分类方法算法简单，物理意义明确，且无需设计多个分类器，降低了算法的复杂度。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明实施例的传感器故障诊断方法的步骤流程图；

图2是根据本发明实施例的离线建模过程的步骤流程图；

图3是根据本发明实施例的在线诊断过程的步骤流程图；

图4是根据本发明的示例中的正常及故障传感器信号曲线图；

图5是根据本发明的示例中的3维FDA空间训练数据的分布图；

图6是根据本发明的示例中的2维FDA空间训练数据的分布图；

图7是根据本发明的示例中的3维FDA空间测试数据的分布图；

图8是根据本发明的示例中的2维FDA空间测试数据的分布图；

图9是根据本发明的示例中的训练数据在2维原始空间中的分布图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。

集成经验模态分解(ensemble EMD,EEMD)方法于2009年被Wu和Huang提出，可以有效地克服EMD方法存在的模态混叠效应，从而更加准确地提取信号特征。费舍尔判别分析(fisher discriminant analysis,FDA)方法是一种线性降维技术，可以把不同类别的数据实现最大程度的分离。因而，本发明的实施例提出一种基于EEMD和FDA相结合的传感器故障诊断方法。

以下参照图1对本实施例中的方法进行说明。

首先进行离线建模。这包括对采集的动车组历史传感器信号进行集成经验模态分解(EEMD)处理，构建所述历史传感器信号的能量特征矢量(步骤S101)。根据所述能量特征矢量训练费舍尔判别分析(FDA)模型，得到FDA模型参数(步骤S102)。

然后进行在线诊断。这包括采集在线传感器测试信号，对在线传感器测试信号进行EEMD处理，构建所述在线传感器测试信号的能量特征矢量(步骤S103)。根据所述FDA模型参数中的投影矩阵计算传感器测试信号的能量特征矢量的FDA得分向量(步骤S104)。基于所述FDA模型的参数对FDA得分向量进行分类，确定在线传感器测试信号的故障类别(步骤S105)。

图2是离线建模过程的详细步骤流程图，具体实现步骤如下文所述。

(1)前文所述的“历史传感器信号”包括有动车组的历史运行数据或动车组上线运行前的调试数据。根据历史传感器信号结合专家经验与知识，将采集并存储的传感器数据进行归类，这些数据包括了正常传感器的记录数据以及传感器发生不同类别故障(比如恒值偏差故障、漂移故障等)时的记录数据。假设有p类数据，每种类别数据包含的信号样本数为n_j,j＝1,...,p，总的传感器信号样本数为其中j表示信号所属的类别。

(2)对上述所有n个传感器信号分别进行EEMD处理，获得每个信号的多个本征模态函数(intrinsic mode function,IMF)以及余项函数，其中每个信号为其IMFs及其余项函数的求和。具体地，记第i个传感器信号为x_i(k),i＝1,...,n,k＝1,...,K，即信号长度为K。利用EEMD算法，可得

$x_i\left(k\right)=\underset{s=1}{\overset{S_i}{\mathrm{\Σ}}}{c}_i^s\left(k\right)+r_i\left(k\right)---\left(1\right)$

其中x_i(k)经EEMD得到S_i个IMFs，表示第s个IMF，r_i(k)表示x_i(k)的余项。IMF需要满足如下两个条件：其一，函数曲线的极值点个数和过零点个数相同或至多相差一个；其二，分别连接函数极大值点和极小值点产生两条包络线，它们的均值在函数自变量取值范围内处处为零。EEMD基于EMD算法，其原理是将有限幅值白噪声信号添加到原始信号上，对其执行EMD算法，重复这样的过程N次，将N次分解得到的IMFs及余项均值作为原始信号EEMD处理的结果。EMD方法首次提出之后，很多学者对其进行了改进，因而也就有多种改进的EEMD方法。

(3)计算传感器信号经EEMD处理获得的多个IMFs及余项的能量。具体地，对第i个传感器信号x_i(k)，其IMFs及其余项的能量按照下式计算：

$E_i^s=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left|c_i^s\left(k\right)\right|}^2,s=1,...,S_i{E}_i^r=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left|r_i\left(k\right)\right|}^2---\left(2\right)$

其中表示x_i(k)的第s个IMF的能量，表示x_i(k)余项的能量。

(4)构建历史传感器信号的能量特征矢量。具体地，第i个传感器信号x_i(k)的能量特征矢量为维数为S_i+1。因为EEMD方法具有自适应性，不同的传感器信号经EEMD处理很有可能会获得不同个数的IMFs。为处理不同信号分解得到IMFs个数不一致的问题，现有工作均采用“取所有传感器信号的前a个IMFs的能量，构成传感器信号特征矢量”的解决方式，能量特征矢量为：

$T={[E_i^1,E_i^2,...,E_i^a]}^T,a\≤\underset{i}{\min }\{S_i+1\}.$

考虑到传感器恒值偏差故障只会影响信号余项，对其IMFs没有影响，本实施例在构建信号能量特征矢量时，将信号的余项能量加入，即选择排序靠前的历史传感器信号的部分本征模态函数的能量和余项函数的能量构建历史传感器信号的能量特征矢量，即第i个传感器信号x_i(k)的特征矢量为 $T_i={[E_i^1,E_i^2,...,E_i^{a-1},E_i^r]}^T.$

(5)利用上述n个传感器信号的能量特征矢量训练FDA模型。具体步骤如下：

(5-1)将所有类传感器信号x_i(k)的能量特征矢量T_i,i＝1,...,n按列排列，其转置构成训练数据矩阵其中矩阵T第i行的转置就是第i个传感器信号x_i(k)的能量特征矢量。T中包含p类数据的能量特征矢量，每种类别数据的能量特征矢量个数为n_j,j＝1,...,p；

(5-2)计算数据矩阵T的总离散度矩阵S_t、类内离散度矩阵S_w及类间离散度矩阵S_b。数据总离散度的定义为：

$S_t=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(T_i-\stackrel{\‾}{T}){(T_i-\stackrel{\‾}{T})}^T---\left(3\right)$

其中是n个样本的均值向量。定义Γ_j为属于第j类信号能量特征矢量的样本向量集合，第j类数据的类内离散度S_j和总的类内离散度S_w分别为：

$S_j=\underset{T_i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}(T_i-{\stackrel{\‾}{T}}_j){(T_i-{\stackrel{\‾}{T}}_j)}^T,S_w=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{S}_j---\left(4\right)$

其中是第j类数据的均值向量。类间离散度定义为：

$S_b=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{n}_j({\stackrel{\‾}{T}}_j-\stackrel{\‾}{T}){({\stackrel{\‾}{T}}_j-\stackrel{\‾}{T})}^T---\left(5\right)$

满足总离散度等于类内离散度和类间离散度之和，S_t＝S_b+S_w；

(5-3)FDA模型旨在最小化类内离散度的同时最大化类间离散度，即优化如下目标函数：

$\underset{v\≠0}{\max }\frac{v^T{S}_{b}v}{v^T{S}_{w}v}---\left(6\right)$

其中v是优化变量。上述优化问题等价于以下广义特征值问题：

S_bw_i＝λ_iS_ww_i   (7)

其中λ_i,w_i分别为广义特征根和广义特征向量。由于S_b的秩小于p，上述特征分解问题至多有p-1个非零的特征根。根据(7)求取FDA向量w_i，即广义特征向量，按列构成投影矩阵样本T_i可被投影到p-1维FDA空间，得到FDA得分向量从而对这些数据实现最优分离；

(5-4)存储FDA模型中的参数，包括FDA模型投影矩阵W_p以及历史传感器信号的能量特征矢量的样本数n_j，均值向量类内离散度矩阵S_j，其中，j表示信号所属的类别，j＝1,...,p。在线故障诊断过程将会用到这些参数。

图3是在线诊断过程的详细步骤流程图，具体实现步骤如下文所述。

(1)收集实时(测试)数据，也就是在线传感器的测试信号。具体地，采集动车组运行过程或运行前调试过程相应传感器的测量数据，记为x_t(k),k＝1,...,K。

(2)对测试信号x_t(k)进行EEMD处理，获得信号的多个IMFs及余项函数。需要注意，在实施EEMD算法时，算法参数(比如EEMD方法中添加的噪声幅值、执行EMD次数N)需要和训练过程中参数一致。利用EEMD算法可得

$x_t\left(k\right)=\underset{s=1}{\overset{S_t}{\mathrm{\Σ}}}{c}_t^s\left(k\right)+r_t\left(k\right)---\left(8\right)$

其中x_t(k)经EEMD得到S_t个IMFs，表示第s个IMF，r_t(k)表示x_t(k)的余项。

(3)计算在线传感器测试信号经EEMD处理获得的多个IMFs及余项的能量。具体地，测试信号x_t(k)的IMFs和余项能量按照下式计算。

$E_t^s=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left|c_t^s\left(k\right)\right|}^2,s=1,...,S_t{E}_t^r=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\left|r_t\left(k\right)\right|}^2---\left(9\right)$

(4)构建测试信号x_t(k)的能量特征矢量

(5)计算测试信号能量特征矢量的FDA得分向量。具体地，利用训练过程得到的FDA模型投影矩阵可以得到T_t的FDA得分向量

(6)利用判别分析方法对z_t进行分类，在p类数据中找到其所属的类别，从而确定在线传感器测试信号的故障类别，完成测试信号x_t(k)的故障诊断。具体地，根据Chiang等著作(Chiang L H,Russell E L,Braatz R D.Fault detection anddiagnosis in industrial systems.London:Springer,2001.)第5章内容，分别求取如下j个判别函数的取值：

$g_j\left(z_t\right)=-\frac{1}{2}{(z_t-{\stackrel{\‾}{z}}_j)}^T{\left(\frac{1}{n_j-1}{W}_p^T{S}_j{W}_p\right)}^{-1}(z_t-{\stackrel{\‾}{z}}_j)-\frac{1}{2}\ln \left[\det \left(\frac{1}{n_j-1}{W}_p^T{S}_j{W}_p\right)\right]---\left(10\right)$

其中，是第j类(j＝1,...,p)数据在FDA空间的均值向量。基于上述判别分析的FDA分类方法将观测样本x_t(k)赋给具有最大判别函数值的类d：

$d=\arg \underset{j}{\max }{g}_j\left(z_t\right)---\left(11\right)$

从而完成故障诊断。

本发明实施例的核心思想与原理是：首先，利用EEMD算法提取传感器信号的特征，由于EEMD算法可以很好地处理非线性非稳态信号，因而可以对不同类别传感器信号分解获得各自的IMFs及其余项函数，这些函数的能量反映了原始传感器信号的特征；然后，将这些带有标签的能量特征矢量作为输入数据对FDA模型进行训练，从而将它们实现最优分离。事实上，可以合理地认为不同的故障类型会改变传感器信号不同时域或频域范围的特性，从而使得不同故障类型传感器信号的能量特征矢量分布在不同的子空间中，FDA方法可以有效地将其分离。进而，根据一段在线测试信号以及训练过程获得的FDA模型，利用上述“在线诊断过程”的具体步骤(1)-(6)完成故障识别与分类。

示例

为了帮助理解本发明以及展示其故障诊断的效果，下面对一示例进行详细说明。本示例基于Matlab工具，利用数值仿真案例对本发明进行说明，结合附图展示本发明的效果。

A.离线建模过程的流程框图如图2所示，具体到本示例其具体步骤如下。

(1)产生正常工况及不同类别故障下的传感器仿真数据。在本示例中，假设有4类数据，包括正常数据和3种类别的故障数据。每种类别数据包含信号样本数均为n_j＝30,j＝1,2,3,4，总的信号样本数为120，信号长度均为L＝300。假设正常的传感器数据服从0.1～0.6的均匀分布，3种故障分别为传感器恒值偏差故障、精度下降故障和时变加性故障。表1为正常及故障传感器的数据类型的说明，共列出4类数据。

表1

其中randn表示零均值单位方差的高斯白噪声，时变加性故障项的频率为f＝1/6。为形象地展示不同类别信号的特点，在每种类别数据中分别随机抽取一个样本信号并绘制信号随时间的取值，如图4所示。

(2)对上述总共120个传感器信号均进行EEMD处理，获得每个信号的IMFs以及余项。对传感器信号进行EEMD处理得到(1)式所示结果。在本示例中，EMD采用了文献“Rato R T,Ortigueira M D,Batista A G.On the HHT,its problems,andsome solutions.Mechanical Systems and Signal Processing,2008,22(6):1374-1394.”提供的算法，EEMD算法中添加白噪声的标准差为正常传感器信号标准差的0.2倍，每次对添加白噪声后的信号执行EMD次数为N＝50。

(3)利用(2)式计算每个传感器信号的IMFs及余项的能量。

(4)构建传感器信号的能量特征矢量。具体地，第i个传感器信号x_i(k)的能量特征矢量为维数为S_i+1。因为EEMD方法具有自适应性，不同的传感器信号经EEMD处理很有可能会获得不同个数的IMFs。为处理不同信号分解得到IMFs个数不一致的问题，同时考虑到信号的余项能量对传感器恒值偏差故障敏感的性质，本实施例采用的信号能量特征矢量形式为 $T_i={[E_i^1,E_i^2,...,E_i^{a-1},E_i^r]}^T,$ 其中 $a\≤\underset{i}{\min }\{S_i+1\}.$

在本示例中，a＝6，即每个传感器信号能量特征矢量的维数为6。

(5)基于上述计算得到的4类、共120个传感器信号的能量特征矢量T_i,i＝1,...,120，利用本发明实施例离线建模过程提供的步骤(5-1)-(5-3)，完成FDA建模。记录FDA模型中的参数，其中n_j＝30,j＝1,2,3,4，为第j类数据能量特征矢量的均值向量，S_j是第j类数据的类内离散度矩阵，由(4)式计算得到，为FDA模型投影矩阵。

为形象地展示EEMD算法提取信号特征的能力以及FDA模型进行数据分类的效果，图5和图6分别表示上述4类、共120个传感器信号经提取能量特征矢量及FDA建模后，在3维FDA空间以及2维FDA空间中不同类别数据的分布情况。

3维FDA空间中点的坐标就是信号的能量特征矢量T_i在p-1＝3维FDA空间的得分2维FDA空间中点的坐标是得分的前两个元素。可以看出，EEMD可以很好地提取信号特征，同时FDA模型将不同类别的数据实现了很好地分离。

B.在线诊断过程的流程框图如图3所示，具体到本示例其具体步骤如下。

(1)收集实时(测试)数据。在本示例中，基于表1所示正常数据特征及故障施加机理，产生正常工况及不同类别故障下的测试信号。每种类别信号包含测试信号样本数均为20，信号长度为L＝300。需要对仿真产生的4类、共80个信号分别进行故障诊断。

(2)对上述测试信号x_t(k)进行EEMD处理，获得信号的IMFs及余项。在执行EEMD算法时，算法参数需要和训练过程采用的参数一致，即噪声标准差为正常传感器信号标准差的0.2倍，每次对添加白噪声后的信号执行EMD次数为N＝50。

(3)利用(9)式计算每个测试信号的IMFs及余项的能量。

(4)构建上述80个测试信号的能量特征矢量。本示例中能量特征矢量的维数为a＝6，因而取每个测试信号经EEMD处理得到的前5阶IMFs及余项的能量构成该测试信号的能量特征矢量，记为

(5)计算测试信号能量特征矢量的FDA得分向量

为形象地说明EEMD算法提取信号特征的能力以及FDA模型对测试数据进行故障分类的泛化能力，图7和图8分别展示了上述4类、共80个测试信号经过提取能量特征矢量以及被建立好的FDA模型投影后，在3维FDA空间以及2维FDA空间中不同类别数据的分布情况。

3维FDA空间和2维FDA空间中点的坐标分别为测试信号能量特征矢量的FDA得分向量及其前两个元素。可以看出，对于测试数据，FDA也可以很好地将不同类别数据分离。事实上，由于测试信号人为产生，图7和图8是在假定已知测试信号故障类别的前提下绘制的分布图，为了定性地说明了不同类别信号的可分离性以及FDA模型的适用性。对测试信号，实际上需要定量的工具进行故障分类(诊断)，即下面的第(6)步骤。

(6)利用判别分析方法对z_t进行分类，在p＝4类数据中找到其所属的类别，从而完成测试信号x_t(k)的故障诊断。具体地，根据(21)式，对上述80个测试信号中每个信号能量特征矢量的FDA得分向量z_t求取j个判别函数的取值g_j(z_t),j＝1,2,3,4，将测试信号x_t(k)赋给具有最大判别函数值的类 $d=\arg \underset{j}{\max }{g}_j\left(z_t\right).$

对比判别分析得到的诊断结果与测试信号真实的故障类别，对故障诊断性能进行分析。4类、共80个测试信号的错误分类率如表2所示。

表2

可以看出，本发明提出的方法可以正确地将测试信号归类，有效地实现故障诊断。同样地，利用判别分析方法可以对120个训练信号进行诊断，对比判别分析给出的诊断结果与训练信号真实的故障类别可得其错误分类率。表3为训练数据的错误分类率。

表3

可以看出，120个训练数据中只有1个原本属于故障3的信号样本被错误分类，其他的训练信号可以被正确分类，错误分类率在可以接受的范围内，验证了本发明提出方法的有效性。

为说明FDA模型的最优线性分类特性，绘制训练数据的能量特征矢量在其前两维空间的分布，如图9所示。可以看出，未经FDA模型处理的能量特征矢量数据在其低维原始空间中，不同类别数据之间混叠比较严重，尤其无法区分正常数据和第1类故障数据。

为对比EEMD和EMD方法提取信号特征的优劣，利用EMD和FDA相结合的方法对上述案例进行实验。表4为基于EMD+FDA方法测试数据的错误分类率，表5为基于EMD+FDA方法训练数据的错误分类率。对比可以看出，基于EEMD和FDA的诊断方法比基于EMD和FDA的方法具有更好性能。

表4

表5

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种动车组制动系统传感器故障的诊断方法，其特征在于，包括：

对采集的动车组历史传感器信号进行集成经验模态分解EEMD处理，构建所述历史传感器信号的能量特征矢量；

根据所述能量特征矢量训练费舍尔判别分析FDA模型，得到FDA模型参数；

采集在线传感器测试信号，对在线传感器测试信号进行EEMD处理，构建所述在线传感器测试信号的能量特征矢量；

根据所述FDA模型参数中的投影矩阵计算传感器测试信号的能量特征矢量的FDA得分向量；

基于所述FDA模型的参数对FDA得分向量进行分类，确定在线传感器测试信号的故障类别。

2.根据权利要求1所述的动车组制动系统传感器故障的诊断方法，其特征在于，所述对采集的动车组历史传感器信号进行EEMD处理的步骤包括：

将采集的动车组历史传感器信号分为正常工况信号和多种类别的故障信号；

对所述历史传感器信号进行EEMD处理，获得所述历史传感器信号的本征模态函数和余项函数。

3.根据权利要求2所述的动车组制动系统传感器故障的诊断方法，其特征在于，在构建所述历史传感器信号的能量特征矢量的步骤中包括：

计算所述历史传感器信号的本征模态函数和余项函数的能量；

选择排序靠前的历史传感器信号的部分本征模态函数的能量和余项函数的能量构建历史传感器信号的能量特征矢量。

4.根据权利要求3所述的动车组制动系统传感器故障的诊断方法，其特征在于，在根据所述能量特征矢量训练FDA模型的步骤中包括：

将所有历史传感器信号的能量特征矢量按列排列，其转置构成训练数据矩阵；

计算训练数据矩阵的总离散度矩阵、类内离散度矩阵及类间离散度矩阵；

确定FDA向量以使得类内离散度最小并保证类间离散度最大；

将FDA向量按列构成FDA模型的投影矩阵；

存储FDA模型参数，所述FDA模型参数包括FDA模型的投影矩阵、所述历史传感器信号的能量特征矢量的样本数、均值向量和类内离散度矩阵。

5.根据权利要求1所述的动车组制动系统传感器故障的诊断方法，其特征在于，所述对在线传感器测试信号进行EEMD处理，构建所述在线传感器测试信号的能量特征矢量的步骤包括：

对所述在线传感器测试信号进行EEMD处理，获得所述在线传感器测试信号的本征模态函数和余项函数；

计算所述在线传感器测试信号的本征模态函数和余项函数的能量；

选择排序靠前的在线传感器测试信号的部分本征模态函数的能量和余项函数的能量构建在线传感器测试信号的能量特征矢量。

6.根据权利要求5所述的动车组制动系统传感器故障的诊断方法，其特征在于，所述在线传感器测试信号的能量特征矢量的维数与历史传感器信号的能量特征矢量的维数相同。

7.根据权利要求5所述的动车组制动系统传感器故障的诊断方法，其特征在于，在计算传感器测试信号的能量特征矢量的FDA得分向量的步骤中，

利用FDA模型的投影矩阵和在线传感器测试信号的能量特征矢量计算FDA得分向量。

8.根据权利要求6或7所述的动车组制动系统传感器故障的诊断方法，其特征在于，所述基于所述FDA模型的参数对FDA得分向量进行分类的步骤中包括：

基于所述FDA模型的参数计算在线传感器测试信号的判别函数的数值；

将在线传感器测试信号赋予使判别函数具有最大数值的信号类别。

9.根据权利要求1-8中任一项所述的动车组制动系统传感器故障的诊断方法，其特征在于，采集的在线传感器测试信号的长度与历史传感器信号的长度相同。

10.根据权利要求1-8中任一项所述的动车组制动系统传感器故障的诊断方法，其特征在于，对在线传感器测试信号进行EEMD处理的参数与对历史传感器信号进行EEMD处理的参数一致。