CN105501250B - 基于车载检测装置的列车轮对踏面擦伤故障诊断方法 - Google Patents

Abstract

一种基于车载检测装置的列车轮对踏面擦伤故障诊断方法，包括如下步骤：利用车载多传感器组合检测装置进行数据采集并得到数字数据；数字数据进行数据配准得出轮对三维模型；对轮对踏面的配准数据进行降噪处理和特征构造；构造原始故障特征集；用原始故障特征集构造RS决策表，用属性约简方法剔除冗余信息得到精简故障特征集；分别建立训练样本集和测试样本集；采用粒子群优化算法，得出最佳惩罚因子和核函数参数；采用交叉验证的方法，用轮对踏面擦伤故障诊断模型对测试样本集进行轮对踏面状态分类，评估、测试以及验证轮对踏面擦伤故障诊断模型的分类性能。本发明方法在检测轮对几何参数时快速、准确，构建故障诊断模型时间短，诊断准确率高。

Description

基于车载检测装置的列车轮对踏面擦伤故障诊断方法

技术领域

本发明涉及一种基于车载检测装置的列车轮对踏面擦伤故障诊断方法。

背景技术

轮对作为机车重要的走行部件，承载着机车的全部重量并提供行走动力与制动力，在列车向着高速化、重载化方向发展的大背景下，列车行车安全与乘客生命财产安全倍受关注，对轮对的质量提出了更高的要求。在高速、重载双重作用下，本属损耗品的轮对磨耗加快，圆周直径不断减小。如何延长轮对的服务周期，减少轮对故障出现概率，提高列车使用效率，减少轮缘、踏面的磨耗，加强轮对预防保护措施，确保轮对几何外形参数的检测精度，提高状态维修与故障诊断的准确率显得愈来愈重要。现有的轮对几何参数检测方法以地面检测居多，车载检测方法的研究却较少。随着我国高速铁路的飞速发展，轮对几何参数的地面检测与故障诊断方法的短板：①受检测场地的限制，致使列车必须在检测区域才能完成检测任务，不能准确预测在途列车发生“非正常停车”的概率大小，不能良好的诊断行进在非检测区域时发生的故障，甚至在列车发生“脱轨”等重大灾难事故前都无法准确预判，给国家造成巨大的生命财产损失；②检测与诊断的非实时性问题也很突出，数据处理是在地面进行的，而处理后的数据量也较大，必须要依赖其他传输方式上传到列车控制端，周期比较长，导致效率低下等问题逐渐凸显出来；③地面检测设备是通用设备，检测随机性较大，检测结果受检测设备，列车型号、速度与轮对情况等影响，致使同一列车的检测结果因时因地不同，数据无法重现，可比性意义不大，临界故障点难以判定。因此，找到一套属于被检列车本身的轮对几何参数检测与轮对踏面故障诊断的装置，显得非常必要。同时，列车轮对所处工作环境复杂、检修条件差，易受轨道接头、匝道及弯道撞击、磨耗，也是故障频发的部件，踏面成为轮对发生故障最多的地方之一。轮对踏面是轮对与轨道的接触面，其质量好坏直接影响到乘客舒适度与行车安全，运行状态中的轮对出现故障，就给行车安全埋下了巨大的隐患。因此，及时准确的发现列车轮对踏面的各种故障，减少列车在线停靠等“非正常停车”事故的发生，提高列车准点率，提高故障诊断质量，正是轮对踏面故障检测、诊断方法研究的方向、目的。

目前，轮对故障诊断的方法主要有冲击振动理论分析、傅里叶变换、小波分析等。冲击振动理论分析是依据计算出的故障轮对与钢轨撞击时的能量大小来判定故障类型与程度大小的方法；冲击振动理论分析与列车行驶速度、轮径大小、列车载重量、轮对与钢轨材料、传感器安装位置等都有关系，所需传感器较多，实现较复杂。傅里叶变换可以观测信号在时频两域上的状态，是信号分析领域里较为常用的方法，但由于傅里叶变换适合周期信号，只是在整个频率轴上分散频谱，对故障特征信号的提取与分析没有起到实质的作用。小波分析是一种时频局部化的分析方法，在低频段拥有好的时间分辨率，在高频段拥有好的频率分辨率。但小波对信号进行时频分析时也有其不足点，分析后的信号在高频段的频率分辨率较低而低频段的时间分辨率较差。因此需要寻求更好的方法，对故障特征信号在时域上进行分析。

发明内容

本发明针对目前轮对多几何参数检测与轮对故障诊断方法分开，检测与诊断结果不能满足列车速度加快，轮对磨耗加剧而所需的高实时性与高准确率要求，提出了集数据采集与数据分析于一体的基于车载检测装置的列车轮对踏面擦伤故障诊断方法。

为了实现上述目的，本发明采用了以下技术方案：

一种基于车载检测装置的列车轮对踏面擦伤故障诊断方法，包括如下步骤：

步骤1：利用车载多传感器组合检测装置，对列车轮对的各几何参数进行数据采集，得出模拟数据；模拟数据通过数据传输模块和A/D转换模块得到数字数据；

步骤2：对数字数据运用时间对准算法进行数据配准，得出配准数据，再在右手空间直角坐标系下，得出轮对三维模型；

步骤3：在数据配准的基础上，选取激光扫描传感器所测得的数据，以轮对常见的踏面擦伤故障作为研究对象，进行轮对踏面的故障诊断研究；

步骤4：对轮对踏面的配准数据进行降噪处理和特征构造；

步骤5：构造原始故障特征集；

步骤6：用原始故障特征集构造RS决策表，用属性约简方法剔除冗余信息，得到精简故障特征集；

步骤7：将精简故障特征集随机打乱，分别建立训练样本集和测试样本集，其中，训练样本集用于构建轮对踏面擦伤故障诊断模型，测试样本集用于测试和评估轮对踏面擦伤故障诊断模型的性能；

步骤8：采用粒子群优化算法，对轮对踏面擦伤故障诊断模型进行关键参数寻优，得出最佳惩罚因子和核函数参数；

步骤9：采用交叉验证的方法，用轮对踏面擦伤故障诊断模型对测试样本集进行轮对踏面状态分类，评估、测试以及验证轮对踏面擦伤故障诊断模型的分类性能。

步骤(1)中，

所述车载多传感器组合检测装置包括速度传感器、激光扫描传感器、激光位移传感器、车轴振动加速度传感器、车体振动加速度传感器、数据传输模块和A/D转换模块；所述激光扫描传感器安装在车轮滚动圆正上方的车体上；在车轮两侧分别安装有所述激光位移传感器；所述车轴振动加速度传感器安装在车轴两端靠近轮对处；所述车体振动加速度传感器与激光扫描传感器固定在一起；速度传感器同时与激光扫描传感器、激光位移传感器、车轴振动加速度传感器以及车体振动加速度传感器连接，激光扫描传感器、激光位移传感器、车轴振动加速度传感器以及车体振动加速度传感器分别经过数据传输模块和A/D转换模块连接至状态检测显示器。

步骤(1)中，所述列车轮对的各几何参数包括轮缘厚度B、轮缘高度H、踏面圆周磨耗率ω、擦伤面积S、车轮直径D以及轮辋宽度W。

步骤(2)中，所述右手空间直角坐标系以轮对滚动圆圆心为原点，以轮对滚动圆正上方列车车体方向为X轴正方向，以列车行进方向为Y轴正方向，以车轴旋转体轴线方向为Z轴正方向。

步骤(4)中，具体步骤如下：

首先，对轮对踏面的配准数据进行三层小波包分解，得到八个频率分量的信号，即f＝[f₃ ⁰,f₃ ¹,f₃ ²,f₃ ³,f₃ ⁴,f₃ ⁵,f₃ ⁶,f₃ ⁷]；

其次，用小波包重构算法，对分解出来的频带分别进行信号重构，达到消噪的目的；

最后，用能量特征值公式构造能量特征值，求出各个频率分量的能量特征值构造出能量特征集

步骤(4)中，所用到的公式如下：

小波包分解公式：

式中，n＝1,2,3,..,N；j为尺度因子，j∈Z₊；l∈[1,j]；和为小波包分解系数；h_l-2k和g_l-2k分别为小波包分解的低通滤波器组和高通滤波器组；

小波包重构公式：

式中，h_k-2l和g_k-2l分别为小波包重构的低通滤波器组和高通滤波器组；

能量特征值公式：

式中，x_jk表示第j个重构信号的离散幅值。

步骤(5)中，将轮对踏面状态类型分为两种：轮对踏面正常状态和轮对踏面擦伤故障状态，其分类值分别对应为1和2，则原始故障特征集为其中Y_i∈{1,2}。

步骤(7)，对训练样本集采用支持向量机分类方法进行训练，确定支持向量机结构参数，构建基于支持向量机的轮对踏面擦伤故障诊断模型。

与现有技术相比较，本发明具备的有益效果：

本发明方法在检测轮对几何参数时快速、准确，构建故障诊断模型时间短，诊断准确率高，取得了较好的诊断效果，是一种比较优秀的轮对车载几何参数检测与踏面擦伤故障诊断方法，为深层次的确保列车舒适、安全、高速提供了新方向。小波包分析是小波分析的扩展，有精细的频带划分方法，良好的时频定位特性与信号的自适应能力，能很好的弥补小波分析的缺陷。粗糙集理论是一种去除冗余信息，简化运算过程，加快求解速度，提高工作效率的方法，本身不能做到故障诊断，但是在数据处理过程中是一种不可多得的“催化剂”。支持向量机方法是一种较好的状态识别方法，能很好的进行故障类型的判断。

附图说明

图1是本发明所述车载多传感器组合检测装置安装位置示意图。

图2是本发明所述列车轮对几何参数时实检测系统组成框图。

图3是本发明所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法的具体诊断流程图。

图4是轮对踏面正常信号与擦伤故障信号的对比图。

图5是对原始故障特征集进行支持向量机分类的结果图。

具体实施方式

下面通过实施例对本发明的技术方案作进一步阐述。

实施例1

本用例使用的原始数据是在车速36km/h，采样频率为1kHz，列车车轮直径为1230mm的条件下采集的。

具体步骤如下：

步骤1：利用车载多传感器组合检测装置，对列车轮对的各几何参数进行数据采集，得出模拟数据；本实施例分别在轮对正常状态与踏面擦伤故障状态下各采集15组数据。模拟数据通过数据传输模块和A/D转换模块，分别得出轮对踏面正常状态和轮对踏面擦伤故障状态下的数字数据。

所述车载多传感器组合检测装置包括速度传感器5、激光扫描传感器2、激光位移传感器4、车轴振动加速度传感器6、车体振动加速度传感器1、数据传输模块和A/D转换模块；

所述激光扫描传感器2安装在车轮滚动圆正上方的车体3上；在车轮两侧分别安装有所述激光位移传感器4；所述车轴振动加速度传感器6安装在车轴两端靠近轮对处；所述车体振动加速度传感器1与激光扫描传感器2固定在一起；速度传感器5同时与激光扫描传感器2、激光位移传感器4、车轴振动加速度传感器6以及车体振动加速度传感器1连接，激光扫描传感器2、激光位移传感器4、车轴振动加速度传感器6以及车体振动加速度传感器1分别经过数据传输模块和A/D转换模块连接至状态检测显示器。

车轴振动加速度传感器6和车体振动加速度传感器1为三轴振动加速度传感器。

所述列车轮对的各几何参数包括轮缘厚度B、轮缘高度H、踏面圆周磨耗率ω、擦伤面积S、车轮直径D以及轮辋宽度W。

步骤2：对数字数据运用时间对准算法进行数据配准，得出配准数据，再得出轮对三维模型；配准数据用于构建三维模型，能够简明直观的研究轮对和对轮对进行故障诊断。

步骤3：在数据配准的基础上，选取激光扫描传感器所测得的数据，以轮对常见的踏面擦伤故障作为研究对象，进行轮对踏面的故障诊断研究；

步骤4：对轮对踏面的配准数据进行降噪处理和特征构造；

首先，对轮对踏面的配准数据进行三层小波包分解，得到八个频率分量的信号，即f＝[f₃ ⁰,f₃ ¹,f₃ ²,f₃ ³,f₃ ⁴,f₃ ⁵,f₃ ⁶,f₃ ⁷]；

其次，用小波包重构算法，对分解出来的频带分别进行信号重构，达到消噪的目的；

最后，用能量特征值公式构造能量特征值，求出各个频率分量的能量特征值构造出能量特征集

所用到的公式如下：

小波包分解公式：

式中，n＝1,2,3,..,N；j为尺度因子，j∈Z₊；l∈[1,j]；和为小波包分解系数；h_l-2k和g_l-2k分别为小波包分解的低通滤波器组和高通滤波器组；

小波包重构公式：

式中，h_k-2l和g_k-2l分别为小波包重构的低通滤波器组和高通滤波器组；

能量特征值公式：

式中，x_jk表示第j个重构信号的离散幅值。

步骤5：加入轮对踏面状态类型，构建出30·9的原始故障特征集，如表1所示。

表1 30·9的原始故障特征集

步骤6：用原始故障特征集构造RS决策表，用属性约简方法进行降维，剔除冗余信息，提取主特征值，把原始故障能量特征样本集中的第2列和第6列提取出来作为精简故障特征集。把8维降至了2维，精简了原始故障能量特征样本集，降低了构建模型的难度，缩短构建模型的时间。

步骤7：将精简故障特征集随机打乱，分别建立含有16个元素的训练样本集和含有14个元素的测试样本集，其中训练样本集用于构建轮对踏面擦伤故障诊断模型，测试样本集用于测试和评估轮对踏面擦伤故障诊断模型的性能；

通过MATLAB软件进行仿真，对训练样本集采用支持向量机分类方法进行训练，确定支持向量机结构参数，构建基于支持向量机的轮对踏面擦伤故障诊断模型；

步骤8：采用粒子群优化算法，对轮对踏面擦伤故障诊断模型进行关键参数寻优，得出最佳惩罚因子和核函数参数分别为2.69和4.02；

步骤10：采用交叉验证的方法，用轮对踏面擦伤故障诊断模型对测试样本集进行轮对踏面状态分类，评估、测试以及验证轮对踏面擦伤故障诊断模型的分类性能。

在本实施用例中，轮对踏面正常状态与轮对踏面擦伤故障状态区别明显：踏面正常状态数据波动很小，几乎都在峰值±0.1mm之内，而踏面擦伤故障状态数据波动较大，超过了±0.1mm，有些甚至达到了±1.5mm，接近±2mm，说明了本发明方法的可行性，为高精度检测轮对多几何参数提供理论依据。

模型训练时间较短，为0.226633s，分类准确率高，为100％。因此，小波包变换、RS理论和支持向量机分类结合使用，是一种比较优秀的轮对踏面擦伤故障诊断方法，为轮对踏面擦伤故障诊断提供了理论基础，对列车的安全运行具有非常重要的意义。

Claims (6)

1.一种基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，包括如下步骤：

步骤1：利用车载多传感器组合检测装置，对列车轮对的各几何参数进行数据采集，得出模拟数据；模拟数据通过数据传输模块和A/D转换模块得到数字数据；

所述车载多传感器组合检测装置包括速度传感器、激光扫描传感器、激光位移传感器、车轴振动加速度传感器、车体振动加速度传感器、数据传输模块和A/D转换模块；所述激光扫描传感器安装在车轮滚动圆正上方的车体上；在车轮两侧分别安装有所述激光位移传感器；所述车轴振动加速度传感器安装在车轴两端靠近轮对处；所述车体振动加速度传感器与激光扫描传感器固定在一起；速度传感器同时与激光扫描传感器、激光位移传感器、车轴振动加速度传感器以及车体振动加速度传感器连接，激光扫描传感器、激光位移传感器、车轴振动加速度传感器以及车体振动加速度传感器分别经过数据传输模块和A/D转换模块连接至状态检测显示器；

所述列车轮对的各几何参数包括轮缘厚度B、轮缘高度H、踏面圆周磨耗率ω、擦伤面积S、车轮直径D以及轮辋宽度W；

步骤2：对数字数据运用时间对准算法进行数据配准，得出配准数据，再在右手空间直角坐标系下，得出轮对三维模型；

步骤3：在数据配准的基础上，选取激光扫描传感器所测得的数据，以轮对常见的踏面擦伤故障作为研究对象，进行轮对踏面的故障诊断研究；

步骤4：对轮对踏面的配准数据进行降噪处理和特征构造；

步骤5：构造原始故障特征集；

步骤6：用原始故障特征集构造RS决策表，用属性约简方法剔除冗余信息，得到精简故障特征集；

步骤7：将精简故障特征集随机打乱，分别建立训练样本集和测试样本集，其中，训练样本集用于构建轮对踏面擦伤故障诊断模型，测试样本集用于测试和评估轮对踏面擦伤故障诊断模型的性能；

步骤8：采用粒子群优化算法，对轮对踏面擦伤故障诊断模型进行关键参数寻优，得出最佳惩罚因子和核函数参数；

步骤9：采用交叉验证的方法，用轮对踏面擦伤故障诊断模型对测试样本集进行轮对踏面状态分类，评估、测试以及验证轮对踏面擦伤故障诊断模型的分类性能。

2.根据权利要求1所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，步骤2中，所述右手空间直角坐标系以轮对滚动圆圆心为原点，以轮对滚动圆正上方列车车体方向为X轴正方向，以列车行进方向为Y轴正方向，以车轴旋转体轴线方向为Z轴正方向。

3.根据权利要求1所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，步骤4中，具体步骤如下：

首先，对轮对踏面的配准数据进行三层小波包分解，得到八个频率分量的信号，即

其次，用小波包重构算法，对分解出来的频带分别进行信号重构，达到消噪的目的；

最后，用能量特征值公式构造能量特征值，求出各个频率分量的能量特征值构造出能量特征集

4.根据权利要求3所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，步骤4中，所用到的公式如下：

小波包分解公式：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>n</mi> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <mi>k</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>&amp;Element;</mo> <mi>Z</mi> </mrow> </munder> <msub> <mi>h</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>2</mn> <mi>k</mi> </mrow> </msub> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mo>&amp;lsqb;</mo> <mi>l</mi> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <mi>k</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>&amp;Element;</mo> <mi>Z</mi> </mrow> </munder> <msub> <mi>g</mi> <mrow> <mi>l</mi> <mo>-</mo> <mn>2</mn> <mi>k</mi> </mrow> </msub> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mo>&amp;lsqb;</mo> <mi>l</mi> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> </mtable> </mfenced>

式中，n＝1,2,3,..,N；j为尺度因子，j∈Z₊；l∈[1,j]；和为小波包分解系数；h_l-2k和g_l-2k分别为小波包分解的低通滤波器组和高通滤波器组；

小波包重构公式：

<mrow> <msubsup> <mi>d</mi> <mrow> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mn>2</mn> <mi>n</mi> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <mi>k</mi> <mo>&amp;rsqb;</mo> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>&amp;Element;</mo> <mi>Z</mi> </mrow> </munder> <mrow> <msub> <mi>h</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>2</mn> <mi>l</mi> </mrow> </msub> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>n</mi> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <mi>l</mi> <mo>&amp;rsqb;</mo> </mrow> <mo>+</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>&amp;Element;</mo> <mi>Z</mi> </mrow> </munder> <mrow> <msub> <mi>g</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>2</mn> <mi>l</mi> </mrow> </msub> <msubsup> <mi>d</mi> <mi>j</mi> <mrow> <mn>2</mn> <mi>n</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>&amp;lsqb;</mo> <mi>l</mi> <mo>&amp;rsqb;</mo> </mrow> </mrow>

式中，h_k-2l和g_k-2l分别为小波包重构的低通滤波器组和高通滤波器组；

能量特征值公式：

<mrow> <msubsup> <mi>E</mi> <mn>3</mn> <mi>i</mi> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>|</mo> <msub> <mi>x</mi> <mrow> <mi>j</mi> <mi>k</mi> </mrow> </msub> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>

式中，x_jk表示第j个重构信号的离散幅值。

5.根据权利要求1所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，步骤5中，将轮对踏面状态类型分为两种：轮对踏面正常状态和轮对踏面擦伤故障状态，其分类值分别对应为1和2，则原始故障特征集为其中Y_i∈{1,2}。

6.根据权利要求1所述基于车载检测装置的列车轮对踏面擦伤故障诊断方法，其特征在于，步骤7中，对训练样本集采用支持向量机分类方法进行训练，确定支持向量机结构参数，构建基于支持向量机的轮对踏面擦伤故障诊断模型。