CN106021789A - 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 - Google Patents

Abstract

本发明公开了基于模糊智能的轨道交通车辆悬挂系统故障分析方法，该方法的步骤包括：构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析S1；根据轨道交通车辆悬挂系统模型动力学分析结果，布置加速度传感器S2；提取加速度传感器采集得到的多组数据的时域和频域特征，并通过功率谱分析进行距离特征的提取S3；对步骤S3中原始特征样本进行降维处理，获得故障特征样本S4；基于故障特征样本，利用模糊智能对车辆悬挂系统进行故障分类S5。本方案克服了时频域特征指标从时域或频域的某个方面描述信号变化的缺点，同时克服了时频域特征指标容易被加和与取平均运算淹没差异性特征的缺点，改善了特征样本的质量。

Description

基于模糊智能的轨道车辆悬挂系统故障分类方法及系统

技术领域

本发明涉及列车故障分析领域，特别是涉及一种基于模糊智能的轨道交通车辆悬挂系统故障分析方法及系统。

背景技术

轨道交通的高速发展，对车辆的安全性和可靠性提出了新的要求。在一些大城市，例如北京、上海和广州，早晚高峰时段很多运营线路均在超负荷运行。这就要求列车各个关键系统必须安全可靠，不能出现大的故障甚至失效。悬挂系统作为车辆的主要部分之一，对于车辆的安全有着至关重要的作用。悬挂系统的故障会引起列车运行舒适性变差、轮轨接触力不平衡等问题，严重故障会导致列车运行失稳甚至脱轨。对于高速列车来讲，车辆悬挂系统故障对于列车来讲都是致命的。

现存的车辆悬挂系统故障诊断研究还局限在模型参数确知的情况下采用基于模型的方法对系统的故障进行检测或估计，基于数据驱动的车辆悬挂系统关键零部件故障分离仍然未得到足够重视，这对于快速查找故障元件和辅助维修具有重要意义，必须开展深入研究。

传统的特征提取方法主要是通过计算时频域特征指标来获得特征样本。需要指出的是，时频域特征指标仅是从时域或频域对信号做出描述，并且计算过程存在将信号的所有数据进行加和和取平均的过程，能反映信号间差异性的信息有可能被大量数据的加和和取平均淹没。因此本发明需要着重研究一个方面是，提出一种能有效反映不同信号之间差异性的特征提取方法，作为对时频域特征的有效补充。

模糊聚类算法和BP神经网络算法在故障分类领域有着广泛的应用，但是两种算法本身也存在着一定的局限性。FPCM算法仅需要知道输入样本的聚类数，就可以实现聚类。但是算法本身对初始值和输入样本的复杂度比较敏感，聚类效果不稳定。通过选择合适的输入样本维数，并事先对聚类中心进行初始化，可以提高算法的稳定性。BP神经网络需要在输入输出已知的情况下对网络进 行训练，才能得到较好的预测分类效果，并且BP神经网络的训练过程容易陷入局部最优解，会造成预测分类结果的不稳定。

因此，需要提供一种既能提综合优秀算法又能提供故障分类准确性和稳定性的轨道交通车辆悬挂系统分析方法。

发明内容

本发明要解决的技术问题是提供一种基于模糊智能的轨道交通车辆悬挂系统故障分类方法及系统，以解决现有车辆悬挂系统故障诊断过程中没有对分析对象的时间序列信号变化特征进行分析，导致无法对系统的故障进行准确检测或估计，从而使故障定位精度降低和分类准确率降低的问题。

为解决上述技术问题，本发明采用下述技术方案：

基于模糊智能的轨道交通车辆悬挂系统故障分类方法，该方法的步骤包括：

S1、构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；

S2、根据轨道交通车辆悬挂系统模型动力学分析结果，布置加速度传感器；

S3、对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；

S4、对步骤S3中原始特征样本进行降维处理，获得故障特征样本；

S5、基于故障特征样本，利用模糊智能对车辆悬挂系统进行故障分类。

优选地，所述步骤S1中采用SIMPACK多体动力学仿真软件对轨道交通车辆悬挂系统模型进行动力学仿真与特征分析。

优选地，所述步骤S2中分别在轨道交通车辆的前转向架、后转向架和车体的四个边角处各设置有1个三轴加速度传感器。

优选地，所述步骤S3包括：

S31、提取的每组数据的时域和频域特征，利用welch方法分别计算每组数据的功率谱，即正常工况P_正常、第一类故障P_{故障 1}、第一类故障P_{故障 2}……第n类故障P_{故障 n}的功率谱；

S32、通过拟合的方法对正常工况下的功率谱P_正常进行连续谱提取；

S33、分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；

S34、对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱；

S35、基于欧氏距离，对计算各故障工况与正常工况间的差异性。

优选地，所述步骤S5包括：

S51、利用FPCM算法将X个故障特征样本分为c类，获得每一类的聚类中心v_i，i＝1,2,…,c和隶属度矩阵U；

S52、根据FPCM算法的样本聚类结果，对BP神经网络的训练样本进行初选；

S53、以步骤S52的初选BP神经网络的训练样本作为BP神经网络的初始训练样本，利用交叉验证，反复进行BP神经网络的预测分类和训练样本的选择，直至获得精确而稳定的分类结果。

优选地，所述步骤S53中基于交叉验证的故障分类的步骤包括：

S531、利用根据FPCM算法初选的BP神经网络的训练样本训练神经网络；

S532、利用训练好的BP神经网络对故障特征样本进行预测分类；

S533、根据步骤S532中的预测分类重新选取BP神经网络训练样本；

S534、利用步骤S533中的BP神经网络训练样本再次对BP神经网络进行训练；

S535、重复步骤S532～S534。

基于模糊智能的轨道交通车辆悬挂系统故障分类系统，该系统包括：

动力学分析单元，构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；

数据采集单元，用于采集轨道交通车辆悬挂系统中垂向和横向加速度数据；

特征提取单元，对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；

特征降维单元，利用核主元分析法KPCA对原始特征样本进行降维处理，获得故障特征样本；

故障分类单元，基于交叉验证法，利用基于FPCM聚类算法和BP神经网络算法的混合算法对车辆悬挂系统进行故障分类。

优选地，所述动力学分析单元包括：

模型构建模块，基于轨道交通车辆悬挂系统的结构、功能及垂向力与横向力的传递过程，构建车辆悬挂系统模型；

仿真模块，采用SIMPACK多体动力学仿真软件对轨道交通车辆悬挂系统模型进行动力学仿真。

优选地，所述特征提取单元包括：

功率谱计算模块，提取的每组数据的时域和频域特征，利用welch方法分别计算每组数据的功率谱，即正常工况P_正常、第一类故障P_{故障 1}、第一类故障P_{故障 2}……第n类故障P_{故障 n}的功率谱；

线谱计算模块，分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；

去噪模块，对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱；

差异性分析模块，基于欧氏距离，对计算故障工况与正常工况间的差异性。

优选地，所述故障分类单元包括：

模糊聚类模块，利用FPCM算法将X个故障特征样本分为c类，获得每一类的聚类中心v_i，i＝1,2,…,c和隶属度矩阵U；

网络训练样本初始选择模块，根据FPCM算法的样本聚类结果，对BP神经网络的训练样本进行初选；

交叉验证模块，执行如下步骤：

S531、利用根据FPCM算法初选的BP神经网络的训练样本训练神经网络；

S532、利用训练好的BP神经网络对故障特征样本进行预测分类；

S533、根据步骤S532中的预测分类重新选取BP神经网络训练样本；

S534、利用步骤S533中的BP神经网络训练样本再次对BP神经网络进行训练；

S535、重复步骤S532～S534。

本发明的有益效果如下：

本发明所述技术方案克服了时频域特征指标从时域或频域的某个方面描述信号变化的缺点，也克服了时频域特征指标容易被加和与取平均运算淹没差异性特征的缺点，改善了特征样本的质量。本发明将模糊聚类算法和BP神经网络算法相结合，基于交叉验证思想实现了预测分类结果准确性和稳定性的提高。因此本发明提出了一种车辆悬挂系统关键零部件故障分类技术，可以快速检测并定位悬挂系统关键零部件的故障，为车辆维修部门提供运维保障支持。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本方案所述车辆悬挂系统的结构示意图；

图2示出本方案车辆悬挂系统垂向作用力和横向作用力的传递过程的示意图；

图3示出本方案所述车辆悬挂系统中弹簧与阻尼原件的工作原理示意图；

图4示出本方案所述车辆悬挂系统动力学仿真的示意图；

图5示出本方案所述传感器布设的示意图；

图6示出本方案所述正常工况下的某个传感器加速度数据的功率谱、连续谱和线路的示意图；

图7示出本方案所述线谱简化原理的示意图；

图8示出本方案所述正常工况下某传感器加速度数据线谱的简化结果示意图；

图9示出本方案所述旁瓣叠加原理的示意图；

图10示出正常工况下某传感器加速度数据线谱的扫描及旁瓣剔除结果的示意图；。

图11示出本方案所述利用“空间距离”概念进行功率谱特征计算的原理示意图；

图12示出本方案所述时频域特征样本KPCA分析结果的示意图；

图13示出本方案所述综合特征样本KPCA分析结果的示意图；

图14示出本方案所述基于模糊智能的故障分类混合算法基本流程；

图15示出本方案所述交叉验证的流程图；

图16示出本方案所述模糊聚类模块50次聚类分析的目标函数最优值的示意图；

图17示出本方案所述模糊聚类模块FPCM聚类结果的最好情况的示意图；

图18示出本方案所述基于模糊智能的混合算法和BP神经网络分类正确率比较的示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

本发明考虑将FPCM聚类算法和BP神经网络进行混合，并采用基于交叉验证思想的网络训练方法，提高BP神经网络的泛化能力，进而提高分类的准确性和稳定性。因此本发明需要重点研究的另一个方面是，提出一种将模糊聚类算法和BP神经网络算法结合的混合算法，提高预测分类的准确性和稳定性。本发明以在途车辆悬挂系统各种典型故障情况下的垂向和横向加速度信号为分析对象，着力研究时间序列信号的变化特征，分析各路信号对应不同故障时变化的固有特点，研究加速度信号的时域、频域和功率谱故障特征的提取算法，并通过特征优化算法(如核主元分析法KPCA)对高维故障特征进行融合和降维，基于模糊聚类和计算智能算法，提出车辆悬挂系统多故障智能分类的混合算法，实现未知元器件故障的准确判定和估计。

本发明所述基于模糊智能的轨道交通车辆悬挂系统故障分类方法，具体的包括如下步骤：

一、车辆悬挂系统模型搭建及传感器布设

(1)车辆悬挂系统模型搭建

车辆悬挂系统是指位于车体与转向架及转向架与轮对之间，起到支撑、缓冲和引导作用的一系列弹簧、阻尼元件，一般包括两系悬挂系统。一系悬挂系统位于转向架与轮对之间，起到缓冲轮轨冲击、支撑转向架和引导车辆运行的作用，主要包括轴箱、轴箱弹簧和垂向减震等；二系悬挂系统位于车体与转向架之间，起到缓冲高频振动、支撑车体和引导车辆运行的作用，主要包括空气弹簧、横向减震和抗蛇行减震等。

在车辆运行过程中，由于线路条件(如轨道不平顺)等原因，悬挂系统各零部件上会产生相应的作用力。研究车辆悬挂系统各零部件的功能前，需要先明确车辆运行过程中各方向作用力的传递过程。

在明确各方向力的传递过程后，还需要研究典型元件的力的产生原理。对弹簧元件而言，弹簧力的方向与弹簧压缩或拉伸的方向相反，大小与弹簧的形变量成正比；对阻尼元件而言，阻尼力的方向与活塞运动方向相反，大小与活塞运动速度成正比。基于上述原理，弹簧力和阻尼力的计算公式分别为：

F_k＝k·Δx

F_d＝d·v

其中，F_k——弹簧力；

F_d——阻尼力；

k——刚度系数；

d——阻尼系数；

Δx——弹簧形变量；

v——活塞运动速度。

当悬挂系统各零部件出现故障时，刚度系数或阻尼系数会出现不同程度的衰减。本文的研究正是基于该理论，通过模拟弹簧或阻尼元件参数的衰减来仿真不同程度的故障。

在SIMPACK中搭建车辆动力学模型，并在SIMULINK中搭建外部力计算模型。通过实时采集对应位置的位移或速度，计算一个外部力，并反向施加到SIMPACK模型中，以仿真不同程度的故障。具体原理是，对阻尼器而言，产生的阻尼力阻碍活塞在阻尼器中的运动，即阻尼力与活塞运动速度大小成正比，方向相反。当阻尼器出现某种程度的性能衰减时，往往表现为阻尼系数的衰减。SIMPACK动力学模型在运行过程中可以实时采集车辆各部位的加速度、相对速度和相对位移。本发明考虑将阻尼器两端的相对速度与阻尼衰减值相乘获得一个外部力，并将这个外部力反向施加到SIMPACK动力学模型的对应位置，以模拟阻尼器的性能衰减。发生阻尼衰减后的有效作用力为：

F_d＝d·v-d_re·v

其中，F_d——阻尼力；

d——阻尼系数；

v——阻尼器两端相对速度(活塞运动速度)；

d_re——阻尼系数衰减值。

同理通过类似的方法可以实时测得故障弹簧所在位置作用点之间的相对位移，将其与刚度衰减值相乘获得一个外部力，并将这个外部力反向施加到SIMPACK动力学模型的对应位置，以模拟弹簧的性能衰减。发生刚度衰减后的有效作用力为：

F_k＝k·Δx-k_re·Δx

其中，F_k——弹簧力；

k——刚度系数；

Δx——弹簧两端相对位移(弹簧形变量)；

k_re——刚度系数衰减值。

(2)传感器布设方案

考虑到悬挂系统各零部件发生故障时，性能衰减的直接影响是车体或构架上的振动状态发生变化。而加速度信号可以承载很多有关车辆振动的信息，用 来进行故障分类比较合理。因此设计采集车体及构架不同位置的加速度数据，作为后续数据处理与分析的实验数据来源。在车体底面四角和前后转向架构架四角处各设置有1个三轴加速度传感器，并且针对垂向故障和横向故障分别采集垂向和横向加速度数据进行分析。

二、特征提取与降维

本发明设计了7种不同故障，分别是：空气弹簧垂向刚度衰减、空气弹簧垂向阻尼衰减、二系横向减震阻尼衰减、抗蛇行减振阻尼衰减、一系垂向减震阻尼衰减、一系轴箱弹簧垂向刚度衰减和一系轴箱弹簧垂向阻尼衰减。每种故障设计了两种不同的故障等级(35％和75％)，加上正常工况一共为15种工况。对每种工况分别采集5次数据，因此总共得到75组数据。分别提取每组数据的时域、频域特征，并基于功率谱提取数据的基于距离的特征；采用KPCA技术对提取的特征进行压缩降维。

(1)特征提取

基于传统的时域、频域信号处理技术，可以获得基于加速度信号的时、频域特征，如均值、方差等有量纲时域特征、裕度指标、峭度指标等无量纲时域特征以及重心频率、均方频率等频域特征。

基于距离的概念提取功率谱特征，具体过程如下：

1)功率谱计算

计算各工况数据的功率谱，分别为正常工况P_正常、第一类故障P_{故障 1}、第一类故障P_{故障 2}……第n类故障P_{故障 n}。

这里采用的功率谱计算方法为welch方法。该方法将输入信号分割为n段，且相邻两段间存在一定比例的重叠(如25％)。将分割后的每一段数据用汉明窗进行加窗，窗函数的长度等于每一段数据的长度。需要注意的是，FFT的长度和输入信号的大小决定了功率谱估计的长度和归一化频率的范围。当FFT的长度为N时，功率谱估计的长度为(N/2)+1，对应的归一化频率范围为[0,π]。

2)连续谱和线谱提取

在进行正常工况下功率谱的连续谱的提取时，采用的是提取极值点再进行曲线拟合的方法。为描述功率谱的连续谱并尽可能保留谱线的完整性，选取功率谱的极小值点大致勾画功率谱的连续谱。采用6阶多项式拟合的方法对极小值点进行拟合，以拟合结果作为功率谱的连续谱。功率谱减去提取到的连续谱，则可以得到相应线谱，在下一步中用于提取谱线：

3)线谱简化及扫描

分别对各工况数据功率谱的线谱进行扫描和谱线的进一步提取。考虑到谱线不可能为中间过渡点(即处在连续上升或下降过程中的点)，因此剔除连续上升或下降的中间点，仅保留转折点；设置门限阈值，进行谱线扫描，提取线谱分布。

①线谱简化

线谱简化可以通过以下操作实现：假设有任意连续的三条谱线编号分别为k-1、k和k+1，各自对应的谱线峰值分别为y_k-1、y_k和y_k+1。求相邻两点的一阶差分为Δy_k＝y_k+1-y_k、Δy_k-1＝y_k-y_k-1，若Δy_k·Δy_k-1＞0则y_k为中间过渡点，应将其剔除；若Δy_k·Δy_k-1＜0则y_k为转折点，将其保留并且记录对应频率。

②线谱扫描

线谱扫描可以通过以下操作实现：线谱简化的结果为y′，假设有任意连续的三条谱线编号分别为k-1、k和k+1，各自对应的谱线峰值分别为y′_k-1、y′_k和y′_k+1。设置阈值Δ＝1Hz，对任意一点y′_k，如果y′_k-y′_k-1＞Δ或者y′_k-y′_k+1＞Δ，则y′_k为线谱，否则不为线谱。

③旁瓣剔除

此外考虑到线谱可能存在旁瓣叠加的较高点，也会被误认成有效的谱线。因此还需要设置一个阈值Δ_g＝1dB，在线谱扫描结果的基础上判断：当线谱扫描的结果为y″，假设有任意连续的三条谱线编号分别为k-1、k和k+1，各自对应的谱线峰值分别为y″_k-1、y″_k-1和y″_k+1。若一根谱线y″_k，满足y_k-2-y_k＞Δ_g或y_k+2-y_k＞Δ_g，并且其频率间隔Δf＜4Hz时，则该谱线不为线谱，应予以剔除。完成线谱扫描和旁瓣剔除后，可得到最终的谱线提取结果。

4)基于距离概念计算功率谱特征

基于提取到的线谱，引入“空间距离”的概念衡量不同故障工况与正常工况间的差异性。由于车辆悬挂系统发生故障时，不仅谱线的峰值会发生变化，而且对应的频率也有可能发生偏移，因此本文引入二维空间坐标来表示每一条谱线的相关信息。其中横坐标代表谱线对应的频率，纵坐标代表相应谱线的峰值。通过计算欧氏距离的方式衡量两种工况间的差异性，可用下式表示：

$Dis=\sqrt{{(f_1^1-f_1^2)}^2+{(y_1^1-y_1^2)}^2}+\sqrt{{(f_2^1-f_2^2)}^2+{(y_2^1-y_2^2)}^2}+\sqrt{{(f_3^1-f_3^2)}^2+{(y_3^1-y_3^2)}^2}+\mathrm{...}$

上述差异性实际是通过欧氏距离来表示不同故障工况与正常工况之间的差异度。通过将这种差异度引入到故障特征中，可以增大不同工况的故障特征之间的差异性，更有利于通过故障分类算法将不同工况分离开。

(2)特征降维

计算时频域特征和基于距离的功率谱特征，可以得到原始故障特征样本。采用核主元分析法(KPCA)对原始故障特征数据进行压缩与降维。具体过程如下：

1)对于原始故障特征数据进行标准化处理得到选择径向基Kernel函数：

$k(x,y)=\exp (-\frac{\left|\right|x-y|{|}^2}{2{\mathrm{\δ}}^2})$

并基于非线性映射关系Φ(·)，通过下式计算kernel矩阵K。

${\&lsqb;K\&rsqb;}_{ij}=K_{ij}=<\mathrm{\&Phi;}\left({\tilde{x}}_i\right),\mathrm{\&Phi;}\left({\tilde{x}}_j\right)>$

2)通过下式对矩阵K进行中心化。

$\tilde{K}=K-l_{n}K-{\mathrm{Kl}}_n+l_n{\mathrm{Kl}}_n$

其中，l_n为：

3)通过下式求出矩阵的特征值和特征向量。

$\mathrm{\&lambda;}n\mathrm{\&alpha;}=\tilde{K}\mathrm{\&alpha;}$

4)通过下式归一化计算得到的特征值，并按照从大到小的顺序排序，计算累计方差贡献率。通过累计方差贡献率(例如95％)确定需要的主元个数。

1＝λ_h<α_h,α_h>

5)通过下式计算特征向量在特征空间上的投影，得到特征向量在高维空间的主元。

$t_h=<e_h,\mathrm{\&Phi;}\left(\tilde{x}\right)>=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&beta;}}_i^h<\mathrm{\&Phi;}\left({\tilde{x}}_i\right),\mathrm{\&Phi;}\left(\tilde{x}\right)>$

其中，为输入空间的输入向量，β_i为矩阵K第h个特征值对应的特征向量α_h的第i个系数。上述投影结果表示的就是通过非线性映射关系Φ(·)投影得到 的非线性主元。通过比较是时频域特征和综合特征经KPCA算法降维后的结果，说明引入基于距离的功率谱特征改善了特征样本的质量。

三、基于模糊智能的车辆悬挂系统关键零部件多故障智能分类

FPCM算法仅需要知道输入样本的聚类数，就可以实现聚类。但是算法本身对初始值和输入样本的复杂度比较敏感，聚类效果不稳定。通过选择合适的输入样本维数，并事先对聚类中心进行初始化，可以提高算法的稳定性。BP神经网络需要在输入输出已知的情况下对网络进行训练，才能得到较好的预测分类效果，并且BP神经网络的训练过程容易陷入局部最优解，会造成预测分类结果的不稳定。因此本发明考虑将FPCM聚类算法和BP神经网络进行混合，并采用基于交叉验证思想的网络训练方法，提高BP神经网络的泛化能力，进而提高分类的准确性和稳定性。

在输入样本聚类数已知的情况下，通过FPCM算法进行聚类，得到输入样本与聚类结果的一一对应关系，并选择一定比例的输入样本与聚类结果作为BP神经网络训练的初始输入输出。BP神经网络采用基于交叉验证思想的网络训练方法进行网络训练，每一次的预测输出指导下一次网络训练的输入输出的选择，可以有效避免网络训练过程陷入局部最优，提高算法稳定性。

算法各个模块的具体功能如下：

(1)模糊聚类模块

运用FPCM算法将故障特征样本X分为c类，并且可以得到每一类的聚类中心v_i(i＝1,2,…,c)和隶属度矩阵U。FPCM算法稳定性较差，且对输入样本的复杂程度比较敏感。考虑选取故障特征样本的前3列作为算法的输入样本，并进行聚类中心初始化寻优，通过多次聚类分析找到最优的聚类结果。根据最优的聚类结果将故障特征样本划分为不同的聚类，进入网络训练样本初始选择模块进行BP神经网络初始训练样本的选取。

(2)网络训练样本初始选择模块

根据FPCM的聚类结果选择最靠近各类样本中心的样本作为BP神经网络的训练样本。首先计算各类样本的类内均值v_i(i＝1,2,…,c)，然后计算各类中所有样本到v_i的距离dis_ik(i＝1,2,…,c，k＝1,2,…,5)，从dis_ik中选择最小的d个样本作为一组，并设定其对应的网络输出为i对应的四位二进制编码(例如“1”对应0,0,0,0，“2”对应0,0,0,1)。此时就得到c×d组BP神经网络训练样本和对应的二进制代码输出，其中数据行数代表样本数，数据列数代表特征维数。

(3)交叉验证模块

交叉验证模块包括：神经网络训练模块、神经网络预测模块和网络训练样本选择模块。

1)神经网络训练模块是用训练样本训练BP神经网络。

2)神经网络预测模块是用训练好的BP神经网络以故障特征样本作为测试样本进行预测分类。

3)网络训练样本选择模块根据BP神经网络的预测分类结果，采用交叉验证的方法重新选择训练样本。

该模块根据当前BP神经网络的预测输出把故障特征样本重新划分为c类，并且采用与网络训练样本初始选择模块相同的方法重新选取训练样本，并重新对BP神经网络进行训练，然后再次以故障特征样本为预测数据进行预测。

(4)重复上述步骤(3)的过程多次，得到稳定而精确的分类结果。

下面通过实例对本发明作进一步说明：

本发明提出了一种车辆悬挂系统关键零部件故障分类技术，可以快速检测并定位悬挂系统关键零部件的故障，为车辆维修部门提供运维保障支持。下面结合附图具体说明本发明的实施方案。

一、车辆悬挂系统建模及传感器布设

(1)悬挂系统结构研究

如图1所示，研究轨道交通车辆悬挂系统的组成及结构，确定参与SIMPACK建模的主要零部件的种类及个数。

(2)悬挂系统建模

如图2所示，研究悬挂系统垂向和横向作用力的传递过程，明确参与力的传递的主要零部件，在后续研究中对这些零部件进行故障分析。本发明确定的关键零部件有：空气弹簧、二系横向减震、抗蛇行减震、一系轴箱弹簧和一系垂向减震。

如图3所示，研究弹簧元件和阻尼元件力的产生原理。

如图4所示，在SIMPACK中搭建车辆悬挂系统模型，在SIMULINK中搭建外部力计算模型，通过实时采集对应位置的位移或速度，计算一个外部力，并反向施加到SIMPACK模型中，以仿真不同程度的故障。

(3)传感器布设

如图5所示，为本发明所设计的传感器布设方案，在车体四角及前、后转向架四角分别装设加速度传感器，测量十二个位置的加速度数据。

二、特征提取与降维

(1)特征提取

根据采集到的加速度数据，计算时频域特征和基于距离的功率谱特征。

计算正常工况数据的功率谱连续谱，并计算其他各故障工况数据的功率谱。将各工况的功率谱减去连续谱，即可得到对应的线谱。如图6所示为正常工况下某传感器加速度数据的功率谱、连续谱及线谱。得到的线谱需要保留转折点而剔除中间点，通过如图7所示的线谱简化过程可以实现这一操作，例如正常工况下某传感器加速度数据的线谱简化结果如图8所示。再对线谱简化结果进行线谱扫描和旁瓣效应剔除，可得到如图10所示的谱线提取结果。根据如图11所示的方法，计算不同工况数据对应谱线的欧氏距离，得到相应的距离特征。将距离特征和时频域特征组合可得综合特征样本。

(2)特征降维

基于KPCA算法分别对时频域特征和综合特征进行压缩和降维，比较降维效果的好坏，最终证明基于距离的功率谱特征的引入使得故障特征样本更能反映不同工况之间的差异性，有利于后面的分类研究。

如图12所示，为KPCA算法对时频域特征的降维结果，图13为KPCA算法对综合特征的降维效果。通过观察可以发现，不同故障样本点围绕正常样本点向四周呈明显的放射性分布，并且程度较重故障的样本点更加远离正常样本点。比较图12和图13还可以发现，综合特征样本经过KPCA算法降维后的效果要明显优于时频域特征样本，放射性分布更加明显。因此可以得到结论：将基于距离的功率谱特征引入到原始故障特征数据里，使用KPCA算法进行特征降维的效果较好。

三、基于模糊智能的车辆悬挂系统关键零部件多故障智能分类

如图14所示，为基于模糊智能的故障分类混合算法基本流程，主要包括模糊聚类模块、初始训练样本选择模块和交叉验证模块。

(1)初始聚类模块

通过进行50次聚类分析，选择效果最好的聚类结果，作为初始训练样本选择模块的输入。如图16所示，为模糊聚类模块50次聚类分析的目标函数最优值，选择目标函数值最小时对应的聚类结果作为下一模块的输入。如图17为最佳聚类结果，是根据隶属度矩阵划分不同的聚类，此时的聚类正确率为86.7％。

(2)初始训练样本选择模块

将目标函数值最优时的聚类中心和样本聚类结果输入网络训练初始样本选择模块，通过计算每一聚类中各样本与聚类中心的距离确定训练样本，并设计对应输出的二进制代码。将输入样本和对应输出的二进制代码输入交叉验证模块。

(3)交叉验证模块

交叉验证模块包括神经网络训练模块、神经网络预测模块和训练样本选择模块。如图15所示，为交叉验证模块的工作流程。

根据图15所示的交叉验证流程，对BP神经网络重复进行50次网络训练、网络预测和网络训练样本的选择。如图18所示，为各次的预测分类结果正确率与BP神经网络预测分类结果比较。可以明显看到，相较于FPCM算法(最大聚类正确率为86.7％)和BP神经网络，混合算法的分类结果波动性更小，且整体上准确性更高，从而说明混合算法的有效性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.基于模糊智能的轨道交通车辆悬挂系统故障分类方法，其特征在于，该方法的步骤包括：

S1、构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；

S2、根据轨道交通车辆悬挂系统模型动力学分析结果，布置加速度传感器；

S3、对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；

S4、对步骤S3中原始特征样本进行降维处理，获得故障特征样本；

S5、基于故障特征样本，利用模糊智能对车辆悬挂系统进行故障分类。

2.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S1中采用SIMPACK多体动力学仿真软件对轨道交通车辆悬挂系统模型进行动力学仿真与特征分析。

3.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S2中分别在轨道交通车辆的前转向架、后转向架和车体的四个边角处各设置有1个三轴加速度传感器。

4.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S3包括：

S31、提取的每组数据的时域和频域特征，利用welch方法分别计算每组数据的功率谱，即正常工况P_正常、第一类故障P_故障1、第一类故障P_故障2……第n类故障P_故障n的功率谱；

S32、通过拟合的方法对正常工况下的功率谱P_正常进行连续谱提取；

S33、分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；

S34、对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱；

S35、基于欧氏距离，对计算各故障工况与正常工况间的差异性。

5.根据权利要求1所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S5包括：

S51、利用FPCM算法将X个故障特征样本分为c类，获得每一类的聚类中心v_i，i＝1,2,…,c和隶属度矩阵U；

S52、根据FPCM算法的样本聚类结果，对BP神经网络的训练样本进行初选；

S53、以步骤S52的初选BP神经网络的训练样本作为BP神经网络的初始训练样本，利用交叉验证，反复进行BP神经网络的预测分类和训练样本的选择，直至获得精确而稳定的分类结果。

6.根据权利要求5所述的车辆悬挂系统故障分析方法，其特征在于，所述步骤S53中基于交叉验证的故障分类的步骤包括：

S531、利用根据FPCM算法初选的BP神经网络的训练样本训练神经网络；

S532、利用训练好的BP神经网络对故障特征样本进行预测分类；

S533、根据步骤S532中的预测分类重新选取BP神经网络训练样本；

S534、利用步骤S533中的BP神经网络训练样本再次对BP神经网络进行训练；

S535、重复步骤S532～S534。

7.基于模糊智能的轨道交通车辆悬挂系统故障分类系统，其特征在于，该系统包括：

动力学分析单元，构建轨道交通车辆悬挂系统模型，并对该模型进行动力学特征分析；

数据采集单元，用于采集轨道交通车辆悬挂系统中垂向和横向加速度数据；

特征提取单元，对加速度传感器采集得到的加速度数据进行时域和频域特征提取，同时基于功率谱分析对所述加速度数据进行距离特征的提取，并将时域、频域和距离特征进行组合得到原始特征样本；

特征降维单元，利用核主元分析法KPCA对原始特征样本进行降维处理，获得故障特征样本；

故障分类单元，基于交叉验证法，利用基于FPCM聚类算法和BP神经网络算法的混合算法对车辆悬挂系统进行故障分类。

8.根据权利要求7所述的轨道交通车辆悬挂系统故障分类系统，其特征自在于，所述动力学分析单元包括：

模型构建模块，基于轨道交通车辆悬挂系统的结构、功能及垂向力与横向力的传递过程，构建车辆悬挂系统模型；

仿真模块，采用SIMPACK多体动力学仿真软件对轨道交通车辆悬挂系统模型进行动力学仿真。

9.根据权利要求7所述的轨道交通车辆悬挂系统故障分类系统，其特征自在于，所述特征提取单元包括：

功率谱计算模块，提取的每组数据的时域和频域特征，利用welch方法分别计算每组数据的功率谱，即正常工况P_正常、第一类故障P_故障1、第一类故障P_故障2……第n类故障P_故障n的功率谱；

线谱计算模块，分别通过各工况下的功率谱减去正常工况下的连续谱，获得相应的各工况下的线谱；

去噪模块，对各工况下的线谱进行简化及噪声处理，获得满足分析要求的各工况下的线谱；

差异性分析模块，基于欧氏距离，对计算故障工况与正常工况间的差异性。

10.根据权利要求7所述的轨道交通车辆悬挂系统故障分类系统，其特征自在于，所述故障分类单元包括：

模糊聚类模块，利用FPCM算法将X个故障特征样本分为c类，获得每一类的聚类中心v_i，i＝1,2,…,c和隶属度矩阵U；

网络训练样本初始选择模块，根据FPCM算法的样本聚类结果，对BP神经网络的训练样本进行初选；

交叉验证模块，执行如下步骤：

S531、利用根据FPCM算法初选的BP神经网络的训练样本训练神经网络；

S532、利用训练好的BP神经网络对故障特征样本进行预测分类；

S533、根据步骤S532中的预测分类重新选取BP神经网络训练样本；

S534、利用步骤S533中的BP神经网络训练样本再次对BP神经网络进行训练；

S535、重复步骤S532～S534。