CN107563403B - 一种高速列车运行的工况识别方法 - Google Patents
一种高速列车运行的工况识别方法 Download PDFInfo
- Publication number
- CN107563403B CN107563403B CN201710579423.7A CN201710579423A CN107563403B CN 107563403 B CN107563403 B CN 107563403B CN 201710579423 A CN201710579423 A CN 201710579423A CN 107563403 B CN107563403 B CN 107563403B
- Authority
- CN
- China
- Prior art keywords
- speed train
- modal
- function
- identifying
- obtaining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种高速列车运行工况的识别方法,首先将采集到的高速列车的振动信号数据进行预处理,其次对不同通道的监测数据采用变分模态分解,得到模态函数特征,然后对应求取模糊熵,获得多个通道下不同工况的特征向量作为多视图学习的待测样本,最后采用Multi‑View K‑means作为聚类器进行识别。该方法具有知识学习更完备,流程简单,可操作性强等优点。主要用于高速列车运行工况的识别。
Description
技术领域
本发明涉及高速列车运行模式识别技术领域。
背景技术
随着我国高速列车行业的快速发展,高速列车速度快、正点率高、舒适便利、环境影响轻等优点吸引着越来越多的人选择采用高速列车出行,从而高速列车运行的故障隐患问题引起了越来越多的关注。走行部的转向架是列车的重要组成部分,其中转向架上的减振弹簧和减振器保障了列车运行的平稳性,使乘客在列车运行过程中更加舒适。由于高速列车走行部中的转向架在实际运行时会偶然出现一些部件的失效或者失稳的情况,所以我们需要对传感器所采集到的几种列车在运行时的检测数据进行识别,发现其中存在的一些故障隐患,从而保障列车运行更加安全。因此通过在列车转向架的不同部件安装传感器,采集并分析反映其运行状况的振动信号,是进行列车工况分析的主要技术之一。
现有的高速列车工况识别技术主要通过传感器获取转向架振动敏感信号,通过时频域分析获取高速列车的振动信号的特征向量,最后应用识别模型对转向架故障进行识别,大体分为两个阶段:特征提取和识别。特征提取主要从振动信号的时域、频域、时频域三方面进行,如快速傅里叶变换、小波分解和经验模态分解等;识别的角度有单视图和多视图,即单个通道和多个通道;对应的识别方法主要BP神经网络、SVM、FCM等。
由于高速列车的振动信号具有非线性、非平稳、特征信息复杂、难辨别等特点,所以这些传统方法具有一定的局限性,亟需采用一种新的、简单高效的方法进行高速列车工况识别。
通过对现有的专利及相关技术的检索发现,现有的与高速列车工况识别有关的方法有:谢锋云,曹青松,周建民等.一种基于模态区间的高速列车转向架故障诊断方法,CN104502126A[P].2015.提出了一种通过EMD分解,然后提取信号特征,再利用区间神经网络模型来进行高速列车识别的方法。由于其通过模态区间的方法处理了高速列车转向架故障诊断中的不确定性问题,从而大大提高故障诊断结果的可靠性。贺德强,李笑梅,苗剑等.一种高速列车滚动轴承故障诊断方法,CN106441888A[P].2017.提出了一种采集原始振动信号并利用EEMD方法进行分解,选取前几个IMF分量,求分量的能量以及能量总和,归一化处理得到能量特征向量,然后采用RBF神经网络识别故障信息。于重重,杨飞,秦勇等.轨道列车走行部滚动轴承故障的诊断方法,CN106326929A[P].2017.通过提出基于指数平滑预测的滑动时间窗分割算法,实现局部频谱的特征提取,结合改进的Adaboost算法,对轨道交通列车走行部转向架滚动轴承进行故障诊断。贾利民,梁瑜,秦勇等.列车轴承故障的诊断方法和装置,CN105424364A[P].2016.通过利用振动传感器采集列车轴承和构架的振动数据,得到轴承信号的时频域特征参数,根据时频域特征参数判断传感器对应的轴承是否发生故障,并同时定位故障的位置,辨别故障的严重程度。
可以看出现有的方法虽然具有一定的优点却也存在着一些不足:采用EMD分解对于异常信号会产生模态混叠导致信号分解时频率不能完全分离,所以特征提取的效果并不明显;而EEMD算法在抑制模态混叠方面取得了不错的效果,但是EEMD算法引入了高斯白噪声,损害了原信号的纯洁性。所以综合考虑VMD具有较好的信号分解能力。
并且目前针对高速列车振动信号的处理大多通过单个通道的数据进行学习的,多个通道的信息存在多样性和不一致性,为了可以同时利用多个通道中可能存在的补充信息,我们采用多视图的学习方法,并且聚类可以克服传统故障识别技术中计算量大、大量先验知识缺失的缺点。鉴于以上陈述的已有方案的不足,因此我们提出的基于VMD和Multi-View K-means的高速列车工况识别方法有较好的研究意义与应用价值。本发明旨在提供更简单的、更完善的方案,并使之克服现有技术的以上缺点。
发明内容
本发明目的是提供一种高速列车运行的工况识别方法,它能有效地解决高速列车工况的识别问题。
本发明目的是通过以下技术方案来实现的:一种高速列车运行工况的识别方法,步骤一、将高速列车运行工况类型分为转向架正常工况、空气弹簧失气、横向减振器失效和抗蛇行减振器失稳工况四种;通过设于不同通道的传感器采集高速列车运行时振动信号的位移加速度数据进行预处理:采集频率fs=243Hz,监测数据为一列时间序列Tv={T1,T2,…Tfn},式中,v为通道数,fn为采样点数,分段降噪以后得到样本Cv={C1,C2,…CN},式中,N为样本数。
a.通过Hilbert变换得到每个模态函数uk(t)的解析信号,从而获得信号的单边频谱;
b.每个模态函数围绕各自估算中心的频率,通过指数修正调制到相应的基频带;
c.通过高斯平滑解调信号获得每段带宽,即L2范数的平方根,构造出目标函数:
d.为求取最优解,即各个模态函数,引入带宽参数α构造Lagrange函数:
其中:λ为Lagrange乘子;
e.分别得到模态分量uk和ωk的频域表达式:
f.然后利用交替方法乘子算法求约束变量的最优解,从而将原始信号分解为K个窄带模态分量,每个模态函数U=[u1u2…uK];
步骤三、对每个模态函数对应求取模糊熵,每个样本也对应得到K个特征向量:
步骤四、将多个通道下的特征向量输入Multi-View K-means聚类器中进行工况识别,过程如下:
a.根据目标函数:
其中,w为视图权重,γ为指示矩阵,同一簇值为1,否则为0,o为簇中心,x为样本点,p为调节参数,N为样本数,K为模态分量数;
b.构造Lagrange乘子:
其中,λ,φ为Lagrange乘子,d为欧氏距离。
c.分别得到目标函数在约束条件下取到极小值时需要满足的必要条件为:
d.最终得到识别结果。
步骤一中,所述预处理为在获取高速列车转向架的振动信号后,对其进行巴特沃斯滤波器滤波,消除噪声干扰,得到无噪的振动信号数据。
步骤二中,所述VMD分解,是对高速列车的振动信号进行自适应的信号频域剖分,有效分离各分量。
步骤四中,将多个通道下的特征向量数据信息定义为多个视图的样本信息,经过多视图聚类器进行更完备的信息学习,最终确立识别结果。
在实际实施时,数据的分段和模态函数的数量还可以根据不同的特征提取方式做更改。
与现有技术相比,本发明的优点和效果:
本发明针对高速列车的工况识别问题,首先采用的VMD对高速列车振动信号的分解不仅有良好的信噪分离效果,而且K值可以预先设置好,能够有效的抑制模态混叠的现象,所以本发明可以有效的提取出故障特征。而多通道的学习方法能在利用相互间的互补信息进行更全面有效的模式识别,Multi-View K-means聚类器不需要大量的先验知识,同时却具备了较高的准确性。两者的结合使整个模型设计具有了可行性高,操作简单等优点。
附图说明
图1为本发明的流程图。
图2为高速列车监测数据的时域波形图。
图3为高速列车监测数据的频域图。
图4为VMD分解的各分量情况。
具体实施方式
下面结合附图对本发明作进一步的描述。
参见图1,本发明提供一种高速列车运行工况的识别方法,包括以下内容:
通过动力学仿真系统模拟了列车及转向架上几个关键部位,即转向架正常工况、空气弹簧失气、横向减振器失效、抗蛇行减振器失稳工况四种的振动信号,主要包括车体、构架、轴箱上各个部位的横向、纵向和垂直振动加速度以及车体、构架、轮对、一系、二系各部位三个方向的振动位移,共得到58个通道的数据,每个通道代表列车和转向架上不同的采样位置。最终在几种不同运行速度下的四种工况的具体状态,如表1所示。
表1
工况数目 | 工况种类 |
工况1 | 正常工况 |
工况2 | 空气弹簧失 |
工况3 | 横向减振器失效 |
工况4 | 抗蛇形减振器失稳 |
具体的识别过程如下:
⑴将从不同通道提取的时间序列为T(v)={T1,T2,…,Tfn},信号数据的时域如图2所示,然后按280个采样点分成一段,每种工况选择52个样本,观察图3发现,由于高速列车的振动信号的有效特征主要集中于15Hz内,因此使用巴特沃斯滤波器滤去15Hz以上的信号,共得到N个样本C(v)={C1,C2,…,CN},其中v表示所选定的v(1≤v≤58)个通道;
⑵将数据样本进行变分模态分解,事先给定一个K值(K取正整数),分别对应做VMD分解,不同K值下的中心频率如表2所示,通过观察表2,当K=5时,出现了接近的中心频率模态,这归因于过分解,所以选择模态分量数为K=4。
表2
⑶确定K以后,再进行一次VMD分解,分解后的各模态分量图如图4所示:
c.更新ωk,根据公式:
⑷下面计算每个IMF的模糊熵:
a.设第v个视图下的第q个IMF分量为Uq,则重构一组e维的矢量:
其中,i=1~q-e+1,u0(i)为平均值。
其中,i,j=1~q-e,i≠j。
c.采用模糊函数定义相似度矩阵:
d.定义函数φe(r),即:
d.重复a-d四步,计算得到模糊熵:
经过特征提取以后构建特征向量,第v个视图下的特征为X(v)={X1,X2,…XN}。
(5)对多通道的特征数据进行Multi-View K-means聚类,识别出最终的工况种类:
a.输入特征矩阵和待识别工况数目;
其中,w为视图权重,γ为指示矩阵,同一簇值为1,否则为0,o为簇中心,x为样本点,p为调节参数;
c.通过不断迭代更新求三个公式以达到阈值:
d.最终得到不同工况的识别结果。
从整个识别过程可以得出这样一个结论,VMD分解以后求取模糊熵可以较好的提取出高速列车运行时所监测到的数据的特征,并且多视图学习更够能加完善的学习到不同通道之间的互补信息和知识,具有一定的实际意义。
从以上实验论述中,可以获知该方法具有以下明显的优点:
1、该方法具有方法流程简单、编码方便的优势;
2、该方法能更好的识别出多通道的工况状况;
3、该方法的提出对于解决高速列车运行中的一些安全问题具有一定的现实意义,并且本发明的方法不局限于其对高速列车转向架的工况识别,对其他的高速列车上构件的工况识别也可适用。
Claims (4)
1.一种高速列车运行工况的识别方法,包括以下几个步骤:
步骤一、将高速列车运行工况类型分为转向架正常工况、空气弹簧失气、横向减振器失效和抗蛇行减振器失稳工况四种;通过设于不同通道的传感器采集高速列车运行时振动信号的位移加速度数据进行预处理:采集频率fs=243Hz,监测数据为一列时间序列Tv={T1,T2,...Tfn},式中,v为通道数,fn为采样点数,分段降噪以后得到样本Cv={C1,C2,…CN},式中,N为样本数;
a.通过Hilbert变换得到每个模态函数uk(t)的解析信号,从而获得信号的单边频谱;
b.每个模态函数围绕各自估算中心的频率,通过指数修正调制到相应的基频带;
c.通过高斯平滑解调信号获得每段带宽,即L2范数的平方根,构造出目标函数:
d.为求取各个模态函数最优解,引入带宽参数α构造Lagrange函数:
其中:λ为Lagrange乘子;
e.分别得到模态分量uk和ωk的频域表达式:
f.然后利用交替方法乘子算法求约束变量的最优解,从而将原始信号分解为K个窄带模态分量,每个模态分量函数U=[u1u2…uK];
步骤四、将多个通道下的特征向量输入Multi-View K-means聚类器中进行工况识别,过程如下:
a.根据目标函数:
式中,w为视图权重,γ为指示矩阵,同一簇值为1,否则为0,o为簇中心,x为样本点,p为调节参数,N为样本数,K为模态分量数;
b.构造Lagrange乘子:
其中,λ,φ为Lagrange乘子,d为欧氏距离;
c.分别得到目标函数在约束条件下取到极小值时需要满足的必要条件为:
d.最终得到识别结果。
2.根据权利要求1所述一种高速列车运行工况的识别方法,其特征在于:步骤一中,所述预处理为在获取高速列车转向架的振动信号后,对其进行巴特沃斯滤波器滤波,消除噪声干扰,得到无噪的振动信号数据。
3.根据权利要求1所述一种高速列车运行工况的识别方法,其特征在于:步骤二中,所述VMD分解,是对高速列车的振动信号进行自适应的信号频域剖分,有效分离各分量。
4.根据权利要求1所述一种高速列车运行工况的识别方法,其特征在于:步骤四中,将多个通道下的特征向量数据信息定义为多个视图的样本信息,经过多视图聚类器进行更完备的信息学习,最终确立识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579423.7A CN107563403B (zh) | 2017-07-17 | 2017-07-17 | 一种高速列车运行的工况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710579423.7A CN107563403B (zh) | 2017-07-17 | 2017-07-17 | 一种高速列车运行的工况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563403A CN107563403A (zh) | 2018-01-09 |
CN107563403B true CN107563403B (zh) | 2020-07-31 |
Family
ID=60973600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710579423.7A Active CN107563403B (zh) | 2017-07-17 | 2017-07-17 | 一种高速列车运行的工况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563403B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084185B (zh) * | 2019-04-25 | 2021-03-16 | 西南交通大学 | 一种高速列车小幅蛇行运行特征的快速提取方法 |
CN111814404A (zh) * | 2020-07-22 | 2020-10-23 | 华东交通大学 | 一种机车转向架螺栓松动故障检测方法 |
CN112948981B (zh) * | 2021-04-08 | 2022-06-21 | 西南交通大学 | 一种高速列车小幅蛇行演变趋势的区间预测方法 |
CN116304835B (zh) * | 2023-03-31 | 2023-08-29 | 北京博华信智科技股份有限公司 | 基于ai的动设备工况监测管理方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140040233A1 (en) * | 2012-07-31 | 2014-02-06 | Mehmet Kivanc Ozonat | Organizing content |
TWI542887B (zh) * | 2014-07-10 | 2016-07-21 | 國立成功大學 | 馬達故障檢測方法與馬達故障檢測系統 |
CN104537124B (zh) * | 2015-01-28 | 2018-08-07 | 苏州德沃智能系统有限公司 | 多视图度量学习方法 |
CN106441893B (zh) * | 2016-09-22 | 2018-08-10 | 北京邮电大学 | 火车滚动轴承故障与杂质振动区分方法 |
CN106596149A (zh) * | 2016-12-27 | 2017-04-26 | 广州地铁集团有限公司 | 基于vmd的轨道车辆平轮状态的监测与诊断方法 |
-
2017
- 2017-07-17 CN CN201710579423.7A patent/CN107563403B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758644A (zh) * | 2016-05-16 | 2016-07-13 | 上海电力学院 | 基于变分模态分解和排列熵的滚动轴承故障诊断方法 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
一种改进的多视图聚类集成算法;邓强等;《计算机科学》;20170131;第44卷(第1期);第65-66页 * |
基于多视图分类集成的高铁工况识别;郭超等;《山东大学学报(工学版)》;20170228;第47卷(第1期);第8-12页 * |
多视图子空间聚类集成方法研究及分布式实现;邓强;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170115(第1期);第I138-386页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107563403A (zh) | 2018-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
Gao et al. | Total variation on horizontal visibility graph and its application to rolling bearing fault diagnosis | |
Dou et al. | A rule-based intelligent method for fault diagnosis of rotating machinery | |
CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
AlSharabi et al. | A DWT-entropy-ANN based architecture for epilepsy diagnosis using EEG signals | |
CN113607415A (zh) | 一种变转速下基于短时随机共振的轴承故障诊断方法 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
Fong et al. | Mean shift clustering-based analysis of nonstationary vibration signals for machinery diagnostics | |
CN104490391A (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
Zhou et al. | A blind deconvolution approach based on spectral harmonics-to-noise ratio for rotating machinery condition monitoring | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN115392284A (zh) | 一种基于机器学习的场地微振动振源识别方法 | |
CN113610188A (zh) | 弓网接触力非区段异常识别方法及装置 | |
CN116453544A (zh) | 一种基于声纹识别的工业设备运行状态监测方法 | |
Ambika et al. | Vibration signal based condition monitoring of mechanical equipment with scattering transform | |
CN109409216B (zh) | 基于子载波动态选择的速度自适应室内人体检测方法 | |
CN111046790A (zh) | 一种泵轴承故障诊断方法 | |
Desmet et al. | Leak detection in compressed air systems using unsupervised anomaly detection techniques | |
CN107340133A (zh) | 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法 | |
CN110222390B (zh) | 基于小波神经网络的齿轮裂纹识别方法 | |
Martin-del-Campo et al. | Towards zero-configuration condition monitoring based on dictionary learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |