CN109324604A - 一种基于多源信号的智能列车综合故障分析方法 - Google Patents

Abstract

本发明公开了一种基于多源信号的智能列车综合故障分析方法，包括：构建第一样本集和第二样本集；根据第一样本集训练得到多个不同的初级分类器；根据第二样本集训练得到次级分类器；判断确认待测机械设备是否有故障：实时采集智能列车机械设备在运转时的多源信号，对多源信号中的各个运转信号进行特征提取得到多源信号特征矩阵；采用各个初级分类器根据多源信号特征矩阵对待测机械设备的故障进行初始分类；采用次级分类器，对所有次级分类器的分类结果进行验证，以判断确认待测机械设备是否有故障。采用本发明方法对智能列车机械设备进行综合故障分析，实现了智能高铁列车的自身实时在线检测，而且检测快速、准确。

Description

一种基于多源信号的智能列车综合故障分析方法

技术领域

本发明涉及列车智能故障判断领域，特别涉及一种基于多源信号的智能列车综合故障分析方法。

背景技术

随着我国高铁技术的快速发展，高铁检修及其相关产业也得到了进一步地发展，但是我国高铁的检修方式仍然采用较为原始老旧的方式，采用大部分人工检测小部分机械检测的方式，这种方法的效率低下，专业检修人员的技术要求高、培养成本高，并且在快速的检测过程中一些微小的故障容易忽略，存在诸多不便。

同时，现有的一些机器学习机械故障判断方法不太适用列车零件的实时运行检测，并且适用性低针对性高，列车生其他类型的机械部件无法检测，故目前亟需设计一种列车多源信号检测综合故障分析方法。

发明内容

本发明提供一种基于多分类器结合策略的多源大数据融合智能列车故障分析方法，实现了智能高铁列车的自身实时在线故障检测，而且检测快速、准确。

为实现上述技术目的，本发明采用如下技术方案：

一种基于多源信号的智能列车综合故障分析方法，包括以下步骤：

步骤一：构建第一样本集和第二样本集；

所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；

步骤二：训练多个不同的基分类器；

从第一样本集中获取样本数据；

以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；

步骤三：训练元分类器；

从第二样本集中获取样本数据；

分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；

以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；

步骤四：判断确认待测机械设备是否有故障；

实时采集智能列车机械设备在运转时的多源信号，所述多源信号包括至少两种运转信号；

对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；

采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；

采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。

本方案通过样本数据训练多个基分类器得到初级分类器，训练元分类器得到次级分类器，基于多级结合策略集成初级分类器与次级分类器，即将初级分类器与次级分类器这两级分类器进行结合得到多级结合策略分类模型，实现了智能列车对自身的自主检测和故障判断，具有自主性，省去人工判断的苛刻条件和技术难度，提高了效率。先采用多个不同的初级分类器根据多源信号特征矩阵，对智能列车上的所有重要机械设备进行分类，得到判断机械设备是否故障的多个分类结果，再采用多级结合策略，经次级分类器对多个分类结果进一步验证，确认机械设备是否故障，提高了对智能列车机械设备的故障信息的判断准确度。实时采集智能列车机械设备在运转时的多源信号，以对机械设备进行多角度的在线实时检测和故障判断，因而具有实时性，且进一步提高准确性。

进一步地，所述多个不同的基分类器包括至少2种不同类型的基分类器，所述基分类器的类型包括加权正则化极限学习机、K最近邻算法、径向基神经网络和自适应神经模糊推理系统。

本方案通过不同类型的基分类器，同时对分解信号进行特征提取，提高分类精度；且加权正则化极限学习机，通过对训练样本施加权重，得到一个抗离群点的稳定模型，进一步加强了鲁棒性，受到离群异常值的影响更小。

进一步地，采用Stacking集成算法集成机械故障初级分类器与次级分类器得到多级结合策略分类模型。

本方案采用Stacking集成算法作为多级结合策略，将机械故障初级分类器与次级分类器进行多级结合，在结合过程中，Stacking集成算法对机械故障初级分类器的输出进行非线性加权处理，可进一步提高分类精度。

进一步地，所述元分类器采用Elman神经网络元分类器。

本方案采用Elman神经网络元分类器，对多种基分类器进行非线性加权，可进一步提高分类精度。

进一步地，所述运转信号为轮对转速信号、受电弓电流信号、转向架三向振动加速度信号、动力机工作噪声信号和轴承多工况声发射信号中的任意一种。

本方案这种几信号涵盖列车在运行时的各个重要功能部分，对列车的运行做到了多方位、全覆盖的实时记录和采集。

进一步地，采用经验小波分解方法对运转信号进行分解，然后对分解信号进行特征提取处理，得到若干个特征值，该若干个特征值构成该运转信号的特征向量，多源信号的全部运转信号的特征向量构成多源信号特征矩阵。

本方案采用经验小波分解的处理方法，可以提高分类器在处理信号时的准确性。

进一步地，所述经验小波分解采用基于最大类间方差法阈值分割的尺度空间边界检测方法。

本方案克服了传统小波变换的缺陷，能够根据信号的频谱自主选择划分频段，并自动生成一系列滤波器将数据分解，处理效果更好。

进一步地，对分解信号进行特征提取处理包括计算分解信号的近似熵、样本熵、偏度、峰度和/或四位分距。

由于分解信号的近似熵、样本熵、偏度、峰度和四位分距之间的差异很小，使得多源信号的各种代表信息均能体现出来，进一步提高故障判断的准确性。

进一步地，将该待测机械设备的多源信号特征矩阵和是否为故障机械的判断结果增量式存储于所述智能列车大数据多源信息平台；利用所述智能列车大数据多源信号平台中的数据对机械故障初级分类器和次级分类器进行增量式训练。

本方案为智能列车大数据多源信息平台增量式补充数据，可进一步用于训练各个基分类器和元分类器，提高分类模型的分类精度，使故障判断更为准确；同时也可以人工决策提供有效信息，方便下一步制定有效的故障处理决策。

进一步地，方法包括步骤五：当待测机械设备被判断确认为有故障时，则对故障信号进行定性和定位，并进一步对机械设备进行故障排除处理。

本方案及时对机械设备故障进行处理，提高智能列车的行车安全性能。

有益效果

本发明提供的基于多源信号的智能列车综合故障分析方法，通过样本数据训练多个基分类器得到初级分类器，训练元分类器得到次级分类器，基于多级结合策略集成初级分类器与次级分类器得到多级结合策略分类模型，实现了智能列车对自身的自主检测和故障判断，具有自主性，省去人工判断的苛刻条件和技术难度，提高了效率。先采用多个不同的初级分类器根据多源信号特征矩阵，对智能列车上的所有重要机械设备进行分类，得到判断机械设备是否故障的多个分类结果，再采用多级结合策略，经次级分类器对多个分类结果进一步验证，确认机械设备是否故障，提高了对智能列车机械设备的故障信息的判断准确度。实时采集智能列车机械设备在运转时的多源信号，以对机械设备进行多角度的在线实时检测和故障判断，因而具有实时性，且进一步提高准确性。

附图说明

图1为本发明的基于多级结合策略的分类模型的原理图；

图2为本发明的系统工作流程图；

图3为本发明的基于多级结合策略的分类模型的基本结构图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

本发明实施例基于以下几部分组成的系统来完成：多源信号采集系统、信号经验小波分解-多维度特征提取器、不同类型的初级分类器和基于Elman神经网络的次级分类器，其中初级分类器与次级分类器通过Stacking集成方法的多级结合策略进行结合，进一步结合多个基分类器的判断结果，提出更加正确的故障分析结果。

结合图1与图2所示，本发明的智能列车综合故障分析方法包括：

步骤一：构建第一样本集和第二样本集。

第一样本集A₁和第二样本集A₂中的样本数据均从智能列车大数据多源信息平台获取，其中，样本数据包括智能列车机械设备在运转时的多源信号特征矩阵x_n和机械故障标记y_n。如何由智能列车机械设备在运转时的多源信号获取得到多源信号特征矩阵x_n与实际判断待测机械设备故障时的方法相同，具体的将在下述实际判断机械设备故障时详细记载。

步骤二：训练多个不同的基分类器。

步骤2.1：从第一样本集中获取样本数据；

步骤2.2：以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，对加权正则化极限学习机、K最近邻算法、径向基神经网络、自适应神经模糊推理系统四种基分类器模型进行训练，得到训练后的各个机械故障初级分类器。

步骤三：训练元分类器。

步骤3.1：从第二样本集中获取样本数据；

步骤3.2：分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；

步骤3.3：以第二样本集中样本数据经各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对Elman神经网络进行训练，得到训练后的基于Elman神经网络的机械故障次级分类器。

在根据实际机械多源信号进行机械故障判断前，另设第三样本集A₃用于对训练得到的机械故障初级分类器和次级分类器进行验证，若分类精度达到一定准确性时，该机械故障初级分类器和次级分类器组成的多级结合策略分类模型即可用于实际机械多源信号的机械故障判断中。

其中，智能列车大数据多源信息平台提供机械多源信号特征数据集A＝{(x_n,y_n)|n＝1,2...N}，第一、第二、第三样本集A₁,A₂,A₃为A的非空真子集，且满足以下条件：

步骤四：判断确认待测机械设备是否有故障。

步骤4.1：多源信号的采集与获取。

首先，列车进入运行状态，智能列车重点机械设备进入工作状态，启动多源信号采集系统中的各传感器，如转速传感器、三向加速度传感器、电流检测传感器及声音采集器等，对重点机械设备进行实时监测，采集和记录重点机械设备的多种运转信号，包括轮对转速信号、受电弓电流信号、转身架三向振动信号、动力及工作噪声信号及轴承多工况声发射信号等，构成机械设备在运转时的多源信号。机械设备涵盖智能列车在运行时的各个重要功能部分，对列车的运行做到多方位、全覆盖的实时记录和采集。

步骤4.2：使用经验小波分解处理上述五种运转信号，并进一步对分解的信号做特征提取。

经验小波解采用基于最大类间方差法(Otsu)阈值分割的尺度空间边界检测方法，克服了传统小波变换的缺陷，能够根据信号的频谱自主选择划分频段，并自动生成一系列滤波器将数据分解，处理效果更好。因此这里选择经验小波分解方法处理五种运转信号，每种运转信号均得到各自的分解信号，提高后续分类器在处理信号时的准确性。

对分解信号进行特征提取处理，得到若干个特征值，该若干个特征值构成该运转信号的特征向量，多源信号的全部运转信号的特征向量构成多源信号特征矩阵。特别地，这里的特征提取采取冗余设置，即一些特征之间的差异很小，以达到多源信号各种代表信息均可以被特征提取出来，进一步提高判断的准确性。

其中，特征提取处理具体步骤如下：

步骤A1：计算分解信号的近似熵ApEn。近似熵反映信号的复杂度和规律性，近似熵越大则信号序列的复杂程度越高，近似熵是反应序列是否异常的一个重要指标。

步骤A2：计算分解信号的样本熵SE。样本熵是近似熵的改进，增强了一定的稳定性和一致性，这里同时选用近似熵和样本熵作为重要的特征评价指标，互相弥补不足，使得分类特征更加准确。

步骤A3：计算分解信号的偏度skewness。偏度为数据偏离正态分布的倾斜程度的度量指标，可表征数据分布的不对称性及偏向，是信号序列的重要特征，其计算公式如下：

式中和分别为样本三阶中心矩和样本二阶中心矩，x_i为分解信号中的第i个样本点，为分解信号所有样本点的均值。

步骤A4：计算分解信号的峰度kurtosis。峰度与偏度类似，也是相对于正态分布的对比量，表征数据分布的陡峭程度，这里同样同时采用峰度与偏度两个特征，以起到相互补充的作用。其计算公式如下：

式中和分别为样本四阶中心矩和样本二阶中心矩。

步骤A5：计算分解信号的四分位距IQR。四分位距(interquartile range,IQR)用来判断数据的分散程度，与方差和标准差不同的是，四分位距不受两端各25％数值的影响，偏向于稳健统计，具有更高的鲁棒性，是评价信号序列的重要指标，其定义为第三四分位数减第一四分位数。

步骤A6：根据五种分解信号的特征建立智能列车多源信号特征矩阵x_n作为各个机械故障初级分类器的输入，其定义如下：

x_n＝(ApEn,SE,skewness,kurtosis,IQR)^T (1.3)

步骤4.3：使用各个机械故障初级分类器同时处理智能列车多源信号特征矩阵x_n，输出相应数据的初始机械故障标记。

四个机械故障初级分类器同时对智能列车多源信号特征矩阵x_n进行处理，分别得到各自的初始机械故障标记，根据四个机械故障初级分类器的初始机械故障标记建立初级学习输出矩阵。其中，四个机械故障初级分类器分别为基于加权正则化极限学习机、K最近邻算法、径向基神经网络和自适应神经模糊推理系统这四种基分类器进行训练得到的。

加权正则化极限学习机(Weighted Regularized Extreme Learning Machine,WR-ELM)是一种极限学习机的算法的改进，其基本算法与极限学习机类似，相比于正则化极限学习机进一步加强了其鲁棒性，受到离群异常值的影响更小，其主要思想是通过对训练样本施加权重，得到一个抗离群点的稳定模型。

其余3种基分类器属于比较成熟的算法，这里对其原理不再进行详细介绍。

步骤4.4：四个机械故障初级分类器输出的初始机械故障标记，即初级学习输出矩阵，输入到机械故障次级分类器，次级分类器对四个初始机械故障标记进行非线性加权融合。即次级分类器对四个初级分类器分别输出的初始故障标记进行验证，并输出最终故障标记，从而根据最终故障标记判断确认待测机械设备是否有故障。因此，基于多级结合策略结合初级分类器和次级分类器得到多级结合策略分类模型，可以提高对机械故障诊断的分类精度，得到更加准确的机械设备故障判断结果。

本发明中，采用Stacking集成算法作为结合策略，Stacking又称Stackedgeneralization，是由Wolpert提出的一种非线性的集成方法，能够使用元分类器实现对不同基分类器的非线性加权。Stacking算法不需要考虑基分类器的具体细节，具有很强的扩展性。一个有效的Stacking模型精度一定高于任何一个基学习器，其主要思想是通过多个基分类器产生多组分类序列，再使用元分类器学习多组分类序列与实际序列之间的关系，实现对基分类器预测结果的修正。其基本结构如图3所示。

本发明提出以Elman神经网络作为Stacking集成算法的元分类器，对4种初级分类器的输出进行非线性加权，可进一步提高分类精度。

步骤4.5：当判断当前测试的机械设备确认有故障时，则对确定的故障信号进行定性和定位，以便进一步对机械设备故障进行处理。

这里的定性和定位是指确定哪一种运转信号出现了异常，即可确定其相应的机械设备发生了故障。

本发明中的机械设备故障处理系统对机械振动故障信息的处理具体包括：对异常检测方法检测出的显著机械故障部件进行重点和优先处理，采取发现立即处理的原则；对其余微小故障及可疑故障部件，系统采取持续观察的原则，对存在以上故障的机械进行持续监督，以预防显著故障的出现和微小故障的恶化。

特别地，建立智能列车大数据多源信息平台，将本次对机械设备故障分析的计算及处理结果做云存储，即对本次机械设备的多源信号特征矩阵和故障测试结果增量式存储于智能列车大数据多源信号平台，从而可用于进一步对机械故障初级分类器和次级分类器进行增量式训练以提高对机械故障的识别精度，或为人工决策提供有效的信息等。

本发明的实施方式并不限于上述实施例，本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (10)

1.一种基于多源信号的智能列车综合故障分析方法，其特征在于，包括以下步骤：

步骤一：构建第一样本集和第二样本集；

所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；

步骤二：训练多个不同的基分类器；

从第一样本集中获取样本数据；

以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；

步骤三：训练元分类器；

从第二样本集中获取样本数据；

分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；

以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；

步骤四：判断确认待测机械设备是否有故障；

实时采集智能列车机械设备在运转时的多源信号，所述多源信号包括至少两种运转信号；

对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；

采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；

采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。

2.根据权利要求1所述的方法，其特征在于，所述多个不同的基分类器包括至少2种不同类型的基分类器，所述基分类器的类型包括加权正则化极限学习机、K最近邻算法、径向基神经网络和自适应神经模糊推理系统。

3.根据权利要求1所述的方法，其特征在于，采用Stacking集成算法集成机械故障初级分类器与次级分类器得到多级结合策略分类模型。

4.根据权利要求1所述的方法，其特征在于，所述元分类器采用Elman神经网络元分类器。

5.根据权利要求1所述的方法，其特征在于，所述运转信号为轮对转速信号、受电弓电流信号、转向架三向振动加速度信号、动力机工作噪声信号和轴承多工况声发射信号中的任意一种。

6.根据权利要求1所述的方法，其特征在于，采用经验小波分解方法对运转信号进行分解，然后对分解信号进行特征提取处理，得到若干个特征值，该若干个特征值构成该运转信号的特征向量，多源信号的全部运转信号的特征向量构成多源信号特征矩阵。

7.根据权利要求6所述的方法，其特征在于，所述经验小波分解采用基于最大类间方差法阈值分割的尺度空间边界检测方法。

8.根据权利要求6所述的方法，其特征在于，对分解信号进行特征提取处理包括计算分解信号的近似熵、样本熵、偏度、峰度和/或四位分距。

9.根据权利要求1所述的方法，其特征在于，将该待测机械设备的多源信号特征矩阵和是否为故障机械的判断结果增量式存储于所述智能列车大数据多源信息平台；利用所述智能列车大数据多源信号平台中的数据对机械故障初级分类器和次级分类器进行增量式训练。

10.根据权利要求1所述的方法，其特征在于，包括步骤五：当待测机械设备被判断确认为有故障时，则对故障信号进行定性和定位，并进一步对机械设备进行故障排除处理。