CN111666892B - 一种基于经验小波希尔伯特变换的电力机车空转识别方法 - Google Patents

Abstract

本发明公开了一种基于经验小波希尔伯特变换的电力机车空转识别方法，通过空转趋势识别系统对机车轮对速度进行经验小波变换和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频‑能量谱的空转趋势识别得到机车当前空转趋势值；同时通过牵引力矩指令得到当前工况信息值；最后结合当前空转趋势值、当前工况信息值以及由差分阈值法判定得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态。与现有技术相比，本发明的积极效果是：综合利用输入信号的时频信息，空转识别更加准确、快速；对电力机车复杂的运行工况和运行环境的适应性更强；对增益系数等阈值的取值要求并不严苛；能有效滤除噪声信号的干扰、提取包含空转的关键信号；有效避免了列车振动对识别算法的干扰，提高了空转识别精度。

Description

一种基于经验小波希尔伯特变换的电力机车空转识别方法

技术领域

本发明涉及一种基于经验小波希尔伯特变换的电力机车空转识别方法。

背景技术

在铁路运输中，电力机车动轮与轮轨之间的粘着力是驱动机车运行的最终 动力，因此只有保证轮轨间的有效粘着不被破坏，即避免机车轮对发生空转， 才能有效地利用牵引电机的输出功率，使牵引电机功率利用率最大化。但轮轨 间粘着性能受到诸多因素的影响，比如树叶、油脂、冰、雪、水等，这些因素 会使轮轨间的粘着急剧下降。当机车轮轨间的粘着条件变差或者被破坏时，电 力机车轮对会发生空转，空转会造成牵引电机有效功率的下降，并导致轮轨的 磨损甚至毁坏，严重威胁到列车的安全运行。因此在电力机车的牵引控制系统 中，通常需要防空转控制系统，对轮对的空转趋势进行识别并采取相应措施加以控制，而快速有效地识别空转则是该系统的关键。

防止机车空转的关键在于是否能够准确、及时地识别出其空转趋势，现有 的机车空转识别方法主要有：

1)组合空转识别法

该方法首先通过对各轴轮对速度估计出列车参考速度，然后计算出相应的 蠕滑速度、加速度、加速度微分，最后结合牵引力矩指令，在牵引工况下根据 相应阈值来判定空转状态。这种方法优点是原理简单、便于实现、实时性好， 缺点是在空转的判定上有较大滞后，同时识别准确率也不够理想。

2)基于模糊熵的空转识别方法

该方法首先由原始轮速数据计算车轮转速的模糊熵，具体方式为采用最大 重叠方法计算出每个序列的模糊熵值；然后判定运行工况条件；最后与加速度 阈值法结合综合判定空转状态。本方法优点在于原理简单，计算速度也较快； 但方法中模糊熵的计算易受噪声信号干扰，在环境复杂、噪声较大的情况下无 法有效识别空转，同时时间序列长度的选取对模糊熵计算结果的影响也很大。

3)基于牵引电机在线监测的电力机车空转识别方法

该方法首先把牵引电机三相电压，三相电流等电气量作为在线监测量输入 多采样率扩展卡尔曼滤波状态估计模块，获得与空转特征空间相关的辨识量； 然后利用上述在线数据，由基于数据驱动的自学习与自适应系统得到空转状态 的初步判定；最后综合上述判断信息以及运行工况，对空转状态进行综合判定。 本方法优点在于理论完备、识别准确，但没有用到输入信号的时域信息。

综上可知，现有的机车空转识别方法均是基于时域信号分析的方法，没有 有效利用信号的频域信息，同时现有方法在识别准确性、快速性或抗干扰上均 存在缺陷。针对传统空转识别方法的问题，本发明提出一种基于经验小波希尔 伯特变换的电力机车空转识别方法，从时频域角度出发进行空转识别：首先将 机车轮对速度作为空转趋势识别系统的输入，通过经验小波变换、最优特征信 号提取以及希尔伯特变换得到希尔伯特能量谱，进而判断得到空转趋势值；同 时将牵引力矩指令作为运行工况判断系统的输入，输出当前运行工况信息；最 后将空转趋势值、运行工况信息与传统时域方法中的差分阈值法得到的差分空 转判定值结合起来，综合判定得到机车空转状态。

发明内容

为了克服现有技术的上述缺点，本发明提出了一种基于经验小波希尔伯特 变换的电力机车空转识别方法。

本发明解决其技术问题所采用的技术方案是：一种基于经验小波希尔伯特 变换的电力机车空转识别方法，通过空转趋势识别系统对机车轮对速度进行经 验小波变换、最优特征信号提取和希尔伯特变换得到希尔伯特能量谱，进而通 过基于时频-能量谱的空转趋势识别得到空转趋势值；同时通过牵引力矩指令 对当前运行工况进行辨识得到当前工况信息值；最后利用空转趋势值、当前工 况信息值和通过差分阈值法得到的差分空转判定值对机车空转状态进行综合 判定，识别出机车空转状态。

与现有技术相比，本发明的积极效果是：

(1)本发明方法采用时频分析中的经验小波希尔伯特变换方法，从时频- 能量的角度对空转状态进行辨识，比传统方法更加准确、快速。

(2)本发明方法得益于经验小波变换良好的自适应性及其优秀的模态分 解、特征提取能力，对于复杂的非平稳信号能良好的自适应提取出其特征模态， 因此本发明方法针对电力机车复杂的运行工况和运行环境的适应性比传统方 法更强，而传统空转识别方法在复杂多变工况下的判定条件无法统一，无法做 到对各种工况下良好的自适应性。

(3)本发明方法得益于希尔伯特谱分析良好的空转区分能力，能有效识 别出电力机车空转信号与正常信号在能量谱上的差异，从而比传统空转识别方 法具有更高的准确率，在识别速度上也更加优秀；并且对增益系数k的取值要 求并不严苛，这有效解决了传统空转识别方法如加速度阈值法在阈值选取上的 困难。

(4)本发明方法得益于最优特征信号提取方法的引入，使得本方法相对 于传统方法在噪声滤波和特征提取上更有优势，能有效滤除噪声信号的干扰、 提取包含空转的关键信号。

(5)本发明方法得益于差分阈值方法的引入，有效避免了列车振动对识 别算法的干扰，提高了空转识别精度。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为基于经验小波希尔伯特变换的空转识别方法流程图；

图2为经验小波变换流程图；

图3为希尔伯特变换及其谱分析流程图；

图4为基于时频-能量谱的空转趋势识别流程图；

图5为运行工况判断流程图；

图6为空转综合判定流程图。

具体实施方式

本发明提出了一种基于经验小波希尔伯特变换的空转识别方法，其输入为 机车轮对速度v(t)和牵引力矩指令T_b，输出为空转状态。本发明方法流程图如 图1所示，包括：

经验小波变换模块：将机车轮对速度v(t)进行自适应时频分解得到i个包含 不同特征尺度的经验模态v_k(t),(k＝1,2,...,i)。

最优特征信号提取模块：通过计算方差贡献率对不同特征尺度的经验模态 v_k(t)进行选择，进而有效地提取出包含空转特征的最优特征信号v_opt(t)。

希尔伯特变换及其谱分析模块：对最优特征信号v_opt(t)进行希尔伯特变换 并进行谱分析，进而得到最优特征信号v_opt(t)的希尔伯特能量谱IE(t)。

基于时频-能量谱的空转趋势识别模块：通过信号的希尔伯特能量谱IE(t) 从能量变化的角度对空转趋势进行判定并输出空转趋势值S_h。

运行工况判断模块：输入牵引力矩指令T_b，通过T_b对当前运行工况进行辨 识并输出当前工况信息值S_ta。

空转综合判定模块：把前面模块得到的空转趋势值S_h、当前工况信息值S_ta与差分阈值法的空转判定结果S_d综合起来进行逻辑判断，进而辨识机车是否空 转。

1.经验小波变换模块

经验小波变换通过对原始信号v(t)的频谱特性进行自适应频谱划分，进而 构建正交小波滤波器组提取具有紧支撑频谱特性的调频调幅成分(AM-FM)，得 到i个包含不同频率尺度的信号分量v_k(t)，如式(1)所示：

经验小波变换流程图如图2所示，其输入为机车轮对速度数据v(t)，输出 为对v(t)进行经验小波变换后自适应分解得到的i个经验模态v_k(t),(k＝1,2,...,i)。

经验小波变换步骤如下：

1)首先对输入的轮对速度数据v(t)进行快速傅里叶变换，并将傅里叶频率 谱限定于ω∈[0,π]；

2)将傅立叶频谱支撑[0,π]分割成N个连续的片段，每个片段被定义为 Λ_n＝[ω_n-1,ω_n]，其中ω_n为片段之间的边界，且有ω₀＝0和ω_N＝π。频谱分割的具 体方法为：首先检测出傅里叶频谱中M个极大值M_i(i＝1,2,…,M)，将其按递减 顺序排序并正则化到[0,1]；然后保留所有大于阈值M_M+0.35×(M₁-M_M)的极大值， 其个数即为频谱分割数N；最后，定义ω_n为两个连续且大于上述阈值的极大值 的中心，完成对频谱的划分。

3)基于划分的频谱Λ_n＝[ω_n-1,ω_n]，以每个片段边界ω_n为中心，定义宽度为 T_n＝2τ_n的过渡段；然后定义τ_n＝γω_n且使最后选择 β(x)＝x⁴(35-84x+70x²-20x³)，得到分别如下所示的经验尺度函数和经验小 波函数

4)定义经验小波变换系数，其中细节系数为W_v(n,t)＝<v,ψ_n>，近似系数为 W_v(1,t)＝<v,φ₁>，<·>表示计算内积。

5)由经验小波变换系数进行经验小波变换，得到原始信号v(t)通过经验小 波变换后分解在不同频率尺度上的i个经验模态如下所示，式(5)中k＝2,3,...,i：

v₁(t)＝W_v(1,t)*φ₁(t)   (4)

v_k(t)＝W_v(k,t)*ψ_k(t)   (5)

2.最优特征信号提取模块

信号v(t)进行经验小波变换得到i个经验模态后，可通过对无关模态的剔除 或最优模态的选择达到去除干扰信息的目的，更加准确地提取出有效空转特征 信息。本模块引入方差贡献率作为评判各经验模态与原始信号相关性和去干扰 性的指标，其计算公式如式(6)所示，其中D_k为第k个经验模态v_k(t)的方差； Δt为信号的数据采样时间；M_k为第k个经验模态的方差贡献率，其反映了第k 个经验模态相对于总体的重要程度，数值越大，则该分量在原始信号中的比重 越大，相关性越好，空转特征信息的比例越高。

本模块具体提取方式为：将各经验模态的方差贡献率值降序排列，然后选 择方差贡献率之和大于0.95的前N个经验模态v_k(t)作为最后输出得到的最优 特征信号v_opt(t)，即

其中1≤N＜i。

3.希尔伯特变换及其谱分析模块

希尔伯特变换及其谱分析流程图如图3所示，其输入为N个经验模态组成 的最优特征信号v_opt(t)，输出为最优特征信号v_opt(t)的希尔伯特能量谱IE(t)。

希尔伯特变换及其谱分析步骤如下：

1)输入最优特征信号v_opt(t)，对v_opt(t)中的每个经验模态v_k(t)进行希尔伯特 变换，变换公式为：

其中，p表示广义积分的柯 西主值。

2)由下式计算v_opt(t)中的每个经验模态v_k(t)的解析信号z_k(t)、瞬时频率ω_k(t)和瞬时幅值a_k(t)：

3)综合每个经验模态经过希尔伯特变换得到的瞬时频率ω_k(t)和瞬时幅值 a_k(t)，通过下式计算得到最优特征信号v_opt(t)的希尔伯特三维时频函数H(ω,t)， 其中N(1≤N＜i)表示最优特征信号v_opt(t)中经验模态v_k(t)的个数。

4)计算输出最优特征信号v_opt(t)的希尔伯特能量谱IE(t)，计算式如式(9)：

4.基于时频-能量谱的空转趋势识别模块

基于时频-能量谱的空转趋势识别流程图如图4所示，其具体实施步骤如 下，输入为动态实时计算的希尔伯特能量谱IE(t)，输出为当前时刻的空转趋势 值S_h：

1)首先输入希尔伯特能量谱IE(t)，然后计算当前时刻信号能量(En)以 及0.5秒内的平均信号能量(Ea)，每个时刻的En可由动态实时计算的希尔伯 特能量谱IE(t)得到，Ea可由式(10)得到，其中n＝f/2，f为信号实际采样频 率：

2)最后进行判断，若En＞k×Ea，则判定此时机车有空转趋势并输出空转 趋势值S_h＝1，其中k为设置的增益系数。否则，则判定机车没有发生空转并输 出空转趋势值S_h＝0。

5.运行工况判断模块

运行工况判断模块流程图如图5所示，其判断步骤如下，输入为牵引力矩 指令T_b，输出为当前时刻的工况参数S_ta：

1)若牵引力矩指令T_b>牵引力矩阈值T₁，则为牵引工况，工况参数S_ta＝1；

2)若牵引力矩指令T_b<制动力矩阈值T₂，则为制动工况，工况参数S_ta＝-1：

3)若牵引力矩阈值T₁>牵引力矩指令T_b>制动力矩阈值T₂，则为惰行工况， 工况参数S_ta＝0。

6.空转综合判定模块

本发明方法在采用经验小波希尔伯特变换时频分析方法判定空转的同时 考虑到电力机车实际运行中，列车振动会导致短时假性能量聚集现象，使得希 尔伯特能量谱上出现小范围能量峰值，无法与正常空转尤其是小空转有效区分， 故考虑引入差分阈值法来将列车振动的干扰排除，从而更精确地识别空转。本 发明方法的差分阈值法具体实施方式为：首先计算当前时刻速度值与0.3秒前 速度值的差分D_v，然后与差分阈值进行大小比较，若大于差分阈值则判定空转， 输出差分空转判定值S_d＝1；否则，判定没有空转并输出差分空转判定值S_d＝0。

空转综合判定流程图如图6所示，其输入为工况参数值S_ta、空转趋势值S_h和差分空转判定值S_d，输出为当前时刻空转状态，判定步骤如下：

1)首先由工况参数值S_ta判断当前工况，若为牵引工况，则进行第2步判 断；若为制动工况或惰行工况，则判定没有空转，并结束当前时刻空转识别。

2)在牵引工况下，如果基于时频-能量谱空转趋势识别模块输出的空转趋 势值S_h＝1，则进行第3步判断；否则判定没有空转，并结束当前时刻空转识别。

3)如果差分阈值法输出的差分空转判定值S_d＝1，则判定此时发生了空转； 否则判定没有空转。

Claims (8)

1.一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：首先通过空转趋势识别系统对机车轮对速度进行经验小波变换、最优特征信号提取和希尔伯特变换得到希尔伯特能量谱，进而通过基于时频-能量谱的空转趋势识别得到机车当前空转趋势值；同时通过牵引力矩指令对当前运行工况进行辨识得到当前工况信息值；最后利用空转趋势值、当前工况信息值和通过差分阈值法得到的差分空转判定值对机车空转状态进行综合判定，识别出机车空转状态，其中，所述最优特征信号提取的步骤包括：

步骤一、按如下公式计算方差贡献率：

其中：M_k为第k个经验模态v_k(t)的方差贡献率，D_k为第k个经验模态v_k(t)的方差；Δt为信号的数据采样时间；

步骤二、将各经验模态的方差贡献率值降序排列，然后选择方差贡献率之和大于0.95的前N个经验模态v_k(t)作为最优特征信号v_opt(t)，即

其中1≤N<i。

2.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述经验小波变换的步骤包括：

步骤一、对机车轮对速度v(t)进行快速傅里叶变换，并将傅里叶频率谱限定于ω∈[0,π]；

步骤二、将傅立叶频率谱[0,π]分割成N个连续的片段，每个片段定义为Λ_n＝[ω_n-1,ω_n]，其中ω_n为片段之间的边界，且有ω₀＝0和ω_N＝π；

步骤三、基于步骤二划分的频谱Λ_n＝[ω_n-1,ω_n]，首先以每个片段边界ω_n为中心，定义宽度为T_n＝2τ_n的过渡段；然后定义τ_n＝γω_n且使

最后选择β(x)＝x⁴(35-84x+70x²-20x³)，按如下公式计算经验尺度函数

和经验小波函数

步骤四、对原始信号v(t)进行经验小波变换，按如下公式计算得到在不同频率尺度上的i个经验模态：

v₁(t)＝W_v(1,t)*φ₁(t)

v_k(t)＝W_v(k,t)*ψ_k(t)

其中，k＝2,3,...,i；W_v(n,t)＝<v,ψ_n>，W_v(1,t)＝<v,φ₁>，分别为经验小波变换系数的细节系数和近似系数；<·>表示计算内积。

3.根据权利要求2所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：对傅立叶频率谱[0,π]进行分割的具体方法为：首先检测出傅里叶频谱中M个极大值M_i(i＝1,2,…,M)，将其按递减顺序排序并正则化到[0,1]；然后保留所有大于阈值M_M+0.35×(M₁-M_M)的极大值，其个数即为频谱分割数N；最后，定义ω_n为两个连续且大于上述阈值的极大值的中心，完成对频谱的划分。

4.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述希尔伯特变换的步骤包括：

步骤一、对最优特征信号v_opt(t)中的每个经验模态v_k(t)进行希尔伯特变换，变换公式为：

其中，p表示广义积分的柯西主值；

步骤二、按如下公式计算最优特征信号v_opt(t)中每个经验模态v_k(t)的解析信号z_k(t)、瞬时频率ω_k(t)和瞬时幅值a_k(t)：

步骤三、按如下公式计算最优特征信号v_opt(t)的希尔伯特能量谱IE(t)：

其中：H(ω,t)为最优特征信号v_opt(t)的希尔伯特三维时频函数，按如下公式计算得到：

式中：N表示最优特征信号v_opt(t)中经验模态v_k(t)的个数，1≤N<i。

5.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述空转趋势值的计算方法为：

步骤一、利用输入的希尔伯特能量谱IE(t)计算得到当前时刻信号能量En；

步骤二、按如下公式计算0.5秒内的平均信号能量Ea：

其中：n＝f2，f为信号实际采样频率；

步骤三、判断是否满足En>k×Ea，其中k为设定的增益系数：若是，则判定此时机车有空转趋势并输出空转趋势值S_h＝1；若否，则判定机车没有发生空转并输出空转趋势值S_h＝0。

6.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述当前工况信息值的计算方法为：

步骤一、判断是否满足牵引力矩指令T_b>牵引力矩阈值T₁：若是，则判定当前工况为牵引工况，并输出当前工况信息值S_ta＝1；若否，则进入步骤二；

步骤二、判断是否满足牵引力矩指令T_b>制动力矩阈值T₂：若是，则判定当前工况为惰行工况，并输出当前工况信息值S_ta＝0；若否，则判定当前工况为制动工况，并输出当前工况信息值S_ta＝-1。

7.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：所述差分空转判定值的计算方法为：

步骤一、计算当前时刻速度值与0.3秒前速度值的差分D_v；

步骤二、判断差分D_v是否大于设定的差分阈值：若是，则判定空转，并输出差分空转判定值S_d＝1；否则，则判定没有空转，并输出差分空转判定值S_d＝0。

8.根据权利要求1所述的一种基于经验小波希尔伯特变换的电力机车空转识别方法，其特征在于：对机车空转状态进行综合判定的方法为：

步骤一、通过当前工况信息值判断当前工况是否为牵引工况：若否，则判定没有空转，并结束当前时刻的空转识别；若是，则进入步骤二；

步骤二、判断空转趋势值是否等于1：若否，则判定没有空转，并结束当前时刻的空转识别；若是，则进入步骤三；

步骤三、判断差分空转判定值是否等于1：若否，则判定没有空转，并结束当前时刻的空转识别；若是，则判定此时发生了空转。

Images