CN112197983A - 一种列车服役性能识别方法 - Google Patents

一种列车服役性能识别方法 Download PDF

Info

Publication number
CN112197983A
CN112197983A CN202010907332.3A CN202010907332A CN112197983A CN 112197983 A CN112197983 A CN 112197983A CN 202010907332 A CN202010907332 A CN 202010907332A CN 112197983 A CN112197983 A CN 112197983A
Authority
CN
China
Prior art keywords
low
gate
frequency
layer
input
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.)
Pending
Application number
CN202010907332.3A
Other languages
English (en)
Inventor
赵海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRRC Changchun Railway Vehicles Co Ltd
Original Assignee
CRRC Changchun Railway Vehicles Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRRC Changchun Railway Vehicles Co Ltd filed Critical CRRC Changchun Railway Vehicles Co Ltd
Priority to CN202010907332.3A priority Critical patent/CN112197983A/zh
Publication of CN112197983A publication Critical patent/CN112197983A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

一种列车服役性能识别方法，其特征在于：基于离散小波嵌入神经网络的辨识模型，通过将离散小波分解嵌入LSTM模型，将振动信号中的噪声进行一定过滤之后，将不同尺度的低频成份输入多个LSTM网络，然后将多个LSTM网络的辨识结果进行融合，实现了转向架关键部件性能间隔5％退化阶段的精确辨识。相比其他的方法，本发明能够为高速列车转向架关键部件性能劣化辨识提供了一种思路，对高速列车转向架劣化检测有着更好的辨识精度。

Description

一种列车服役性能识别方法
技术领域
本发明属于轨道交通车辆列车服役数据分析技术领域，尤其是涉及一种列车服役性能识别方法。
背景技术
随着铁路的大规模提速和高速列车的运行，高速列车运行的安全性和舒适性受到了广泛的关注。转向架是高速列车系统中最重要的组成部分，主要由构架、轮对、轴箱、一系悬挂和二系悬挂等关键部件组成。在长期服役过程中，转向架关键部件的性能退化和失效往往会导致不同列车部件的严重振动和性能下降，甚至会造成脱轨、翻车等严重事故。为了保证列车的安全运行，当关键部件的性能退化达到一定程度时，必须对该部件进行更换。因此，对高速列车转向架关键部件性能退化阶段进行有效的诊断和辨识，对于实现列车的及时维修，降低维修成本，保证列车安全运行具有重要作用。
当前研究主要利用振动信号对转向架关键部件故障进行监测诊断，没有考虑实际运行过程中转向架关键部件的服役性能是逐步退化的，即没有对转向架关键部件性能退化阶段进行定位识别。此外，从车轮和轨道的接触点到安装在转向架上的传感器，经过多条复杂的振动传递路径，通过耗散和干扰来恶化或减弱转向架关键部件的振动响应，所以转向架上测得的振动信号十分复杂，使用传统的方法很难有效的提取转向架关键部件性能退化特征。
发明内容
本发明针对传统方法很难有效提取转向架关键部件性能退化特征问题，提出了一种基于离散小波和神经网络集成的高速列车转向架关键部件性能退化辨识方法。
为实现上述发明内容，本发明提供一种列车服役性能识别方法，其特征在于：基于离散小波嵌入神经网络的辨识模型，通过将离散小波分解嵌入LSTM模型，将振动信号中的噪声进行一定过滤之后，将不同尺度的低频成份输入多个LSTM网络，然后将多个LSTM网络的辨识结果进行融合，实现了高速列车转向架关键部件的精确辨识。
进一步地，离散小波变换的步骤如下：
步骤1.1：先设离散的输入信号，长度为N；低通滤波器，将输入信号的高频部分滤掉而输出低频部分；高通滤波器，与低通滤波器相反，滤掉低频部份而输出高频部发；
步骤1.2：将一个长为N的输入信号，在第一层分解为高频部分D1和低频部分A1，长度均为N/2；
步骤1.3：第一层分解完成后，低频信号输入第二层；第二层分解将A1分解为高频部分D2和低频部分A2，长度均为N/4；第三层分解将A2分解为高频部分D3和低频部分A3，长度均为N/8；
步骤1.4：逐层类推，将信号分解成近似部分(低频成分)以及细节成分(高频成分)，但分解所得到的所有结果长度总和仍为N，最终将原始信号的噪声进行过滤，转换为将不同尺度的低频成份信号。
进一步地，一个LSTM单元主要由遗忘门、输入门和输出门构成，每个门都包含有前向计算的公式，前向计算过程一共包含六个计算公式，具体如下：
遗忘门：决定从细胞状态中对其丢弃什么信息，这个决定由遗忘门完成，决定上一时刻的单元状态ct-1将会有多少保留到当前时刻ct；该门会读取上一时刻的输出值ht-1和当前时刻的输入值xt，输出一个在0到1之间的数值ft，ft将会决定ct-1的值是否被遗忘或者记住，或者记住多少；“1”表示“完全保留”，“0”表示“完全舍弃”；
ft＝σ(Wf*[ht-1，xt]+bf)式中：Wf和bf分别表示该门的权重和偏置，σ是sigmoid函数，[ht-1，xt]表示将两个向量连接成一个更长的向量；
输入门：此门包含两个部分，其中一部分是sigmoid层，称作输入门层，这部分决定要更新的值it，与当前时刻输入值xt有关；另一部分是tanh层，该层创建一个新的候选值向量
Figure BDA0002661895290000031
it决定着对
Figure BDA0002661895290000032
的遗忘能力，
Figure BDA0002661895290000033
的取值范围为(-1，1)；此门决定了当前时刻网络的输入xt有多少信息保存到单元状态ct；
it＝σ(Wi*[ht-1，xt]+bi)
Figure BDA0002661895290000034
Figure BDA0002661895290000035
上述3个式子中，Wi和bi为计算it的权重与偏置，WC和bC为计算
Figure BDA0002661895290000036
的权重与偏置；
输出门：控制单元状态ct有多少输出到LSTM的当前输出值ht中，首先创建一个中间值ot，ot由上一时刻的输出值ht-1和当前时刻的输入值xt计算得到，输出值ht由ot和ct计算得到，
ot＝σ(Wo*[ht-1，xt]+bo)ht＝ot*tanh(ct)式中：Wo和bo是计算ot的权重与偏置。
本发明首先通过对采集到的振动信号进行多级小波分解，将振动信号中的噪声进行一定过滤，去除高频分量(含噪声)，保留低频分量；然后将不同尺度的低频成份分别输入多个长短时记忆(LSTM)网络，最后将每个LSTM网络的结果进行融合决策辨识，最终实现了转向架关键部件性能间隔5％退化阶段的精确辨识。相比其他的方法，能够为高速列车转向架关键部件性能劣化辨识提供了一种思路，对高速列车转向架劣化检测有着更好的辨识精度。
附图说明
图1离散小波变换阶层架构图；
图2 DWT-MLSTM模型图；
图3不同方法的辨识精度对比结果；
图4 LSTM和DWT-MLSTM分类结果可视化对比图；
图5振动信号离散小波近似分解图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施的技术方案进行清楚、完整的描述。
图1为本发明架构图，为叙述简洁，本发明以振动信号为载体说明本发明对单个待检测部件从传感器数据处理到性能识别的全过程。
步骤1：完成离散小波变换。离散小波变换是对连续小波变换的尺度、位移按照2的幂次进行离散化得到的，所以也称之为二进制小波变换。离散小波分解能够在不同的尺度上对信号进行分解，而且对不同尺度的选择可以根据不同的需求和目标来确定。具体按照如下步骤：
步骤1.1：先设离散的输入信号，长度为N；低通滤波器，将输入信号的高频部分滤掉而输出低频部分；高通滤波器，与低通滤波器相反，滤掉低频部分而输出高频部发；
步骤1.2：将一个长为N的输入信号，在第一层分解为高频部分D1和低频部分A1，长度均为N/2；
步骤1.3：第一层分解完成后，低频信号输入第二层；第二层分解将A1分解为高频部分D2和低频部分A2，长度均为N/4；第三层分解将A2分解为高频部分D3和低频部分A3，长度均为N/8；
步骤1.4：逐层类推，将信号分解成近似部分(低频成分)以及细节成分(高频成分)，但分解所得到的所有结果长度总和仍为N。最终将原始信号的噪声进行过滤，转换为将不同尺度的低频成份信号。
步骤2：将离散小波分解后的低频成分分别输入多个LSTM网络。
LSTM是一种改进之后的循环神经网络，具备长期记忆能力。一个LSTM单元主要由以下三个门结构构成，遗忘门、输入门和输出门，每个门都包含有前向计算的公式。前向计算过程一共包含六个计算公式。
遗忘门：决定从细胞状态中对其丢弃什么信息，这个决定由遗忘门完成，决定上一时刻的单元状态ct-1将会有多少保留到当前时刻ct。该门会读取上一时刻的输出值ht-1和当前时刻的输入值xt，输出一个在0到1之间的数值ft，ft将会决定ct-1的值是否被遗忘或者记住，或者记住多少。“1”表示“完全保留”，“0”表示“完全舍弃”。
ft＝σ(Wf*[ht-1，xt]+bf)式中：Wf和bf分别表示该门的权重和偏置，σ是sigmoid函数，[ht-1，xt]表示将两个向量连接成一个更长的向量。
输入门：此门包含两个部分。其中一部分是sigmoid层，称作输入门层，这部分决定要更新的值it，与当前时刻输入值xt有关。另一部分是tanh层，该层创建一个新的候选值向量
Figure BDA0002661895290000051
it决定着对
Figure BDA0002661895290000052
的遗忘能力，
Figure BDA0002661895290000053
的取值范围为(-1,1)。此门决定了当前时刻网络的输入xt有多少信息保存到单元状态ct。
it＝σ(Wi*[ht-1，xt]+bi)
Figure BDA0002661895290000054
Figure BDA0002661895290000055
上述3个式子中，Wi和bi为计算it的权重与偏置，WC和bc为计算
Figure BDA0002661895290000056
的权重与偏置。
输出门：控制单元状态ct有多少输出到LSTM的当前输出值ht中。首先创建一个中间值ot，ot由上一时刻的输出值ht-1和当前时刻的输入值xt计算得到。输出值ht由ot和ct计算得到。
ot＝σ(Wo*[ht-1，xt]++bo)ht＝ot*tanh(ct)式中：Wo和bo是计算ot的权重与偏置。
步骤3：然后将每个LSTM网络的结果进行融合决策，实现高速列车转向架关键部件性劣化阶段的精确辨识。
试验采用仿真数据，列车运行速度设置为200km/h，采样频率为243Hz，以转向架横向减振器为研究对象，通过更改横向减振器的刚度和阻尼大小来模拟减振器的退化状态。每类样本采集65324数据点，采用滑窗的方式构造样本，样本长度取2048。每截取一次，窗口向前滑动50点，每种劣化等级的振动信号包含1000个样本，每个样本都进行归一化处理。然后将所有劣化等级数据集中的样本按照8：2的比例划分为训练集和测试集，即训练集5600个样本，测试集1400个样本。数据集的具体构造如表1：
表1数据集构造
Figure BDA0002661895290000061
图2是DWT-MLSTM模型图。首先对采集到的高速列车振动信号进行离散小波分解，进行降噪和分频处理；然后将分解后的低频信号分别输入LSTM网络；最后对其结果进行融合决策，完成对转向架关键部件性能劣化的辨识。
为了验证本发明所提DWT-MLSTM方法的有效性，本申请与其它方法辨识结果进行了对比，如图3所示。其中DCNN是深度卷积神经网络；GRU是门控循环单元；LSTM是长短时记忆；WDCNN是第一层宽卷积核深度卷积神经网络。
从图中可以看出本文所提的DWT-MLSTM方法相比于其他四种方法辨识效果更好，平均精度达到98.3％左右。GRU是LSTM网络的一种变体，网络结构更加简单，两者的辨识效果相差不多，辨识精度都低于DWT-MLSTM。
图4是LSTM和DWT-MLSTM分类结果可视化对比图。可以看出DWT-MLSTM互相混叠的不同劣化等级信号明显减少，这也验证了DWT-MLSTM具有较高的识别精度。
图5是振动信号离散小波近似分解图。从分解结果可以看出低频分量是将信号的高频部分过滤掉从而输出低频部分，即为原始信号的近似特征；而高频的部分为细节特征但是也包含有噪声成份。离散小波分解就是要把信号的高频和低频分量进行分离，去掉高频分量(含噪声)，保留低频分量输入辨识模型从而提升最终的辨识精度。

Claims (3)

1.一种列车服役性能识别方法，其特征在于：基于离散小波嵌入神经网络的辨识模型，通过将离散小波分解嵌入LSTM模型，将振动信号中的噪声进行一定过滤之后，将不同尺度的低频成份输入多个LSTM网络，然后将多个LSTM网络的辨识结果进行融合，实现了高速列车转向架关键部件的精确辨识。
2.根据权利要求1所述的一种列车服役性能识别方法，其特征在于：离散小波变换的步骤如下：
步骤1.1：先设离散的输入信号，长度为N；低通滤波器，将输入信号的高频部分滤掉而输出低频部分；高通滤波器，与低通滤波器相反，滤掉低频部分而输出高频部发；
步骤1.2：将一个长为N的输入信号，在第一层分解为高频部分D1和低频部分A1，长度均为N/2；
步骤1.3：第一层分解完成后，低频信号输入第二层；第二层分解将A1分解为高频部分D2和低频部分A2，长度均为N/4；第三层分解将A2分解为高频部分D3和低频部分A3，长度均为N/8；
步骤1.4：逐层类推，将信号分解成近似部分(低频成分)以及细节成分(高频成分)，但分解所得到的所有结果长度总和仍为N，最终将原始信号的噪声进行过滤，转换为将不同尺度的低频成份信号。
3.根据权利要求1所述的一种列车服役性能识别方法，其特征在于：一个LSTM单元主要由遗忘门、输入门和输出门构成，每个门都包含有前向计算的公式，前向计算过程一共包含六个计算公式，具体如下：
遗忘门：决定从细胞状态中对其丢弃什么信息，这个决定由遗忘门完成，决定上一时刻的单元状态ct-1将会有多少保留到当前时刻ct；该门会读取上一时刻的输出值ht-1和当前时刻的输入值xt，输出一个在0到1之间的数值ft，ft将会决定ct-1的值是否被遗忘或者记住，或者记住多少；“1”表示“完全保留”，“0”表示“完全舍弃”；
ft＝σ(Wf*[ht-1，xt]+bf)式中：Wf和bf分别表示该门的权重和偏置，σ是sigmoid函数，[ht-1，xt]表示将两个向量连接成一个更长的向量；
输入门：此门包含两个部分，其中一部分是sigmoid层，称作输入门层，这部分决定要更新的值it，与当前时刻输入值xt有关；另一部分是tanh层，该层创建一个新的候选值向量
Figure FDA0002661895280000021
it决定着对
Figure FDA0002661895280000022
的遗忘能力，
Figure FDA0002661895280000023
的取值范围为(-1,1)；此门决定了当前时刻网络的输入xt有多少信息保存到单元状态ct；
it＝σ(Wi*[ht-1，xt]+bi)
Figure FDA0002661895280000026
Figure FDA0002661895280000024
上述3个式子中，Wi和bi为计算it的权重与偏置，WC和bC为计算
Figure FDA0002661895280000025
的权重与偏置；
输出门：控制单元状态ct有多少输出到LSTM的当前输出值ht中，首先创建一个中间值ot，ot由上一时刻的输出值ht-1和当前时刻的输入值xt计算得到，输出值ht由ot和ct计算得到，
ot＝σ(Wo*[ht-1，xt]+bo)ht＝ot*tanh(ct)式中：Wo和bo是计算ot的权重与偏置。
CN202010907332.3A 2020-09-02 2020-09-02 一种列车服役性能识别方法 Pending CN112197983A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010907332.3A CN112197983A (zh) 2020-09-02 2020-09-02 一种列车服役性能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010907332.3A CN112197983A (zh) 2020-09-02 2020-09-02 一种列车服役性能识别方法

Publications (1)

Publication Number Publication Date
CN112197983A true CN112197983A (zh) 2021-01-08

Family

ID=74006386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010907332.3A Pending CN112197983A (zh) 2020-09-02 2020-09-02 一种列车服役性能识别方法

Country Status (1)

Country Link
CN (1) CN112197983A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113320570A (zh) * 2021-06-01 2021-08-31 中车唐山机车车辆有限公司 转向架失稳控制方法、装置、列车和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101832471A (zh) * 2010-04-19 2010-09-15 哈尔滨工程大学 一种信号识别分类方法
CN103018660A (zh) * 2012-12-25 2013-04-03 重庆邮电大学 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101832471A (zh) * 2010-04-19 2010-09-15 哈尔滨工程大学 一种信号识别分类方法
CN103018660A (zh) * 2012-12-25 2013-04-03 重庆邮电大学 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法
CN110070229A (zh) * 2019-04-26 2019-07-30 中国计量大学 家庭电力负荷的短期预测方法
CN110427924A (zh) * 2019-09-09 2019-11-08 桂林电子科技大学 一种基于lstm的心冲击信号自动多分类识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113320570A (zh) * 2021-06-01 2021-08-31 中车唐山机车车辆有限公司 转向架失稳控制方法、装置、列车和存储介质
CN113320570B (zh) * 2021-06-01 2022-07-26 中车唐山机车车辆有限公司 转向架失稳控制方法、装置、列车和存储介质

Similar Documents

Publication Publication Date Title
Peng et al. Multibranch and multiscale CNN for fault diagnosis of wheelset bearings under strong noise and variable load condition
Chen et al. Dual-path mixed-domain residual threshold networks for bearing fault diagnosis
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN106250613A (zh) 一种车轮服役状态安全域估计及故障诊断方法
CN110197588A (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
CN108197731B (zh) 一种基于共同训练的机动车尾气遥测与车检结果一致性方法
CN115758289B (zh) 一种基于多任务学习神经网络的钢轨波磨识别方法
CN114997252B (zh) 一种基于惯性原理的车轮多边形车载检测方法
CN113610188A (zh) 弓网接触力非区段异常识别方法及装置
Du et al. Risk evaluation of bogie system based on extension theory and entropy weight method
Cheng et al. Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains
CN112197983A (zh) 一种列车服役性能识别方法
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
CN112381027B (zh) 基于列车轴箱垂向加速度信号的车轮多边形波深估计方法
Ren et al. Performance degradation estimation of high-speed train bogie based on 1D-ConvLSTM time-distributed convolutional neural network
CN116467570B (zh) 一种基于数据驱动的重载机车车钩摆角定量识别方法
CN113281414A (zh) 钢轨短波病害类型的识别方法及装置、以及电子设备
CN116353660B (zh) 一种基于bwo-vmd的高速铁路车轮多边形故障检测方法及系统
CN110459197B (zh) 用于微弱盲信号去噪与提取的信号增强器及方法
Li et al. A signal-based fault detection and classification method for heavy haul wagons
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
Mal et al. Modern condition monitoring systems for railway wheel-set dynamics: Performance analysis and limitations of existing techniques
CN112033709B (zh) 一种基于动力学监测的城轨车辆服役能力评估方法
CN114084199A (zh) 一种基于递归图分析的列车稳定性评估方法及系统
Kim et al. Defect Prediction of Railway Wheel Flats based on Hilbert Transform and Wavelet Packet Decomposition

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210108