CN113390654A - 一种基于多源信息融合的列车制动故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多源信息融合的列车制动故障诊断方法，首先对列车制动过程进行受力分析，包括列车空气制动力B、列车运行基本阻力R₁(v)、列车运行附加阻力R₂(v,x)，建立列车非线性制动状态空间模型；然后构建基于联邦卡尔曼的列车多源制动监测数据融合滤波，得到多源测量信息融合结果；最后选取递归最大期望辨识算法对数据融合结果分析，首先构造融合数据的条件数学期望，然后选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果。本发明消除了传感器误差、传感器故障、监测频率不同、监测数据缺失、漂移等不利因素对诊断结果的影响，建立了列车制动模型与故障诊断框架，提高了诊断效率与诊断精度。

Description

一种基于多源信息融合的列车制动故障诊断方法

技术领域

本发明属于轨道交通运行安全技术领域，具体涉及一种基于多源信息融合的列车制动故障诊断方法。

背景技术

随着车辆运行速度的提高，人们对列车制动系统的可靠性和安全性也提出了更高的要求。然而，受到潜在工艺异常和部件故障的影响，列车系统故障频发的现象仍然存在。这些故障虽然在早期阶段可能并不严重，但这些故障的存在确实会降低系统性能。因此，尽早发现和识别任何潜在的异常和故障，并实施容错操作，以最大程度地降低故障风险，避免危险情况的发生对高速列车的安全运行是至关重要的。

近些年，随着传感器技术的进步，列车监测数据也变得多种多样。因此，充分利用多源数据价值，实现多源信息融合的故障诊断对列车安全稳定运行与长久发展意义重大。

发明内容

本发明的目的是提供一种基于多源信息融合的列车制动故障诊断方法，消除了传感器误差、传感器故障、监测频率不同、监测数据缺失、漂移等不利因素对诊断结果的影响，建立了列车制动模型与故障诊断框架，提高了诊断效率与诊断精度。

本发明所采用的技术方案是，一种基于多源信息融合的列车制动故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、对列车制动过程进行受力分析，包括列车空气制动力B、列车运行基本阻力R₁(v)、列车运行附加阻力R₂(v,x)，建立列车非线性制动状态空间模型；

步骤2、构建基于联邦卡尔曼的列车多源制动监测数据融合滤波，得到多源测量信息融合结果；

步骤3、选取递归最大期望辨识算法对数据融合结果分析，首先构造融合数据的条件数学期望，然后选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤1.1、列车空气制动力B表示为：

其中，d为制动缸直径，r为制动盘摩擦半径，R_c为车辆车轮直径，N为车辆闸片总数，P为制动缸空气压力，η为基础制动装置计算传动效率，γ为制动倍率，μ_A是列车制动盘的摩擦系数；

步骤1.2、列车运行基本阻力R₁(v)表示为：

R₁(v)＝M×(c₀+c₁v+c₂v²)×g×10^-3

其中，M为定员质量，c₀为滚动阻力系数，c₁为其它机械阻力系数，c₂为空气阻力系数，v为列车制动速度，g为重力加速度；

步骤1.3、列车运行附加阻力R₂(v,x)表示为：

R₂(v,x)＝R_r(x)+R_c(x)+R_t(x)

式中，R_r(x)为坡道附加阻力，R_c(x)为曲线附加阻力，R_t(x)为隧道附加阻力；

步骤1.4、建立列车非线性制动状态空间模型为：

y_t＝v_t+1+e_t

式中，v_t和v_t+1分别为t和t+1时刻的速度状态值，y_t为t时刻的速度测量值，T为列车采样时间，B为列车空气制动力，R₁(v)为列车运行基本阻力，R₂(v,x)为列车运行附加阻力，M为车辆定员质量，w_t为线路情况等因素对列车速度的随机干扰，e_t用来表征测量误差。

步骤2具体按照以下步骤实施：

步骤2.1、将每一个测速传感器视为一个子系统，根据测速传感器离散状态系统的特性，建立第i个传感器模型的系统方程和量测方程：

X_i(t+1)＝A(t+1,t)X_i(t)+W_i(t)

Z_i(t)＝H_i(t)X_i(t)+V_i(t)

式中，X_i(t+1)和X_i(t)为第i个传感器t+1和t时刻的状态监测值，Z_i(t)为第i个传感器t时刻的观测值，A(t+1,t)为系统由t时刻变换到t+1时刻的状态转移矩阵，H_i(t)为第i个传感器t时刻的测量矩阵，W_i(t)和V_i(t)分别为第i个传感器t时刻的状态和观测随机噪声；

步骤2.2、设定滤波器初始条件如下：

E[W_iV_i ^T]＝0

式中，E[Δ]表示Δ的期望，X(0)表示状态初始值，

为状态估计值，P₀为初始估计误差方差；

步骤2.3、信息分配过程如下：

式中，Q_i为第i个传感器系统状态噪声方差，Q_g为系统状态全局噪声方差，P_i和P_g分别代表第i个传感器系统估计误差方差和全局估计误差方差，

为第i个传感器估计值，

为全局状态融合估计值，β_i为信息分配系数；

步骤2.4、时间更新过程如下：

P_i(t+1,t)＝A(t+1,t)P_i(t)A^T(t+1,t)+Q_i(t)

步骤2.5、量测更新过程如下：

式中，R_i代表子系统观测噪声协方差矩阵；

步骤2.6、多源测量信息融合估计结果为：

步骤3具体按照以下步骤实施：

步骤3.1、令步骤1.4中的列车非线性制动状态空间模型的状态和观测结果分别为：

x_t＝v_t

步骤3.2、将列车t₁时刻到t₂时刻间的状态数据与观测数据定义为

和

即：

式中，由于存在难以观测的制动参数，

被视为不完全可测数据，求取

与列车的输出观测数据组成全部数据的联合概率密度函数

步骤3.3、以列车制动盘摩擦系数μ_A的故障诊断为例，构建关于μ_A的联合概率密度函数

的期望更新值

为：

式中，p(Δ|Ω)为Ω已知时Δ的概率密度函数，

和

分别为t时刻和t-1时刻的期望更新值，Q(t)为t时刻的期望计算值，I₁，I₂和I₃分别为期望计算值Q(t)的三个计算分量，λ为期望迭代因子；

步骤3.4、选取梯度下降法找寻t时刻时

取最大值的μ_A，通过对比辨识结果和车辆设计参数指标，若参数辨识结果与车辆设计指标数值相差不大，则认为车辆制动性能正常，若参数辨识结果与车辆设计指标数值相差较大，则认为列车制动性能有所下降，若参数辨识结果与车辆设计指标数值相差极大，则认为列车制动性能失效。

本发明的有益效果是，一种基于多源信息融合的列车制动故障诊断方法，考虑到列车实际运行监测数据受到外界复杂因素干扰，构建了基于联邦卡尔曼的列车多源制动监测数据融合滤波，并基于递归最大期望辨识对数据融合结果分析，选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果与维护建议。算法稳定性好、收敛速度快，对于车辆制动系统故障诊断精度高、可移植性强，具有广泛的参考性和实用性。

附图说明

图1是本发明一种基于多源信息融合的列车制动故障诊断方法的融合滤波结构图；

图2是本发明一种基于多源信息融合的列车制动故障诊断方法的故障诊断结构图；

图3是经本发明一种基于多源信息融合的列车制动故障诊断方法得到的列车速度融合结果图；

图4是经本发明一种基于多源信息融合的列车制动故障诊断方法得到的制动系统故障诊断结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于多源信息融合的列车制动故障诊断方法，结合图1～图2，具体按照以下步骤实施：

步骤1、对列车制动过程进行受力分析，包括列车空气制动力B、列车运行基本阻力R₁(v)、列车运行附加阻力R₂(v,x)，建立列车非线性制动状态空间模型；

步骤1具体按照以下步骤实施：

步骤1.1、列车空气制动力B表示为：

其中，d为制动缸直径，r为制动盘摩擦半径，R_c为车辆车轮直径，N为车辆闸片总数，P为制动缸空气压力，η为基础制动装置计算传动效率，γ为制动倍率，μ_A是列车制动盘的摩擦系数；

步骤1.2、列车运行基本阻力R₁(v)表示为：

R₁(v)＝M×(c₀+c₁v+c₂v²)×g×10^-3

其中，M为定员质量，c₀为滚动阻力系数，c₁为其它机械阻力系数，c₂为空气阻力系数，v为列车制动速度，g为重力加速度；

步骤1.3、列车运行附加阻力R₂(v,x)表示为：

R₂(v,x)＝R_r(x)+R_c(x)+R_t(x)

式中，R_r(x)为坡道附加阻力，R_c(x)为曲线附加阻力，R_t(x)为隧道附加阻力；

步骤1.4、建立列车非线性制动状态空间模型为：

y_t＝v_t+1+e_t

式中，v_t和v_t+1分别为t和t+1时刻的速度状态值，y_t为t时刻的速度测量值，T为列车采样时间，B为列车空气制动力，R₁(v)为列车运行基本阻力，R₂(v,x)为列车运行附加阻力，M为车辆定员质量，w_t为线路情况等因素对列车速度的随机干扰，e_t用来表征测量误差。

步骤2、利用多源数据间冗余互补的特性，构建基于联邦卡尔曼的列车多源制动监测数据融合滤波，得到多源测量信息融合结果；

步骤2具体按照以下步骤实施：

步骤2.1、将每一个测速传感器视为一个子系统，根据测速传感器离散状态系统的特性，建立第i个传感器模型的系统方程和量测方程：

X_i(t+1)＝A(t+1,t)X_i(t)+W_i(t)

Z_i(t)＝H_i(t)X_i(t)+V_i(t)

式中，X_i(t+1)和X_i(t)为第i个传感器t+1和t时刻的状态监测值，Z_i(t)为第i个传感器t时刻的观测值，A(t+1,t)为系统由t时刻变换到t+1时刻的状态转移矩阵，H_i(t)为第i个传感器t时刻的测量矩阵，W_i(t)和V_i(t)分别为第i个传感器t时刻的状态和观测随机噪声；

步骤2.2、设定滤波器初始条件如下：

E[W_iV_i ^T]＝0

式中，E[Δ]表示Δ的期望，X(0)表示状态初始值，

为状态估计值，P₀为初始估计误差方差；

步骤2.3、信息分配过程如下：

式中，Q_i为第i个传感器系统状态噪声方差，Q_g为系统状态全局噪声方差，P_i和P_g分别代表第i个传感器系统估计误差方差和全局估计误差方差，

为第i个传感器估计值，

为全局状态融合估计值，β_i为信息分配系数；

步骤2.4、时间更新过程如下：

P_i(t+1,t)＝A(t+1,t)P_i(t)A^T(t+1,t)+Q_i(t)

步骤2.5、量测更新过程如下：

式中，R_i代表子系统观测噪声协方差矩阵；

步骤2.6、多源测量信息融合估计结果为：

步骤3、考虑到列车制动参数存在的隐变量特性，选取递归最大期望辨识算法对数据融合结果分析，首先构造融合数据的条件数学期望，然后选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果。

步骤3具体按照以下步骤实施：

步骤3.1、令步骤1.4中的列车非线性制动状态空间模型的状态和观测结果分别为：

x_t＝v_t

步骤3.2、将列车t₁时刻到t₂时刻间的状态数据与观测数据定义为

和

即：

式中，由于存在难以观测的制动参数，

被视为不完全可测数据，求取

与列车的输出观测数据组成全部数据的联合概率密度函数

步骤3.3、以列车制动盘摩擦系数μ_A的故障诊断为例，构建关于μ_A的联合概率密度函数

的期望更新值

为：

式中，p(Δ|Ω)为Ω已知时Δ的概率密度函数，

和

分别为t时刻和t-1时刻的期望更新值，Q(t)为t时刻的期望计算值，I₁，I₂和I₃分别为期望计算值Q(t)的三个计算分量，λ为期望迭代因子；

步骤3.4、选取梯度下降法找寻t时刻时

取最大值的μ_A，通过对比辨识结果和车辆设计参数指标，若参数辨识结果与车辆设计指标数值相差不大，则认为车辆制动性能正常，若参数辨识结果与车辆设计指标数值相差较大，则认为列车制动性能有所下降，若参数辨识结果与车辆设计指标数值相差极大，则认为列车制动性能失效。

图3给出了经本发明得到的列车速度融合结果图，由图可知本文方法可以有效地消除噪声等外部因素对列车速度监测数据带来的干扰，得到的速度融合结果波动很小，平稳性较高，在理论上更接近列车速度的真实值；图4给出了经本发明得到的制动系统故障诊断结果图，图中实线表示制动盘制动性能良好，其摩擦系数辨识结果和车辆设计参数相符，双划线表示日常使用消耗造成制动盘性能退化，摩擦系数小幅降低至0.27，但仍处于安全范围内，可以继续使用，虚线表示恶劣故障导致的制动盘摩擦系数大幅降低至0.2，需要及时更换制动盘以满足制动能力需求，避免制动性能不足造成重大事故的出现；通过对图3～图4的观察可以清楚的看出，本发明提出的方法可以对列车的制动速度进行有效融合，得到准确的故障诊断结果。

本发明考虑到列车实际运行监测数据受到外界复杂因素干扰，构建了基于联邦卡尔曼的列车多源制动监测数据融合滤波，并基于递归最大期望辨识对数据融合结果分析，选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果与维护建议。算法稳定性好、收敛速度快，对于车辆制动系统故障诊断精度高、可移植性强，具有广泛的参考性和实用性。

Claims (4)

1.一种基于多源信息融合的列车制动故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、对列车制动过程进行受力分析，包括列车空气制动力B、列车运行基本阻力R₁(v)、列车运行附加阻力R₂(v,x)，建立列车非线性制动状态空间模型；

步骤2、构建基于联邦卡尔曼的列车多源制动监测数据融合滤波，得到多源测量信息融合结果；

步骤3、选取递归最大期望辨识算法对数据融合结果分析，首先构造融合数据的条件数学期望，然后选取梯度下降法对所构建的数学期望进行优化，得到制动盘摩擦系数的辨识结果，进而给出诊断结果。

2.根据权利要求1所述的一种基于多源信息融合的列车制动故障诊断方法，其特征在于，所述步骤1具体按照以下步骤实施：

步骤1.1、列车空气制动力B表示为：

其中，d为制动缸直径，r为制动盘摩擦半径，R_c为车辆车轮直径，N为车辆闸片总数，P为制动缸空气压力，η为基础制动装置计算传动效率，γ为制动倍率，μ_A是列车制动盘的摩擦系数；

步骤1.2、列车运行基本阻力R₁(v)表示为：

R₁(v)＝M×(c₀+c₁v+c₂v²)×g×10^-3

其中，M为定员质量，c₀为滚动阻力系数，c₁为其它机械阻力系数，c₂为空气阻力系数，v为列车制动速度，g为重力加速度；

步骤1.3、列车运行附加阻力R₂(v,x)表示为：

R₂(v,x)＝R_r(x)+R_c(x)+R_t(x)

式中，R_r(x)为坡道附加阻力，R_c(x)为曲线附加阻力，R_t(x)为隧道附加阻力；

步骤1.4、建立列车非线性制动状态空间模型为：

y_t＝v_t+1+e_t

式中，v_t和v_t+1分别为t和t+1时刻的速度状态值，y_t为t时刻的速度测量值，T为列车采样时间，B为列车空气制动力，R₁(v)为列车运行基本阻力，R₂(v,x)为列车运行附加阻力，M为车辆定员质量，w_t为线路情况等因素对列车速度的随机干扰，e_t用来表征测量误差。

3.根据权利要求2所述的一种基于多源信息融合的列车制动故障诊断方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、将每一个测速传感器视为一个子系统，根据测速传感器离散状态系统的特性，建立第i个传感器模型的系统方程和量测方程：

X_i(t+1)＝A(t+1,t)X_i(t)+W_i(t)

Z_i(t)＝H_i(t)X_i(t)+V_i(t)

式中，X_i(t+1)和X_i(t)为第i个传感器t+1和t时刻的状态监测值，Z_i(t)为第i个传感器t时刻的观测值，A(t+1,t)为系统由t时刻变换到t+1时刻的状态转移矩阵，H_i(t)为第i个传感器t时刻的测量矩阵，W_i(t)和V_i(t)分别为第i个传感器t时刻的状态和观测随机噪声；

步骤2.2、设定滤波器初始条件如下：

E[W_iV_i ^T]＝0

式中，E[Δ]表示Δ的期望，X(0)表示状态初始值，

为状态估计值，P₀为初始估计误差方差；

步骤2.3、信息分配过程如下：

式中，Q_i为第i个传感器系统状态噪声方差，Q_g为系统状态全局噪声方差，P_i和P_g分别代表第i个传感器系统估计误差方差和全局估计误差方差，

为第i个传感器估计值，

为全局状态融合估计值，β_i为信息分配系数；

步骤2.4、时间更新过程如下：

P_i(t+1,t)＝A(t+1,t)P_i(t)A^T(t+1,t)+Q_i(t)

步骤2.5、量测更新过程如下：

式中，R_i代表子系统观测噪声协方差矩阵；

步骤2.6、多源测量信息融合估计结果为：

4.根据权利要求3所述的一种基于多源信息融合的列车制动故障诊断方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、令步骤1.4中的列车非线性制动状态空间模型的状态和观测结果分别为：

x_t＝v_t

步骤3.2、将列车t₁时刻到t₂时刻间的状态数据与观测数据定义为

和

即：

式中，由于存在难以观测的制动参数，

被视为不完全可测数据，求取

与列车的输出观测数据组成全部数据的联合概率密度函数

步骤3.3、以列车制动盘摩擦系数μ_A的故障诊断为例，构建关于μ_A的联合概率密度函数

的期望更新值

为：

式中，p(Δ|Ω)为Ω已知时Δ的概率密度函数，

和

分别为t时刻和t-1时刻的期望更新值，Q(t)为t时刻的期望计算值，I₁，I₂和I₃分别为期望计算值Q(t)的三个计算分量，λ为期望迭代因子；

步骤3.4、选取梯度下降法找寻t时刻时

取最大值的μ_A，通过对比辨识结果和车辆设计参数指标，若参数辨识结果与车辆设计指标数值相差不大，则认为车辆制动性能正常，若参数辨识结果与车辆设计指标数值相差较大，则认为列车制动性能有所下降，若参数辨识结果与车辆设计指标数值相差极大，则认为列车制动性能失效。

Images