CN114861741B - 一种基于轮对横移量的蛇行状态识别方法 - Google Patents
一种基于轮对横移量的蛇行状态识别方法 Download PDFInfo
- Publication number
- CN114861741B CN114861741B CN202210807411.6A CN202210807411A CN114861741B CN 114861741 B CN114861741 B CN 114861741B CN 202210807411 A CN202210807411 A CN 202210807411A CN 114861741 B CN114861741 B CN 114861741B
- Authority
- CN
- China
- Prior art keywords
- state
- snake
- wheel
- 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.)
- Expired - Fee Related
Links
- 241000270295 Serpentes Species 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 13
- 230000009193 crawling Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 45
- 230000033001 locomotion Effects 0.000 claims description 37
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于轮对横移量的蛇行状态识别方法，属于列车运行监测技术领域，包括：S1、构建车辆运行数据集；S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果。
Description
技术领域
本发明属于高速列车运行监测技术领域，具体涉及一种基于轮对横移量的蛇行状态识别方法。
背景技术
在高速列车的提速设计中，轮对存在固有蛇行运动，当运行速度提高，超过当前车辆系统蛇行分岔状态的非线性临界速度时，蛇行运动就有可能演变为异常的蛇行运动。识别车辆系统的异常蛇行运动，可以避免脱轨等重大运行事故产生，提高高速列车安全性。除此之外，监测方法需要保证其强可靠性、高准确率、快速响应、低构建成本。小幅极限环振动与蛇行失稳的大幅极限环振动不同，大幅极限环振动状态下，构架与轮对共振，国内现行标准以此对蛇行失稳监测报警。
国内外现行对车辆异常蛇行的在线监测标准，均是在车辆系统上采用非轮对部件测量到的间接监测量。
间接监测量只有在车辆二次蛇行条件下，各部件等幅共振的情况下才能识别报警。而二次蛇行之前的过渡状态，即异常小幅蛇行情况下，各部件并未处于等幅振荡。因此间接监测量与轮对蛇行状态特征上存在不对等。国内外学者研究了基于数据挖掘的监测方法改进，但其性能受数据稀少与故障样本不平衡影响。除此之外，一些研究者在训练方法时，根据构架加速度为蛇行分类确定标签，分类对象也采用构架加速度，未将二者区分开来。
发明内容
针对现有技术中的上述不足，本发明提供的基于轮对横移量的蛇行状态识别方法解决了现有的蛇行状态监测无法识别蛇行失稳之前的过渡状态——异常小幅蛇行的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于轮对横移量的蛇行状态识别方法，包括以下步骤：
S1、构建车辆运行数据集；
S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；其中，蛇行状态分类结果包括正常蛇行、异常蛇行失稳以及异常小幅蛇行；
S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；
所述蛇行状态识别模型以传感器测点信号为输入，蛇行状态分类结果为输出，并按照蛇行状态分类结果的分类标签进行训练；
S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果。
进一步地，所述步骤S2中，对轮对横移信号进行分析的方法具体为：
A1、在轮对横移信号中选取表征蛇行状态的指标；
其中，表征蛇行状态的指标包括幅值类、摆幅类、时域类，以及频域类的特征；
A2、采用主成分分析法对各类特征进行降维处理，得到主成分空间内的各轮对横移特征；
A3、采用K-均值聚类分析法在主成分空间内按照特征距离对轮对横移特征进行分析，得到蛇行状态分类簇；
A4、采用流形学习降维方法观察蛇行状态分类簇的分布，并根据极限环理论，标记已知为正常蛇行状态和蛇行状态失稳的样本，基于其在各蛇行状态分类簇中的分布，确定各蛇行状态分类簇的分类标签，将其作为初步蛇行状态分类结果。
进一步地，所述步骤A3中，采用K-均值聚类分析法进行分析时的目标函数为：
式中，J为目标函数， l为聚类的数目，K为聚类总数，h为主成分空间内轮对横移特征数目，n为轮对横移特征总数，u hl 为主成分空间内任意一个轮对横移特征与簇的隶属度，m l 为第l类的簇的中心位置，r h 为第h个轮对横移特征的位置。
进一步地，所述步骤S2中，通过t-SNE方法对初步蛇行状态分类结果进行检验。
进一步地，所述步骤S3中的蛇行状态识别模型为一维卷积神经网络；
所述一维卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、池化层、展开层、全连接层以及输出层；
所述第一卷积层和第二卷积层通过卷积核对输入通道进行卷积操作，产生的结果视为隐藏层，并作为输出通道；
所述池化层通过池化核对输入通道的子集取平均值或最大值，获得输出通道。
进一步地，所述池化层和展开层之间通过注意力机制连接。
进一步地，所述卷积操作的表达式为：
式中，step为步长，每个卷积核长度为m，拥有n个输入特征图，
为第k个卷积核中，第l个特征图的第j个长度位置上的值，
为第k个卷积核中第i个节点的输出，
为该卷积核在第l个特征图的第j个长度位置上的i的上一个步长的节点的输入特征向量，b k 为第k个卷积核的偏置项，f c (*)为激活函数。
进一步地，所述池化层对输入通道的子集取平均值的公式为：
式中，
为池化层输入到的第k个卷积核输入的特征向量中第i个节点的输出，
为池化层第k个输入的第r个步长下的i的上一个步长的节点的特征向量，step为池化层的移动总步长。
进一步地，所述池化层对输入通道的子集取最大值的公式为：
式中，
为池化层输入到的第k个输入的特征向量中第i个节点的输出，step为池化层的移动总步长，
为池化层第k个卷积核输入的第1个步长下的i的上一个步长的节点的特征向量。
进一步地，所述步骤S4中的实际的传感器测点信号为加速度传感器的测点信号。
本发明的有益效果为：
（1）本发明采用轮对横移量进行蛇行状态分类，解决了在出现蛇行失稳之前的小幅蛇行过渡状态中，轮对蛇行特征与其他部件信号特征不对等的问题。采用了仿真数据产生轮对横移量数据，解决了数据挖掘方法中，高速列车蛇行故障数据稀少与不平衡的问题。
（2）本发明在处理大量蛇行振动数据样本时，提出了蛇行状态分类方法。根据提出的方法，只需求解非线性与线性临界速度，就能快速根据轮对横移量特征确定样本蛇行分类，避免对每一个样本的工况求解极限环。
（3）本发明搭建了一维卷积神经网络分类器，找到了基于轮对横移量理论分析得到的蛇行分类标签与常用测点信号特征的联系，从而将理论结果应用到实际监测工作中去。
附图说明
图1为本发明提供基于轮对横移量的蛇行状态识别方法流程图。
图2为本发明提供的蛇行状态识别模型网络结构图。
图3为本发明提供的实际列车稳定性监测加速度传感器安装位置示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例提供了一种基于轮对横移量的蛇行状态识别方法，如图1所示，包括以下步骤：
S1、构建车辆运行数据集；
S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；其中，蛇行状态分类结果包括正常蛇行、异常蛇行失稳以及异常小幅蛇行；
S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；
所述蛇行状态识别模型以传感器测点信号为输入，蛇行状态分类结果为输出，并按照蛇行状态分类结果的分类标签进行训练；
S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果。
在本发明实施例的步骤S1中，对于车辆运行数据集中轮对横移量以及各测点的加速度信号的获取，可以通过构建车辆动力学仿真模型获得，也可以采用台架试验、激光传感器、机器视觉等方法获得。进一步，还可以通过综合多种数据来源，使用迁移学习等方法在各数据来源间对分类器进行训练，以进一步提高后续蛇行状态识别模型的分类训练效果。
本发明实施例的步骤S1中，由于目前车载监控系统对轮对横移的不可测性，本实施例中采用了仿真数据来生成轮对横移数据，判断分类标签，为建立包含车辆正常蛇行、蛇行失稳以及异常小幅蛇行的车辆运行数据集，考虑到车辆的匀速惰行运行速度通常处于200km/h~400km/h之间，本实施例中建立了三种工况的车辆动力学仿真模型，分别为初始条件下的车辆，以及两种不同程度破坏了轮轨接触非线性以及悬挂参数的车辆，从而使三种车辆模型服从于不同条件的极限环分岔类型。其中，工况1为初始条件的车辆，其正常运行速度区间内低于非线性临界速度，车辆的极限环处于车辆的亚临界分岔类型的鞍结分岔点以下，处于正常蛇行状态。工况2为非线性因素参数稍微改变的车辆，其非线性临界速度应当处于400km/h以下，使得正常运行速度区间内轮对可能处于正常蛇行，蛇行失稳，以及异常小幅蛇行状态。而工况3为进一步改变参数的车辆，应使其线性临界速度处于400km/h以下，其服从的Hopf极限环分岔类型中的Hopf分岔点低于运行速度时，其在正常运行速度区间内一定将出现蛇行失稳状态。
本发明实施例的步骤S2中，根据极限环分岔理论，对服从亚临界分岔的车辆系统的轮对蛇行运动分成的三类状态及其解释如下：
（1）正常蛇行：车辆当前运行速度低于非线性临界速度，车辆受到的激扰产生的蛇行运动在理想轨道上会收敛。其轮对横移量只与受迫振动有关，除了轨道激励带来的周期性，自激振动的周期性极弱。
（2）蛇行失稳：车辆处于等幅极限环振动状态，车辆当前运行速度高于非线性临界速度，车辆的蛇行运动使得各部件处于共振的振荡状态，轮对振动幅值较大，轮缘接触钢轨，振动包含强周期性。
（3）异常小幅蛇行：车辆处于不稳定极限环振动状态，车辆当前运行速度高于非线性临界速度，低于线性临界速度。在特定激励下保持持续的小幅不稳定极限环振动，会因为激扰落入蛇行失稳吸引域。在车辆参数保持不变的情况下，其演变方向受外部激扰的影响，轮对与其他部件的振动存在不对等。
本发明实施例的步骤S2中，对轮对横移信号进行分析的方法具体为：
A1、在轮对横移信号中选取表征蛇行状态的指标；
其中，表征蛇行状态的指标包括幅值类、摆幅类、时域类，以及频域类的特征；
A2、采用主成分分析法对各类特征进行降维处理，得到主成分空间内的各轮对横移特征；
A3、采用K-均值聚类分析法在主成分空间内按照特征距离对轮对横移特征进行分析，得到蛇行状态分类簇；
A4、采用流形学习降维方法观察蛇行状态分类簇的分布，并根据极限环理论，标记已知为正常蛇行状态和蛇行状态失稳的样本，基于其在各蛇行状态分类簇中的分布，确定各蛇行状态分类簇的分类标签，将其作为初步蛇行状态分类结果。
在本实施例的步骤A1中提出基于时域频域多指标综合的表征蛇行状态的指标提取方法，包括幅值类、摆幅类、时域类，以及频域类的特征；具体地，据车辆系统极限环理论，对每一位轮对综合选取了时域类、频域类指标。时域类指标的选取方法是，分析轮对横向运动原始信号的峰值点，在轮对每两次振动越过轨道中心时计为一个峰值，反应在信号中即相邻零点内仅计数一个峰值，由此避免轮对偏向一边运动时的多个冗余峰值。同时滤除相邻过近的峰值点，以排除车辆在平衡位置附近的振动带来的影响。波峰即为轮对向右横移的最大值，波谷为轮对向左横移的最大值，取绝对值得到轮对偏移平衡位置的峰值指标A。计算样本中轮对横移的最大峰值A max，最小峰值A min与平均峰值A mean。除此之外，考虑轮对在通过一次轨道中心平衡位置时，从左至右或从右至左的横向摆动幅度W，计算样本中轮对的最大摆幅W max，最小摆幅W min与平均摆幅W mean。考虑受迫振动与自激振动存在的周期性差异，还需要在轮对横移信号的频域上进行特征提取。对轮对横向振动信号经25Hz低通滤波后，由FFT变换，并将变换后的对称图形叠加，得到振动信号的幅频，以及各频率对应的FFT变换后为无量纲的幅值。幅值最大值N F ，及其所对应的频率f F 以及其频域峭度K F ，作为轮对蛇行信号在频域上提取到的3个指标。对于幅值类和摆幅类的特征，其差异将体现列车运动方向的偏移。
本实施例的步骤A2中，由于每个轮对横移信号样本包含了4个轮对的数据，即使经过步骤A1中的特征筛选，提取出的特征维度依然较大，特征中可能存在非主要成分，因此需要采用算法对特征的主成分进行提取，从而衡量每一个特征对主成分提取的重要性。
本实施例的步骤A3中，为了将轮对横移特征分类成正常状态、异常蛇行失稳状态，以及用于预警的异常小幅蛇行状态，本实施例中基于降维后的主成分，使用无监督的分析方法将其分成三类。其中，K-均值聚类方法是将数据集内的特征，划分到若干个簇上，使得每个特征都被划分到与其距离最近的中心所在的簇中，因此，采用K-均值聚类分析法进行分析时的目标函数为：
式中，J为目标函数， l为聚类的数目，K为聚类总数，h为主成分空间内轮对横移特征数目，n为轮对横移特征总数，u hl 为主成分空间内任意一个轮对横移特征与簇的隶属度，m l 为第l类的簇的中心位置，r h 为第h个轮对横移特征的位置。本发明实施例的步骤S2中，通过t-SNE方法对初步蛇行状态分类结果进行检验。
在本实施例的步骤A4中，在聚类分析得到分类簇后，按照极限环理论，来确定分类标签。由于每一个样本的特征维度较大，无法直接观测，通过t-SNE的流形学习方法进行降维观测达到上述目的。SNE 的基本思想是把高维空间中相似的点在低维图像上靠近绘制在一起，使用t分布后再根据K-L散度来判断点与点之间的相似性的方法为t-SNE，相比SNE因为引入了t分布，改进了计算效率。
随后需要观察，速度越高的样本是否越偏向于蛇行失稳的簇，车辆破坏越严重的工况样本是否越偏向于蛇行失稳的簇。若经判断，得到的分类结果符合上述理论，则继续。否则，重新提取特征，或增加主成分分析保留的主成分维度，防止信息的丢失。
本发明实施例中，为了避免蛇行间接表征量与实际轮对蛇行行为的不对等，根据仿真数据的轮对横移特征，将其分类为正常、蛇行失稳、异常小幅蛇行三种蛇行运动状态。
在本发明实施例中，基于深度学习思想的神经网络，可以完成下列任务，从间接测量量上分析其与轮对蛇行状态的关系，自动完成特征提取，并能够根据训练样本的扩充，提高分类准确性与泛化性。且由于网络参数的训练过程消耗计算资源，经训练完成的网络应用于车载系统的监测识别中，消耗计算资源较低，可以用于车载系统对于蛇行状态的识别任务。
具体地，本发明实施例步骤S3中的蛇行状态识别模型为一维卷积神经网络；
如图2所示，本实施例中的一维卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、池化层、展开层、全连接层以及输出层；
所述第一卷积层和第二卷积层通过卷积核对输入通道进行卷积操作，产生的结果视为隐藏层，并作为输出通道；所述池化层通过池化核对输入通道的子集取平均值或最大值，获得输出通道。
在本实施例中，在池化层中输入通道的子集是指经过卷积的层，在这里被池化核取平均值或最大值。
在本实施例中，输入信号需经过滤波处理，采样频率为2500Hz，降采样为250Hz，每个样本信号时长2s，因此输入层维度为500×1，之后为第一卷积层，其卷积核长度为20，滑动步长为5，卷积后的维度为97×500。再之后为第二卷积层，其卷积核长度为20，滑动步长为3，卷积后的维度为26×200。之后对卷积后的数据进行池化操作，池化大小为2，池化后的维度为13×200；之后将13×200的数据在展开层展开成为2600维数组；之后通过一层50维的全连接层，此时可以认为一维卷积神经网络将信号特征提取为50维，最后根据该50维特征输出该样本属于3种蛇行状态的概率。
本实施例中的池化层和展开层之间通过注意力机制连接，注意力（Attention）机制是对池化操作后的信号特征向量进行了重新组合，该机制会为池化后的不同的信号特征向量分配不同的权重，该权重在模型训练时会不断更新，它将神经网络的注意力集中于输入信号数据的部分区域上，能够忽略输入数据中对任务重要性较低的部分。
本实施例中的一维卷积神经网络的优化器为自适应矩估计（Adam）优化器，学习率设置为0.001，神经元的激活函数设置为线性整流函数（Rectified Linear Unit, ReLU），验证输出结果与实际轮对蛇行状态分类的差别的损失函数为交叉熵。神经网络的模型复杂度过高，或是训练迭代次数过多，可能会造成神经网络对于数据样本的过拟合，从而导致神经网络对其他情况产生的数据集的泛化能力降低。本实施例采用丢弃（Dropout）方法，在每一次的训练迭代中有意舍弃神经网络中的50%的神经元，再计算神经元的权重，这种方法能够缓解神经网络的过拟合现象。
本实施例中卷积操作过程中，卷积核在原本的输入通道数据上滑动，每一次的卷积操作都是对输入数据的局部信息的获取，其对应的卷积操作的表达式为：
式中，step为步长，每个卷积核长度为m，拥有n个输入特征图，
为第k个卷积核中，第l个特征图的第j个长度位置上的值，
为第k个卷积核中第i个节点的输出，
为该卷积核在第l个特征图的第j个长度位置上的i的上一个步长的节点的输入特征向量，b k 为第k个卷积核的偏置项，f c (*)为激活函数。
本实施例中的池化层的池化操作本质上是一种“降采样”的过程，当池化层对输入通道的子集取平均值，其表达式为：
式中，
为池化层输入到的第k个卷积核输入的特征向量中第i个节点的输出，
为池化层第k个输入的第r个步长下的i的上一个步长的节点的特征向量，step为池化层的移动总步长。
当池化层对输入通道的子集取最大值时，其表达式为：
式中，
为池化层输入到的第k个输入的特征向量中第i个节点的输出，step为池化层的移动总步长，
为池化层第k个卷积核输入的第1个步长下的i的上一个步长的节点的特征向量。
本发明实施例的步骤S4中，为了能够实现根据现有的监测系统所能测量的振动信号，判断轮对蛇行处于的状态，选取了现有转向架测点中，对轮对信号互相关函数值最大的位置。基于此，本实施例中实际的传感器测点信号为加速度传感器的实测信号，对于实测点的位置选取方法为：
现有在高速列车的车体、构架与轴箱上的横向振动加速度传感器安装位置共有29个，由于车体与轮对的运动之间间隔一系悬挂与二系悬挂，因此车体上的9个安装位置不进行考虑。由于柔性构架设计，构架端点处的振动与轮对振动特征有区别，因此构架端点处4个安装位置不进行考虑。将剩余16个测点进行绘制标注如图3所示。
轴箱（Axlebox，A）是与轮对相连的部件，其横向振动加速度信号与轮对蛇行运动相关，因此考虑每节车厢的4个轮对的左（Left，L）右（Right，R）转臂式轴箱上的8个测点安装位置，在图3中由A-1L与A-1R 至 A-4L与A-4R所示。现行标准中常用的转向架构架（Bogieframe，B）侧梁处安装位置的振动也与车辆蛇行运动相关，因此考虑2个转向架左右侧梁的前端（Front，F）与末端（End，E）的安装位置，在图3中用B-1FL及B-2ER等标示。
本实施例中筛选加速度传感器的安装位置，是为了选出能够反映轮对蛇行直接特征的间接监测量，因此对上述传感器安装位置的加速度信号与轮对横移信号之间计算互相关函数，使用互相关函数的最大值衡量该信号与轮对蛇行特征的相关程度。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (9)
1.一种基于轮对横移量的蛇行状态识别方法，其特征在于，包括以下步骤：
S1、构建车辆运行数据集；
S2、对车辆运行数据集中的轮对横移信号进行分析及检验，得到蛇行状态分类结果；其中，蛇行状态分类结果包括正常蛇行、异常蛇行失稳以及异常小幅蛇行；
S3、基于车辆运行数据集中的传感器测点信号、轮对横移信号以及蛇行状态分类结果之间的对应关系，训练蛇行状态识别模型；
所述蛇行状态识别模型以传感器测点信号为输入，蛇行状态分类结果为输出，并按照蛇行状态分类结果的分类标签进行训练；
S4、在列车运行过程中，将实际的传感器测点信号输入至蛇行状态识别模型中，得到蛇行状态识别结果；
所述步骤S2中，对轮对横移信号进行分析的方法具体为：
A1、在轮对横移信号中选取表征蛇行状态的指标；
其中，表征蛇行状态的指标包括幅值类、摆幅类、时域类，以及频域类的特征；
A2、采用主成分分析法对各类特征进行降维处理，得到主成分空间内的各轮对横移特征；
A3、采用K-均值聚类分析法在主成分空间内按照特征距离对轮对横移特征进行分析，得到蛇行状态分类簇；
A4、采用流形学习降维方法观察蛇行状态分类簇的分布，并根据极限环理论，标记已知为正常蛇行状态和蛇行状态失稳的样本，基于其在各蛇行状态分类簇中的分布，确定各蛇行状态分类簇的分类标签，将其作为初步蛇行状态分类结果。
2.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤A3中，采用K-均值聚类分析法进行分析时的目标函数为：
式中，J为目标函数，l为聚类的数目，K为聚类总数，h为主成分空间内轮对横移特征数目，n为轮对横移特征总数，u hl 为主成分空间内任意一个轮对横移特征与簇的隶属度，m l 为第l类的簇的中心位置，r h 为第h个轮对横移特征的位置。
3.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S2中，通过t-SNE方法对初步蛇行状态分类结果进行检验。
4.根据权利要求1所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S3中的蛇行状态识别模型为一维卷积神经网络；
所述一维卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、池化层、展开层、全连接层以及输出层；
所述第一卷积层和第二卷积层通过卷积核对输入通道进行卷积操作，产生的结果视为隐藏层，并作为输出通道；
所述池化层通过池化核对输入通道的子集取平均值或最大值，获得输出通道。
5.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层和展开层之间通过注意力机制连接。
6.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述卷积操作的表达式为：
式中，step为步长，每个卷积核长度为m，拥有n个输入特征图，
为第k个卷积核中，第l个特征图的第j个长度位置上的值，
为第k个卷积核中第i个节点的输出，
为该卷积核在第l个特征图的第j个长度位置上的i的上一个步长的节点的输入特征向量，b k 为第k个卷积核的偏置项，f c (*)为激活函数。
7.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层对输入通道的子集取平均值的公式为：
式中，
为池化层输入到的第k个卷积核输入的特征向量中第i个节点的输出，
为池化层第k个输入的第r个步长下的i的上一个步长的节点的特征向量，step为池化层的移动总步长。
8.根据权利要求4所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述池化层对输入通道的子集取最大值的公式为：
式中，
为池化层输入到的第k个输入的特征向量中第i个节点的输出，step为池化层的移动总步长，
为池化层第k个卷积核输入的第1个步长下的i的上一个步长的节点的特征向量。
9.根据权利要求3所述的基于轮对横移量的蛇行状态识别方法，其特征在于，所述步骤S4中的实际的传感器测点信号为加速度传感器的测点信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807411.6A CN114861741B (zh) | 2022-07-11 | 2022-07-11 | 一种基于轮对横移量的蛇行状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210807411.6A CN114861741B (zh) | 2022-07-11 | 2022-07-11 | 一种基于轮对横移量的蛇行状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861741A CN114861741A (zh) | 2022-08-05 |
| CN114861741B true CN114861741B (zh) | 2022-09-13 |
Family
ID=82625947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210807411.6A Expired - Fee Related CN114861741B (zh) | 2022-07-11 | 2022-07-11 | 一种基于轮对横移量的蛇行状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861741B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115017965B (zh) * | 2022-08-09 | 2022-11-01 | 西南交通大学 | 基于hht能量和最大李雅普诺夫指数的蛇行分类方法 |
| CN116738299B (zh) * | 2023-08-16 | 2023-10-20 | 西南交通大学 | 一种高速列车蛇行状态识别与峰值预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017121177A1 (zh) * | 2015-12-30 | 2017-07-20 | 中车长江车辆有限公司 | 基于侧架定位检测的防脱轨转向架及其脱轨检测方法 |
| CN112383247A (zh) * | 2020-09-04 | 2021-02-19 | 湖南工业大学 | 一种列车转向架抗蛇行运动装置及系统 |
| CN112765778A (zh) * | 2020-12-29 | 2021-05-07 | 神华铁路装备有限责任公司 | 转向架横向稳定性识别方法、装置以及计算机设备 |
| CN113239449A (zh) * | 2020-12-29 | 2021-08-10 | 西南交通大学 | 一种轨道车辆柔性转向架蛇行运动分析方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0741836B2 (ja) * | 1986-01-29 | 1995-05-10 | 財団法人鉄道総合技術研究所 | 自己車軸操舵台車 |
| CN110411766A (zh) * | 2019-07-30 | 2019-11-05 | 中国神华能源股份有限公司神朔铁路分公司 | 列车转向架蛇形失稳检测方法、装置、系统和存储介质 |
| 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 |
| CN113358380B (zh) * | 2021-05-27 | 2022-04-08 | 同济大学 | 一种轨道车辆蛇行运动稳定性检测和评定方法 |
| CN113624521B (zh) * | 2021-08-20 | 2024-04-02 | 厦门物之联智能科技有限公司 | 一种基于轴箱振动的列车蛇形失稳的监测方法和系统 |
| CN113859309B (zh) * | 2021-10-27 | 2024-05-31 | 湖南润伟智能机器有限公司 | 车钩状态监测系统 |
-
2022
- 2022-07-11 CN CN202210807411.6A patent/CN114861741B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017121177A1 (zh) * | 2015-12-30 | 2017-07-20 | 中车长江车辆有限公司 | 基于侧架定位检测的防脱轨转向架及其脱轨检测方法 |
| CN112383247A (zh) * | 2020-09-04 | 2021-02-19 | 湖南工业大学 | 一种列车转向架抗蛇行运动装置及系统 |
| CN112765778A (zh) * | 2020-12-29 | 2021-05-07 | 神华铁路装备有限责任公司 | 转向架横向稳定性识别方法、装置以及计算机设备 |
| CN113239449A (zh) * | 2020-12-29 | 2021-08-10 | 西南交通大学 | 一种轨道车辆柔性转向架蛇行运动分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861741A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114861741B (zh) | 一种基于轮对横移量的蛇行状态识别方法 | |
| Ye et al. | Fault diagnosis of high-speed train suspension systems using multiscale permutation entropy and linear local tangent space alignment | |
| Ye et al. | Shock detection of rotating machinery based on activated time-domain images and deep learning: An application to railway wheel flat detection | |
| Li et al. | Real-time drive-by bridge damage detection using deep auto-encoder | |
| CN113610188B (zh) | 弓网接触力非区段异常识别方法及装置 | |
| Wu et al. | Detecting unexpected faults of high-speed train bogie based on Bayesian deep learning | |
| Hong et al. | High-speed rail suspension system health monitoring using multi-location vibration data | |
| CN110232415B (zh) | 一种基于生物信息特征的列车转向架故障识别方法 | |
| Cheng et al. | Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains | |
| CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
| CN113247041A (zh) | 一种基于数字孪生模型的轮对轴箱装置状态监测方法 | |
| Zhang et al. | Multi-sensor graph transfer network for health assessment of high-speed rail suspension systems | |
| Zhang et al. | Precise diagnosis of unknown fault of high-speed train bogie using novel FBM-Net | |
| Lourenço et al. | Online adaptive learning for out-of-round railway wheels detection | |
| CN115731261A (zh) | 基于高速公路雷达数据的车辆换道行为识别方法及系统 | |
| Jorge et al. | Early identification of out-of-roundness damage wheels in railway freight vehicles using a wayside system and a stacked sparse autoencoder | |
| CN109556862A (zh) | 基于自供电传感网络的列车轮对轴承安全监测系统 | |
| Zhang et al. | Generalized Zero-Shot Approach Leveraging Attribute Space for High-Speed Train Bogie | |
| CN116186833B (zh) | 索承桥主梁竖向变形相关模式识别与健康诊断机器学习方法 | |
| CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
| Yuan et al. | Unsupervised cross-domain damage detection and localization for vibration isolators in metro floating-slab track | |
| Ke et al. | Vibration states detection of HTS pinning maglev system based on deep learning algorithm | |
| Abdelfattah et al. | Health Monitoring of Automotive Suspension System using Machine Learning. | |
| CN115356133A (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
| Xiao et al. | A Heavy‐Haul Railway Corrugation Diagnosis Method Based on WPD‐ASTFT and SVM |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220913 |