CN115356133A - 一种转向架运行工况在线监测、实时分类与识别算法 - Google Patents
一种转向架运行工况在线监测、实时分类与识别算法 Download PDFInfo
- Publication number
- CN115356133A CN115356133A CN202211011288.3A CN202211011288A CN115356133A CN 115356133 A CN115356133 A CN 115356133A CN 202211011288 A CN202211011288 A CN 202211011288A CN 115356133 A CN115356133 A CN 115356133A
- Authority
- CN
- China
- Prior art keywords
- bogie
- classification
- environment
- running
- algorithm
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 35
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000007635 classification algorithm Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 4
- 239000000306 component Substances 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000008358 core component Substances 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 230000036541 health Effects 0.000 description 5
- 238000013209 evaluation strategy Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 235000019687 Lamb Nutrition 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229920005570 flexible polymer Polymers 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01M17/10—Suspensions, axles or wheels
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轨道交通车辆结构件智能化监测领域，特别涉及一种转向架运行工况在线监测、实时分类与识别算法。研制面向列车转向架运行过程中运行状态、环境与结构信息一体化监测的柔性多功能传感装置，同步采集列车运行状态信息、转向架表面环境信息和转向架结构振动信息，提出模糊化多层卷积神经网络算法对转向架多源信息进行融合分类，实现转向架运行工况的分类与实时识别，构建转向架运行工况的训练与测试数据集合，揭示转向架运行工况与环境‑结构信息之间的映射关系，实现转向架运行工况的在线分类与精准辨识，提高转向架的运行寿命。
Description
技术领域
本发明涉及轨道交通智能监测领域，特别涉及一种转向架运行工况在线监测的柔性多功能传感装置与实时分类算法。
背景技术
随着我国轨道交通运行速度与运量的不断提高，列车转向架受力状态与运行工况也日趋复杂，造成运行工况愈加恶劣，现有的定期维修策略难以满足快速发展的轨道交通行业，难以及时发现和排除故障，亟待发明转向架运行工况在线监测装置与实时算法。
轨道车辆转向架在线安全监测越来越受到关注，传感器也已经应用到了转向架的结构健康监测中，潘越研究基于压电导波（兰姆波）的转向架结构健康主动探测技术（基于兰姆波的城轨列车转向架构架结构健康监测技术研究，硕士学位论文，北京交通大学，2019），用于转向架结构缺陷的在线监测；杨凯等公开了一种转向架健康状态检测系统（CN202121722404.3），用于检测组件采集到的数据信息并对其进行分析处理得到检测结果；王晓明等公开了一种面向列车转向架风压检测的曲面传感装置（CN111664985A），主要采用柔性聚合物应变传感器检测转向架的环境作用（风压）信号；董文涛等公开了一种面向列车转向架主动探伤的柔性传感装置及方法（CN110729395A），采用柔性压电功能单元主动探测转向架的表面与内部缺陷。然而，当前公开的转向架结构健康监测中主要采用单一的传感数据，对转向架结构或者环境进行监测，对转向架高速运动过程受到的综合信息没有涉及到，更没有综合考虑转向架多参量信息的同步感知以及在此基础上转向架结构运行工况在线分类与实时识别。
本发明一种转向架运行工况在线监测、实时分类与识别算法，在线采集转向架。基于柔性多功能传感器采集到的环境（风压、风速和气动噪声）、运行速度与结构（应变与振动）状态数据，对转向架感知到状态数据进行实时处理，提取出转向架运行过程中环境与结构的特征信息，基于卷积神经网络的转向架工况分类算法给出了柔性多功能传感器数据与转向架运行工况之间的映射关系，柔性多功能传感器采集的多参量数据与智能算法的相结合，融合感知方法实现了转向架运行工况在线识别与分类，在线训练转向架多源参量数据，动态优化网络中学习算法与激活函数的参数，实现转向架运行工况的在线分类与精准辨识，提高转向架的运行寿命。
发明内容
针对现有技术的以上缺陷或改进需求，本发明的第一目的在于发明一种转向架运行工况分类与在线识别算法，基于列车运行状态、转向架表面环境和转向架结构振动信息，并对转向架多源信息进行模糊化计算处理，结合多层卷积神经网络算法对转向架多源信息进行融合分类，实现转向架运行工况的分类与实时识别；构建转向架运行工况的分类等级集合表示方法，用于评估转向架的安全运行情况；基于模糊卷积神经网络的转向架运行工况在线监测、实时分类与识别算法，构建转向架运行工况的训练与测试数据集合，揭示转向架运行工况与环境-结构信息之间的映射关系，在线训练转向架多源参量数据，动态优化网络中学习算法与激活函数的参数，实现转向架运行工况的在线分类与精准辨识，提高转向架的运行寿命，在现场测试与工程应用大有可为，主要包括环境与结构状态数据预处理、特征提取、转向架运行工况分类策略，训练过程、动态识别过程、结果评估，具体实现流程如下：
（1）柔性多功能传感器在线采集列车转向架运行过程中的环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息；
（2）通过动态时间窗对转向架多参量信号进行分割，对环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息进行有效表示；
（3）构建用于转向架典型工况分类识别的训练与测试样本集；
（4）分别提取转向架运行状态、环境与结构传感数据的特征信息；
（5）对转向架运行状态、环境与结构传感数据特征进行模糊化处理，计算不同特征信号对应的权值与归一化处理；
（6）转向架运行工况表示方法与构建转向架运行工况集合；
（7）将模糊化的转向架多参量信号作为卷积神经网络的输入，通过多层多次池化、卷积计算得到转向架运行工况的输出值；用于训练网络性能，优化网络参数，确定激活函数与搜索方向；
（8）构建的测试样本集用于所提出模糊卷积神经网络算法的输入，用测试算法的输出性能，分别对不用样本数据进行分类；
（9）比较算法计算分类结果与转向架实际运行工况之间的关系，计算得到不同运行工况的识别成功率；
（10）动态优化模糊卷积神经网络的结构参数，并在线实时实现转向架运行工况的分类识别，用于转向架运行安全在线监测；
（11）根据转向架多参量（环境、运行速度与结构振动）数据，提出的模糊化卷积神经网络算法实现转向架运行工况的精确感知，对转向架高速运行过程中的安全性能进行了快速评估。
针对现有技术的以上缺陷或改进需求，本发明的第二目的在于发明一种面向列车转向架运行过程中运行状态、环境与结构信息一体化监测的柔性多功能传感装置，与转向架构架曲面结构能共形贴装；针对转向架环境中的风压与气动噪声状态监测需求，热膜传感器用于风速在线测量，电容传感器用于测量风压信号，压电传感器用于测量气动噪声信息；振动转向架结构振动与变形信号测量需求，应变传感器用于转向架构架变形，压电传感器用于结构振动监测与内部缺陷主动探伤；用于转向架环境与结构状态监测的均为柔性传感器，并且集成在同一柔性衬底上，用于实现转向架高速运行过程中的环境与结构信息，环境与结构状态的耦合作用造成转向架运行工况非常复杂，柔性多功能传感装置将为转向架的全面感知与运行状态分类提供支持。
进一步地，所述转向架工况在线监测装置为柔性多功能传感器，能够与转向架构架曲面保持共形，在转向架运行过程中，柔性传感器装置不会影响转向架表面的流场分布，对转向架的环境与结构状态信息均没有影响，能够提高转向架的环境与结构状态信息的采集精度，采集到转向架多参量状态信息将为转向架运行工况在线监测与识别提供技术支持。
进一步地，所述转向架工况在线监测装置采集的环境与结构振动状态数据，对高速列车转向架的运行状态均有影响。针对环境状态信息（风压、风速和气动噪声），以时间序列分别表示为x1，x2，x3；结构振动数据（应变与振动）分别表示为y1，y2，y3；列车运行速度与加速度信息表示为z1，z2，z3；实验观察到同一物理量会对转向架输出的环境与结构状态信息均会有影响，传感数据之间相互耦合在一起，在时频域分别提取转向架多参量信号的特征信息，模糊化处理环境感知、运行速度、结构振动特征信息，得到转向架受到运行速度、环境与结构振动影响动态分类结果，提出模糊卷积神经网络对转向架多传感器特征数据进行融合感知，得到转向架运行工况分类等级。
进一步地，所述转向架工况在线分类与识别算法，转向架运行工况以承受荷载情况进行分层次表示，分为7个等级S1、S2、S3、S4、S5、S6、S7，通过对环境与结构状态数据进行处理，构建转向架结构状态数据与输出分类结果之间的匹配关系，计算一段时间内转向架的运行工况等级，实时识别转向架的运行工况等级，用于评估转向架的安全等级与安全性能。
进一步地，所述转向架工况在线分类与识别算法是基于柔性多功能传感器采集到的环境（风压、风速和气动噪声）、运行速度与结构（应变与振动）状态数据，对转向架感知到状态数据进行实时处理，提取出转向架运行过程中环境与结构的特征信息，基于卷积神经网络的转向架工况分类算法给出了柔性多功能传感器数据与转向架运行工况之间的映射关系，柔性多功能传感器采集的多参量数据与智能算法的相结合，融合感知方法实现了转向架运行工况在线识别与分类。
进一步地，所述转向架工况在线分类与识别算法，流程主要包括多参量状态数据采集、数据分割、预处理、特征提取、模糊化处理、构建训练与测试样本集，训练与识别过程；算法中搜索方向采用梯度下降法进行搜索与迭代，激活函数采用ReLU函数，惩罚函数采用正则化方法表示，综合考虑MSE Loss，提高数据计算处理效率，以此实现转向架运行工况数据的实时分类。
进一步地，所述向架工况在线分类与识别算法运行结果，转向架运行工况分为7个等级，对转向架正常运行中受力与荷载情况进行了有效描述，能够应用到转向架的安全预警中，同时对转向架运行结果没有归并在当前所构建的7种工况中，很有可能是转向架发生异常情况，能够有效预测转向架的故障信息。
进一步地，所述转向架运行工况识别算法，利用转向架运行环境与结构振动信息，明确了环境参量和结构状态对转向架运行工况的影响能力，揭示了转向架及贴装在转向架上的柔性多功能传感器的动态输出性能，重点计算分析了环境、结构状态信息与转向架运行工况的映射关系，用于转向架运行工况的实时分类。
进一步地，所述转向架运行工况识别算法成功应用到高速列车转向架工况的在线分类与识别，现实中轨道交通车辆中的其它部件也会受到环境与结构自身状态信息的耦合影响，也就是说基于环境与结构状态信息的智能算法同样能够应用到轨道交通车辆核心部件工况分类与识别，拓展到其它交通载运装备的运行工况在线监测、分类与识别。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于本发明一种转向架运行工况分类与在线识别算法，面向列车转向架运行过程中运行速度、环境与结构状态信息一体化监测需求，发明了柔性多功能传感装置，与转向架构架曲面结构能共形贴装，提高装置同步采集转向架高速运行过程的运行速度、环境与结构状态信息；环境与结构状态的耦合作用造成转向架运行工况非常复杂，提出融合运行速度、环境与结构状态信息的转向架工况分类算法，精准用于实现转向架高速运行过程中的环境与结构信息，柔性多功能传感装置将为转向架的全面感知与运行状态分类提供支持。
综上所述，本发明一种转向架运行工况在线监测装置与实时分类算法，面向列车转向架运行过程中运行速度、环境与结构状态信息一体化监测需求，发明了柔性多功能传感装置，提高了采集转向架高速运行过程的运行速度、环境与结构状态信息，提出融合运行速度、环境与结构状态信息的转向架工况模糊卷积神经网络分类算法，用于转向架运行工况的分类与分层级表示，实现转向架运行工况的在线分类与精准辨识，提高转向架的运行寿命，所发明的融合环境、运行速度与结构状态信息一体的转向架工况识别算法，不仅仅限于轨道交通车辆转向架，还能够应用到轨道交通车辆的核心部件上（均受到转向架的环境与结构状态信息的影响），为轨道交通车辆核心部件的全面感知与运行状态分类提供支持。
附图说明
图1为基于柔性多功能传感器同步采集环境、结构、运行速度状态信息的转向架工况在线监测、分类识别总体框架。
图2为柔性多功能传感装置，在线采集转向架运行过程中的环境、结构、运行速度状态信息。
图3为转向架运行过程中有待监测的物理量及分类方法。
图4为融合环境、结构、运行速度状态信息的转向架运行分类算法思想，并给出了转向架运行工况的分类等级集合{I，II，III，IV，V，VI，VII}。
图5为考虑噪声、气流速度、空气压力的转向架环境信息评估策略。
图6为考虑了振动加速度、振动幅值与频率、结构变形的转向架结构振动信息评估策略与流程。
图7为考虑列车运行速度与加速度的列车运行状态信息评估与分类方法。
图8为基于卷积神经网络的转向架运行工况训练与识别框架。
图9为转向架运行工况在线监测、分类与识别流程图。
图10为转向架运行工况分类算法的识别结果（混淆矩阵图）。
图11为以迭代性能为代表的转向架分类算法性能评估结果。
图中符号意义说明如下：
101-转向架构架；102-柔性多功能传感装置；103-轮轨反向振动影响；104-环境状态信号影响；105-轮对。
201-运行速度监测单元；202-运行加速度监测单元；203-传感单元引线；204-气流速度监测单元；205-噪声监测单元；206-空气压力传感单元；207-振动幅值与频率监测单元；208-振动加速度传感单元；209-结构变形传感单元；210-柔性衬底。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1，给出了基于柔性多功能传感器同步采集环境、结构、运行速度状态信息的转向架工况在线监测、分类与识别框架，柔性多功能传感装置102共形贴装在转向架构架101上，高速运行过程中，转向架处理自身运行速度与加速度外，还受到轮轨反向振动103和环境状态104的影响，构建转向架运行工况的分类等级集合表示方法，用于评估转向架的安全运行情况；通过对对转向架受到多源信息（运行速度、结构振动与环境信息）进行模糊化处理，结合多层卷积神经网络的融合感知处理，实现转向架运行工况的分类与实时识别；基于模糊卷积神经网络的转向架运行工况在线监测、实时分类与识别算法，构建转向架运行工况的训练与测试数据集合，揭示转向架运行工况与环境-结构信息之间的映射关系，在线训练转向架多源参量数据，动态优化网络中学习算法与激活函数的参数，实现转向架运行工况的在线分类与精准辨识，主要包括环境与结构状态数据预处理、特征提取、转向架运行工况分类策略，训练过程、动态识别过程、结果评估。
图2为柔性多功能传感装置，共形贴装在转向架曲面表面，主要包括用于列车运行状态监测的运行速度监测单元201和运行加速度监测单元202，通过加速度传感器在线采集列车运行过程中的速度和加速度信息，实时得到列车运行速度信息；用于列车运行环境监测的气流速度监测单元204、噪声监测单元205、空气压力传感单元206，通过热膜传感器采集空气气流速度信息与环境噪声信息，压电传感器采集转向架运行过程空气表面压力对转向架的压力信息；用于感知转向架结构状态信息的功能单元包括：振动幅值与频率监测单元207、振动加速度传感单元208和结构变形传感单元209，通过压电单元和加速度传感器采集转向架振动幅值和频率，动态应变传感器采集转向架的结构变形情况。所有的传感单元（运行速度、环境和结构状态传感单元）均集成在同一柔性衬底210，实现多功能传感单元的有效集成，并且所有传感单元均通过传感单元引线203将传感信号引出，用于在线采集转向架运行过程中的环境、结构、运行速度状态信息，为转向架的运行工况在线分类与实时识别提供支持。
图3为转向架运行过程中有待监测的物理量，主要考虑列车运行过程转向架的环境、结构与运行速度状态信息，其中环境信息受到噪声、风压与气流速度影响；运行速度与列车速度和加速度密切相关；转向架结构振动相关的物理量有振动幅值与频率监测单元、振动加速度和结构变形。通过图2中所示的柔性多功能传感装置以及采集到转向架运行过程中的环境、结构、运行速度状态信息，完成转向架运行过程待测物理量的同步感知。
图4为融合环境、结构、运行速度状态信息的转向架运行分类算法思想，并给出了转向架运行工况的分类等级集合{I，II，III，IV，V，VI，VII}，综合考虑环境、结构与运行速度状态信息（图3），提出多源信号的融合感知算法，用于评估转向架的运行工况安全等级，实现转向架运行工况多参量的在线监测与安全等级识别。
图5为考虑噪声、气流速度、空气压力的转向架环境信息评估策略，分别对影响转向架运行环境的噪声、气流速度、空气压力信号进行模糊化处理，用于综合评估转向架运行环境的状态信息。
图6为考虑振动加速度、振动幅值与频率、结构变形的转向架结构振动信息评估策略与流程，对振动加速度、振动幅值与频率、结构变形等转向架结构振动信息的融合处理，揭示转向架结构振动信息对转向架运行工况的影响规律。
图7为考虑列车运行速度与加速度的列车运行状态信息评估与分类方法，揭示了转向架运行速度与工况分类（受力情况）之间的关系。
图8为基于卷积神经网络的转向架运行工况训练与识别框架，在构建的训练与测试样本集基础上，训练与识别过程；算法中搜索方向采用梯度下降法进行搜索与迭代，激活函数采用ReLU函数，惩罚函数采用正则化方法表示，综合考虑MSE Loss，提高数据计算处理效率，以此实现转向架运行工况数据的实时分类。
图9为转向架运行工况在线监测、分类与识别流程图，具体实现流程如下：
（1）柔性多功能传感器在线采集列车转向架运行过程中的环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息；
（2）通过动态时间窗对转向架多参量信号进行分割，对环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息进行有效表示；
（3）构建用于转向架典型工况分类识别的训练与测试样本集；
（4）分别提取转向架运行状态、环境与结构传感数据的特征信息；
（5）对转向架运行状态、环境与结构传感数据特征进行模糊化处理，计算不同特征信号对应的权值与归一化处理；
（6）转向架运行工况表示方法与构建转向架运行工况集合；
（7）将模糊化的转向架多参量信号作为卷积神经网络的输入，通过多层多次池化、卷积计算得到转向架运行工况的输出值；用于训练网络性能，优化网络参数，确定激活函数与搜索方向；
（8）构建的测试样本集用于所提出模糊卷积神经网络算法的输入，用测试算法的输出性能，分别对不用样本数据进行分类；
（9）比较算法计算分类结果与转向架实际运行工况之间的关系，计算得到不同运行工况的识别成功率；
（10）动态优化模糊卷积神经网络的结构参数，并在线实时实现转向架运行工况的分类识别，用于转向架运行安全在线监测；
（11）根据转向架多参量（环境、运行速度与结构振动）数据，提出的模糊化卷积神经网络算法实现转向架运行工况的精确感知，对转向架高速运行过程中的安全性能进行了快速评估。
图10为转向架运行工况分类算法的识别结果（混淆矩阵图），所提出的模糊化卷积神经网络算法实现转向架运行工况进行分类识别，通过构建的训练与测试的样本集用来测试所提出算法的动态性能，基于测试样本集计算得到的转向架运行工况在线监测、分类与识别成功识别率如图10所示，其中对应的识别成功率分别为：工况I：95.4%；工况II：93.8%；工况III：95.8%；工况IV：94.2%；工况V：97.6%；工况VI：96.2%；工况VII：93.6%。算法识别成功率较高>93%，能够满足工程应用需求。
图11为以迭代性能为代表的转向架分类算法性能评估结果，说明面向转向架运行工况实时监测与分类的模糊化卷积神经网络算法有较好的收敛能力，较好的泛化能力，能够迁移到轨道交通车辆其它部件结构健康监测。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，基于列车运行状态信息、转向架表面环境信息和转向架结构振动信息，并对转向架多源信息进行模糊化计算处理，结合多层卷积神经网络算法对转向架多源信息进行融合分类，实现转向架运行工况的分类与实时识别；构建转向架运行工况的分类等级集合表示方法，用于评估转向架的安全运行情况；基于模糊卷积神经网络的转向架运行工况在线监测、实时分类与识别算法，构建转向架运行工况的训练与测试数据集合，揭示转向架运行工况与环境-结构信息之间的映射关系，在线训练转向架多源参量数据，动态优化网络中学习算法与激活函数的参数，实现转向架运行工况的在线分类与精准辨识，提高转向架的运行寿命，主要包括环境与结构状态数据预处理、特征提取、转向架运行工况分类策略，训练过程、动态识别过程、结果评估，具体实现流程如下：
（1）柔性多功能传感器在线采集列车转向架运行过程中的环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息；
（2）通过动态时间窗对转向架多参量信号进行分割，对环境（风压、噪声、温度）、运行状态（速度、加速度）和结构（振动、应变、温度）状态信息进行有效表示；
（3）构建用于转向架典型工况分类识别的训练与测试样本集；
（4）分别提取转向架运行状态、环境与结构传感数据的特征信息；
（5）对转向架运行状态、环境与结构传感数据特征进行模糊化处理，计算不同特征信号对应的权值与归一化处理；
（6）转向架运行工况表示方法与构建转向架运行工况集合；
（7）将模糊化的转向架多参量信号作为卷积神经网络的输入，通过多层多次池化、卷积计算得到转向架运行工况的输出值；用于训练网络性能，优化网络参数，确定激活函数与搜索方向；
（8）构建的测试样本集用于所提出模糊卷积神经网络算法的输入，用测试算法的输出性能，分别对不用样本数据进行分类；
（9）比较算法计算分类结果与转向架实际运行工况之间的关系，计算得到不同运行工况的识别成功率；
（10）动态优化模糊卷积神经网络的结构参数，并在线实时实现转向架运行工况的分类识别，用于转向架运行安全在线监测；
（11）根据转向架多参量（环境、运行速度与结构振动）数据，提出模糊化卷积神经网络算法实现转向架运行工况的精确感知，对转向架高速运行过程中的安全性能进行了快速评估。
2.根据权利要求1所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，面向列车转向架运行过程中运行状态、环境与结构信息一体化监测的柔性多功能传感装置，与转向架构架曲面结构能共形贴装；针对转向架环境中的风压与气动噪声状态监测需求，热膜传感器用于风速在线测量，电容传感器用于测量风压信号，压电传感器用于测量气动噪声信息；振动转向架结构振动与变形信号测量需求，应变传感器用于转向架构架变形，压电传感器用于结构振动监测与内部缺陷主动探伤；用于转向架环境与结构状态监测的均为柔性传感器，并且集成在同一柔性衬底上，用于实现转向架高速运行过程中的环境与结构信息，环境与结构状态的耦合作用造成转向架运行工况非常复杂，柔性多功能传感装置将为转向架的全面感知与运行状态分类提供支持。
3.根据权利要求1所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，转向架工况在线监测装置为柔性多功能传感器，能够与转向架构架曲面保持共形，在转向架运行过程中，柔性传感器装置不会影响转向架表面的流场分布，对转向架的环境与结构状态信息均没有影响，能够提高转向架的环境与结构状态信息的采集精度，转向架多参量状态信息将为转向架运行工况在线监测与识别提供技术支持。
4.根据权利要求1和3所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，转向架工况在线监测装置采集的环境与结构振动状态数据，对高速列车转向架的运行状态均有影响；针对环境状态信息（风压、风速和气动噪声），以时间序列分别表示为x1，x2，x3；结构振动数据（应变与振动）分别表示为y1，y2，y3；列车运行速度与加速度信息表示为z1，z2，z3；实验观察到同一物理量会对转向架输出的环境与结构状态信息均会有影响，传感数据之间相互耦合在一起，在时频域分别提取转向架多参量信号的特征信息，模糊化处理环境感知、运行速度、结构振动特征信息，得到转向架受到运行速度、环境与结构振动影响动态分类结果，提出模糊卷积神经网络对转向架多传感器特征数据进行融合感知，得到转向架运行工况分类等级。
5.根据权利要求1、3和4所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，转向架运行工况以承受荷载情况进行分层次表示，分为7个等级S1、S2、S3、S4、S5、S6、S7，通过对环境与结构状态数据进行处理，构建转向架结构状态数据与输出分类结果之间的匹配关系，计算一段时间内转向架的运行工况等级，实时识别转向架的运行工况等级，用于评估转向架的安全等级与安全性能。
6.根据权利要求1、3、4和5所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，基于柔性多功能传感器采集到的环境（风压、风速和气动噪声）、运行速度与结构（应变与振动）状态数据，对转向架感知到状态数据进行实时处理，提取出转向架运行过程中环境与结构的特征信息，基于卷积神经网络的转向架工况分类算法给出了柔性多功能传感器数据与转向架运行工况之间的映射关系，柔性多功能传感器采集的多参量数据与智能算法的相结合，融合感知方法实现了转向架运行工况在线识别与分类。
7.根据权利要求1、3、4、5和6所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，流程主要包括多参量状态数据采集、数据分割、预处理、特征提取、模糊化处理、构建训练与测试样本集，训练与识别过程；算法中搜索方向采用梯度下降法进行搜索与迭代，激活函数采用ReLU函数，惩罚函数采用正则化方法表示，综合考虑MSE Loss，提高数据计算处理效率，以此实现转向架运行工况数据的实时分类。
8.根据权利要求1、3、4、5、6和7所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，向架工况在线分类与识别算法运行结果分为7个等级，对转向架正常运行中受力与荷载情况进行了有效描述，能够应用到转向架的安全预警中，同时对转向架运行结果没有归并在当前所构建的7种工况中，很有可能是转向架发生异常情况，能够有效预测转向架的故障信息。
9.根据权利要求1、3、4、5、6、7和8所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，利用转向架运行环境与结构振动信息，明确了环境参量和结构状态对转向架运行工况的影响能力，揭示了转向架及贴装在转向架上的柔性多功能传感器的动态输出性能，重点计算分析了环境、结构状态信息与转向架运行工况的映射关系，用于转向架运行工况的实时分类。
10.根据权利要求1、3、4、5、6、7、8和9所述的一种转向架运行工况在线监测、实时分类与识别算法，其特征在于，成功应用到高速列车转向架工况的在线分类与识别，现实中轨道交通车辆中的其它部件也会受到环境与结构自身状态信息的耦合影响，也就是说基于环境与结构状态信息的智能算法同样能够应用到轨道交通车辆核心部件工况分类与识别，拓展到其它交通载运装备的运行工况在线监测、分类与识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211011288.3A CN115356133B (zh) | 2022-08-23 | 2022-08-23 | 一种转向架运行工况在线监测、实时分类与识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211011288.3A CN115356133B (zh) | 2022-08-23 | 2022-08-23 | 一种转向架运行工况在线监测、实时分类与识别算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115356133A true CN115356133A (zh) | 2022-11-18 |
| CN115356133B CN115356133B (zh) | 2024-06-25 |
Family
ID=84002487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211011288.3A Active CN115356133B (zh) | 2022-08-23 | 2022-08-23 | 一种转向架运行工况在线监测、实时分类与识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115356133B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807443A (zh) * | 2024-02-29 | 2024-04-02 | 江苏海平面数据科技有限公司 | 拖拉机工况识别模型的训练方法及拖拉机工况识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002051685A1 (de) * | 2000-12-22 | 2002-07-04 | Db Reise & Touristik Ag | Verfahren und vorrichtung zum überwachen des fahrverhaltens von schienenfahrzeugen |
| JP2012058207A (ja) * | 2010-09-13 | 2012-03-22 | Railway Technical Research Institute | 鉄道車両の状態監視システムにおける健全性判定方法 |
| CN102706569A (zh) * | 2012-07-06 | 2012-10-03 | 西南交通大学 | 高速动车组转向架蛇行运动失稳检测方法与装置 |
| US20120259487A1 (en) * | 2009-11-18 | 2012-10-11 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Method for monitoring the state of a bogie of a railway vehicle comprising at least one wheel set |
| CN103712806A (zh) * | 2012-09-29 | 2014-04-09 | 南车青岛四方机车车辆股份有限公司 | 高速列车转向架蛇形运动检测、分析系统及其方法 |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| CN111664985A (zh) * | 2020-06-15 | 2020-09-15 | 华东交通大学 | 一种面向列车转向架风压检测的曲面传感装置 |
| 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 |
| CN113159179A (zh) * | 2021-04-22 | 2021-07-23 | 中车株洲电力机车有限公司 | 地铁及地铁转向架运行状态识别方法、系统 |
-
2022
- 2022-08-23 CN CN202211011288.3A patent/CN115356133B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002051685A1 (de) * | 2000-12-22 | 2002-07-04 | Db Reise & Touristik Ag | Verfahren und vorrichtung zum überwachen des fahrverhaltens von schienenfahrzeugen |
| US20120259487A1 (en) * | 2009-11-18 | 2012-10-11 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Method for monitoring the state of a bogie of a railway vehicle comprising at least one wheel set |
| JP2012058207A (ja) * | 2010-09-13 | 2012-03-22 | Railway Technical Research Institute | 鉄道車両の状態監視システムにおける健全性判定方法 |
| CN102706569A (zh) * | 2012-07-06 | 2012-10-03 | 西南交通大学 | 高速动车组转向架蛇行运动失稳检测方法与装置 |
| CN103712806A (zh) * | 2012-09-29 | 2014-04-09 | 南车青岛四方机车车辆股份有限公司 | 高速列车转向架蛇形运动检测、分析系统及其方法 |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| CN111664985A (zh) * | 2020-06-15 | 2020-09-15 | 华东交通大学 | 一种面向列车转向架风压检测的曲面传感装置 |
| 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 |
| CN113159179A (zh) * | 2021-04-22 | 2021-07-23 | 中车株洲电力机车有限公司 | 地铁及地铁转向架运行状态识别方法、系统 |
Non-Patent Citations (3)
| Title |
|---|
| 吴昀璞;金炜东;黄颖坤;: "基于多域融合CNN的高速列车转向架故障检测", 系统仿真学报, no. 11, 13 September 2018 (2018-09-13) * |
| 李鹏;彭嘉潮;黄培炜;刘根柱;杜艺博;: "基于双目标传感器分布优化的转向架构架状态监测", 中国测试, no. 09, 30 September 2020 (2020-09-30) * |
| 蒋永亮;周炯;尧辉明;: "轨道车辆故障诊断算法参数优选和故障监测部位确定", 计算机测量与控制, no. 02, 25 February 2018 (2018-02-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807443A (zh) * | 2024-02-29 | 2024-04-02 | 江苏海平面数据科技有限公司 | 拖拉机工况识别模型的训练方法及拖拉机工况识别方法 |
| CN117807443B (zh) * | 2024-02-29 | 2024-05-14 | 江苏海平面数据科技有限公司 | 拖拉机工况识别模型的训练方法及拖拉机工况识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115356133B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
| CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
| CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
| CN112766182B (zh) | 一种拉削刀具磨损状态识别方法 | |
| CN106556498A (zh) | 桥梁结构损伤识别方法及系统 | |
| CN111539374B (zh) | 基于多维数据空间的轨道列车轴承故障诊断方法 | |
| CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
| Braga et al. | Multivariate statistical aggregation and dimensionality reduction techniques to improve monitoring and maintenance in railways: The wheelset component | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
| CN115356133A (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
| Ghiasi et al. | An unsupervised anomaly detection framework for onboard monitoring of railway track geometrical defects using one-class support vector machine | |
| CN115545101A (zh) | 一种基于残差神经网络的高速列车转向架故障诊断方法 | |
| CN117454221A (zh) | 一种高铁牵引制动系统多传感器融合的异常识别方法 | |
| Zhou et al. | Reliable and intelligent fault diagnosis with evidential VGG neural networks | |
| CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
| CN116910879A (zh) | 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置 | |
| 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 | |
| CN117058414A (zh) | 一种油液颗粒在线监测预警方法和系统 | |
| CN115575508A (zh) | 一种基于列车振声复合特征的轨道交通钢轨波磨识别方法 | |
| CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 | |
| CN116691768B (zh) | 一种道岔监控方法及系统 | |
| Sobrinho et al. | IoT and Big Data Analytics: Under-Rail Maintenance Management at Vitória–Minas Railway | |
| CN113865885B (zh) | 一种用于检测自行车损耗的方法及装置 | |
| GONG et al. | Research on 1D-CNN Detection Methods of High-Speed Railway Catenary Dropper Faults Based on Acceleration Sensors |
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 |