基于模糊智能的軌道車輛懸掛系統(tǒng)故障分類方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分析方法，該方法的步驟包括：構建軌道交通車輛懸掛系統(tǒng)模型，并對該模型進行動力學特征分析S1；根據(jù)軌道交通車輛懸掛系統(tǒng)模型動力學分析結果，布置加速度傳感器S2；提取加速度傳感器采集得到的多組數(shù)據(jù)的時域和頻域特征，并通過功率譜分析進行距離特征的提取S3；對步驟S3中原始特征樣本進行降維處理，獲得故障特征樣本S4；基于故障特征樣本，利用模糊智能對車輛懸掛系統(tǒng)進行故障分類S5。本方案克服了時頻域特征指標從時域或頻域的某個方面描述信號變化的缺點，同時克服了時頻域特征指標容易被加和與取平均運算淹沒差異性特征的缺點，改善了特征樣本的質(zhì)量。
【專利說明】
基于模糊智能的軌道車輛懸控系統(tǒng)故障分類方法及系統(tǒng)
技術領域
[0001] 本發(fā)明設及列車故障分析領域，特別是設及一種基于模糊智能的軌道交通車輛懸 掛系統(tǒng)故障分析方法及系統(tǒng)。
【背景技術】
[0002] 軌道交通的高速發(fā)展，對車輛的安全性和可靠性提出了新的要求。在一些大城市， 例如北京、上海和廣州，早晚高峰時段很多運營線路均在超負荷運行。運就要求列車各個關 鍵系統(tǒng)必須安全可靠，不能出現(xiàn)大的故障甚至失效。懸掛系統(tǒng)作為車輛的主要部分之一，對 于車輛的安全有著至關重要的作用。懸掛系統(tǒng)的故障會引起列車運行舒適性變差、輪軌接 觸力不平衡等問題，嚴重故障會導致列車運行失穩(wěn)甚至脫軌。對于高速列車來講，車輛懸掛 系統(tǒng)故障對于列車來講都是致命的。
[0003] 現(xiàn)存的車輛懸掛系統(tǒng)故障診斷研究還局限在模型參數(shù)確知的情況下采用基于模 型的方法對系統(tǒng)的故障進行檢測或估計，基于數(shù)據(jù)驅(qū)動的車輛懸掛系統(tǒng)關鍵零部件故障分 離仍然未得到足夠重視，運對于快速查找故障元件和輔助維修具有重要意義，必須開展深 入研究。
[0004] 傳統(tǒng)的特征提取方法主要是通過計算時頻域特征指標來獲得特征樣本。需要指出 的是，時頻域特征指標僅是從時域或頻域?qū)π盘栕龀雒枋觯⑶矣嬎氵^程存在將信號的所 有數(shù)據(jù)進行加和和取平均的過程，能反映信號間差異性的信息有可能被大量數(shù)據(jù)的加和和 取平均淹沒。因此本發(fā)明需要著重研究一個方面是，提出一種能有效反映不同信號之間差 異性的特征提取方法，作為對時頻域特征的有效補充。
[0005] 模糊聚類算法和BP神經(jīng)網(wǎng)絡算法在故障分類領域有著廣泛的應用，但是兩種算法 本身也存在著一定的局限性。FPCM算法僅需要知道輸入樣本的聚類數(shù)，就可W實現(xiàn)聚類。但 是算法本身對初始值和輸入樣本的復雜度比較敏感，聚類效果不穩(wěn)定。通過選擇合適的輸 入樣本維數(shù)，并事先對聚類中屯、進行初始化，可W提高算法的穩(wěn)定性。B巧巾經(jīng)網(wǎng)絡需要在輸 入輸出已知的情況下對網(wǎng)絡進行訓練，才能得到較好的預測分類效果，并且BP神經(jīng)網(wǎng)絡的 訓練過程容易陷入局部最優(yōu)解，會造成預測分類結果的不穩(wěn)定。
[0006] 因此，需要提供一種既能提綜合優(yōu)秀算法又能提供故障分類準確性和穩(wěn)定性的軌 道交通車輛懸掛系統(tǒng)分析方法。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明要解決的技術問題是提供一種基于模糊智能的軌道交通車輛懸掛系統(tǒng)故 障分類方法及系統(tǒng)，W解決現(xiàn)有車輛懸掛系統(tǒng)故障診斷過程中沒有對分析對象的時間序列 信號變化特征進行分析，導致無法對系統(tǒng)的故障進行準確檢測或估計，從而使故障定位精 度降低和分類準確率降低的問題。
[000引為解決上述技術問題，本發(fā)明采用下述技術方案：
[0009]基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分類方法，該方法的步驟包括：
[0010] SI、構建軌道交通車輛懸掛系統(tǒng)模型，并對該模型進行動力學特征分析；
[0011] S2、根據(jù)軌道交通車輛懸掛系統(tǒng)模型動力學分析結果，布置加速度傳感器；
[0012] S3、對加速度傳感器采集得到的加速度數(shù)據(jù)進行時域和頻域特征提取，同時基于 功率譜分析對所述加速度數(shù)據(jù)進行距離特征的提取，并將時域、頻域和距離特征進行組合 得到原始特征樣本；
[0013] S4、對步驟S3中原始特征樣本進行降維處理，獲得故障特征樣本；
[0014] S5、基于故障特征樣本，利用模糊智能對車輛懸掛系統(tǒng)進行故障分類。
[0015] 優(yōu)選地，所述步驟Sl中采用SIMPACK多體動力學仿真軟件對軌道交通車輛懸掛系 統(tǒng)模型進行動力學仿真與特征分析。
[0016] 優(yōu)選地，所述步驟S2中分別在軌道交通車輛的前轉(zhuǎn)向架、后轉(zhuǎn)向架和車體的四個 邊角處各設置有1個=軸加速度傳感器。
[0017] 優(yōu)選地，所述步驟S3包括：
[0018] S31、提取的每組數(shù)據(jù)的時域和頻域特征，利用welch方法分別計算每組數(shù)據(jù)的功 率譜，即正常工況第一類故障怕樹、第一類故障怕跑……第n類故障P邸in的功率譜；
[0019] S32、通過擬合的方法對正常工況下的功率譜P正常進行連續(xù)譜提?。?br>[0020] S33、分別通過各工況下的功率譜減去正常工況下的連續(xù)譜，獲得相應的各工況下 的線譜；
[0021] S34、對各工況下的線譜進行簡化及噪聲處理，獲得滿足分析要求的各工況下的線 譜；
[0022] S35、基于歐氏距離，對計算各故障工況與正常工況間的差異性。
[0023] 優(yōu)選地，所述步驟S5包括：
[0024] S51、利用FPCM算法將X個故障特征樣本分為C類，獲得每一類的聚類中屯、vi，i = l， 2,…，C和隸屬度矩陣U;
[0025] S52、根據(jù)FPCM算法的樣本聚類結果，對BP神經(jīng)網(wǎng)絡的訓練樣本進行初選；
[0026] S53、W步驟S52的初選BP神經(jīng)網(wǎng)絡的訓練樣本作為BP神經(jīng)網(wǎng)絡的初始訓練樣本， 利用交叉驗證，反復進行BP神經(jīng)網(wǎng)絡的預測分類和訓練樣本的選擇，直至獲得精確而穩(wěn)定 的分類結果。
[0027] 優(yōu)選地，所述步驟S53中基于交叉驗證的故障分類的步驟包括：
[00%] S531、利用根據(jù)FPCM算法初選的BP神經(jīng)網(wǎng)絡的訓練樣本訓練神經(jīng)網(wǎng)絡；
[0029] S532、利用訓練好的BP神經(jīng)網(wǎng)絡對故障特征樣本進行預測分類；
[0030] S533、根據(jù)步驟S532中的預測分類重新選取BP神經(jīng)網(wǎng)絡訓練樣本；
[0031 ] S534、利用步驟S533中的BP神經(jīng)網(wǎng)絡訓練樣本再次對BP神經(jīng)網(wǎng)絡進行訓練；
[0032] S535、重復步驟 S532 ~S5：M。
[0033] 基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分類系統(tǒng)，該系統(tǒng)包括：
[0034] 動力學分析單元，構建軌道交通車輛懸掛系統(tǒng)模型，并對該模型進行動力學特征 分析；
[0035] 數(shù)據(jù)采集單元，用于采集軌道交通車輛懸掛系統(tǒng)中垂向和橫向加速度數(shù)據(jù)；
[0036] 特征提取單元，對加速度傳感器采集得到的加速度數(shù)據(jù)進行時域和頻域特征提 取，同時基于功率譜分析對所述加速度數(shù)據(jù)進行距離特征的提取，并將時域、頻域和距離特 征進行組合得到原始特征樣本；
[0037]特征降維單元，利用核主元分析法KPCA對原始特征樣本進行降維處理，獲得故障 特征樣本；
[003引故障分類單元，基于交叉驗證法，利用基于FPCM聚類算法和BP神經(jīng)網(wǎng)絡算法的混 合算法對車輛懸掛系統(tǒng)進行故障分類。
[0039] 優(yōu)選地，所述動力學分析單元包括：
[0040] 模型構建模塊，基于軌道交通車輛懸掛系統(tǒng)的結構、功能及垂向力與橫向力的傳 遞過程，構建車輛懸掛系統(tǒng)模型；
[0041] 仿真模塊，采用SIMPACK多體動力學仿真軟件對軌道交通車輛懸掛系統(tǒng)模型進行 動力學仿真。
[0042] 優(yōu)選地，所述特征提取單元包括：
[0043] 功率譜計算模塊，提取的每組數(shù)據(jù)的時域和頻域特征，利用welch方法分別計算每 組數(shù)據(jù)的功率譜，即正常工況P正常、第一類故障悄樹、第一類故障悄磁……第n類故障悄Wn的 功率譜；
[0044] 線譜計算模塊，分別通過各工況下的功率譜減去正常工況下的連續(xù)譜，獲得相應 的各工況下的線譜；
[0045] 去噪模塊，對各工況下的線譜進行簡化及噪聲處理，獲得滿足分析要求的各工況 下的線譜；
[0046] 差異性分析模塊，基于歐氏距離，對計算故障工況與正常工況間的差異性。
[0047] 優(yōu)選地，所述故障分類單元包括：
[0048] 模糊聚類模塊，利用FPCM算法將X個故障特征樣本分為C類，獲得每一類的聚類中 屯、vi，i = l，2,…，C和隸屬度矩陣U;
[0049] 網(wǎng)絡訓練樣本初始選擇模塊，根據(jù)FPCM算法的樣本聚類結果，對BP神經(jīng)網(wǎng)絡的訓 練樣本進行初選；
[0050] 交叉驗證模塊，執(zhí)行如下步驟：
[0051] S531、利用根據(jù)FPCM算法初選的BP神經(jīng)網(wǎng)絡的訓練樣本訓練神經(jīng)網(wǎng)絡；
[0052] S532、利用訓練好的BP神經(jīng)網(wǎng)絡對故障特征樣本進行預測分類；
[0053] S533、根據(jù)步驟S532中的預測分類重新選取BP神經(jīng)網(wǎng)絡訓練樣本；
[0054] S534、利用步驟S533中的BP神經(jīng)網(wǎng)絡訓練樣本再次對BP神經(jīng)網(wǎng)絡進行訓練；
[0化5] S535、重復步驟S532~S5：M。
[0056] 本發(fā)明的有益效果如下：
[0057] 本發(fā)明所述技術方案克服了時頻域特征指標從時域或頻域的某個方面描述信號 變化的缺點，也克服了時頻域特征指標容易被加和與取平均運算淹沒差異性特征的缺點， 改善了特征樣本的質(zhì)量。本發(fā)明將模糊聚類算法和BP神經(jīng)網(wǎng)絡算法相結合，基于交叉驗證 思想實現(xiàn)了預測分類結果準確性和穩(wěn)定性的提高。因此本發(fā)明提出了一種車輛懸掛系統(tǒng)關 鍵零部件故障分類技術，可W快速檢測并定位懸掛系統(tǒng)關鍵零部件的故障，為車輛維修部 口提供運維保障支持。
【附圖說明】
[0058] 下面結合附圖對本發(fā)明的【具體實施方式】作進一步詳細的說明；
[0059] 圖1示出本方案所述車輛懸掛系統(tǒng)的結構示意圖；
[0060] 圖2示出本方案車輛懸掛系統(tǒng)垂向作用力和橫向作用力的傳遞過程的示意圖；
[0061] 圖3示出本方案所述車輛懸掛系統(tǒng)中彈黃與阻尼原件的工作原理示意圖；
[0062] 圖4示出本方案所述車輛懸掛系統(tǒng)動力學仿真的示意圖；
[0063] 圖5示出本方案所述傳感器布設的示意圖；
[0064] 圖6示出本方案所述正常工況下的某個傳感器加速度數(shù)據(jù)的功率譜、連續(xù)譜和線 路的示意圖；
[0065] 圖7示出本方案所述線譜簡化原理的示意圖；
[0066] 圖8示出本方案所述正常工況下某傳感器加速度數(shù)據(jù)線譜的簡化結果示意圖；
[0067] 圖9示出本方案所述旁瓣疊加原理的示意圖；
[006引圖10示出正常工況下某傳感器加速度數(shù)據(jù)線譜的掃描及旁瓣剔除結果的示意 圖；。
[0069] 圖11示出本方案所述利用"空間距離"概念進行功率譜特征計算的原理示意圖；
[0070] 圖12示出本方案所述時頻域特征樣本KPCA分析結果的示意圖；
[0071 ]圖13示出本方案所述綜合特征樣本KPCA分析結果的示意圖；
[0072] 圖14示出本方案所述基于模糊智能的故障分類混合算法基本流程；
[0073] 圖15示出本方案所述交叉驗證的流程圖；
[0074] 圖16示出本方案所述模糊聚類模塊50次聚類分析的目標函數(shù)最優(yōu)值的示意圖；
[0075] 圖17示出本方案所述模糊聚類模塊FPCM聚類結果的最好情況的示意圖；
[0076] 圖18示出本方案所述基于模糊智能的混合算法和BP神經(jīng)網(wǎng)絡分類正確率比較的 示意圖。
【具體實施方式】
[0077] 為了更清楚地說明本發(fā)明，下面結合優(yōu)選實施例和附圖對本發(fā)明做進一步的說 明。附圖中相似的部件W相同的附圖標記進行表示。本領域技術人員應當理解，下面所具體 描述的內(nèi)容是說明性的而非限制性的，不應W此限制本發(fā)明的保護范圍。
[0078] 本發(fā)明考慮將FPCM聚類算法和BP神經(jīng)網(wǎng)絡進行混合，并采用基于交叉驗證思想的 網(wǎng)絡訓練方法，提高BP神經(jīng)網(wǎng)絡的泛化能力，進而提高分類的準確性和穩(wěn)定性。因此本發(fā)明 需要重點研究的另一個方面是，提出一種將模糊聚類算法和BP神經(jīng)網(wǎng)絡算法結合的混合算 法，提高預測分類的準確性和穩(wěn)定性。本發(fā)明W在途車輛懸掛系統(tǒng)各種典型故障情況下的 垂向和橫向加速度信號為分析對象，著力研究時間序列信號的變化特征，分析各路信號對 應不同故障時變化的固有特點，研究加速度信號的時域、頻域和功率譜故障特征的提取算 法，并通過特征優(yōu)化算法(如核主元分析法KPCA)對高維故障特征進行融合和降維，基于模 糊聚類和計算智能算法，提出車輛懸掛系統(tǒng)多故障智能分類的混合算法，實現(xiàn)未知元器件 故障的準確判定和估計。
[0079] 本發(fā)明所述基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分類方法，具體的包括如 下步驟：
[0080] -、車輛懸掛系統(tǒng)模型搭建及傳感器布設
[0081] (I)車輛懸掛系統(tǒng)模型搭建
[0082] 車輛懸掛系統(tǒng)是指位于車體與轉(zhuǎn)向架及轉(zhuǎn)向架與輪對之間，起到支撐、緩沖和引 導作用的一系列彈黃、阻尼元件，一般包括兩系懸掛系統(tǒng)。一系懸掛系統(tǒng)位于轉(zhuǎn)向架與輪對 之間，起到緩沖輪軌沖擊、支撐轉(zhuǎn)向架和引導車輛運行的作用，主要包括軸箱、軸箱彈黃和 垂向減震等;二系懸掛系統(tǒng)位于車體與轉(zhuǎn)向架之間，起到緩沖高頻振動、支撐車體和引導車 輛運行的作用，主要包括空氣彈黃、橫向減震和抗蛇行減震等。
[0083] 在車輛運行過程中，由于線路條件(如軌道不平順)等原因，懸掛系統(tǒng)各零部件上 會產(chǎn)生相應的作用力。研究車輛懸掛系統(tǒng)各零部件的功能前，需要先明確車輛運行過程中 各方向作用力的傳遞過程。
[0084] 在明確各方向力的傳遞過程后，還需要研究典型元件的力的產(chǎn)生原理。對彈黃元 件而言，彈黃力的方向與彈黃壓縮或拉伸的方向相反，大小與彈黃的形變量成正比;對阻尼 元件而言，阻尼力的方向與活塞運動方向相反，大小與活塞運動速度成正比?；谏鲜鲈?理，彈黃力和阻尼力的計算公式分別為：
[00 化]Fk = k*Ax
[0086] Fd = d ? V
[0087] 其中，F(xiàn)k-彈黃力；
[008引 Fd--阻尼力；
[0089] k-剛度系數(shù)；
[0090] d__阻尼系數(shù)；
[0091] Ax--彈黃形變量；
[0092] V-活塞運動速度。
[0093] 當懸掛系統(tǒng)各零部件出現(xiàn)故障時，剛度系數(shù)或阻尼系數(shù)會出現(xiàn)不同程度的衰減。 本文的研究正是基于該理論，通過模擬彈黃或阻尼元件參數(shù)的衰減來仿真不同程度的故 障。
[0094] 在SIMPACK中搭建車輛動力學模型，并在SIMULINK中搭建外部力計算模型。通過實 時采集對應位置的位移或速度，計算一個外部力，并反向施加到SIMPACK模型中，W仿真不 同程度的故障。具體原理是，對阻尼器而言，產(chǎn)生的阻尼力阻礙活塞在阻尼器中的運動，即 阻尼力與活塞運動速度大小成正比，方向相反。當阻尼器出現(xiàn)某種程度的性能衰減時，往往 表現(xiàn)為阻尼系數(shù)的衰減。SIMPACK動力學模型在運行過程中可W實時采集車輛各部位的加 速度、相對速度和相對位移。本發(fā)明考慮將阻尼器兩端的相對速度與阻尼衰減值相乘獲得 一個外部力，并將運個外部力反向施加到SIMPACK動力學模型的對應位置，W模擬阻尼器的 性能衰減。發(fā)生阻尼衰減后的有效作用力為：
[0095] Fd = d ? V-山e ? V
[0096] 其中，F(xiàn)d__阻尼力；
[0097] d-阻尼系數(shù)；
[0098] V-一阻尼器兩端相對速度(活塞運動速度）；
[0099] dre--阻尼系數(shù)衰減值。
[0100] 同理通過類似的方法可W實時測得故障彈黃所在位置作用點之間的相對位移，將 其與剛度衰減值相乘獲得一個外部力，并將運個外部力反向施加到SIMPACK動力學模型的 對應位置，W模擬彈黃的性能衰減。發(fā)生剛度衰減后的有效作用力為：
[0101] Fk = k ? Ax-kre ? Ax
[0102] 其中，F(xiàn)k-彈黃力；
[0103] k-剛度系數(shù)；
[0104] Ax一一彈黃兩端相對位移(彈黃形變量）；
[01化]kre--剛度系數(shù)衰減值。
[0106] (2)傳感器布設方案
[0107] 考慮到懸掛系統(tǒng)各零部件發(fā)生故障時，性能衰減的直接影響是車體或構架上的振 動狀態(tài)發(fā)生變化。而加速度信號可W承載很多有關車輛振動的信息，用來進行故障分類比 較合理。因此設計采集車體及構架不同位置的加速度數(shù)據(jù)，作為后續(xù)數(shù)據(jù)處理與分析的實 驗數(shù)據(jù)來源。在車體底面四角和前后轉(zhuǎn)向架構架四角處各設置有1個=軸加速度傳感器，并 且針對垂向故障和橫向故障分別采集垂向和橫向加速度數(shù)據(jù)進行分析。
[0108] 二、特征提取與降維
[0109] 本發(fā)明設計了7種不同故障，分別是：空氣彈黃垂向剛度衰減、空氣彈黃垂向阻尼 衰減、二系橫向減震阻尼衰減、抗蛇行減振阻尼衰減、一系垂向減震阻尼衰減、一系軸箱彈 黃垂向剛度衰減和一系軸箱彈黃垂向阻尼衰減。每種故障設計了兩種不同的故障等級 (35%和75%)，加上正常工況一共為15種工況。對每種工況分別采集5次數(shù)據(jù)，因此總共得 到75組數(shù)據(jù)。分別提取每組數(shù)據(jù)的時域、頻域特征，并基于功率譜提取數(shù)據(jù)的基于距離的特 征;采用KPCA技術對提取的特征進行壓縮降維。
[0110] (1)特征提取
[0111] 基于傳統(tǒng)的時域、頻域信號處理技術，可W獲得基于加速度信號的時、頻域特征， 如均值、方差等有量綱時域特征、裕度指標、峭度指標等無量綱時域特征W及重屯、頻率、均 方頻率等頻域特征。
[0112] 基于距離的概念提取功率譜特征，具體過程如下：
[0113] 1)功率譜計算
[0114] 計算各工況數(shù)據(jù)的功率譜，分別為正常工況P正常、第一類故障P挪討、第一類故障 P古處乾......束n類故^早?8髓。
[0115] 運里采用的功率譜計算方法為welch方法。該方法將輸入信號分割為n段，且相鄰 兩段間存在一定比例的重疊(如25%)。將分割后的每一段數(shù)據(jù)用漢明窗進行加窗，窗函數(shù) 的長度等于每一段數(shù)據(jù)的長度。需要注意的是，F(xiàn)FT的長度和輸入信號的大小決定了功率譜 估計的長度和歸一化頻率的范圍。當FFT的長度為N時，功率譜估計的長度為(N/2) +1，對應 的歸一化頻率范圍為[0，n]。
[0116] 2)連續(xù)譜和線譜提取
[0117] 在進行正常工況下功率譜的連續(xù)譜巧Jf?的提取時，采用的是提取極值點再進行 曲線擬合的方法。為描述功率譜的連續(xù)譜并盡可能保留譜線的完整性，選取功率譜的極小 值點大致勾畫功率譜的連續(xù)譜。采用6階多項式擬合的方法對極小值點進行擬合，W擬合結 果作為功率譜的連續(xù)譜。功率譜減去提取到的連續(xù)譜，則可W得到相應線譜，在下一步中用 于提取譜線：
[011 引
[0119] 3)線譜簡化及掃描
[0120] 分別對各工況數(shù)據(jù)功率譜的線譜進行掃描和譜線的進一步提取。考慮到譜線不可 能為中間過渡點（即處在連續(xù)上升或下降過程中的點），因此剔除連續(xù)上升或下降的中間 點，僅保留轉(zhuǎn)折點;設置口限闊值，進行譜線掃描，提取線譜分布。
[0121] ①線譜簡化
[0122] 線譜簡化可W通過W下操作實現(xiàn):假設有任意連續(xù)的S條譜線編號分別為k-l、k 和k+1，各自對應的譜線峰值分別為yk-i、yk和yk+i。求相鄰兩點的一階差分為A yk = yk+i-yk、 A yk-l = yk-yk-l，若A yk ? A yk-l>0則yk為中間過渡點，應將其剔除；若A yk ? A yk-l<0卯Jyk 為轉(zhuǎn)折點，將其保留并且記錄對應頻率。
[0123] ②線譜掃描
[0124] 線譜掃描可W通過W下操作實現(xiàn):線譜簡化的結果為/，假設有任意連續(xù)的=條 譜線編號分別為k-l、k和k+1，各自對應的譜線峰值分別為和/k+i。設置闊值A = IHz，對任意一點y'k，如果y'k-yVi>A或者y'k-y'k+i> A，則y'k為線譜，否則不為線譜。
[0125] ③旁瓣剔除
[0126] 此外考慮到線譜可能存在旁瓣疊加的較高點，也會被誤認成有效的譜線。因此還 需要設置一個闊值A g= 1地，在線譜掃描結果的基礎上判斷：當線譜掃描的結果為y"，假設 有任意連續(xù)的S條譜線編號分別為k-l、k和k+1，各自對應的譜線峰值分別為y"k-i、y"k-i和 yVi。若一根譜線y"k，滿足yk-2-yk> Ag或yk+2-yk> Ag,并且其頻率間隔Af<4Hz時，則該譜 線不為線譜，應予W剔除。完成線譜掃描和旁瓣剔除后，可得到最終的譜線提取結果。
[0127] 4)基于距離概念計算功率譜特征
[0128] 基于提取到的線譜，引入"空間距離"的概念衡量不同故障工況與正常工況間的差 異性。由于車輛懸掛系統(tǒng)發(fā)生故障時，不僅譜線的峰值會發(fā)生變化，而且對應的頻率也有可 能發(fā)生偏移，因此本文引入二維空間坐標來表示每一條譜線的相關信息。其中橫坐標代表 譜線對應的頻率，縱坐標代表相應譜線的峰值。通過計算歐氏距離的方式衡量兩種工況間 的差異性，可用下式表示：
[0129]
[0130] 上述差異性實際是通過歐氏距離來表示不同故障工況與正常工況之間的差異度。 通過將運種差異度引入到故障特征中，可W增大不同工況的故障特征之間的差異性，更有 利于通過故障分類算法將不同工況分離開。
[0131] (2)特征降維
[0132] 計算時頻域特征和基于距離的功率譜特征，可W得到原始故障特征樣本。采用核 主元分析法化PCA)對原始故障特征數(shù)據(jù)進行壓縮與降維。具體過程如下：
[0133] 1)對于原始故障特征數(shù)據(jù)進行標準化處理得到義=巧，…，.S，…，而}，選擇徑向基 Kernel 函數(shù)：
[0134]

[0135] 并基于非線性映射關系〇(?)，通過下式計算kernel矩陣K。
[0136]
[0137] 3 屯、化。
[013 引
[0139] 其中，In為：
[0140]
[0141] 3)通過下式求出矩陣f的特征值和特征向量。
[0142]
[0143] 4)通過下式歸一化計算得到的特征值，并按照從大到小的順序排序，計算累計方 差貢獻率。通過累計方差貢獻率(例如95% )確定需要的主元個數(shù)。
[0144] l=Ah<ah,ah>
[0145] 5)通過下式計算特征向量在特征空間上的投影，得到特征向量在高維空間的主 yn O
[0146]
[0147] 其中，義為輸入空間的輸入向量，扣為矩陣K第h個特征值對應的特征向量Qh的第i 個系數(shù)。上述投影結果表示的就是通過非線性映射關系O (?)投影得到的非線性主元。通 過比較是時頻域特征和綜合特征經(jīng)KPCA算法降維后的結果，說明引入基于距離的功率譜特 征改善了特征樣本的質(zhì)量。
[0148] S、基于模糊智能的車輛懸掛系統(tǒng)關鍵零部件多故障智能分類
[0149] FPCM算法僅需要知道輸入樣本的聚類數(shù)，就可W實現(xiàn)聚類。但是算法本身對初始 值和輸入樣本的復雜度比較敏感，聚類效果不穩(wěn)定。通過選擇合適的輸入樣本維數(shù)，并事先 對聚類中屯、進行初始化，可W提高算法的穩(wěn)定性。B巧申經(jīng)網(wǎng)絡需要在輸入輸出已知的情況 下對網(wǎng)絡進行訓練，才能得到較好的預測分類效果，并且BP神經(jīng)網(wǎng)絡的訓練過程容易陷入 局部最優(yōu)解，會造成預測分類結果的不穩(wěn)定。因此本發(fā)明考慮將FPCM聚類算法和BP神經(jīng)網(wǎng) 絡進行混合，并采用基于交叉驗證思想的網(wǎng)絡訓練方法，提高BP神經(jīng)網(wǎng)絡的泛化能力，進而 提高分類的準確性和穩(wěn)定性。
[0150] 在輸入樣本聚類數(shù)已知的情況下，通過FPCM算法進行聚類，得到輸入樣本與聚類 結果的一一對應關系，并選擇一定比例的輸入樣本與聚類結果作為BP神經(jīng)網(wǎng)絡訓練的初始 輸入輸出。B巧巾經(jīng)網(wǎng)絡采用基于交叉驗證思想的網(wǎng)絡訓練方法進行網(wǎng)絡訓練，每一次的預 測輸出指導下一次網(wǎng)絡訓練的輸入輸出的選擇，可W有效避免網(wǎng)絡訓練過程陷入局部最 優(yōu)，提高算法穩(wěn)定性。
[0151 ]算法各個模塊的具體功能如下：
[0152] (I)模糊聚類模塊
[0153] 運用FPCM算法將故障特征樣本X分為C類，并且可W得到每一類的聚類中屯、ViQ = 1，2,…，C)和隸屬度矩陣UdFPCM算法穩(wěn)定性較差，且對輸入樣本的復雜程度比較敏感。考慮 選取故障特征樣本的前3列作為算法的輸入樣本，并進行聚類中屯、初始化尋優(yōu)，通過多次聚 類分析找到最優(yōu)的聚類結果。根據(jù)最優(yōu)的聚類結果將故障特征樣本劃分為不同的聚類，進 入網(wǎng)絡訓練樣本初始選擇模塊進行BP神經(jīng)網(wǎng)絡初始訓練樣本的選取。
[0154] (2)網(wǎng)絡訓練樣本初始選擇模塊
[0155] 根據(jù)FPCM的聚類結果選擇最靠近各類樣本中屯、的樣本作為BP神經(jīng)網(wǎng)絡的訓練樣 本。首先計算各類樣本的類內(nèi)均值ViQ = I，2,…，C)，然后計算各類中所有樣本到Vi的距離 disik(i = l，2,…，c，k=l，2,…，5)，從dis化中選擇最小的d個樣本作為一組，并設定其對應 的網(wǎng)絡輸出為i對應的四位二進制編碼(例如"r對應0，0，0，0對應0，0，0，1)。此時就得 到cXd組BP神經(jīng)網(wǎng)絡訓練樣本和對應的二進制代碼輸出，其中數(shù)據(jù)行數(shù)代表樣本數(shù)，數(shù)據(jù) 列數(shù)代表特征維數(shù)。
[0156] (3)交叉驗證模塊
[0157] 交叉驗證模塊包括:神經(jīng)網(wǎng)絡訓練模塊、神經(jīng)網(wǎng)絡預測模塊和網(wǎng)絡訓練樣本選擇 模塊。
[0巧引1)神經(jīng)網(wǎng)絡訓練模塊是用訓練樣本訓練BP神經(jīng)網(wǎng)絡。
[0159] 2)神經(jīng)網(wǎng)絡預測模塊是用訓練好的BP神經(jīng)網(wǎng)絡W故障特征樣本作為測試樣本進 行預測分類。
[0160] 3)網(wǎng)絡訓練樣本選擇模塊根據(jù)BP神經(jīng)網(wǎng)絡的預測分類結果，采用交叉驗證的方法 重新選擇訓練樣本。
[0161] 該模塊根據(jù)當前BP神經(jīng)網(wǎng)絡的預測輸出把故障特征樣本重新劃分為C類，并且采 用與網(wǎng)絡訓練樣本初始選擇模塊相同的方法重新選取訓練樣本，并重新對BP神經(jīng)網(wǎng)絡進行 訓練，然后再次W故障特征樣本為預測數(shù)據(jù)進行預測。
[0162] (4)重復上述步驟(3)的過程多次，得到穩(wěn)定而精確的分類結果。
[0163] 下面通過實例對本發(fā)明作進一步說明：
[0164] 本發(fā)明提出了一種車輛懸掛系統(tǒng)關鍵零部件故障分類技術，可W快速檢測并定位 懸掛系統(tǒng)關鍵零部件的故障，為車輛維修部口提供運維保障支持。下面結合附圖具體說明 本發(fā)明的實施方案。
[0165] -、車輛懸掛系統(tǒng)建模及傳感器布設
[0166] (1)懸掛系統(tǒng)結構研究
[0167] 如圖1所示，研究軌道交通車輛懸掛系統(tǒng)的組成及結構，確定參與SIMPACK建模的 主要零部件的種類及個數(shù)。
[016引（2)懸掛系統(tǒng)建模
[0169] 如圖2所示，研究懸掛系統(tǒng)垂向和橫向作用力的傳遞過程，明確參與力的傳遞的主 要零部件，在后續(xù)研究中對運些零部件進行故障分析。本發(fā)明確定的關鍵零部件有:空氣彈 黃、二系橫向減震、抗蛇行減震、一系軸箱彈黃和一系垂向減震。
[0170] 如圖3所示，研究彈黃元件和阻尼元件力的產(chǎn)生原理。
[0171] 如圖4所示，在SIMPACK中搭建車輛懸掛系統(tǒng)模型，在SIMULINK中搭建外部力計算 模型，通過實時采集對應位置的位移或速度，計算一個外部力，并反向施加到SIMPACK模型 中，W仿真不同程度的故障。
[0172] (3)傳感器布設
[0173] 如圖5所示，為本發(fā)明所設計的傳感器布設方案，在車體四角及前、后轉(zhuǎn)向架四角 分別裝設加速度傳感器，測量十二個位置的加速度數(shù)據(jù)。
[0174] 二、特征提取與降維
[0175] (1)特征提取
[0176] 根據(jù)采集到的加速度數(shù)據(jù)，計算時頻域特征和基于距離的功率譜特征。
[0177] 計算正常工況數(shù)據(jù)的功率譜連續(xù)譜，并計算其他各故障工況數(shù)據(jù)的功率譜。將各 工況的功率譜減去連續(xù)譜，即可得到對應的線譜。如圖6所示為正常工況下某傳感器加速度 數(shù)據(jù)的功率譜、連續(xù)譜及線譜。得到的線譜需要保留轉(zhuǎn)折點而剔除中間點，通過如圖7所示 的線譜簡化過程可W實現(xiàn)運一操作，例如正常工況下某傳感器加速度數(shù)據(jù)的線譜簡化結果 如圖8所示。再對線譜簡化結果進行線譜掃描和旁瓣效應剔除，可得到如圖10所示的譜線提 取結果。根據(jù)如圖11所示的方法，計算不同工況數(shù)據(jù)對應譜線的歐氏距離，得到相應的距離 特征。將距離特征和時頻域特征組合可得綜合特征樣本。
[017引（2)特征降維
[0179] 基于KPCA算法分別對時頻域特征和綜合特征進行壓縮和降維，比較降維效果的好 壞，最終證明基于距離的功率譜特征的引入使得故障特征樣本更能反映不同工況之間的差 異性，有利于后面的分類研究。
[0180] 如圖12所示，為KPCA算法對時頻域特征的降維結果，圖13為KPCA算法對綜合特征 的降維效果。通過觀察可W發(fā)現(xiàn)，不同故障樣本點圍繞正常樣本點向四周呈明顯的放射性 分布，并且程度較重故障的樣本點更加遠離正常樣本點。比較圖12和圖13還可W發(fā)現(xiàn)，綜合 特征樣本經(jīng)過KPCA算法降維后的效果要明顯優(yōu)于時頻域特征樣本，放射性分布更加明顯。 因此可W得到結論:將基于距離的功率譜特征引入到原始故障特征數(shù)據(jù)里，使用KPCA算法 進行特征降維的效果較好。
[0181] =、基于模糊智能的車輛懸掛系統(tǒng)關鍵零部件多故障智能分類
[0182] 如圖14所示，為基于模糊智能的故障分類混合算法基本流程，主要包括模糊聚類 模塊、初始訓練樣本選擇模塊和交叉驗證模塊。
[0183] (1)初始聚類模塊
[0184] 通過進行50次聚類分析，選擇效果最好的聚類結果，作為初始訓練樣本選擇模塊 的輸入。如圖16所示，為模糊聚類模塊50次聚類分析的目標函數(shù)最優(yōu)值，選擇目標函數(shù)值最 小時對應的聚類結果作為下一模塊的輸入。如圖17為最佳聚類結果，是根據(jù)隸屬度矩陣劃 分不同的聚類，此時的聚類正確率為86.7%。
[0185] (2)初始訓練樣本選擇模塊
[0186] 將目標函數(shù)值最優(yōu)時的聚類中屯、和樣本聚類結果輸入網(wǎng)絡訓練初始樣本選擇模 塊，通過計算每一聚類中各樣本與聚類中屯、的距離確定訓練樣本，并設計對應輸出的二進 制代碼。將輸入樣本和對應輸出的二進制代碼輸入交叉驗證模塊。
[0187] (3)交叉驗證模塊
[0188] 交叉驗證模塊包括神經(jīng)網(wǎng)絡訓練模塊、神經(jīng)網(wǎng)絡預測模塊和訓練樣本選擇模塊。 如圖15所示，為交叉驗證模塊的工作流程。
[0189] 根據(jù)圖15所示的交叉驗證流程，對BP神經(jīng)網(wǎng)絡重復進行50次網(wǎng)絡訓練、網(wǎng)絡預測 和網(wǎng)絡訓練樣本的選擇。如圖18所示，為各次的預測分類結果正確率與BP神經(jīng)網(wǎng)絡預測分 類結果比較?？蒞明顯看到，相較于FPCM算法(最大聚類正確率為86.7%)和BP神經(jīng)網(wǎng)絡，混 合算法的分類結果波動性更小，且整體上準確性更高，從而說明混合算法的有效性。
[0190] 顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定，對于所屬領域的普通技術人員來說，在上述說明的基礎上還可 W做出其它不同形式的變化或變動，運里無法對所有的實施方式予W窮舉，凡是屬于本發(fā) 明的技術方案所引伸出的顯而易見的變化或變動仍處于本發(fā)明的保護范圍之列。
【主權項】
1. 基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分類方法，其特征在于，該方法的步驟 包括： 51、 構建軌道交通車輛懸掛系統(tǒng)模型，并對該模型進行動力學特征分析； 52、 根據(jù)軌道交通車輛懸掛系統(tǒng)模型動力學分析結果，布置加速度傳感器； 53、 對加速度傳感器采集得到的加速度數(shù)據(jù)進行時域和頻域特征提取，同時基于功率 譜分析對所述加速度數(shù)據(jù)進行距離特征的提取，并將時域、頻域和距離特征進行組合得到 原始特征樣本； 54、 對步驟S3中原始特征樣本進行降維處理，獲得故障特征樣本； 55、 基于故障特征樣本，利用模糊智能對車輛懸掛系統(tǒng)進行故障分類。2. 根據(jù)權利要求1所述的車輛懸掛系統(tǒng)故障分析方法，其特征在于，所述步驟S1中采用 SMPACK多體動力學仿真軟件對軌道交通車輛懸掛系統(tǒng)模型進行動力學仿真與特征分析。3. 根據(jù)權利要求1所述的車輛懸掛系統(tǒng)故障分析方法，其特征在于，所述步驟S2中分別 在軌道交通車輛的前轉(zhuǎn)向架、后轉(zhuǎn)向架和車體的四個邊角處各設置有1個三軸加速度傳感 器。4. 根據(jù)權利要求1所述的車輛懸掛系統(tǒng)故障分析方法，其特征在于，所述步驟S3包括： 531、 提取的每組數(shù)據(jù)的時域和頻域特征，利用welch方法分別計算每組數(shù)據(jù)的功率譜， 即正常工況、第一類故障PsWi、第一類故障Pi?f2……第η類故障P Wfn的功率譜； 532、 通過擬合的方法對正常工況下的功率譜P正常進行連續(xù)譜提??； 533、 分別通過各工況下的功率譜減去正常工況下的連續(xù)譜，獲得相應的各工況下的線 譜； 534、 對各工況下的線譜進行簡化及噪聲處理，獲得滿足分析要求的各工況下的線譜； 535、 基于歐氏距離，對計算各故障工況與正常工況間的差異性。5. 根據(jù)權利要求1所述的車輛懸掛系統(tǒng)故障分析方法，其特征在于，所述步驟S5包括： 551、 利用FPCM算法將X個故障特征樣本分為c類，獲得每一類的聚類中心Vl，i = 1，2，…， c和隸屬度矩陣U; 552、 根據(jù)FPCM算法的樣本聚類結果，對BP神經(jīng)網(wǎng)絡的訓練樣本進行初選； 553、 以步驟S52的初選BP神經(jīng)網(wǎng)絡的訓練樣本作為BP神經(jīng)網(wǎng)絡的初始訓練樣本，利用 交叉驗證，反復進行BP神經(jīng)網(wǎng)絡的預測分類和訓練樣本的選擇，直至獲得精確而穩(wěn)定的分 類結果。6. 根據(jù)權利要求5所述的車輛懸掛系統(tǒng)故障分析方法，其特征在于，所述步驟S53中基 于交叉驗證的故障分類的步驟包括： 5531、 利用根據(jù)FPCM算法初選的BP神經(jīng)網(wǎng)絡的訓練樣本訓練神經(jīng)網(wǎng)絡； 5532、 利用訓練好的BP神經(jīng)網(wǎng)絡對故障特征樣本進行預測分類； 5533、 根據(jù)步驟S532中的預測分類重新選取BP神經(jīng)網(wǎng)絡訓練樣本； 5534、 利用步驟S533中的BP神經(jīng)網(wǎng)絡訓練樣本再次對BP神經(jīng)網(wǎng)絡進行訓練； 5535、 重復步驟S532~S534。7. 基于模糊智能的軌道交通車輛懸掛系統(tǒng)故障分類系統(tǒng)，其特征在于，該系統(tǒng)包括： 動力學分析單元，構建軌道交通車輛懸掛系統(tǒng)模型，并對該模型進行動力學特征分析； 數(shù)據(jù)采集單元，用于采集軌道交通車輛懸掛系統(tǒng)中垂向和橫向加速度數(shù)據(jù)； 特征提取單元，對加速度傳感器采集得到的加速度數(shù)據(jù)進行時域和頻域特征提取，同 時基于功率譜分析對所述加速度數(shù)據(jù)進行距離特征的提取，并將時域、頻域和距離特征進 行組合得到原始特征樣本； 特征降維單元，利用核主元分析法KPCA對原始特征樣本進行降維處理，獲得故障特征 樣本； 故障分類單元，基于交叉驗證法，利用基于FPCM聚類算法和BP神經(jīng)網(wǎng)絡算法的混合算 法對車輛懸掛系統(tǒng)進行故障分類。8. 根據(jù)權利要求7所述的軌道交通車輛懸掛系統(tǒng)故障分類系統(tǒng)，其特征自在于，所述動 力學分析單元包括： 模型構建模塊，基于軌道交通車輛懸掛系統(tǒng)的結構、功能及垂向力與橫向力的傳遞過 程，構建車輛懸掛系統(tǒng)模型； 仿真模塊，采用SIMPACK多體動力學仿真軟件對軌道交通車輛懸掛系統(tǒng)模型進行動力 學仿真。9. 根據(jù)權利要求7所述的軌道交通車輛懸掛系統(tǒng)故障分類系統(tǒng)，其特征自在于，所述特 征提取單元包括： 功率譜計算模塊，提取的每組數(shù)據(jù)的時域和頻域特征，利用welch方法分別計算每組數(shù) 據(jù)的功率譜，即正常工況P正常、第一類故障PW$1、第一類故障PWf2……第η類故障Pwfn的功率 譜； 線譜計算模塊，分別通過各工況下的功率譜減去正常工況下的連續(xù)譜，獲得相應的各 工況下的線譜； 去噪模塊，對各工況下的線譜進行簡化及噪聲處理，獲得滿足分析要求的各工況下的 線譜； 差異性分析模塊，基于歐氏距離，對計算故障工況與正常工況間的差異性。10. 根據(jù)權利要求7所述的軌道交通車輛懸掛系統(tǒng)故障分類系統(tǒng)，其特征自在于，所述 故障分類單元包括： 模糊聚類模塊，利用FPCM算法將X個故障特征樣本分為c類，獲得每一類的聚類中心Vl，i =1，2,…，c和隸屬度矩陣U; 網(wǎng)絡訓練樣本初始選擇模塊，根據(jù)FPCM算法的樣本聚類結果，對BP神經(jīng)網(wǎng)絡的訓練樣 本進行初選； 交叉驗證模塊，執(zhí)行如下步驟： 5531、 利用根據(jù)FPCM算法初選的BP神經(jīng)網(wǎng)絡的訓練樣本訓練神經(jīng)網(wǎng)絡； 5532、 利用訓練好的BP神經(jīng)網(wǎng)絡對故障特征樣本進行預測分類； 5533、 根據(jù)步驟S532中的預測分類重新選取BP神經(jīng)網(wǎng)絡訓練樣本； 5534、 利用步驟S533中的BP神經(jīng)網(wǎng)絡訓練樣本再次對BP神經(jīng)網(wǎng)絡進行訓練； 5535、 重復步驟S532~S534。
【文檔編號】G06K9/62GK106021789SQ201610380170
【公開日】2016年10月12日
【申請日】2016年6月1日
【發(fā)明人】魏秀琨, 張曉中, 賈利民, 朱明 , 王騰騰, 賀延芳, 張靖林, 閆冬, 呂又冉, 李卓玥
【申請人】北京交通大學