一種動車組制動系統(tǒng)傳感器故障的診斷方法技術(shù)方案

本發(fā)明專利技術(shù)公開了一種動車組制動系統(tǒng)傳感器故障的診斷方法。對采集的動車組歷史傳感器信號進行EEMD處理，構(gòu)建歷史傳感器信號的能量特征矢量；根據(jù)能量特征矢量訓(xùn)練FDA模型，得到FDA模型參數(shù)；采集在線傳感器測試信號，對在線傳感器測試信號進行EEMD處理，構(gòu)建在線傳感器測試信號的能量特征矢量；根據(jù)FDA模型參數(shù)中的投影矩陣計算傳感器測試信號的能量特征矢量的FDA得分向量；基于FDA模型的參數(shù)對FDA得分向量進行分類，確定在線傳感器測試信號的故障類別。本發(fā)明專利技術(shù)克服了EMD方法存在模態(tài)混疊效應(yīng)的缺點，能夠有效提取信號特征，并利用單個FDA模型進行故障分類，降低了基于SVM的故障分類算法的復(fù)雜度。

【技術(shù)實現(xiàn)步驟摘要】

本專利技術(shù)涉及工業(yè)監(jiān)測和故障診斷領(lǐng)域，特別涉及一種動車組制動系統(tǒng)傳感器故障的診斷方法。
技術(shù)介紹
動車組制動系統(tǒng)對保證列車安全運行具有極其重要的意義。動車組制動系統(tǒng)通常包括空氣制動系統(tǒng)和電氣制動系統(tǒng)兩大部分，其中后者即為工作在制動狀態(tài)下的牽引傳動系統(tǒng)。傳感器是制動系統(tǒng)硬件組成中的關(guān)鍵部件，主要有速度傳感器、軸溫傳感器以及用于測量多種閥門的壓力傳感器等。傳感器作為信息獲取的源頭，其測量結(jié)果直接影響系統(tǒng)的運行。在動車組制動控制系統(tǒng)這樣的典型閉環(huán)系統(tǒng)下，各種傳感器的性能優(yōu)劣直接決定了動車組能否及時準(zhǔn)確地完成要求的制動任務(wù)。因此，動車組制動系統(tǒng)傳感器對列車安全運行的重要性不言而喻，對其進行監(jiān)測和故障診斷具有重要意義。目前，動車組制動系統(tǒng)主要通過在關(guān)鍵部位安裝相應(yīng)的傳感器對電流、電壓、壓力、溫度等物理量進行監(jiān)測，采用超限報警機制或其他簡單邏輯判斷故障的發(fā)生與否，很少涉及對這些傳感器本身的故障檢測與診斷。針對動車組制動系統(tǒng)傳感器故障診斷問題，現(xiàn)有的少量工作主要基于經(jīng)驗?zāi)B(tài)分解(empirical?mode?decomposition,EMD)和支持向量機(support?vector?machine,SVM)相結(jié)合或基于此進行簡單改進的方法。EMD主要用于提取非穩(wěn)態(tài)信號的時頻特征，在1998年被Huang等提出后，被廣泛應(yīng)用于很多領(lǐng)域并取得較好效果。SVM及其改進方法作為機器學(xué)習(xí)領(lǐng)域有監(jiān)督的學(xué)習(xí)模型，主要用于故障識別和分類。通常，利用上述方法進行傳感器故障診斷時，首先利用EMD方法提取不同類別信號的能量特征，然后需要設(shè)計多個一類對余類的支持向量機實現(xiàn)故障分類。但是，基于EMD方法提取信號特征存在模態(tài)混疊效應(yīng)，且訓(xùn)練多個支持向量機增加了算法的復(fù)雜度。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于克服現(xiàn)有基于信號處理傳感器故障診斷方法的不足，提供一種動車組制動系統(tǒng)傳感器故障的診斷方法，包括：對采集的動車組歷史傳感器信號進行集成經(jīng)驗?zāi)B(tài)分解EEMD處理，構(gòu)建所述歷史傳感器信號的能量特征矢量；根據(jù)所述能量特征矢量訓(xùn)練費舍爾判別分析FDA模型，得到FDA模型參數(shù)；采集在線傳感器測試信號，對在線傳感器測試信號進行EEMD處理，構(gòu)建所述在線傳感器測試信號的能量特征矢量；根據(jù)所述FDA模型參數(shù)中的投影矩陣計算傳感器測試信號的能量特征矢量的FDA得分向量；基于所述FDA模型的參數(shù)對FDA得分向量進行分類，確定在線傳感器測試信號的故障類別。在一個實施例中，所述對采集的動車組歷史傳感器信號進行EEMD處理的步驟包括：將采集的動車組歷史傳感器信號分為正常工況信號和多種類別的故障信號；對所述歷史傳感器信號進行EEMD處理，獲得所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)。在一個實施例中，在構(gòu)建所述歷史傳感器信號的能量特征矢量的步驟中包括：計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量；選擇排序靠前的歷史傳感器信號的部分本征模態(tài)函數(shù)的能量和余項函數(shù)的能量構(gòu)建歷史傳感器信號的能量特征矢量。在一個實施例中，在根據(jù)所述能量特征矢量訓(xùn)練FDA模型的步驟中包括：將所有歷史傳感器信號的能量特征矢量按列排列，其轉(zhuǎn)置構(gòu)成訓(xùn)練數(shù)據(jù)矩陣；計算訓(xùn)練數(shù)據(jù)矩陣的總離散度矩陣、類內(nèi)離散度矩陣及類間離散度矩陣；確定FDA向量以使得類內(nèi)離散度最小并保證類間離散度最大；將FDA向量按列構(gòu)成FDA模型的投影矩陣；存儲FDA模型參數(shù)，所述FDA模型參數(shù)包括FDA模型的投影矩陣、所述歷史傳感器信號的能量特征矢量的樣本數(shù)、均值向量和類內(nèi)離散度矩陣。在一個實施例中，所述對在線傳感器測試信號進行EEMD處理，構(gòu)建所述在線傳感器測試信號的能量特征矢量的步驟包括：對所述在線傳感器測試信號進行EEMD處理，獲得所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)；計算所述在線傳感器測試信號的本征模態(tài)函數(shù)和余項函數(shù)的能量；選擇排序靠前的在線傳感器測試信號的部分本征模態(tài)函數(shù)的能量和余項函數(shù)的能量構(gòu)建在線傳感器測試信號的能量特征矢量。在一個實施例中，所述在線傳感器測試信號的能量特征矢量的維數(shù)與歷史傳感器信號的能量特征矢量的維數(shù)相同。在一個實施例中，在計算傳感器測試信號的能量特征矢量的FDA得分向量的步驟中，利用FDA模型的投影矩陣和在線傳感器測試信號的能量特征矢量計算FDA得分向量。在一個實施例中，所述基于所述FDA模型的參數(shù)對FDA得分向量進行分類的步驟中包括：基于所述FDA模型的參數(shù)計算在線傳感器測試信號的判別函數(shù)的數(shù)值；將在線傳感器測試信號賦予使判別函數(shù)具有最大數(shù)值的信號類別。在一個實施例中，采集的在線傳感器測試信號的長度與歷史傳感器信號的長度相同。在一個實施例中，對在線傳感器測試信號進行EEMD處理的參數(shù)與對歷史傳感器信號進行EEMD處理的參數(shù)一致。本專利技術(shù)實施例與現(xiàn)有技術(shù)相比具有如下優(yōu)點及有益效果：首先，與基于EMD的故障特征提取方法相比，基于EEMD的信號特征提取方法可以有效地克服EMD方法的模態(tài)混疊效應(yīng)，使得信號特征提取更加準(zhǔn)確；其次，本專利技術(shù)實施例在構(gòu)建傳感器信號的能量特征矢量時，將信號經(jīng)EEMD方法分解得到的余項函數(shù)的能量考慮進來，而現(xiàn)有技術(shù)大都只是取前幾階IMF能量作為能量特征矢量，未考慮余項函數(shù)的能量。根據(jù)EEMD方法的性質(zhì)可知，本專利技術(shù)實施例采用的方案可以更有效地區(qū)分正常信號和具有恒值偏差的信號；最后，與傳統(tǒng)的基于SVM或神經(jīng)網(wǎng)絡(luò)NN的分類器相比，基于FDA的故障分類方法算法簡單，物理意義明確，且無需設(shè)計多個分類器，降低了算法的復(fù)雜度。附圖說明附圖用來提供對本專利技術(shù)的進一步理解，并且構(gòu)成說明書的一部分，與本專利技術(shù)的實施例共同用于解釋本專利技術(shù)，并不構(gòu)成對本專利技術(shù)的限制。在附圖中：圖1是根據(jù)本專利技術(shù)實施例的傳感器故障診斷方法的步驟流程圖；圖2是根據(jù)本專利技術(shù)實施例的離線建模過程的步驟流程圖；圖3是根據(jù)本專利技術(shù)實施例的在線診斷過程的步驟流程圖；圖4是根據(jù)本專利技術(shù)的示例中的正常及故障傳感器信號曲線圖；圖5是根據(jù)本專利技術(shù)的示例中的3維FDA空間訓(xùn)練數(shù)據(jù)的分布圖；圖6是根據(jù)本專利技術(shù)的示例中的2維FDA空間訓(xùn)練數(shù)據(jù)的分布圖；圖7是根據(jù)本專利技術(shù)的示例中的3維FDA空間測試數(shù)據(jù)的分布圖；圖8是根據(jù)本專利技術(shù)的示例中的2維FDA空間測試數(shù)據(jù)的分布圖；圖9是根據(jù)本專利技術(shù)的示例中的訓(xùn)練數(shù)據(jù)在2維原始空間中的分布圖。具體實施方式為使本專利技術(shù)的目的、技術(shù)方案和優(yōu)點更加清楚，以下結(jié)合附圖本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種動車組制動系統(tǒng)傳感器故障的診斷方法，其特征在于，包括：對采集的動車組歷史傳感器信號進行集成經(jīng)驗?zāi)B(tài)分解EEMD處理，構(gòu)建所述歷史傳感器信號的能量特征矢量；根據(jù)所述能量特征矢量訓(xùn)練費舍爾判別分析FDA模型，得到FDA模型參數(shù)；采集在線傳感器測試信號，對在線傳感器測試信號進行EEMD處理，構(gòu)建所述在線傳感器測試信號的能量特征矢量；根據(jù)所述FDA模型參數(shù)中的投影矩陣計算傳感器測試信號的能量特征矢量的FDA得分向量；基于所述FDA模型的參數(shù)對FDA得分向量進行分類，確定在線傳感器測試信號的故障類別。

【技術(shù)特征摘要】
1.一種動車組制動系統(tǒng)傳感器故障的診斷方法，其特征在于，包括：
對采集的動車組歷史傳感器信號進行集成經(jīng)驗?zāi)B(tài)分解EEMD處理，構(gòu)建所
述歷史傳感器信號的能量特征矢量；
根據(jù)所述能量特征矢量訓(xùn)練費舍爾判別分析FDA模型，得到FDA模型參數(shù)；
采集在線傳感器測試信號，對在線傳感器測試信號進行EEMD處理，構(gòu)建所
述在線傳感器測試信號的能量特征矢量；
根據(jù)所述FDA模型參數(shù)中的投影矩陣計算傳感器測試信號的能量特征矢量
的FDA得分向量；
基于所述FDA模型的參數(shù)對FDA得分向量進行分類，確定在線傳感器測試
信號的故障類別。
2.根據(jù)權(quán)利要求1所述的動車組制動系統(tǒng)傳感器故障的診斷方法，其特征
在于，所述對采集的動車組歷史傳感器信號進行EEMD處理的步驟包括：
將采集的動車組歷史傳感器信號分為正常工況信號和多種類別的故障信號；
對所述歷史傳感器信號進行EEMD處理，獲得所述歷史傳感器信號的本征模
態(tài)函數(shù)和余項函數(shù)。
3.根據(jù)權(quán)利要求2所述的動車組制動系統(tǒng)傳感器故障的診斷方法，其特征
在于，在構(gòu)建所述歷史傳感器信號的能量特征矢量的步驟中包括：
計算所述歷史傳感器信號的本征模態(tài)函數(shù)和余項函數(shù)的能量；
選擇排序靠前的歷史傳感器信號的部分本征模態(tài)函數(shù)的能量和余項函數(shù)的
能量構(gòu)建歷史傳感器信號的能量特征矢量。
4.根據(jù)權(quán)利要求3所述的動車組制動系統(tǒng)傳感器故障的診斷方法，其特征
在于，在根據(jù)所述能量特征矢量訓(xùn)練FDA模型的步驟中包括：
將所有歷史傳感器信號的能量特征矢量按列排列，其轉(zhuǎn)置構(gòu)成訓(xùn)練數(shù)據(jù)矩
陣；
計算訓(xùn)練數(shù)據(jù)矩陣的總離散度矩陣、類內(nèi)離散度矩陣及類間離散度矩陣；
確定FDA向量以使得類內(nèi)離散度最小并保證類間離散度最大；
將FDA向量按列構(gòu)成FDA模型的投影矩陣；
存儲FDA模型參數(shù)，所述FDA模型參數(shù)包括FDA模型...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：周東華，何瀟，紀(jì)洪泉，
申請(專利權(quán))人：清華大學(xué)，
類型：發(fā)明
國別省市：北京;11