基于多传感器数据融合的高速列车转向架故障检测方法与流程

本发明属于列车故障检测领域，具体涉及一种基于多传感器数据融合的高速列车转向架故障检测方法。

背景技术：

近年来，随着我国铁路营业里程的不断增长和列车运行速度的逐步提高，社会的运输需求逐步得到满足。同时，人们对高速列车运输的安全要求也日益提升。在此背景下，越来越多的研究集中在高速列车的故障诊断上，转向架是列车车体与轨道之间唯一的连接单元，其关键部件的蜕化将严重威胁到列车运行安全。因此，高速列车转向架故障检测具有重要的研究意义。

高速列车转向架结构主要包括两组轮对、架构、制动装置及减振装置等。转向架关键部件属于减振装置，主要包括：空气弹簧、横向减震器和抗蛇形减振器，这些部件的状况不仅关系到列车的运行安全，还与列车运行过程中的舒适度密切相关。其中，空气弹簧的故障主要表现在因橡胶层破裂导致的垂向刚度变化，横向减振器和抗蛇形减振器为液压减振器，其故障主要表现在由漏油导致的阻尼系数的变化上。

现有的高速列车转向架故障的诊断方法主要分为两类：有传统的信号分析方法提取的特征和通过神经网络自动学习的特征。该故障检测方法具有特征提取过程复杂，且提取到的特征不稳定，需要人工选取可靠信道，没有对所有信道进行充分利用的问题。需要耗费大量的人力、物力对其进行故障检测，并有不能准确判断其故障类型的可能性。

技术实现要素：

针对现有技术中的上述不足，本发明提供的基于多传感器数据融合的高速列车转向架故障检测方法解决了现有故障检测方法中提取转向架振动信号特征过程复杂，且提取的信号特征不稳定，需要人工选取可靠信道的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于多传感器数据融合的高速列车转向架故障检测方法，包括以下步骤：

S1、收集安装在转向架上的多个传感器获得的原始数据信号；

S2、将收集的原始数据信号切分成各个通道单独的信号；

S3、生成每个通道的信号对应的频谱图；

S4、通过随机森林算法，得到每个通道频谱图的分类结果；

S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。

本发明的有益效果为：提取转向架振动信号特征过程简单高效，并且通过自动的多通道融合方法，大大提高了故障检测准确率。

进一步地，所述步骤S1中多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。

上述进一步方案的有益效果为：多传感器检测收集不同位置和不同方向的数据，提高收集数据的多样性，提高转向架故障检测的准确性。

进一步地，所述步骤S2中各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。

上述进一步方案的有益效果为：每个传感器收集的数据独立对应一个通道，便于数据处理的比较。

进一步地，所述步骤S3中生成每个通道的频谱图的具体方法为：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图。

上述进一步方案的有益效果为：频谱图是时变信号的一种结合时域和频域信息的有效的可视化表示，便于直接观察数据处理结果。

进一步地，所述步骤S4中随机森林是决策树的组合，随机森林算法主要包括以下步骤：

S4-1、从数据集中的训练集中随机选取一个样本子集；

S4-2、通过随机选择一定数量的特征构建一棵决策树。对于每个分裂节点，根据基尼或信息增益的准则选择最佳分裂值，直到无法进一步分裂，构建出一定数量的树；

S4-3、通过多数投票方法统计随机森林中的所有决策树的结果，得到该样本子集最终分类结果。

上述进一步方案的有益效果为：当处理的数据集有很多时，相对于其他算法有很大的优势；其特征子集是随机选择的；训练时树与树之间是相互独立的；对于不平衡的数据集来说，它可以平衡误差；当有很大一部分特征遗失时，仍然可以维持准确度。

进一步地，所述步骤S5中的投票方法为单层神经网络的投票方法，所述单层神经网络的投票方法的具体为：

S5-1、根据步骤S4-3得出的分类结果中，有L个类别，M个分类器，M个分类器的分类结果联合表示为一个L×M的矩阵X，其中每个元素xij满足：

其中，S^j表示第j个分类器的输出类别，xij＝1表示第j个分类器认为该样本是第i类，xij＝0表示第j个分类器认为该样本不是第i类；其中i、j分别为频谱图的分类结果中的分类器和类别的编号，i≤M，j≤L；

S5-2、将矩阵X作为神经网络的输入，连接神经网络中的输入层的L×M个神经节点；

S5-3、确定神经网络隐藏层中权重和偏置的初始值，该权重与每个分类器和每个类别相关，偏置作为一个修正量；

S5-4、使用交叉熵作为该神经网络中隐藏层的损失函数，sigmoid函数作为激活函数，并使用随机梯度下降和反向传播方法更新权重和偏置，获得最优网络。

附图说明

图1为基于多传感器数据融合的高速列车转向架故障检测方法实现流程图。

图2为随机森林算法实现流程图。

图3为单层神经网络投票方法实现流程图。

图4为神经网络结构示意图。

图5为数据集1的原始图片分类结果与HOG特征分类结果差值图。

图6为数据集1的原始图片分类结果图。

图7为数据集1的混合运行速度下以HOG特征和原始图片作为随机森林输入的结果对比图。

图8为数据集1的最终结果分类比较柱状图。

图9为数据集2某些运行速度下随机森林故障分类结果比较图。

图10为数据集2的最终结果分类比较柱状图。

图11为数据集2中不同程度故障错误率折线图。

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。

如图1至图3所所示，基于多传感器数据融合的高速列车故障检测方法，包括以下步骤：

S1、收集安装在转向架上的多个传感器获得的原始数据信号；其中，多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。

S2、将收集的原始数据信号切分成各个通道单独的信号；各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。

S3、生成每个通道的信号对应的频谱图：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图；

上述将原始数据信号切割成多个片段是为了得到样本集，用于训练和测试分类模型，假设每个样本的采样频率为H，长度为3H，那么转换为频谱图后就有3帧。

S4、通过随机森林算法，得到每个通道频谱图的分类结果；其中，随机森林算法主要包括以下步骤：

S4-1、从数据集中的训练集中随机选取一个样本子集；

S4-2、通过随机选择一定数量的特征构建一棵决策树。对于每个分裂节点，根据基尼或信息增益的准则选择最佳分裂值，直到无法进一步分裂，构建出一定数量的树；

S4-3、通过多数投票方法统计随机森林中的所有决策树的结果，得到该样本子集最终分类结果。

S5、通过投票方法，对所有通道频谱图的分类结果进行决策融合，得出故障类型；

投票方法为单层神经网络的投票方法(NN)，单层神经网络的投票方法一种加权投票方法，具体包括以下步骤：

S5-1、根据步骤S4-3得出的分类结果中，有L个类别，M个分类器，M个分类器的分类结果联合表示为一个L×M的矩阵X，其中每个元素xij满足：

其中，S^j表示第j个分类器的输出类别，xij＝1表示第j个分类器认为该样本是第i类，xij＝0表示第j个分类器认为该样本不是第i类；其中i、j分别为频谱图的分类结果中的分类器和类别的编号，i≤M，j≤L；对于每个样本，一个分类器只会输出一种结果，所以矩阵X的每一列只有一个1，其余全是0。

S5-2、将矩阵X作为神经网络的输入，连接神经网络中的L×M个神经节点。

S5-3、确定神经网络隐藏层中权重和偏置的初始值，该权重与每个分类器和每个类别相关，偏置作为一个修正量；

其中，采用权重和偏差的初始化方法是取偏置初始值为0，权重初始值为平均值为0、方差为1的正太分布中的随机值。

S5-4、使用交叉熵作为该神经网络中隐藏层的损失函数，sigmoid函数作为激活函数，并使用随机梯度下降和反向传播方法更新权重和偏置，获得最优网络。

在本发明的一个实施例中，上述单层神经网络的投票方法是一种基于神经网络的投票方法，是一种基于反向传播神经网络的加权投票方法。一般的，(人工)神经网络由输入层，隐藏层，输出层三个部分组成，如图4所示。其中，每一层包含多个神经节点，连接着相邻两层的所有神经元。每个隐藏层的节点，有相应的权重向量W和偏置b；每个神经网路的节点有相应的激活函数f，激活函数通常是S型函数。对于隐藏层中的某一层的某个节点，若将他的N个输入表示为向量X，则它的输出可以表示为标量W·X+b。

在训练神经网络的过程中，选用合适的代价函数，结合反向传播算法来更新权重和偏置，从而使代价函数达到最小值，在网络不过拟合的情况下获得最优的网络。

在本发明的基于神经网络的投票方法中，若有L个类别，M个分类器，则对于一个实例，所有分类器的结果可以被联合表示为一个L×M个的矩阵X，其中每个元素x{ij}满足：

其中，S^j表示第j个分类器的输出类别，xij＝1表示第j个分类器认为该样本是第i类，xij＝0表示第j个分类器认为该样本不是第i类；其中i、j分别为频谱图的分类结果中的分类器和类别的编号，i≤M，j≤L；对于每个样本，一个分类器只会输出一种结果，所以矩阵X的每一列只有一个1，其余全是0。

再将该矩阵作为NN的输入，连接输入层的L×M个神经节点。在本发明所用的神经网络只有一个隐藏层，每个神经节点的权重与每个分类器和每个类相关，类似于CE方法中的矩阵W；而偏置则作为一个修正量。该网络使用交叉熵作为损失函数，sigmoid函数作为激活函数，并使用SGD(随机梯度下降)和BP(反向传播)方法更新权重和偏置以获得最优网络。

在本发明的一个实施例中，数据的收集由SIMPACK动力学仿真软件上进行仿真实验测得，用本发明提供的基于多传感器数据融合的高速列车转向架故障检测方法对其转向架故障检测的准确性进行验证。

将收集的数据分为两个数据集，如表1和表2所示，由于利用某种特定的列车模型和京广线轨道谱，数据集1和数据集2具有很强的现实意义。

表1

状态类型

表2

在对两个数据集的数据进行预处理过程中，以3秒为切片长度，2秒为前后重叠长度将数据连续切片，然后将其转化成频谱图。

对于数据集1的实验验证分为两个部分：特定速度下故障分类和所有速度混合情况下的故障分类，分别对应于7×20个样本和6×7×200个样本。将该数据集按3：7划分为随机森林分类阶段的训练集和测试集。投票阶段的划分比例为训练集：验证集：测试集＝2：1：2。将对数据集1的处理分为以下两个阶段：

第一阶段：利用随机森林对每个通道的数据进行故障分类。

将原始大小为129×4的频谱图压缩成64×4的大小，直接作为随机森林的输入，同时，为验证直接利用频谱图比用频谱图的HOG特征更有效，设计一组对比试验，将频谱图的大小调整为64×64(先压缩到64，然后每列复制16次)，并根据训练数据的最大值进行归一化。其中，HOG特征提取的参数如表3所示：

表3

得出利用随机森林对每个通道进行故障分类的结果如图5和图6所示，结果表明：直接利用频谱图效果更好，而HOG特征提取导致大部分通道中有用信息丢失。这一结果可以通过频谱图的特征来解释：与其他信号如心电图和脑电图相比，高速列车转向架振动信号的频谱图从时间轴上看是比较稳定的，意味着这些样本统计特征其空间特征更突出。同时从结果可以看出，不同通道的准确率差别很大。具体而言，垂直于铁路方向的信号对应的通道准确率较高，铅锤方向信号对应通道的准确率较低。因此，转向架关键部件的故障特征主要体现在横向振动上，横向振动也是列车蛇形失稳运动的主要原因。结果还表明，当运行速度较低(实验中为40km/s)时，难以对故障进行分类。而不同通道的性能在不同的运行速度下是相似的，这就证实了在所有运行速度混合的情况下对故障进行分类的可能性。另外，信号的谱变换过程在很大程度上压缩了数据量。对于原始尺寸为243×3×58的单个样本，相应的频谱图像只有原始尺寸的1.84％。这种压缩很好的滤除了冗余信息，保留了稳定的故障特征，也有利于加速训练和测试过程。用所有速度混合的数据集重复上述实验，结果如图7所示，使用原始图像仍然比使用HOG特征效果更好。

第二阶段：利用单层神经网络投票方法进行通道融合得出故障分类结果。

将本发明提供的单层神经网络投票的方法的结果与采用多数表决法(PV)、分类熵法(CE)和胜者全取法(WTA)的结果进行比较，以验证该方法的高效性。鉴于CE和WTA不需要验证集，PV只需要测试集，为保证对比的公平性，对于特定方法不需要的数据集在其对应的实验中直接被舍去。对每个实验，用一组固定的随机种子进行了20次实验，以确保结果的客观性。在CE中，控制常数被设置为0.8。在单层神经网络的投票方法中，当验证准确率达到100％或训练次数达到最大值50时，停止训练网络。单层神经网络的投票方法的其他参数如批大小(batch size)为100，学习率为0.1。得出的数据集1的故障分类结果如图8和如表4所示，分类结果表明，在所有的方法中，即使在最复杂的所有运行速度混合的情况下，单层神经网络的投票方法得出的分类效果最好，分类精度接近100％，并且表现出最高的鲁棒性。CE和WTA的结果相近，在93％-100％的范围内波动，其中，CE的准确率并不总是好于WTA。这一结论表明，WTA对于局部性能和分类器的总体性能的平衡与单层神经网络的投票方法相比较差。由于PV忽略了不同通道预测能力的巨大差异，它的分类准确率最低，波动范围也最大，从79％到96％不等。

表4

对于数据集2，在第一阶段采用与数据集1相同的数据处理方案，由于已经验证了HOG特征提取比直接利用频谱图效果更差，故在数据集2上不在设计对比试验。得出利用随机森林在数据集2上的部分分类结果如图9所示，由于不同程度的故障混合，即使故障类型较少，分类准确性与数据集1相比也较低，但是高精度通道编号仍与数据集1上的结果相同，且低速度的结果仍然比高速的更差。

第二阶段，即多通道融合阶段，将单层神经网络的投票方法将NN投票方法与CE，WTA投票方法的结果进行了比较。其中，除CE中的控制值设置为0.6，在NN中，设置神经网络在70次迭代(epochs)之后停止训练以外，其他参数与之前相同。根据图10所示的结果，NN投票方法的性能仍然明显优于其他方法，其准确率在90％左右。图11显示了不同程度故障下的错误率。从总体上看，随着退化程度的增加，分类误差减小，因为蜕化率越高意味着故障特征越鲜明。

综合上述实验验证过程，本发明提供的基于多传感器数据融合的高速列车转向架故障检测方法，将转向架振动信号的频谱图作为特征，采用单层神经网络的投票方法融合多传感器对应的多个通道单独的分类结果，给出最终的故障检测结果。该方法在两个不同的数据集上进行测试，在多种故障类型(七种故障，包括一个正常状况，三个单一部件完全失效和三个多部件完全失效)的情况下和多种故障程度混合(故障程度从10％到90％)的情况下被证明具有较高的分类准确率。

本发明的有益效果为：提取转向架振动信号特征过程简单高效，并且通过自动的多通道融合方法，大大提高了故障检测准确率。