构造新的特征矩阵，利用此矩阵进行反奇异值计 算得到消噪后的信号y(t)。
5. 根据权利要求3所述的一种基于多源信息融合的列车走行系故障诊断方法，其特征 在于： 步骤2中对消噪后的信号y(t)进行总体平均经验模式分解，得到本征模态函数IMFn， 具体步骤如下： (2. 1)初始化总体平均次数M和加入的噪声幅值，第一次分解次数p = 1 ; (2.2) 第m次加噪后的信号为yp(t)，yp(t)等于y(t)与第p次加入的噪声np(t)之和： yp (t) = y (t) +np (t) (2.3) 利用总体平均经验模式分解加噪后的信号yp(t)，得到一组MFip，頂Fip为第p 次分解得到的第q个頂F ; (2. 4)计算P次分解的頂?"的总体平均得到最终的MF
(2. 5)对yp(t)和差值重复步骤（2. 3)~（2. 4)。
6. 根据权利要求3所述的一种基于多源信息融合的列车走行系故障诊断方法，其特征 在于： 步骤3中采用B型关联度法对所述本征模态函数IMFn进行虚假分量识别，提取真实分 量，利用真实分量的能量作为故障特征向量T，并对所述故障特征向量T进行归一化处理得 到Τ'，具体步骤如下： (3. 1)对所述本征模态函数IMFjP消噪后的信号y(t)进行离散化处理，得到IMFn(k)， y(k)，k = 1，2,…，1〇 令： -K=A
式中，1为离散化处理个数，Cltl为物理特征位移差，Cl1为物理特征速度差，（12为物理特 征加速度差； 则B型关联度计算公式为：
归一化B型关联度，根据数值的数量级，剔除虚假分量，提取真实分量； (3. 2)对提取出来的各真实分量IMFa求其能量E α: 2 Ea= J ^ \c,-= 1,2, ···, H 式中，H为提取的真实分量IMFa的个数，c α (t)为真实分量IMFa的幅值； (3.3)以能量EaS元素构造一个故障特征向量T如下： T = [E1, E2, ...Eh] (3. 4)将特征向量T进行归一化处理： Iw = [E1ZUE2ZU …Eh/E] 式中，五圪ι2|/2, τ'即为归一化后的故障特征向量。
7. 根据权利要求3所述的一种基于多源信息融合的列车走行系故障诊断方法，其特征 在于： 步骤4中将归一化后的故障特征向量T'作为支持向量机的训练集进行故障诊断，输 出振动信号的局部故障诊断结果，具体步骤如下： (4. 1)建立训练数据集； 根据所述归一化后的故障特征向量T'，建立训练数据集（ξ3, ζ3)，为输入变量的 值，ζ 3为相应的输出变量值，s为训练集个数。 (4. 2)确定核函数 采用高斯径向基核函数：Κ(ξ3, ζ3) =exp(-| ξ3-ζ」2/〇2)，式中，Κ(ξ3, ζ3)为核函 数，σ为高斯函数的方差。 (4. 3)选用一定量训练数据集（ξ s，ζ s)对支持向量机进行训练，建立支持向量机的故 障诊断模型。 (4. 4)用训练好的支持向量机对待诊断样本进行诊断输出，输出振动信号的局部故障 诊断结果。
8. 根据权利要求3所述的一种基于多源信息融合的列车走行系故障诊断方法，其特征 在于，步骤5中基于轴温信号进行走行系局部故障诊断，具体如下： 根据轴箱与环境温度的温差的阈值判断轴温是否正常； 若轴箱与环境温度的温差在（20°C，40°C ]内，则为运转热级，进一步判断轴温正常； 若轴箱与环境温度的温差在（40°C，70°C ]内，则为微热级，进一步判断轴温故障； 若轴箱与环境温度的温差在（70°C，100°C ]内，则为强热级，进一步判断轴温故障； 若轴箱与环境温度的温差在l〇〇°C以上，则为激热级，进一步判断轴温故障。
9. 根据权利要求3所述的一种基于多源信息融合的列车走行系故障诊断方法，其特征 在于： 步骤6中采用改进的D-S证据理论对所述振动信号和轴温信号的局部故障诊断结果进 行决策融合，得到走行系的最终故障诊断结果，具体步骤如下： (6.1) 构造决策系统的识别框架Θ = (A1, A2，…，Ax}，X为故障模式个数，Ax为故障 模式； (6.2) 构造依据识别框架的证据源Vg，g= 1，2, ···，0, G为证据源个数； (6. 3)构造基本可信度分配函数； 基本可信任度分配函数的总体由两部分组成：第一部分为支持向量机和阈值判断的输 出结果之和，第二部分为不确定性估计值； υ,· = ^ζν+Ε, w=\ 式中，I为总体，ζ w为支持向量机和阈值判断的诊断结果，X为故障模式个数，E。为 不确定估计值； 所述不确定估计值E。根据下式求解： Ec= E !+E2 式中，E1为诊断结果的均方根误差，E 2为其他不确定性估计。 E1根据下式求解： ^=J1Z(Cw-Cw)2 H Z "=1 式中，Cw为支持向量机和阈值判断输出的期望输出向量。 E2根据下式求解： ^ 1 =/fj- E(^W ~CwY VJw=I 式中，κ为不确定系数，常取o.l; 则基本可信度分配函数为： ιη(Ε,)=- ' "Ur (6. 4)利用D-S合成规则两两计算各证据体联合作用下的基本可信度分配m( ζ w)，其 具体步骤为： 针对％和V 2两个证据源，m JP m 2是与两个证据源相对应的基本可信度分配函数，A ￥和 Bp分别为对应故障模式，则V ,和V 2按照以下公式合成：
式中，w = 1，2，…，X ;p = 1，2，…，X。 重复步骤6. 4,将％和V 2融合结果与其他证据源依次融合，得到最终的基本可信度分 配函数凡，从而获得最终诊断结果。
10.根据权利要求3-9任一项所述的一种基于多源信息融合的列车走行系故障诊断方 法，其特征在于： 所述振动信号x(t)包括轨旁振动信号、轴箱振动信号和构架振动信号。
【专利摘要】本发明公开了一种基于多源信息融合的列车走行系故障诊断装置及方法，包括轨旁故障预警装置和车载故障诊断装置，所述轨旁故障预警装置包括布置于轨道一侧的轨旁振动传感器和温度传感器；所述车载故障诊断装置包括轴箱振动传感器和构架振动传感器。诊断步骤为：首先采用奇异值分解消噪技术对各路信号进行降噪处理，其次采用HHT对各振动信号提取故障特征值，然后采用SVM和阈值判断法进行列车走行系局部故障诊断，最后采用改进的D-S证据理论对局部故障诊断结果进行决策融合，实现走行系故障的精确诊断。本发明具有成本低、精度高、装置简单等优点，避免了单一传感器可能存在的诊断不确定性问题，完成列车走行系故障精确诊断。
【IPC分类】G01M17-08
【公开号】CN104833534
【申请号】CN201510190342
【发明人】袁敏正, 李宏辉, 苏钊颐, 屈敏, 陆慧莹, 黄永青
【申请人】广州市地下铁道总公司
【公开日】2015年8月12日
【申请日】2015年4月21日