专利名称：基于d-s证据理论的信息融合的列车悬挂系统故障分离方法
技术领域：
本发明涉及轨道交通运输技术领域，尤其是涉及一种基于D-S证据理论的信息融合的列车悬挂系统故障分离方法。
背景技术：
随着我国经济的高速发展，城市人口数量的剧增，城市轨道交通以运量大、速度快、安全可靠、准点舒适等优势，已经成为主要的城市交通工具。一般城市轨道车辆主要包括走形系、制动系、动力系，悬挂系和辅助系等。其中，城轨车辆悬挂系统位于列车车体与转向架之间以及转向架与轮对之间，由大量不同的零部件构成，包括弹性元件和阻尼器等。作用主要体现在两方面:一是使载荷比较均衡地传递给各轮对，并使车辆在静载状况下，两端车钩距离轨面高度应满足规定的要求，以保证车辆的正常连挂；二是缓和及减少因线路的不平顺、轨缝、道岔、钢轨的磨耗和不均匀下沉，以及因车轮擦伤、车轮不圆、轮径偏心等原因引起车辆的振动和冲击，控制列车行驶方向，保持运行舒适性等作用。车辆的悬挂方式通常根据分布位置可分为一系悬挂(设置在轮对与转向架之间)与二系悬挂(设置在转向架与车体之间)，同时也根据其对列车运动状态的影响分为横向与垂向悬挂。多传感器数据融合技术是一门源于军事应用的技术，该技术可以充分利用复杂系统的全面信息，从而更加准确地反映系统的状况，判断系统是否发生故障及故障的类型。目前，一方面，列车系统故障诊断采用信息融合的方法很少，另一方面，针对列车悬挂系统的故障诊断，国内外还没有较完善的在途故障诊断系统，列车悬挂系统的故障诊断的相关研究尚属空白。
发明内容
针对以上现有技术的不足，本发明针对列车悬挂系统的故障定位分离而提出一种基于D-S证据理论的信息融合的故障分离方法。本发明的目的通过以下技术方案来实现:基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，该方法包括如下步骤:I)在列车车体设置加速度传感器、角加速度传感器和转向架加速度传感器，并获取列车运行时各个位置的加速度信号；2)建立车辆模型，并在该车辆模型中按照步骤I中的传感器布设位置设置相应的传感器，利用车辆模型对步骤I中的加速度信号进行分析，获得列车运行时故障信号的时域、频域信息；3)根据所述车辆模型建立列车运行时的故障特征库，将步骤2中的故障信号的时域、频域信息于故障特征库中的信息进行相似性匹配算法，得到各信度函数分配值；4)根据步骤3中计算得到的各证据的信度函数分配值，按照D-S证据理论的组合规则公式，计算所有证据联合作用下的基本信度分配值，最后依据一定的决策准则判定故障发生的部位和类型。 所述步骤2中的对加速度信号进行分析包括:201)对各个加速度信号进行抗混叠滤波、高通滤波、二次积分，获得系统输出；202)利用Kalman滤波器对所述的系统输出进行处理，获得残差序列输出；203)取列车故障发生后10秒内残差序列输出，进行快速傅里叶变换，得到列车故障信号的频域信息。所述步骤3中的相似性匹配算法包括Eros相似性匹配方法或距离相似性匹配方法。所述Eros相似性匹配方法为:将获取的待检故障的特征与建立的故障特征库中的故障特征进行相似性度量，得到的即为二者的相似性，其值越大，表明二者越相似。所述距离相似性匹配方法为:计算待检故障的故障特征与故障特征库中的典型故障的故障特征的距离，得到的距离值越小，表明二者特征越相似。本发明的优点在于:本发明属于列车悬挂系统故障分离方法，实时性更强；检测单元结构简单(只由加速度传感器构成)，不易受外界因素干扰，装置可靠性高；而且本发明所述的城轨列车悬挂系故障分离方法所需费用低(硬件系统只需若干加速度传感器)。
图1是D-S信息融合故障分离方法；图2是传感器布设位置示意图；图3是整车模型；图4是故障类型；图5是基于相似性匹配算法的各信度函数计算基本流程；图6是基于距离相似性算法的各信度函数计算基本流程。
具体实施例方式本发明的主要特点在于可应用到城轨列车悬挂系统的在途实时故障分离，D-S故障分离过程如图1所示，根据来自多个传感器和信息源的数据，计算各个证据的基本信度分配值，再根据D-S证据组合规则计算所有证据联合作用下的基本信度分配值(BBA)，最后按照一定的决策准则判定故障发生的部位和类型。其方法及步骤如下:1、传感器的布设方案传感器类型有三种，分别为车体加速度传感器、转向架加速度传感器与角加速度传感器，分别用于获取车体垂向加速度信号，转向架垂向加速度信号，以及车体与转向架的角加速度信号。如图2所示为传感器布设位置示意图，三节车体加速度传感器与角加速度传感器布设在车底板的中心点，以获取车体垂向运动的运动状态信息；转向架加速度传感器布设在转向架构架上方中心盘位置，以获取转向架的运动状态信息。2、数据获取
在动力学仿真软件SMPACK中，通过实际城轨列车结构参数建立车辆模型，并按照上述传感器的布设位置安装传感器。为简化运行条件，美国五级轨道谱用于轨道激励输入。在SIMPACK中，将仿真运行采集的车体和转向架加速度数据通过SIMAT模块接口接入MATLAB/Simulink中实现对采样数据的抗混叠滤波、高通滤波、二次积分等预处理工作,对角加速度数据同样进行上述数据处理工作，获得系统输出，为之后的各信度函数分配值的计算提供可靠的数据来源。3、建立故障特征库为了更精确地定义列车悬挂系统常见的典型故障，本专利以三节车为研究对象，见图3，分别是动车1，拖车2，动车3。建立的故障特征库中考虑了 8种典型的部件故障，见图4。其中，弹簧和阻尼器的系数模式影响弹簧和阻尼器的工作效率，当系数定义为100%，表明弹簧和阻尼器作用完全失效；当系数定义为40%，表明这些部件中有40%作用失效等等。因为故障发生具有随机性，故可以根据实际需要建立故障特征库，分别定义不同的系数模式，从而实现悬挂系统的故障分离。4、各信度函数分配值确定在经过第2步的数据获取之后，获得系统输出，再经过一定的数据变换(如小波变换、概率统计、隶属函数、粗糙集理论和层次假设空间等)，得到各传感器或各信息源测得的症状属于各类故障的信度函数，信度函数分配值m(A)表示传感器测得的属于故障模式A的信度函数。本专利在此介绍两种方法计算各信度函数分配值。方法一:相似性匹配算法Eros，将获取的待检故障的特征与建立的故障特征库中的故障特征进行相似性度量，得到的即为二者的相似性，其值越大，表明二者越相似。基于相似性匹配算法的各信度函数计算基本流程如图5所示，包括以下几个步骤:I)利用车体、转向架加速度传感器以及角加速度传感器获取列车运行时各个位置的加速度信号；2)对各加速度信号进行抗混叠滤波、高通滤波、二次积分等处理，获得系统输出；3)利用Kalman滤波器对所述的系统输出进行处理，获得残差输出；4)取故障发生后10秒内残差序列信号，做快速傅立叶变换(FFT)，获得故障信号频域信息；5)将传感器按照三节车分为三组，并且建立典型故障特征库；6)运用Eros相似性匹配算法将当前发生的故障信息与存储在故障特征库中典型故障的信息进行相似性匹配，此计算得到的相似性即为所求的三组信度函数分配值。Eros相似性匹配算法包括以下几个步骤:求取当前故障频域信息序列的协方差矩阵A=Cov (R(j ω )) 其中R(j ω)为故障残差信号频域信息序列，A为其协方差矩阵。协方差矩阵的奇异值分解A=U Σ VtVa= [a1, a2，...，am]
Σ A=diag ( λ Α1, λ Α2,...，λ 細)其中U，V为列正交矩阵，Σ是矩阵A的特征值得到的对角矩阵，ai是η维列正交向量。计算权重
权利要求
1.基于D-S证据理论的信息融合的列车悬挂系统故障分离方法,其特征在于,该方法包括如下步骤: 1)在列车车体设置加速度传感器、角加速度传感器和转向架加速度传感器，并获取列车运行时各个位置的加速度信号； 2)建立车辆模型，并在该车辆模型中按照步骤I中的传感器布设位置设置相应的传感器，利用车辆模型对步骤I中的加速度信号进行分析，获得列车运行时故障信号的时域、频域信息； 3)根据所述车辆模型建立列车运行时的故障特征库，将步骤2中的故障信号的时域、频域信息于故障特征库中的信息进行相似性匹配算法，得到各信度函数分配值； 4)根据步骤3中计算得到的各证据的信度函数分配值，按照D-S证据理论的组合规则公式，计算所有证据联合作用下的基本信度分配值，最后依据一定的决策准则判定故障发生的部位和类型。
2.根据权利要求1所述的基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，其特征在于，所述步骤2中的对加速度信号进行分析包括: 201)对各个加速度信号进行抗混叠滤波、高通滤波、二次积分，获得系统输出； 202)利用Kalman滤波器对所述的系统输出进行处理，获得残差序列输出； 203)取列车故障发生后10秒内残差序列输出，进行快速傅里叶变换，得到列车故障信号的频域信息。
3.根据权利要求1所述的基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，其特征在于， 所述步骤3中的相似性匹配包括Eros相似性匹配方法或距离相似性匹配方法。
4.根据权利要求3所述的基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，其特征在于，所述Eros相似性匹配方法为:将获取的待检故障的特征与建立的故障特征库中的故障特征进行相似性度量，得到的即为二者的相似性，其值越大，表明二者越相似。
5.根据权利要求3所述的基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，其特征在于，所述距离相似性匹配方法为:计算待检故障的故障特征与故障特征库中的典型故障的故障特征的距离，得到的距离值越小，表明二者特征越相似。
全文摘要
本发明涉及基于D-S证据理论的信息融合的列车悬挂系统故障分离方法，该方法包括如下步骤1)在列车车体设置传感器、并获取列车运行时各个位置的加速度信号；2)建立车辆模型，获得列车运行时故障信号的时域、频域信息；3)根据所述车辆模型建立列车运行时的故障特征库，进行相似性匹配运算，得到各信度函数分配值；4)根据步骤3中计算得到的各证据的信度函数分配值，计算所有证据联合作用下的基本信度分配值，最后依据一定的决策准则判定故障发生的部位和类型。本发明实时性更强，检测单元结构简单，只由加速度传感器构成，不易受外界因素干扰，装置可靠性高。
文档编号G01M17/10GK103196682SQ201310091069
公开日2013年7月10日 申请日期2013年3月21日 优先权日2013年3月21日
发明者魏秀琨, 贾利民, 郭昆, 柳海, 秦勇, 潘丽莎, 苏钊颐, 李海玉, 汪煜婷, 郭淑萍, 林帅 申请人:北京交通大学