列车速度传感器信号异常检测及轴抱死故障诊断方法与流程

本发明涉及一种故障诊断方法，尤其是涉及一种列车速度传感器信号异常检测及轴抱死故障诊断方法。

背景技术：

随着轨道交通行业的大力发展，针对轨道交通的故障检测与诊断技术逐渐朝着智能化、高效化方向发展。对于列车的轴抱死故障诊断，现有的诊断逻辑单纯基于测试所得速度信号设定阈值给予结论判断。从而导致实际检修发现，所报的轴抱死故障经检查多为列车的轴速度传感器故障导致的误报警。该现象严重影响了列车的运营，降低了列车的运行效率。因此有必要针对该现象，设计出相应的针对区分列车轴抱死及轴速度传感器故障的故障检测与诊断算法。

在该领域的技术，即故障检测与诊断技术在速度传感器故障诊断领域的应用，大多仍停留于故障模拟仿真进行检测阶段，尚未涉及实际故障类型的诊断工作，对于从速度信号故障检测与诊断的角度，解决轴抱死虚报警问题的技术，还属于空白。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种列车速度传感器信号异常检测及轴抱死故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种列车速度传感器信号异常检测及轴抱死故障诊断方法，包括：

步骤s1：对列车的4轴速度传感器信号进行两两轴间残差计算，提取得到6维稳态特征量；

步骤s2：应用非故障状态下的6维稳态特征量训练得到健康情况下的主成分模型，并得到统计量控制限；

步骤s3：输入基于实测传感器信号得到的6维稳态特征量到主成分模型，计算测试数据的统计量值，并判断该统计量值是否超出控制限，若为是则认定发生故障并执行步骤s4，若为否，则认定未发生故障；

步骤s4：根据实测传感器信号得到故障类型及故障位置。

所述6维稳态特征量为：

xij＝|vi-vj|,i,j＝1,2,3,4,i＜j

其中：vi、vj分别为第i个和第j个轴的速度传感器采集的传感器信号。

所述步骤s2中的统计量控制限为：

其中：ζ为统计量控制限，g为系数，是自由度为h，置信度为α的χ²分布，h为自由度，α为置信度，s为训练数据的协方差矩阵，φ为将测试数据转换为综合指标的矩阵，tr(·)为矩阵的迹，x为训练数据，m为训练数据变量数。

所述步骤s3中的统计量值具体为：

fai＝x^tφx

其中：fai为统计量值，x为测试数据。

所述步骤s4具体包括：

步骤s41：计算各个变量的重构贡献值，根据重构贡献图隔离原理，提取故障变量，并根据隔离完全条件，得到所有的故障集合xf；

步骤s42：确定故障的变量之后，对综合统计量fai值进行规整量化，并记录量化后各个状态的转换类型及发生的时间得到状态变化矩阵fait；

步骤s43：应用故障模式分析及影响分析结果结合状态转换类型建立故障petri网模型，确定网络关联矩阵c以及变迁激发矩阵u；

步骤s44：读取状态转换矩阵fait，获取petri网初始标识m0，应用故障petri网推理状态方程式得到下一标识m1；

步骤s45：重复步骤s44，直至标识mi+1到达故障类型库所。

所述重构贡献值具体为：

rbci^index＝x^tφξi(ξi^tφξi)-¹ξi^tφx

其中：rbci^index为第i个变量的重构贡献值，x为原数据，φ为将测试数据转换为综合指标的矩阵，ξi为故障方向矩阵，(·)^-1为逆矩阵。

所述步骤s44中，算子的计算过程为：

则ci＝∨(ai,bi)，1≤i≤n

其中：∨(·)为两个矩阵求“或”，

算子的计算方法为：

令c∈r^n×m,u∈r^n×1,有

其中：c为petri网模型的关联矩阵，u为变迁激发矩阵。

与现有技术相比，本发明具有以下有益效果：

1)针对关键部件—列车轴端速度传感器，应用具体有效的技术算法，提高了诊断的精确性，能够有效降低列车轴抱死误报警率，给予维修人员有效的提示，降低维修成本，提高列车的运营效率和运行可靠性。

2)在确定故障轴的情况下，在速度传感器及轴抱死进行故障模式及影响分析的基础上，建立了改进的故障petri网模型，并通过实测数据验证实现了常见速度传感器及轴抱死故障的区分。

3)针对列车常出现的轴抱死误报警问题，设计了基于主成分分析-重构贡献图以及改进的故障petri网方法，应用现场实测以及试验平台所获数据验证了发明方法地有效性，并有效解决了列车轴抱死误报警经检查为速度传感器故障的问题。

附图说明

图1为本发明方法的主要步骤流程示意图；

图2为本发明整体框架示意图；

图3为本发明所建立的petri网模型示意图；

图4为本发明方法应用的算法流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种列车速度传感器信号异常检测及轴抱死故障诊断方法，如图1所示，包括：

步骤s1：对列车的4轴速度传感器信号进行两两轴间残差计算，提取得到6维稳态特征量；

在进行上述工作之前，首先对速度传感器常见故障以及轴抱死故障等进行故障模式及影响分析，分析结果如图2所述，不同区域对应有不同的故障信号表现形式，如d类断线故障和轴抱死故障，在速度信号的表现形式上有其相似的地方，即速度信号都会降为0，这也是速度传感器断线故障常被误报警为轴抱死故障的原因。但是他们两者之间也有一定的区别，即轴抱死故障时速度信号的表现不是瞬时降为0的情况，而速度传感器断线故障发生时，其速度信号是一个瞬时降为0的状态。而另外几种故障类型，如滑行、干扰等，与轴抱死故障有较明显的区别。

在理解上述机理的基础上，在实现本发明的第一步：故障的检测之前，我们需要通过4个轴的原始速度信号获取能够表征故障的稳态特征量x12、x13、x14、x23、x24、x34：

xij＝|vi-vj|,i,j＝1,2,3,4,i＜j

其中vi、vj表示相应轴的原始速度。

步骤s2：应用非故障状态下的6维稳态特征量训练得到健康情况下的主成分模型，并得到统计量控制限；

步骤s2中的统计量控制限为：

其中：ζ为统计量控制限，g为系数，是自由度为h，置信度为α的χ²分布，h为自由度，α为置信度，s为训练数据的协方差矩阵，φ为将测试数据转换为综合指标的矩阵，tr(·)为矩阵的迹，x为训练数据，m为训练数据变量数。

将正常情况下的xij组成6维向量经过z-score标准化之后，根据累积贡献图方法如下式所示求取相应的主成分，式中m表示变量数，在这里m＝6。当前k个主元的累积方差贡献率达到90％时，取主元个数为k，就得到了k个特征值λ1,λ2,…,λk(λ1＞λ2＞…λk)，及对应的特征向量p1,p2,…pk。

设正常情况下的轴间残差稳态特征量为xij，获得主成分之后的得分矩阵为：

ti＝xijpi

依据

xij＝t1p1^t+t2p2^t+…+tkpk^t

＝xijp1p1^t+xijp2p2^t+…+xijpkpk^t

e＝xij-xij

最终得到主元模型，并输入测试向量x，得到相应的综合统计量指标：

综合统计量fai(x)中的q和t²是主成分分析中的常用统计量，qucl以及tucl分别为统计量q和t²对应的控制限。t²统计量衡量样本向量在主元空间的变化：

t²＝x^tp·λ^-1·p^tx≤tα²

其中，λ＝diag{λ1,λ2,...λk}，tα²为置信度为α的控制限。

fk,n-k:α是带有k和n-k个自由度，置信度为α的f分布值(tucl)，其中n为测试样本数量。

q指标衡量样本向量在残差空间的投影的变化：

q＝||(i-p·p^t)·x||^2≤δα²

其中，δα²(qucl)表示置信度为α的控制限。

δα²常用的计算公式如下：

其中，λjⁱ为x的协方差矩阵的特征值，cα为标准正态分布在置信度为α下的阈值。

步骤s3：输入基于实测传感器信号得到的6维稳态特征量到主成分模型，计算测试数据的统计量值，并判断该统计量值是否超出控制限，若为是则认定发生故障并执行步骤s4，若为否，则认定未发生故障；

步骤s3中的统计量值具体为：

fai＝x^tφx

其中：fai为统计量值，x为测试数据。

通过综合指标fai与控制限值ζ的比较，超出限值即认为出现故障，否则正常。控制限ζ的计算公式为：

其中：ζ为统计量控制限，g为系数，是自由度为h，置信度为α的χ²分布，h为自由度，α为置信度，s为训练数据的协方差矩阵，φ为将测试数据转换为综合指标的矩阵，tr(·)为矩阵的迹，x为训练数据，m为训练数据变量数。

当出现故障时，引用重构贡献图的理论，隔离出相应的故障变量。

步骤s4：根据实测传感器信号得到故障类型及故障位置，具体包括：

步骤s41：计算各个变量的重构贡献值，根据重构贡献图隔离原理，提取故障变量，并根据隔离完全条件，得到所有的故障集合xf；

步骤s42：确定故障的变量之后，对综合统计量fai值进行规整量化，并记录量化后各个状态的转换类型及发生的时间得到状态变化矩阵fait；

步骤s43：应用故障模式分析及影响分析结果结合状态转换类型建立故障petri网模型，确定网络关联矩阵c以及变迁激发矩阵u；

步骤s44：读取状态转换矩阵fait，获取petri网初始标识m0，应用故障petri网推理状态方程式得到下一标识m1；

步骤s45：重复步骤s44，直至标识mi+1到达故障类型库所。

重构贡献值具体为：

rbci^index＝x^tφξi(ξi^tφξi)^-1ξi^tφx

其中：rbci^index为第i个变量的重构贡献值，x为原数据，φ为将测试数据转换为综合指标的矩阵，ξi为故障方向矩阵，(·)^-1为逆矩阵。

步骤s44中，算子的计算过程为：

则ci＝∨(ai,bi)，1≤i≤n

其中：∨(·)为两个矩阵求“或”，

算子的计算方法为：

令c∈r^n×m,u∈r^n×1,有

其中：c为petri网模型的关联矩阵，u为变迁激发矩阵。

此外，重构贡献图对故障变量进行重构如下:

zi＝x-ξifi

其中x是原数据，ξi是故障方向矩阵，fi是对应的故障幅值矩阵。

重构贡献图理论认为变量xi对故障检测统计量的重构贡献率(reconstruction-basedcontributionrbc)rbci^index最大的即为相应的故障变量，rbci^index定义为：

rbci^index＝||ξifi||²φ＝||ξi(ξi^tφξi)^-1ξi^tφx||²m＝x^tφξi(ξi^tφξi)^-1ξi^tφx

确定了故障隔离完全的两个条件：

(1)当选取变量属于负责故障的变量时，检测指标fai的rbc应该大于其控制限。

(2)当隔离的故障方向准确时，重构值zi的监视指标index(zi)满足：

index(zi)＝(x-ξifi)^tφ(x-ξifi)≤ζ

其中zi是对故障变量重构的值，ξi表示故障方向矩阵。ζ是综合指标fai的控制限值。

本发明在应用主成分分析方法实现故障检测，测试数据的综合统计量指标为fai，使用重构贡献图方法隔离出故障变量集合xf，并确定出故障轴之后，根据故障模式及影响分析结果对测试数据的综合统计量指标fai进行征兆量化得到q_fai，并记录q_fai的变化得到fai值状态变化矩阵fait。

根据fait值建立相应的故障petri网如图3所示：

petri网的几个基本的要素包括库所、变迁以及关联矩阵。

本发明图3中所示的库所p¹,p²,p³,p⁴,p⁵,p⁶,p⁷为与fai值状态变化矩阵有关的库所，而库所p⁸,p⁹,p¹⁰,p¹¹,p¹²是表示不同的故障类型，包括速度传感器断线、轴抱死等故障类型。

本发明的具体检测、隔离与诊断算法流程如图4所示。

发明应用主成分分析实现故障的检测，应用重构贡献图的方法实现故障变量的隔离，最后通过建立故障petri网模型实现故障的诊断。在诊断部分，故障petri网建立之后，本发明通过读取fai值状态变化矩阵获取初始标识m0，并通过状态方程式：

获得变迁激发之后的下一个标识m1，其中c为petri网模型的关联矩阵，u是与实际故障类别判定有关的变迁激发矩阵。

本发明是将petri网与时间有关的动态变化特性应用到在线的故障诊断之中，在方法检测到有故障并隔离出故障的基础上，petri网通过不断读取变迁激发矩阵状态，得到标识mi，直到mi到达表征故障类型的库所p⁸,p⁹,p¹⁰,p¹¹,p¹²，诊断即结束。