基于多源信息的高速列车走行部故障识别新方法

基于多源信息的高速列车走行部故障识别新方法朱建渠1，2，金炜东1，朱斌1,3（1.西南交通大学电气工程学院，四川成都610031；2.重庆科技学院，重庆401331；3.长江师范学院，重庆涪陵408100）摘要：针对高速列车安全性能跟踪监测点多、监测数据量大、走行部故障识别难的问题，提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别新方法。

该方法首先根据不同的传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度，利用融合度来确定不同传感器在融合中的权重，从而得到同类特征不同传感器间信息融合后的隶属度；然后由融合后的隶属度转化为基本概率分配函数；最后用证据理论对不同特征间信息进行融合。

实验结果表明，该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种工况，同时在不同速度下均取得了满意的识别率，验证了该方法的有效性。

关键词：高速列车；信息融合；故障识别；熵特征中图分类号：U266文献标识码：AHigh-speed train running gear fault feature extraction and recognition based on harmonicwavelet packet transformZHU Jian-qu 1,2JIN Wei-dong 1ZHU Bin 1,3(1.School of Electric Engineering, Southwest Jiaotong University Chengdu 610031;2. Chongqing University of Science and Technology, Chongqing, 401331;3. Changjiang Normal University, Chongqing, 408100)Abstract:To solve the problem that the fault identification of high speed train is difficult, a fault feature extraction and identification method based on harmonic wavelet packet decomposition and resemblance coefficient was proposed. Harmonic wavelet packet transform is used to extract fault feature vector consisting of the band energy which can reflect the characteristics of various types of fault. By calculating and comparing resemblance coefficient of the signal feature vector and different types of fault feature vectors, the method can identify and classify the faults. Experimental results show that the faults, including the normal train, spring air of loss air, without anti-yaw shock absorber and without transverse shock absorber, can be identify effectively. At different speeds, recognition rates are satisfactory and the validity of the method is verified.Key words:high speed train; harmonic wavelet;feature extraction; resemblance coefficient高速列车由于持续的高速运行，导致列车走行部磨损加快、振动加剧，对高速列车走行部进行有效的故障诊断和识别，是实现及时维护，降低使用维护成本，保证列车运行安全的关键。

关于列车走行部故障特征的研究，国内外主要集中在对振动信号进行时频分析。

如小波分析法[1,2,3]、短时傅里叶变换[4]、经验模式分解[5,6,7]、幅度谱特征[8]。

以上方法都是针对单一传感器、单一故障进行分析。

基金项目：国家自然科学基金资助项目(61134002)由于高速列走行部车传感器众多,监测数据内容丰富，涉及面广，数据的影响因素多，且相互关联，同一种故障可用不同的特征指标来描述, 同一种症状表现往往又是几种故障相互作用的结果。

检测量与故障特征之间, 故障特征与故障源之间都是一种非线性映射。

因此, 故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障识别技术上的难点[9]。

仅靠单一传感器和单一故障特征量的方法不能综合考虑各方面的因素，从而造成识别效果不好，难以完成识别任务, 比较合理的方法就是采用信息融合技术, 进行多传感器、多特征的信息融合识别。

证据理论对于不确定信息有较强的处理的能力, 在故障诊断检测、多目标识别、多传感器信息融合、不确定性多属性决策等方面有广泛应用。

而mass 函数的获得是证据理论得以应用的关键所在[10] 。

林云等[9]利用灰度关联算法；韩峰[11]等引入了一种置信距离的方法；徐琰珂[12]等利用模糊集合的方法；许佳丽[12] 利用证据的信息量来确定各传感器信息的可信度，从而确定出mass 函数，都取得了一定的成果。

本文在总结前人研究成果的基础上，结合高速列车运行的特点，提出了一种多特征、多信息源融合的故障识别方法。

信息融合的过程分为两级，第一级实现不同传感器相同特征的融合：对于每一个传感器的某种特征值，被测故障属于哪种类型的可能性的大小用隶属度来表示，但也可能出现这种情况，不同传感器的同类特征值属于不同故障类型的隶属度不一样，甚至有较大的差异或者矛盾的情况。

解决的办法是定义一融合度函数，如某个传感器的某类特征与其它传感器的同类特征融合度高，得到其它传感器的支持，则它的此类特征在融合的过程中的权系数就大，反之权系数就小，这样就得到不同传感器同类特征融合后属于不同故障类型的隶属度。

第二级实现不同特征的融合：就是把融合后的同一特征属于不同故障类型的隶属度按比例转换成基本信任分配函数，然后证据理论的融合规则进行融合，进而判断出故障的类型。

传感器1传感器2...传感器N特征提取特征提取特征提取特征2特征1特征M ...特征2特征1特征M ...特征2特征1特征M...利用模糊方法融合利用模糊方法融合利用模糊方法融合D-S 合成规则故障类型.........图 1 两级信息融合示意图1不同传感器相同特征的信息融合1.1 融合度函数设有N 个传感器，从每个传感器测得的数据中提取M 个特征，故障类型有K 类，对于某类特征不同传感器的属于各故障类型的隶属度函数可表示成如下矩阵形式：11112111212222212()()()()()()()()()K K N n N n NK N x x x x x x x x xμμμμμμμμμμ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦(1)其中()NK N x μ表示第N 个传感器的某类特征属于第K 类故障的隶属度函数。

第i 个传感器和第j 个传感器在同一故障模式下某类特征属于不同故障的隶属度反映了属于某种故障的程度，若两个传感器相互支持，则隶属度间的差异必然很小。

因此，可用隶属度间偏差大小来衡量各传感器相互支持的程度。

引入欧氏距离来定义两个传感器的距离：ij d = (2),i j μμ为隶属度矩阵第i 行和第j 行所组成的行向量，为第i 个传感器和第j 个传感器的某一特征属于各故障的隶属度组成的向量，代入后得： ij d =(3)其中()ik i x μ为传感器i 的某类特征熵值属于故障k 的隶属度，()jk j x μ为传感器j 的某类特征熵值属于故障k 的隶属度，ij d 为置信距离测度，表征传感器之间在此特征上的差异性，01ij d ≤≤。

ij d 越大第i 个传感器被第j 个传感器的支持度就越低，越小支持度就越高。

定义两个传感器的融合度函数：1ij ij r d =- (4)这样传感器i 被传感器j 支持的程度的大小就可用相融度函数的大小表示，则多个传感器的间就可以构成相融度矩阵：111212122212N N N N NN r r r r r r r r r r ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦ (5) 令12[,,,]T N s s s s =为传感器被其它所有传感器认可的融合度向量，为了保证最大的可信度，确定第i 个传感器与其它传感器的相融度时，可取其它传感器与第i个传感器相融度中的最小者，即：12min(,,,)i i i iN s r r r = (6)其中i s 为第i 个传感器被其它所有传感器相融的程度。

将式(4) (5)代入后得：min(1i s = j=1,2,…,N (7)1.2 不同传感器间的信息融合在不同传感器相同特征的融合过程中，为体现不同传感器在融合中的所占比重不同，设权系数向量为：[]12,,,TN q q q q = (8)式（7）中i s 大表明第i 个传感器被其它传感器的认可度就高，在融合的过程中此传感器所占的权重就应该大，反之就应该小，故可设第i 个传感器的权系数可由i s 在总相融度中所占的比重确定，即：1/Ni i i i q s s ==∑ (9)这样，不同传感器融合后的隶属度向量[]12.,,,T K q βηβββ== (10)其中K β为融合后这一特征属于第K 类故障的隶属度，其值为：1(().)NK ik i i i x q βμ==∑ (11)通过上述方法，就完成了不同传感器的某一特征的融合。

用同样的方法，可进行其它特征的融合，从而得到不同传感器的其它特征的融合结果。

2 不同特征间的信息融合2.1 证据理论证据理论是建立在一个非空集合Θ上的理论，该集合被称为识别框架． 它由一些互斥且穷举的元素组成，包含当前要识别的全体对象，记为{}123,,,...,n θθθθΘ=。

对于Θ的每个子集A ，都属于幂集2Θ，可以指派一个值，称为基本信任分配。

定义：基本信任分配函数（mass 函数）m 是一个从集合2Θ到[0,1]的映射,A 表示识别框架Θ的任意子集，记作A ⊆Θ，且满足()0m φ=，()1A m A ⊂Θ=∑，则m(A)称为事件A 的基本信任分配函数。