技术领域
[0001] 本
发明涉及高速列车运行
模式识别技术领域。
背景技术
[0002] 随着我国高速列车行业的快速发展，高速列车速度快、正点率高、舒适便利、环境影响轻等优点吸引着越来越多的人选择采用高速列车出行，从而高速列车运行的故障隐患问题引起了越来越多的关注。走行部的
转向架是列车的重要组成部分，其中转向架上的减振
弹簧和
减振器保障了列车运行的平稳性，使乘客在列车运行过程中更加舒适。由于高速列车走行部中的转向架在实际运行时会偶然出现一些部件的失效或者失稳的情况，所以我们需要对
传感器所采集到的几种列车在运行时的检测数据进行识别，发现其中存在的一些故障隐患，从而保障列车运行更加安全。因此通过在列车转向架的不同部件安装传感器，采集并分析反映其运行状况的振动
信号，是进行列车工况分析的主要技术之一。
[0003] 现有的高速列车工况识别技术主要通过传感器获取转向架振动敏感信号，通过时频域分析获取高速列车的振动信号的
特征向量，最后应用识别模型对转向架故障进行识别，大体分为两个阶段：特征提取和识别。特征提取主要从振动信号的时域、频域、时频域三方面进行，如快速傅里叶变换、小波分解和经验模态分解等；识别的
角度有单视图和多视图，即单个通道和多个通道；对应的识别方法主要BP神经网络、SVM、FCM等。
[0004] 由于高速列车的振动信号具有非线性、非平稳、特征信息复杂、难辨别等特点，所以这些传统方法具有一定的局限性，亟需采用一种新的、简单高效的方法进行高速列车工况识别。
[0005] 通过对现有的
专利及相关技术的检索发现，现有的与高速列车工况识别有关的方法有：谢锋
云，曹青松，周建民等.一种基于模态区间的高速列车转向架故障诊断方法，CN104502126A[P].2015.提出了一种通过EMD分解，然后提取信号特征，再利用区间神经网络模型来进行高速列车识别的方法。由于其通过模态区间的方法处理了高速列车转向架故障诊断中的不确定性问题，从而大大提高故障诊断结果的可靠性。贺德强，李笑梅，苗剑等.一种高速列车
滚动轴承故障诊断方法，CN106441888A[P].2017.提出了一种采集原始振动信号并利用EEMD方法进行分解，选取前几个IMF分量，求分量的
能量以及能量总和，归一化处理得到能量特征向量，然后采用RBF神经网络识别故障信息。于重重，杨飞，秦勇等.轨道列车走行部
滚动轴承故障的诊断方法，CN106326929A[P].2017.通过提出基于指数平滑预测的滑动
时间窗分割
算法，实现局部
频谱的特征提取，结合改进的Adaboost算法，对轨道交通列车走行部转向架滚动轴承进行故障诊断。贾利民，梁瑜，秦勇等.列车轴承故障的诊断方法和装置，CN105424364A[P].2016.通过利用振动传感器采集列车轴承和构架的振动数据，得到轴承信号的时
频域特征参数，根据时频域特征参数判断传感器对应的轴承是否发生故障，并同时
定位故障的
位置，辨别故障的严重程度。
[0006] 可以看出现有的方法虽然具有一定的优点却也存在着一些不足：采用EMD分解对于异常信号会产生模态
混叠导致信号分解时
频率不能完全分离，所以特征提取的效果并不明显；而EEMD算法在抑
制模态混叠方面取得了不错的效果，但是EEMD算法引入了高斯白噪声，损害了原信号的纯洁性。所以综合考虑VMD具有较好的信号分解能
力。
[0007] 并且目前针对高速列车振动信号的处理大多通过单个通道的数据进行学习的，多个通道的信息存在多样性和不一致性，为了可以同时利用多个通道中可能存在的补充信息，我们采用多视图的学习方法，并且聚类可以克服传统故障识别技术中计算量大、大量先验知识缺失的缺点。鉴于以上陈述的已有方案的不足，因此我们提出的基于VMD和Multi-View K-means的高速列车工况识别方法有较好的研究意义与应用价值。本发明旨在提供更简单的、更完善的方案，并使之克服
现有技术的以上缺点。
发明内容
[0008] 本发明目的是提供一种高速列车运行的工况识别方法，它能有效地解决高速列车工况的识别问题。
[0009] 本发明目的是通过以下技术方案来实现的：一种高速列车运行工况的识别方法，步骤一、将高速列车运行工况类型分为转向架正常工况、空
气弹簧失气、横向减振器失效和
抗蛇行减振器失稳工况四种；通过设于不同通道的传感器采集高速列车运行时振动信号的v位移
加速度数据进行预处理：采集频率fs＝243Hz，监测数据为一列时间序列T＝{T1,T2,…Tn}，式中，v为通道数，n为
采样点数，分段降噪以后得到样本Cv＝{C1,C2,…CN}，式中，N为样本数。
[0010] 步骤二、对预处理后的样本数据进行几次变分模态分解，以便确定最优的K(K取正整数)个模态分量数，然后再进行一次VMD分解，得到模态函数 每个U有K个特征属性，VMD的分解过程如下：
[0011] a.通过Hilbert变换得到每个模态函数uk(t)的解析信号，从而获得信号的单边频谱；
[0012] b.每个模态函数围绕各自估算中心的频率，通过指数修正调制到相应的基频带；
[0013] c.通过高斯平滑解调信号获得每段带宽，即L2范数的平方根，构造出目标函数:
[0014]
[0015] 其中uk＝{u1,u2,…uK}为各模态函数集，ωk＝{ω1,ω2,…ωK}为各中心频率集，是对函数求时间t的偏导数，δ(t)为单位脉冲函数，j为虚数单位，*表示卷积；
[0016] d.为求取最优解，即各个模态函数，引入带宽参数α构造Lagrange函数:
[0017]其中：λ为Lagrange乘子；
[0018] e.分别得到模态分量uk和ωk的频域表达式：
[0019]
[0020]
[0021] f.然后利用交替方法乘子算法求约束变量的最优解，从而将原始信号分解为K个窄带模态变量，每个模态函数U＝[u1 u2 …uK]。
[0022] 步骤三、对每个模态函数对应求取模糊熵，每个样本也对应得到K个特征向量：
[0023] 步骤四、将多个通道下的特征向量输入Multi-View K-means聚类器中进行工况识别，过程如下：
[0024] a.根据目标函数：
[0025]
[0026] 其中，w为视图权重，γ为指示矩阵，同一簇值为1，否则为0，o为簇中心，x为样本点，p为调节参数；
[0027] b.构造Lagrange乘子：
[0028]
[0029] 其中，λ,φ为Lagrange乘子；
[0030] c.分别得到目标函数在约束条件下取到极小值时需要满足的必要条件为：
[0031]
[0032]
[0033]
[0034] 其中， d为欧氏距离。
[0035] d.最终得到识别结果。
[0036] 步骤一中，所述预处理为在获取高速列车转向架的振动信号后，对其进行巴特沃斯
滤波器滤波，消除噪声干扰，得到无噪的振动信号数据。
[0037] 步骤二中，所述VMD分解，是对高速列车的振动信号进行自适应的信号频域剖分，有效分离各分量。
[0038] 步骤四中，将多个通道下的特征向量数据信息定义为多个视图的样本信息，经过多视图聚类器进行更完备的信息学习，最终确立识别结果。
[0039] 在实际实施时，数据的分段和模态函数的数量还可以根据不同的特征提取方式做更改。
[0040] 与现有技术相比，本发明的优点和效果：
[0041] 本发明针对高速列车的工况识别问题，首先采用的VMD对高速列车振动信号的分解不仅有良好的信噪分离效果，而且K值可以预先设置好，能够有效的抑制模态混叠的现象，所以本发明可以有效的提取出故障特征。而多通道的学习方法能在利用相互间的互补信息进行更全面有效的模式识别，Multi-View K-means聚类器不需要大量的先验知识，同时却具备了较高的准确性。两者的结合使整个模型设计具有了可行性高，操作简单等优点。
附图说明
[0043] 图2为高速列车监测数据的时域
波形图。
[0044] 图3为高速列车监测数据的频域图。
[0045] 图4为VMD分解的各分量情况。
具体实施方式
[0046] 下面结合附图对本发明作进一步的描述。
[0047] 参见图1，本发明提供一种高速列车运行工况的识别方法，包括以下内容：
[0048] 通过动力学仿真系统模拟了列车及转向架上几个关键部位，即转向架正常工况、空气弹簧失气、横向减振器失效、抗蛇行减振器失稳工况四种的振动信号，主要包括车体、构架、
轴箱上各个部位的横向、纵向和垂直振动加速度以及车体、构架、轮对、一系、二系各部位三个方向的振动位移，共得到58个通道的数据，每个通道代表列车和转向架上不同的采样位置。最终在几种不同运行速度下的四种工况的具体状态，如表1所示。
[0049] 表1
[0050]工况数目 工况种类
工况1 正常工况
工况2 空气弹簧失
工况3 横向减振器失效
工况4 抗蛇形减振器失稳
[0051] 具体的识别过程如下：
[0052] ⑴将从不同通道提取的时间序列为T(v)＝{T1,T2,…,Tn}，信号数据的时域如图2所示，然后按280个采样点分成一段，每种工况选择52个样本，观察图3发现，由于高速列车的振动信号的有效特征主要集中于15Hz内，因此使用巴特沃斯滤波器滤去15Hz以上的信号，(v)共得到N个样本C ＝{C1,C2,…,CN}，其中v表示所
选定的v(1≤v≤58)个通道；
[0053] ⑵将数据样本进行变分模态分解，事先给定一个K值(K取正整数)，分别对应做VMD分解，不同K值下的中心频率如表2所示，通过观察表2，当K＝5时，出现了接近的中心频率模态，这归因于过分解，所以选择模态数目为K＝4。
[0054] 表2
[0055]
[0056] ⑶确定K以后，再进行一次VMD分解，分解后的各分量图如图4所示:
[0057] a.初始化 n＝0以及确定的K值；
[0058] b.更新 根据公式：
[0059]
[0060] c.更新ωk，根据公式：
[0061]
[0062] d.更新 根据公式：
[0063]
[0064] e.直到 时收敛，
迭代停止，否则返回步骤b。
[0065] 最后输出VMD分解后的K个IMF模态分量U＝[I1 I2 …IK]，第v个视图下的模态函数为
[0066] ⑷下面计算每个IMF的模糊熵:
[0067] a.设第v个视图下的第n个IMF分量为Un，则重构一组m维的矢量：
[0068]
[0069] 其中，i＝1～n-m+1，u0(i)为平均值。
[0070] b.每个矢量之间的间距
[0071] 其中，i,j＝1～n-m,i≠j。
[0072] c.采用模糊函数定义相似度矩阵：
[0073]
[0074] d.定义函数φm(r)，即：
[0075]
[0076] d.重复a-d四步，计算得到模糊熵：
[0077]
[0078] 当N为有限长度时，IMF的模糊熵估计值为： 模糊熵的值与参数m和r的取值有关，这里，取值m＝2,r＝0.2SD{u(i)}。
[0079] 经过特征提取以后构建特征向量，第v个视图下的特征为X(v)＝{X1,X2,…XN}。
[0080] (5)对多通道的特征数据进行Multi-View K-means聚类，识别出最终的工况种类：
[0081] a.输入特征矩阵和待识别工况数目；
[0082] b.根据目标函数：
[0083] 其中，w为视图权重，γ为指示矩阵，同一簇值为1，否则为0，o为簇中心，x为样本点，p为调节参数；
[0084] c.通过不断迭代更新求三个公式以达到
阈值：
[0085]
[0086]
[0087] 其中， d为欧氏距离；
[0088] d.最终得到不同工况的识别结果。
[0089] 从整个识别过程可以得出这样一个结论，VMD分解以后求取模糊熵可以较好的提取出高速列车运行时所监测到的数据的特征，并且多视图学习更够能加完善的学习到不同通道之间的互补信息和知识，具有一定的实际意义。
[0090] 从以上实验论述中，可以获知该方法具有以下明显的优点：
[0091] 1、该方法具有方法流程简单、编码方便的优势；
[0092] 2、该方法能更好的识别出多通道的工况状况；
[0093] 3、该方法的提出对于解决高速列车运行中的一些安全问题具有一定的现实意义，并且本发明的方法不局限于其对高速列车转向架的工况识别，对其他的高速列车上构件的工况识别也可适用。
