基于多传感器数据融合的高速列车转向架故障检测方法技术

本发明专利技术公开了一种基于多传感器数据融合的高速列车转向架故障检测方法，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；S2、将收集的原始数据信号切分成各个通道单独的信号；S3、生成每个通道的信号对应的频谱图；S4、通过随机森林算法，得到每个通道频谱图的分类结果；S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。本发明专利技术的有益效果为：提取转向架振动信号特征过程简单高效，并且通过自动的多通道融合方法，大大提高了故障检测准确率。

【技术实现步骤摘要】
基于多传感器数据融合的高速列车转向架故障检测方法
本专利技术属于列车故障检测领域，具体涉及一种基于多传感器数据融合的高速列车转向架故障检测方法。
技术介绍
近年来，随着我国铁路营业里程的不断增长和列车运行速度的逐步提高，社会的运输需求逐步得到满足。同时，人们对高速列车运输的安全要求也日益提升。在此背景下，越来越多的研究集中在高速列车的故障诊断上，转向架是列车车体与轨道之间唯一的连接单元，其关键部件的蜕化将严重威胁到列车运行安全。因此，高速列车转向架故障检测具有重要的研究意义。高速列车转向架结构主要包括两组轮对、架构、制动装置及减振装置等。转向架关键部件属于减振装置，主要包括：空气弹簧、横向减震器和抗蛇形减振器，这些部件的状况不仅关系到列车的运行安全，还与列车运行过程中的舒适度密切相关。其中，空气弹簧的故障主要表现在因橡胶层破裂导致的垂向刚度变化，横向减振器和抗蛇形减振器为液压减振器，其故障主要表现在由漏油导致的阻尼系数的变化上。现有的高速列车转向架故障的诊断方法主要分为两类：有传统的信号分析方法提取的特征和通过神经网络自动学习的特征。该故障检测方法具有特征提取过程复杂，且提取到的特征不稳定，需要人工选取可靠信道，没有对所有信道进行充分利用的问题。需要耗费大量的人力、物力对其进行故障检测，并有不能准确判断其故障类型的可能性。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于多传感器数据融合的高速列车转向架故障检测方法解决了现有故障检测方法中提取转向架振动信号特征过程复杂，且提取的信号特征不稳定，需要人工选取可靠信道的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于多传感器数据融合的高速列车转向架故障检测方法，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；S2、将收集的原始数据信号切分成各个通道单独的信号；S3、生成每个通道的信号对应的频谱图；S4、通过随机森林算法，得到每个通道频谱图的分类结果；S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。本专利技术的有益效果为：提取转向架振动信号特征过程简单高效，并且通过自动的多通道融合方法，大大提高了故障检测准确率。进一步地，所述步骤S1中多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。上述进一步方案的有益效果为：多传感器检测收集不同位置和不同方向的数据，提高收集数据的多样性，提高转向架故障检测的准确性。进一步地，所述步骤S2中各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。上述进一步方案的有益效果为：每个传感器收集的数据独立对应一个通道，便于数据处理的比较。进一步地，所述步骤S3中生成每个通道的频谱图的具体方法为：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图。上述进一步方案的有益效果为：频谱图是时变信号的一种结合时域和频域信息的有效的可视化表示，便于直接观察数据处理结果。进一步地，所述步骤S4中随机森林是决策树的组合，随机森林算法主要包括以下步骤：S4-1、从数据集中的训练集中随机选取一个样本子集；S4-2、通过随机选择一定数量的特征构建一棵决策树。对于每个分裂节点，根据基尼或信息增益的准则选择最佳分裂值，直到无法进一步分裂，构建出一定数量的树；S4-3、通过多数投票方法统计随机森林中的所有决策树的结果，得到该样本子集最终分类结果。上述进一步方案的有益效果为：当处理的数据集有很多时，相对于其他算法有很大的优势；其特征子集是随机选择的；训练时树与树之间是相互独立的；对于不平衡的数据集来说，它可以平衡误差；当有很大一部分特征遗失时，仍然可以维持准确度。进一步地，所述步骤S5中的投票方法为单层神经网络的投票方法，所述单层神经网络的投票方法的具体为：S5-1、根据步骤S4-3得出的分类结果中，有L个类别，M个分类器，M个分类器的分类结果联合表示为一个L×M的矩阵X，其中每个元素xij满足：其中，Sj表示第j个分类器的输出类别，xij＝1表示第j个分类器认为该样本是第i类，xij＝0表示第j个分类器认为该样本不是第i类；其中i、j分别为频谱图的分类结果中的分类器和类别的编号，i≤M，j≤L；S5-2、将矩阵X作为神经网络的输入，连接神经网络中的输入层的L×M个神经节点；S5-3、确定神经网络隐藏层中权重和偏置的初始值，该权重与每个分类器和每个类别相关，偏置作为一个修正量；S5-4、使用交叉熵作为该神经网络中隐藏层的损失函数，sigmoid函数作为激活函数，并使用随机梯度下降和反向传播方法更新权重和偏置，获得最优网络。附图说明图1为基于多传感器数据融合的高速列车转向架故障检测方法实现流程图。图2为随机森林算法实现流程图。图3为单层神经网络投票方法实现流程图。图4为神经网络结构示意图。图5为数据集1的原始图片分类结果与HOG特征分类结果差值图。图6为数据集1的原始图片分类结果图。图7为数据集1的混合运行速度下以HOG特征和原始图片作为随机森林输入的结果对比图。图8为数据集1的最终结果分类比较柱状图。图9为数据集2某些运行速度下随机森林故障分类结果比较图。图10为数据集2的最终结果分类比较柱状图。图11为数据集2中不同程度故障错误率折线图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1至图3所所示，基于多传感器数据融合的高速列车故障检测方法，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；其中，多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。S2、将收集的原始数据信号切分成各个通道单独的信号；各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。S3、生成每个通道的信号对应的频谱图：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图；上述将原始数据信号切割成多个片段是为了得到样本集，用于训练和测试分类模型，假设每个样本的采样频率为H，长度为3H，那么转换为频谱图后就有3帧。S4、通过随机森林算法，得到每个通道频谱图的分类结果；其中，随机森林算法主要包括以下步骤：S4-1、从数据集中的训练集中随机选取一个样本子集；S4-2、通过随机选择一定数量的特征构建一棵决策树。对于每个分裂节点，根据基尼或信息增益的准则选择最佳分裂值，直到无法进一步分裂，构建出一定数量的树；S4-3、通过多数投票方法统计随机森林中的所有决策树的结果，得到该样本子集最终分类结果。S5、通过投票方法，对所有通道频谱图的分类结果进行决策融合，得出故障类型；投票方法为单层神经网络的投票方法(NN)，单层神经网络的投票方法一种加权投票方法，具体包括以下步骤：S5-1、根据步骤S4-3得出的分类结果中，有L个类别，M个分类器，M个分类器的分类结果联合表示为一个L×M的矩阵X，其中每个元素xij满足：其中，Sj表示第j个分类器的输出类别，xij＝1表示第本文档来自技高网...

【技术保护点】
一种基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；S2、将收集的原始数据信号切分成各个通道单独的信号；S3、生成每个通道的信号对应的频谱图；S4、通过随机森林算法，得到每个通道频谱图的分类结果；S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。

【技术特征摘要】
1.一种基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，包括以下步骤：S1、收集安装在转向架上的多个传感器获得的原始数据信号；S2、将收集的原始数据信号切分成各个通道单独的信号；S3、生成每个通道的信号对应的频谱图；S4、通过随机森林算法，得到每个通道频谱图的分类结果；S5、通过投票方法，对所有通道频谱图的分类结果进行融合，得到故障类型。2.根据权利要求1所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S1中多个传感器获得的原始数据信号对应转向架上不同位置不同方向的振动信号。3.根据权利要求2所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S2中各个通道单独的信号与步骤S1中安装在不同位置传感器获得的原始数据信号一一对应。4.根据权利要求3所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S3中生成每个通道的频谱图的具体方法为：将每个通道的数据信号根据其采样频率切割成多个片段，得到通道信号的频谱图。5.根据权利要求1所述的基于多传感器数据融合的高速列车转向架故障检测方法，其特征在于，所述步骤S4中随机森林是决策树的组合，随机森林算法主要包括以下步骤：S4-1、从数据集中的训练集随机选取一...

【专利技术属性】
技术研发人员：粟丽源，秦娜，马磊，黄德青，孙永奎，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51