一种基于多方向重构的列车轴承故障诊断方法技术

本发明专利技术提供一种基于多方向重构的列车轴承故障诊断方法，涉及基于数据驱动的列车故障诊断的技术领域。本发明专利技术是采用动态内模主元分析方法，对列车正常运行过程中的各轴承温度数据建模，从而对列车运行过程中各轴承进行监控，当检测到故障发生时，基于多方向重构的贡献方法对故障样本进行诊断，定位故障轴承。本发明专利技术本发明专利技术提供的方法对列车轴承故障状态具有更合理解释性，有效监测列车运行过程中轴承状态，可解决传统基于阈值规则的检测方法的漏报问题，及时检测列车轴承故障状态。

【技术实现步骤摘要】
一种基于多方向重构的列车轴承故障诊断方法
本专利技术涉及基于数据驱动的列车故障诊断
，尤其涉及一种基于多方向重构的列车轴承故障诊断方法。
技术介绍
列车运行速度可达300km/h以上，在高交通密度下运行一旦发生故障，其后果是灾难性的。其中，轴箱故障，齿轮箱故障，电机定子故障，电机驱动端故障，电机非驱动端故障等为经常发生的轴承故障。健康状态的轴承是列车运行和人员安全的基本保证。因此，为保证列车运行和人员安全，列车的轴承故障监测和诊断至关重要。目前，列车通常采用基于规则的方法进行轴承故障监测与诊断，如法国的TGV高铁(TrainGrandeVitesse)和德国的ICE城际列车(Intercity-Express)。这种基于阈值规则的诊断方法通过检测单一轴承温度来判断轴温的超限情况，从而判断轴承的状态。然而阈值范围内，各轴承温度间相关性发生异常变化的故障情况无法被该方法检测，从而导致异常情况的漏报。
技术实现思路
针对上述现有技术的不足，本专利技术提供一种基于多方向重构的列车轴承故障诊断方法，对列车轴承故障状态具有更合理解释性，有效监测列车运行过程中轴承状态，可解决传统基于阈值规则的检测方法的漏报问题，及时检测列车轴承故障状态；检测到故障后，多方向重构贡献方法有效减少了候选故障变量数，提高故障变量定位的准确性。为解决上述技术问题，本专利技术所采取以下技术方案来实现的：一种基于多方向重构的列车轴承故障诊断方法，具体步骤如下：步骤1：建立训练列车轴承温度的数据模型；利用DiPCA算法对列车的历史正常轴温数据的训练集进行数据建模，所述DiPCA代表动态内模主元分析方法；步骤2：监控列车轴承状态；DiPCA建模后，对列车轴承状态的监控从测试集的动态部分和静态部分进行监控；所述动态部分即对动态潜变量预测误差部分，所述静态部分即提取动态潜变量后的静态残差部分；步骤3：诊断列车轴承故障；当测试集的动态部分或静态部分的综合指标超限时，说明有故障发生在了动态部分或者静态部分，需要进一步对故障轴承进行定位，通过基于DiPCA的多向重构的贡献方法对检测到的故障进行诊断。所述步骤1的具体步骤如下：利用DiPCA对列车的历史正常轴温数据的训练集进行训练,通过训练得出轴承温度模型的动态负载矩阵P，对于时刻j的列车轴承温度训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据列车轴承温度的动态关系得出由j的前s个时刻的动态潜变量线性表达，为动态潜变量tj的估计值，经训练得出线性系数为β，vj为j时刻动态潜变量的预测误差，在动态潜变量tj被提取后，对xj的静态残差部分ej进行PCA建模，所述PCA为静态主元分析法，Pr为ejPCA建模所得的负载矩阵，tr,j为ej的潜变量，er,j为ej经PCA建模后的静态残差部分；模型结构公式如下：其中，βi为β的第i列向量，i＝1，2，…，s。所述步骤2包括如下步骤：步骤2.1：监控列车轴承温度测试集数据所建模型中的动态部分；k时刻列车轴承温度的测试集样本xk的表达式为：其中，tk为k时刻的动态潜变量，表达式为：tk＝xkP；tk-i为k-i时刻的动态潜变量，表达式为：tk-i＝xk-iP；为动态潜变量tk的估计值，vk为k时刻动态潜变量的预测误差，ek为xk的PCA模型中的静态残差部分，tr,k为ek的潜变量，er,k为ek的PCA模型中的静态残差部分；公式2表明过程监控从tr,k、er,k进行，由于是动态且不稳定的，对其进行监控会导致高误报，因此，对于动态部分通过监控vk来完成对的监控，vk与各变量间仍具有互相关性，对vk进行PCA建模，这里采用综合指标对vk的状态进行监控：其中，Qv和分别为vk的T2统计量和Q统计量，和分别为vk的T2统计量和Q统计量的控制限，另外，Φv为对称的正定阵，且其中，I为单位矩阵，Λv为训练集的动态潜变量预测误差v的主元协方差矩阵，Pv为动态潜变量预测误差部分PCA建模所得负载矩阵；综合指标值的控制限为：其中，gv为与间的关系系数，Sv为v的协方差矩阵；是自由度为hv、置信度为0.95的卡方分布临界值；当时，则认为在动态部分发生了故障；步骤2.2：监控列车轴承温度测试集数据所建模型中静态部分；当列车轴承温度样本的动态信息被提取后，可对其静态残差部分ek进行PCA建模：ek＝Prtr,k+er,k(5)这里采用综合指标对ek的状态进行监控：其中，Qr和分别为ek的T2统计量和Q统计量，Φr为对称的正定阵，且和分别为ek的T2统计量和Q统计量的控制限，其中，I为单位矩阵，Λr为训练集静态残差部分e的主元协方差矩阵,综合指标的控制限为其中，Sr为e的协方差矩阵；当时，则认为在静态部分发生了故障。所述步骤3中的多向重构的贡献方法的基本思想如下所示：对检测到发生故障时刻f的测试集样本xf沿着第i列的方向进行重构，得到重构后的样本zi＝xf-ξifi,其中ξi为第i个元素为1，其余元素为0的单位列向量，fi为故障方向i上的故障大小，最终目标是使重构后的样本综合指标值最小化，降至控制限以内，重构后的综合指标表示为：其中，Φ为对称的正定阵，且其中，I为单位矩阵，Λ为训练集的主元协方差矩阵，P为训练集的负载矩阵，δ2和χ2分别为zi的T2统计量和Q统计量的控制限；综合指标对故障方向i上的故障大小fi求导：令导数为0，得出：因此对于某一故障时刻，其故障部分的综合指标值表示为：其中，表示指标沿着变量i方向重构后的贡献，x为某一故障时刻的测试集样本；故障由列车的单个或多个轴承变量导致，因此公式9中的故障方向ξi可由矩阵Ξ表示：其中，()+为摩尔彭若斯广义逆，重构后的综合指标表示为：当候选故障变量确定后，设有l个候选故障变量，对l个候选故障变量分别求其贡献度：其中，j＝1,2,…,l；所述步骤3的具体步骤如下：步骤3.1：动态部分的故障变量贡献；对于动态部分，由公式1得知：vk为k时刻列车轴承的动态潜变量的预测误差，处于主元子空间中，对于故障时刻f，使用上述贡献的方法，需要将vf投影回列车轴承的原始变量空间，vf为f时刻动态潜变量的预测误差：xv,f＝(w(pTw)-1)vf(13)于是综合指标由原始变量空间的Xv,f表示为：根据公式9的结果得出动态部分中故障部分的综合指标值为：故动态部分候选故障变量贡献度为：步骤3.2：静态部分的故障变量贡献：由公式1知：ek处于原始变量空间，其各方向对应列车各轴承部位，对于故障时刻f，根据公式9的结果得出静态部分中故障部分的综合指标值为：故静态部分候选故障变量贡献度为：通过多向重构的贡献方法求得各候选故障变量的贡献度之后，可通过多向重构的贡献方法的贡献图直观的看出故障变量。采用上述技术方案所产生的有益效果在于：本专利技术提供的方法对列车轴承故障状态具有更合理解释性，有效监测列车运行过程中轴承状态，可解决传统基于阈值规则的检测方法的漏报问题，及时检测列车轴承故障状态。检测到故障后，多方向重构贡献方法有效减少了候选故障变量数，提高故障变量定位的准确性。附图说明图1为本专利技术实施例提供的案例样本轴箱及电机定子温度；图2为本专利技术实施例提供的案例样本列车轴承状态监控指标图；图3为本专利技术实施例提供的案例样本监控指标的MRBC贡献图；图4为本专利技术实施例提供的案例样本本文档来自技高网...

【技术保护点】
1.一种基于多方向重构的列车轴承故障诊断方法，其特征在于：主要包括如下步骤：步骤1：建立训练列车轴承温度的数据模型；利用DiPCA算法对列车的历史正常轴温数据的训练集进行数据建模，所述DiPCA代表动态内模主元分析方法；步骤2：监控列车轴承状态；DiPCA建模后，对列车轴承状态的监控从测试集的动态部分和静态部分进行监控；所述动态部分即对动态潜变量预测误差部分，所述静态部分即提取动态潜变量后的静态残差部分；步骤3：诊断列车轴承故障；当测试集的动态部分或静态部分的综合指标超限时，说明有故障发生在了动态部分或者静态部分，需要进一步对故障轴承进行定位，通过基于DiPCA的多向重构的贡献方法对检测到的故障进行诊断。

【技术特征摘要】
1.一种基于多方向重构的列车轴承故障诊断方法，其特征在于：主要包括如下步骤：步骤1：建立训练列车轴承温度的数据模型；利用DiPCA算法对列车的历史正常轴温数据的训练集进行数据建模，所述DiPCA代表动态内模主元分析方法；步骤2：监控列车轴承状态；DiPCA建模后，对列车轴承状态的监控从测试集的动态部分和静态部分进行监控；所述动态部分即对动态潜变量预测误差部分，所述静态部分即提取动态潜变量后的静态残差部分；步骤3：诊断列车轴承故障；当测试集的动态部分或静态部分的综合指标超限时，说明有故障发生在了动态部分或者静态部分，需要进一步对故障轴承进行定位，通过基于DiPCA的多向重构的贡献方法对检测到的故障进行诊断。2.根据权利要求1所述的一种基于多方向重构的列车轴承故障诊断方法，其特征在于：所述步骤1的具体步骤如下：利用DiPCA对列车的历史正常轴温数据的训练集进行训练,通过训练得出轴承温度模型的动态负载矩阵P，对于时刻j的列车轴承温度训练样本xj，提取出j时刻的动态潜变量tj＝xjP，并根据列车轴承温度的动态关系得出由j的前s个时刻的动态潜变量线性表达，为动态潜变量tj的估计值，经训练得出线性系数为β，vj为j时刻动态潜变量的预测误差，在动态潜变量tj被提取后，对xj的静态残差部分ej进行PCA建模，所述PCA为静态主元分析法，Pr为ejPCA建模所得的负载矩阵，tr,j为ej的潜变量，er,j为ej经PCA建模后的静态残差部分；模型结构公式如下：其中，βi为β的第i列向量，i＝1，2，…，s。3.根据权利要求1所述的一种基于多方向重构的列车轴承故障诊断方法，其特征在于：所述步骤2包括如下步骤：步骤2.1：监控列车轴承温度测试集数据所建模型中的动态部分；k时刻列车轴承温度的测试集样本xk的表达式为：其中，tk为k时刻的动态潜变量，表达式为：tk＝xkP；tk-i为k-i时刻的动态潜变量，表达式为：tk-i＝xk-iP；为动态潜变量tk的估计值，vk为k时刻动态潜变量的预测误差，ek为xk的PCA模型中的静态残差部分，tr,k为ek的潜变量，er,k为ek的PCA模型中的静态残差部分；公式2表明过程监控从tr,k、er,k进行，由于是动态且不稳定的，对其进行监控会导致高误报，因此，对于动态部分通过监控vk来完成对的监控，vk与各变量间仍具有互相关性，对vk进行PCA建模，这里采用综合指标对vk的状态进行监控：其中，Qv和分别为vk的T2统计量和Q统计量，和分别为vk的T2统计量和Q统计量的控制限，另外，Φv为对称的正定阵，且其中，I为单位矩阵，Λv为训练集的动态潜变量预测误差v的主元协方差矩阵，Pv为动态潜变量预测误差部分PCA建模所得负载矩阵；综合指标值的控制限为：其中，gv为与间的关系系数，Sv为v...

【专利技术属性】
技术研发人员：刘强，方彤，秦泗钊，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21