一种基于多源信号的智能列车综合故障分析方法技术

本发明专利技术公开了一种基于多源信号的智能列车综合故障分析方法，包括：构建第一样本集和第二样本集；根据第一样本集训练得到多个不同的初级分类器；根据第二样本集训练得到次级分类器；判断确认待测机械设备是否有故障：实时采集智能列车机械设备在运转时的多源信号，对多源信号中的各个运转信号进行特征提取得到多源信号特征矩阵；采用各个初级分类器根据多源信号特征矩阵对待测机械设备的故障进行初始分类；采用次级分类器，对所有次级分类器的分类结果进行验证，以判断确认待测机械设备是否有故障。采用本发明专利技术方法对智能列车机械设备进行综合故障分析，实现了智能高铁列车的自身实时在线检测，而且检测快速、准确。

【技术实现步骤摘要】
一种基于多源信号的智能列车综合故障分析方法
本专利技术涉及列车智能故障判断领域，特别涉及一种基于多源信号的智能列车综合故障分析方法。
技术介绍
随着我国高铁技术的快速发展，高铁检修及其相关产业也得到了进一步地发展，但是我国高铁的检修方式仍然采用较为原始老旧的方式，采用大部分人工检测小部分机械检测的方式，这种方法的效率低下，专业检修人员的技术要求高、培养成本高，并且在快速的检测过程中一些微小的故障容易忽略，存在诸多不便。同时，现有的一些机器学习机械故障判断方法不太适用列车零件的实时运行检测，并且适用性低针对性高，列车生其他类型的机械部件无法检测，故目前亟需设计一种列车多源信号检测综合故障分析方法。
技术实现思路
本专利技术提供一种基于多分类器结合策略的多源大数据融合智能列车故障分析方法，实现了智能高铁列车的自身实时在线故障检测，而且检测快速、准确。为实现上述技术目的，本专利技术采用如下技术方案：一种基于多源信号的智能列车综合故障分析方法，包括以下步骤：步骤一：构建第一样本集和第二样本集；所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；步骤二：训练多个不同的基分类器；从第一样本集中获取样本数据；以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；步骤三：训练元分类器；从第二样本集中获取样本数据；分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；步骤四：判断确认待测机械设备是否有故障；实时采集智能列车机械设备在运转时的多源信号，所述多源信号包括至少两种运转信号；对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。本方案通过样本数据训练多个基分类器得到初级分类器，训练元分类器得到次级分类器，基于多级结合策略集成初级分类器与次级分类器，即将初级分类器与次级分类器这两级分类器进行结合得到多级结合策略分类模型，实现了智能列车对自身的自主检测和故障判断，具有自主性，省去人工判断的苛刻条件和技术难度，提高了效率。先采用多个不同的初级分类器根据多源信号特征矩阵，对智能列车上的所有重要机械设备进行分类，得到判断机械设备是否故障的多个分类结果，再采用多级结合策略，经次级分类器对多个分类结果进一步验证，确认机械设备是否故障，提高了对智能列车机械设备的故障信息的判断准确度。实时采集智能列车机械设备在运转时的多源信号，以对机械设备进行多角度的在线实时检测和故障判断，因而具有实时性，且进一步提高准确性。进一步地，所述多个不同的基分类器包括至少2种不同类型的基分类器，所述基分类器的类型包括加权正则化极限学习机、K最近邻算法、径向基神经网络和自适应神经模糊推理系统。本方案通过不同类型的基分类器，同时对分解信号进行特征提取，提高分类精度；且加权正则化极限学习机，通过对训练样本施加权重，得到一个抗离群点的稳定模型，进一步加强了鲁棒性，受到离群异常值的影响更小。进一步地，采用Stacking集成算法集成机械故障初级分类器与次级分类器得到多级结合策略分类模型。本方案采用Stacking集成算法作为多级结合策略，将机械故障初级分类器与次级分类器进行多级结合，在结合过程中，Stacking集成算法对机械故障初级分类器的输出进行非线性加权处理，可进一步提高分类精度。进一步地，所述元分类器采用Elman神经网络元分类器。本方案采用Elman神经网络元分类器，对多种基分类器进行非线性加权，可进一步提高分类精度。进一步地，所述运转信号为轮对转速信号、受电弓电流信号、转向架三向振动加速度信号、动力机工作噪声信号和轴承多工况声发射信号中的任意一种。本方案这种几信号涵盖列车在运行时的各个重要功能部分，对列车的运行做到了多方位、全覆盖的实时记录和采集。进一步地，采用经验小波分解方法对运转信号进行分解，然后对分解信号进行特征提取处理，得到若干个特征值，该若干个特征值构成该运转信号的特征向量，多源信号的全部运转信号的特征向量构成多源信号特征矩阵。本方案采用经验小波分解的处理方法，可以提高分类器在处理信号时的准确性。进一步地，所述经验小波分解采用基于最大类间方差法阈值分割的尺度空间边界检测方法。本方案克服了传统小波变换的缺陷，能够根据信号的频谱自主选择划分频段，并自动生成一系列滤波器将数据分解，处理效果更好。进一步地，对分解信号进行特征提取处理包括计算分解信号的近似熵、样本熵、偏度、峰度和/或四位分距。由于分解信号的近似熵、样本熵、偏度、峰度和四位分距之间的差异很小，使得多源信号的各种代表信息均能体现出来，进一步提高故障判断的准确性。进一步地，将该待测机械设备的多源信号特征矩阵和是否为故障机械的判断结果增量式存储于所述智能列车大数据多源信息平台；利用所述智能列车大数据多源信号平台中的数据对机械故障初级分类器和次级分类器进行增量式训练。本方案为智能列车大数据多源信息平台增量式补充数据，可进一步用于训练各个基分类器和元分类器，提高分类模型的分类精度，使故障判断更为准确；同时也可以人工决策提供有效信息，方便下一步制定有效的故障处理决策。进一步地，方法包括步骤五：当待测机械设备被判断确认为有故障时，则对故障信号进行定性和定位，并进一步对机械设备进行故障排除处理。本方案及时对机械设备故障进行处理，提高智能列车的行车安全性能。有益效果本专利技术提供的基于多源信号的智能列车综合故障分析方法，通过样本数据训练多个基分类器得到初级分类器，训练元分类器得到次级分类器，基于多级结合策略集成初级分类器与次级分类器得到多级结合策略分类模型，实现了智能列车对自身的自主检测和故障判断，具有自主性，省去人工判断的苛刻条件和技术难度，提高了效率。先采用多个不同的初级分类器根据多源信号特征矩阵，对智能列车上的所有重要机械设备进行分类，得到判断机械设备是否故障的多个分类结果，再采用多级结合策略，经次级分类器对多个分类结果进一步验证，确认机械设备是否故障，提高了对智能列车机械设备的故障信息的判断准确度。实时采集智能列车机械设备在运转时的多源信号，以对机械设备进行多角度的在线实时检测和故障判断，因而具有实时性，且进一步提高准确性。附图说明图1为本专利技术的基于多级结合策略的分类模型的原理图；图2为本专利技术的系统工作流程图；图3为本专利技术的基于多级结合策略的分类模型的基本结构图。具体实施方式下面将结合附图和实施例对本专利技术做进一步的说明。本专利技术实施例基于以下几部分组成的系统来完成：多源信号采集系本文档来自技高网...

【技术保护点】
1.一种基于多源信号的智能列车综合故障分析方法，其特征在于，包括以下步骤：步骤一：构建第一样本集和第二样本集；所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；步骤二：训练多个不同的基分类器；从第一样本集中获取样本数据；以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；步骤三：训练元分类器；从第二样本集中获取样本数据；分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；步骤四：判断确认待测机械设备是否有故障；实时采集智能列车机械设备在运转时的多源信号，所述多源信号包括至少两种运转信号；对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。...

【技术特征摘要】
1.一种基于多源信号的智能列车综合故障分析方法，其特征在于，包括以下步骤：步骤一：构建第一样本集和第二样本集；所述第一样本集和第二样本集中的样本数据均从智能列车大数据多源信息平台获取，所述样本数据包括智能列车机械设备在运转时的多源信号特征矩阵和机械故障标记；步骤二：训练多个不同的基分类器；从第一样本集中获取样本数据；以第一样本集中样本数据的多源信号特征矩阵作为输入、机械故障标记作为输出，同时对多个不同的基分类器进行训练，得到训练后的各个机械故障初级分类器；步骤三：训练元分类器；从第二样本集中获取样本数据；分别使用训练后的各个机械故障初级分类器对第二样本集中样本数据的多源信号特征矩阵进行分类，各个机械故障初级分类器分别输出初始机械故障标记；以各个机械故障初级分类器输出的初始机械故障标记作为输入、样本的机械故障标记作为输出，对元分类器进行训练，得到训练后的机械故障次级分类器；步骤四：判断确认待测机械设备是否有故障；实时采集智能列车机械设备在运转时的多源信号，所述多源信号包括至少两种运转信号；对多源信号中的各个运转信号进行特征提取，得到待测机械设备的多源信号特征矩阵；采用步骤二训练得到的各个机械故障初级分类器，根据待测机械设备的多源信号特征矩阵对待测机械设备进行分类，各个机械故障初级分类器输出待测机械设备的初始故障标记；采用步骤三训练得到的机械故障次级分类器，对所有机械故障初级分类器输出的初始故障标记果进行验证，输出最终故障标记，最终故障标记判断确认待测机械设备是否有故障。2.根据权利要求1所述的方法，其特征在于，所述多个不同的基分类器包括至少...

【专利技术属性】
技术研发人员：刘辉，徐一楠，李燕飞，龙治豪，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43