基于张量稀疏表示的高速列车传动系统故障诊断方法技术方案

公开了一种基于张量稀疏表示的高速列车传动系统故障诊断方法，方法中，实时测量高速列车传动系统的时域振动信号，构造张量数据，时域振动信号变换为频域信号或小波包信号以构造张量；测量高速列车传动系统正常运行的张量数据作为正常样本，基于K

【技术实现步骤摘要】
基于张量稀疏表示的高速列车传动系统故障诊断方法


[0001]本专利技术属于高速动车故障
，特别是一种基于张量稀疏表示的高速列车传动系统故障诊断方法。

技术介绍

[0002]随着高速铁路的发展，高速列车已经成为了旅客出行交通工具的主要选择之一，在铁路客运上承担着越来越重要的社会责任。为保障广大旅客的平安出行，高速列车的行驶安全已经成为了重中之重。高速列车组的传动系统作为转向架的重要组成部分，由电机、联轴器、齿轮箱、传动轴、轴箱等关键部件组成，负责动力的传递与驱动，一旦发生故障则会严重威胁列车的安全运行。
[0003]现有的高速列车故障诊断方法，都是采用传感器采集高速列车传动系统关键部件的振动信号，利用振动信号来进行信号处理或者使用智能诊断方法，发掘高速列车传动系统的异常振动，从而确定故障发生的类别。
[0004]如今高速列车传动系统监测使用的大都为多传感器，多传感器可以更好的捕获全局信息，但多传感器采集到的多通道振动信号向量数据的长度随着传感器数目的增多而急剧增加，这就导致算法的运算量上升到了无法接受的水平；多通道数据的存在使得监测诊断方法不得不考虑如何利用多通道信号进行数据融合以提高诊断的准确率，但现存的诊断方法在处理多通道数据时都是在决策层或特征层进行数据融合，难以在数据层进行全面融合，这就造成了诊断准确率的下降。
[0005]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

技术实现思路
/>[0006]针对现有技术中存在的问题，本专利技术提出一种基于张量稀疏表示的高速列车传动系统故障诊断方法，使用张量数据结构可以减少故障诊断算法所占用的计算机存储空间，加快故障诊断算法的运行速度，提高故障诊断的准确性。
[0007]本专利技术的目的是通过以下技术方案予以实现，一种基于张量稀疏表示的高速列车传动系统故障诊断方法包括：
[0008]步骤一，实时测量高速列车传动系统的时域振动信号以构造张量，其中，所述时域振动信号变换为频域信号或小波包信号以构造张量；
[0009]步骤二，使用高速列车传动系统正常运行的数据作为正常样本，基于K
‑
SVD字典学习算法利用Kronecker积将字典学习算法推广到张量上，使用正常样本当作训练集求得训练集张量各个维度的字典，其中，目标函数为：
[0010][0011]s.t.B
j
＝X
j
×1D1×2D2…×
N
D
N
，
[0012]||X
j
||0＝K，1≤j≤S，1≤n≤N，
[0013]其中，s.t.表示受约束于，D
n
为训练集张量各个维度的字典，N为训练集张量的维度数，X
j
为训练集张量的核心稀疏张量，S为训练集样本数，Y
j
代表由正常样本构造的张量组成的训练集，B
j
代表训练集张量的核心稀疏张量与各个维度字典的乘积，F表示F范数，K表示稀疏度；
[0014]步骤三，通过训练集的核心稀疏张量X
j
上坐标x，y，z处被选中的频次生成权重张量作为正常样本的分布先验，字典训练完成后，训练集样本在学习到的字典上做张量稀疏分解得到核心稀疏张量，其中，使用Kronecker
‑
OMP算法，目标函数为：
[0015][0016]其中，λ为正则化参数。
[0017]之后对所述核心稀疏张量中非零元素的分布情况进行统计，计算出训练集字典的每个原子在整个训练集分解上出现的频次，权重张量计算公式如下：
[0018][0019]其中，其中w
x，y，z
是权重张量W在坐标x，y，z处的元素值，k
x，y，z
是训练集的核心稀疏张量X上坐标x，y，z处被选中的频次；
[0020]步骤四，计算张量稀疏分解损失，以正常样本张量的分解损失自适应的确定异常状态的阈值，张量稀疏分解损失包括重构误差与分布误差两部分，a和b分别表示重构误差和分布误差在张量分解损失指标中所占比重，重构误差的表达式为：
[0021][0022]计算训练集中每个样本的重构误差R
i
，得到训练集上的分解损失集合之后，在上计算数据的均值μ和标准差σ，
[0023][0024][0025]其中，S为训练集样本数，R
i
为训练集各信号的分解损失，
[0026]阈值设置为μ+3σ，超过所述阈值后则判定高速列车传动系统出现故障。
[0027]所述的基于张量稀疏表示的高速列车传动系统故障诊断方法中，步骤五，求解结构化多模态字典，其中，c是类别的总数，以Y＝[Y1，Y2，Y3，
…
，Y
c
]表示训练集的张量数据输入，其中Y
i
是指整个训练集中属于第i类样本的子集，以X
i
表示Y
i
在全局字典集合(D1，D2，D3)
上做张量稀疏分解得到的核心稀疏张量集合，表示第i类样本所得到的稀疏张量中对应于第j类子字典的部分系数，其下标表示样本类别，上标表示子字典类别，求解结构化字典的目标函数为：
[0028][0029]c表示训练集样本的类别数；
[0030]步骤六，块约束稀疏增强，在Kronecker
‑
OMP算法中，通过相关性来确定字典原子和待分解信号之间的匹配程度，向量之间相关性用内积来度量，张量与字典原子间则是相应的使用模态积来度量为：
[0031][0032]R表示训练集中的张量信号；
[0033]步骤七，使用张量稀疏表示分类进行故障类别的确定，使用所述Kronecker
‑
OMP算法将测试张量的每个模式投影到字典上，得到核心稀疏张量，之后使用结构化多模态字典(D1，D2，D3)中各类别的子字典及稀疏张量X
i
的子集恢复测试张量；最后利用最小重构误差预测测试张量的故障类别。
[0034]所述的基于张量稀疏表示的高速列车传动系统故障诊断方法中，第一步骤中，时域振动信号通过傅里叶变换得到频域信号，傅里叶变换表示为：
[0035][0036]其中f(t)为时域信号，F(f(t))为频域变换结果，时域振动信号经傅里叶变换转换为频谱，通道数为N，频谱长度为L，多通道频谱构成大小为L
×
N频谱矩阵；将各个通道的频谱矩阵按照频段划分，频段大小为l，则按照频段划分的单个频谱矩阵大小为l
×
N，之后将频谱矩阵在第三个维度上堆叠便形成大小为的张量。
[0037]所述的基于张量稀疏表示的高速列车传动系统故障诊断方法中，第一步骤中，通过小波包变换将时域振动信号转换到小波域，采用Reverse
‑
biorthogonal小波基对时域振动信号以Reverse
...

【技术保护点】

【技术特征摘要】
1.一种基于张量稀疏表示的高速列车传动系统故障诊断方法，其特征在于，其包括以下步骤，步骤一，实时测量高速列车传动系统的时域振动信号以构造张量，其中，所述时域振动信号变换为频域信号或小波包信号以构造张量；步骤二，使用高速列车传动系统正常运行的数据作为正常样本，基于K
‑
SVD字典学习算法利用Kronecker积将字典学习算法推广到张量上，使用正常样本当作训练集求得训练集张量各个维度的字典，其中，目标函数为：张量各个维度的字典，其中，目标函数为：||X
j
||0＝K，1≤j≤S，1≤n≤N其中，s.t.表示受约束于，D
n
为训练集张量各个维度的字典，N为训练集张量的维度数，X
j
为训练集张量的核心稀疏张量，S为训练集样本数，Yj代表由正常样本构造的张量组成的训练集，B
j
代表训练集张量的核心稀疏张量与各个维度字典的乘积，F表示F范数，K表示稀疏度；步骤三，通过训练集的核心稀疏张量X
j
上坐标x，y，z处被选中的频次生成权重张量作为正常样本的分布先验，字典训练完成后，训练集样本在学习到的字典上做张量稀疏分解得到核心稀疏张量，其中，使用Kronecker
‑
OMP算法，目标函数为：其中，λ为正则化参数；之后对所述核心稀疏张量中非零元素的分布情况进行统计，计算出训练集字典的每个原子在整个训练集分解上出现的频次，权重张量计算公式如下：其中，其中w
x，y，z
是权重张量W在坐标x，y，z处的元素值，k
x，y，z
是训练集的核心稀疏张量X上坐标x，y，z处被选中的频次；步骤四，计算张量稀疏分解损失，以正常样本张量的分解损失自适应的确定异常状态的阈值，张量稀疏分解损失包括重构误差与分布误差两部分，a和b分别表示重构误差和分布误差在张量分解损失指标中所占比重，重构误差的表达式为：计算训练集中每个样本的重构误差R
i
，得到训练集上的分解损失集合之后，在上计算数据的均值μ和标准差σ，
其中，S为训练集样本数，R
i
为训练集各信号的分解损失，阈值设置为μ+3σ，超过所述阈值后则判定高速列车传动系统出现故障。2.根据权利要求1所述的基于张量稀疏表示的高速列车传动系统故障诊断方法，其中，优选的，步骤五，求解结构化多模态字典，其中，c是类别的总数，以Y＝[Y1，Y2，Y3，
…
，Y
c
]表示训练集的...

【专利技术属性】
技术研发人员：张兴武，申泽宇，万涵旸，李明，于晓蕾，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：