基于多傳感器信息融合的列車轉向架機械故障診斷方法

顏云華 金煒東

1(常州機電職業技術學院 江蘇 常州 213164)2(江蘇省物聯網與制造業信息化工程技術研究開發中心 江蘇 常州 213164)3(西南交通大學 四川 成都 610031)

0 引 言

列車轉向架是影響列車安全運行的重要部件，對其關鍵部件進行實時監測不僅能有效保障列車的安全運行，還能提高車輛檢修的效率。在列車轉向架故障診斷系統中，由于安裝位置、安裝可靠度等因素，傳感器對不同類別故障的識別能力存在較大差異。單一傳感器所包含的故障信息并不全面，無法完全反映故障狀態，僅依靠單一傳感器很難得到較高的故障識別率。因此，本文將多個傳感器采集到的故障信息進行信息融合，以獲得更加準確和可靠的識別結果。

DS(Dempser-Shafer，DS)證據方法由于其獨特的優點被廣泛用于解決數據誤差較大、數據不確定等問題[1]，但要實現多傳感器的信息融合，需解決兩大問題：(1) 如何根據傳感器對應分類器的輸出構造DS證據理論中的基本概率賦值函數(Basic Probability Assignment，BPA)[2-4]；(2) 如何處理因傳感器差異引起的沖突證據[5-8]。

支持向量機(Support Vector Machine,SVM)分類器因能較好地解決高維、非線性等傳統分類器無法解決的問題而得到廣泛的應用。但SVM因其硬輸出問題，在信息融合領域的應用受到很大限制。目前，很多研究人員已經對SVM概率輸出問題開展研究[9-11]，其中Platt[9]提出的計算后驗概率法應用較廣。

本文根據文獻[9]方法先實現SVM硬輸出到概率輸出的轉化，用混淆矩陣(Confusion Matrix，CM)評價各分類器的局部可信度，并由后驗概率輸出和局部可信度來構建BPA函數，即完成信息的融合。實驗證明，本文提出的SVM-DS的信息融合方法能夠將列車轉向架上多個傳感器信息進行有效融合，比單一傳感器取得了更高的分類準確率，且在不同速度下的轉向架故障診斷中都取得了較高的故障識別率。

1 DS證據理論

定義1設Θ是一辨識框架，A是Θ上的任一子集，若存在映射m：2Θ→[0,1]，滿足:

(1)

則稱函數m是2Θ上的概率分配函數，m(A)為A的BPA，表示對A的精確信任度。

定義2對于?A?Θ，辨識框架Θ上的多個證據m1,m2,…,mn的DS合成規則為:

(2)

2 SVM-DS多傳感器信息融合方法

2.1 SVM后驗概率輸出

進行多傳感器信息融合時，首先需要將SVM的硬輸出轉化為后驗概率輸出，即求得SVM的輸出結果屬于某一故障類別的概率。根據Platt[9]提出的方法，用Sigmoid函數作為連接函數，將SVM的硬輸出映射到概率區間[0,1]的模型為：

(3)

式中：f是SVM的標準輸出結果；A和B是Sigmoid函數的參數，可以通過式(4)求解參數集的最小負對數似然值而得到。

(4)

為了使ti目標概率范圍在[0,1]，需要對ti進行平滑處理：

(5)

式中：N+為正樣本數目；N-為負樣本數目。

2.2 分類器的局部可信度

由于分類器對不同故障的識別能力并不相同，因此在信息融合時必須評估分類器對各故障的分類可靠性。CM表達了判別結果與真實類別之間的關系，能體現分類器的性能。因此，本文通過CM描述分類器的局部可信度，并將計算出的局部可信度加權融合到分類器的后驗概率中。

假設待分類任務的故障數為k，每一類別含有Ni個樣本(i=1,2,…,k)。通過分類器L分類得到矩陣C：

(6)

式中：cij表示分類器將屬于Ni的訓練樣本判斷為Nj的樣本數量[12]。

分類器對各類別判斷的正確率和錯誤率可以通過CM計算得到。以識別率形式表示的矩陣Cr為：

(7)

當分類器L將一個待測樣本判別為屬于wi時，該判別結果的可靠性因子為PC(wi)，表示L的局部可信度。

(8)

2.3 SVM-DS多傳感器信息融合模型

SVM-DS多傳感器信息融合模型如圖1所示。

圖1 SVM-DS多傳感器信息融合模型

首先各傳感器需要對采集到的信息進行預處理，將處理后的信息輸入到傳感器對應分類器進行訓練以確定SVM的參數。然后根據SVM的輸出求得可信度PC(wi)和后驗概率Pi，按照式(9)[13]進行加權處理，得到相應的BPA。

(9)

式中：ml(wi)表示L對樣本x屬于wi的概率賦值；m(Θ)表示對整個判別結構的概率賦值。

最后，將各傳感器得到的證據使用DS規則進行融合，獲得到最終的決策結果。

3 列車轉向架故障數據實驗

本文采用在列車轉向架安裝的22個傳感器監測得到的實測數據進行研究。列車轉向架包含正常工況與3種單故障工況(橫向減振器失效、抗蛇行減振器失效和空氣彈簧失效)。提取各工況下實測數據的均值、方差、裕度指標等統計特征構成24維的特征集。每種工況均有180組樣本，從各工況樣本中隨機選取2/3樣本用來訓練，剩下1/3樣本用作測試。

3.1 SVM訓練過程

以列車在140 km/h時轉向架單故障數據為例來說明SVM的訓練過程。SVM對特征集訓練后得到的CM分別如下：

再由式(8)計算得到各傳感器對應分類器的局部可信度及SVM參數尋優結果如表1所示。

表1 局部可信度及最優參數值結果

3.2 實驗結果及分析

根據表1的局部可信度結合式(9)，可計算出相應的BPA值，將得到的BPA通過DS進行融合得到最后的決策結果。表2為140 km/h時各工況的分類準確率。

表2 140 km/h時各工況分類準確率 %

可以看出，SVM1對橫向減振器故障和空氣彈簧故障的識別能力很低，特別是對空氣彈簧故障的識別準確率僅68.52%，但對抗蛇行減振器故障的分類準確率卻高達97.15%。SVM2對橫向減振器故障和正常工況的識別能力相對較低，但是對抗蛇行故障和空氣彈簧故障分類準確率都高于90%。SVM4的判別效果較差，對各工況分類正確率都低于88%，其中對抗蛇行減振器故障的分類正確率最低，僅為75.93%?？梢姡鞣诸惼鲗Σ煌r的識別能力明顯不同，僅依靠單一傳感器信息很難對所有故障類別都得到較高的故障識別率。

基于SVM-DS的多傳感器信息融合方法對抗蛇行減振器故障的分類正確率為96.30%，比最好的單一分類器低0.75%。但SVM-DS方法下，橫向減振器故障的分類準確率比表現最好的SVM4提高了1.30%，空氣彈簧故障的分類準確率比表現最好的SVM3提高了1.41%，正常工況的分類準確率比表現最好的SVM3提高了2.60%。對于4種工況下的平均分類準確率，SVM-DS方法的平均準確率為93.98%，高于所有單一分類器，且比表現最好的SVM3提高了2.47%。

對列車轉向架單故障不同速度的分類準確率如表3所示。

表3 不同速度下的平均分類準確率 %

可以看出，單一傳感器對應的分類器只在個別速度下表現得較好，但在其他速度下的分類準確率卻不高。例如SVM2在速度較高時的故障分類準確率遠高于在低速時的故障準確率，在速度為200 km/h和220 km/h時的分類準確率都高于93%，是單一分類器中表現最好的，但速度為120 km/h時的準確率卻低至81.16%。SVM3在低速時(120 km/h和140 km/h)的分類效果是單一分類器中最高的，而其他速度下的分類正確率波動較大。SVM-DS方法在每個速度下的平均分類準確率均為最高，在200 km/h時達到最高準確率為97.65%，比單一分類器表現最好的SVM2提高了3.06%。

由上述實驗可知，單一傳感器對不同故障類別和不同速度下的故障識別存在較大差異，僅依靠單一傳感器信息難以對所有類別取得較好的分類準確率。實驗結果表明，采用基于SVM-DS多傳感器信息融合方法能夠有效彌補單一傳感器存在的不足，通過將信息進行有效融合，取得了較好的識別效果。

4 結 語

本文提出了一種基于SVM與DS相結合的多傳感器信息融合方法，通過Sigmoid函數將SVM的硬輸出轉化為后驗概率，解決了SVM在信息融合領域的應用問題。將后驗概率和分類器局部可信度結合用于構造BPA，考慮到了不同傳感器及對應分類器的可信度，從而有效消除了證據沖突，使獲得的BPA與實際更相符，且更可靠。在列車轉向架故障診斷中，本文提出的SVM-DS信息融合方法能夠將不同傳感器采集到的故障信息進行有效融合，與單一傳感器的故障識別率相比，得到了更好的識別結果。針對不同速度下的轉向架故障實驗，本文方法均取得了很好的識別效果。