高速列車監測數據處理及故障診斷

蘇宇婷，姚 琦，王昌冬，趙永玲

(大連機車車輛有限公司 柴油機技術部，遼寧省 大連市 116022)

隨著高速列車運行速度的提高和服役時間的增加，列車動態運行環境快速惡化，車體的橫向及縱向輪軌動力作用加劇，容易造成車體磨損和疲勞[1]。因此，對列車運行狀態的反演識別、故障的診斷以及安全預警與健康維護運行狀態進行分析，已成為高速鐵路健康發展的重要研究課題。

車體故障監測信號為高維、非線性振動數據[2]。使用線性特征提取方法分析信號時，高維特征向量之間相互影響，產生冗余信息，分類識別效果不理想[3]。本文選擇2種信號處理方法——小波包能量矩特征提取方法和流形降維學習方法。

1 信號特征提取方法

小波分析繼承和發展了傳統短時傅里葉變換的思想，同時克服了其窗口大小不隨頻率變化的缺點，提供了一個隨頻率而改變的時頻窗口，根據小波系數就能檢測異常信號，具有較強的局部分析能力，相比Fourier分析和短時傅里葉變換具有更顯著的優點。而小波包可以將任何一個信號映射到一個由小波伸縮構成的一組奇函數上，并能保持信息的完整無損，并且對非平穩、非線性信號有局部化分析的能力。高速列車運行時產生的垂向振動大多是點頭和滾擺等典型振動組合的復雜振動[4]，傳感器監測得到的不同狀態下的信號會表現出不同的頻帶能量分布特征。當系統參數發生變化時，其輸出的振動信號能量的空間分布與正常系統相比會發生變化。如果利用小波包變換的多分辨率分析在多層分解后的不同頻帶內的信號，可以使原本不明顯的信號頻率特征在不同分辨率的若干子空間中以顯著的能量變化形式表現出來，從而提取出能準確反映系統運行狀態的特征信息。但這種傳統的基于小波能量譜的方法沒有考慮到各個分解頻帶上能量沿時間軸的分布特點，可能會導致提取的特征參數不能準確反映信號的特征，因此采用小波包能量矩的分析方法。

熵的概念是從物理學領域引入的，用于描述系統的復雜程度以及產生新狀態的能力。熵的值越大，系統的復雜度越高，越紊亂，系統就越具有不規則性。本文將小波包能量矩和信息熵相結合，用于提取無規則非線性信號的復雜度統計特性具有很好的效果。

1.1 小波包能量矩特征提取

列車關鍵部件發生故障時，部分頻帶的能量發生變化，頻帶能量和故障狀態存在映射關系，在不同狀態下會表現出不同的頻帶能量分布特征[5]。小波分析有較強的局部分析能力，能夠顯示時頻局部化特性，而小波包分解可以根據信號的特性自適應地選擇頻帶相匹配。考慮到各個分解頻帶上能量沿時間軸的分布特點，引入能量矩參數。

對列車檢測到的信號選擇適當的小波基函數以及分解層數，再進行小波包分解。假設S表示初始信號，用Xjk代表j分解尺度下時間為k時的小波包分解系數。重構小波包分解系數，可以得出每個頻帶下的Sij。

通過計算得到每個頻帶Sij的小波包能量矩Mij：

(1)

式中：Δt——采樣的時間間隔；

n——總的采樣點數；

k——采樣點。

構造特征向量，得出能量矩構成的向量T表示為：

(2)

式中：Mj——j分解尺度下Sjk的能量矩。

1.2 小波包能量矩熵

小波包能量矩熵是在具有局部分析能力的小波包分析基礎上求其能量矩熵值，用于提取無規則、非線性信號的復雜度統計特性。

將振動信號分解m層并重構后，不同頻段的小波包能量矩Mmj的劃分測度pmj為：

(3)

其中，j=0,1,2,…,2m-1

(4)

式中：k——樣本；

n——樣本總數。

可以得到小波包能量矩熵的方程為：

(5)

將其歸一化，令：

(6)

則小波包能量矩熵特征T′表示為：

(7)

式中：Hmj——m層j分解尺度下小波包能量矩熵值(j=0，1，2，3，…，2m-1)。

1.3 流形降維學習方法

流形學習(圖1)是將在高維空間中復雜的數據通過非線性降維，保留其某種特定拓撲關系，找出嵌入在高維空間中的低維空間[6]。

圖1 流形學習示意圖

拉普拉斯特征映射(Laplacian Eigenmaps，LE)算法是流形學習中局部分析方法，原理是在黎曼幾何的框架內給出完整的幾何分析，用無向有權圖來表示一個流形結構，通過圖像的嵌入性來尋找低維表示[7]。其基本思想是可以讓在高維向量空間中歐氏距離非常近的點，在低維空間中的映射也很近。

1.3.1 構造鄰域關系

1.3.2 求取近鄰點的賦權值

假設W是權值矩陣，若i和j是相互連通的，可以得到Wij=1，否則Wij=0。

1.3.3 計算向量映射

求取圖G的廣泛意義上的特征向量以及特征值得到低維特征向量：

LY=λDY

(8)

可以轉化為：

(9)

式中：Wij——樣本i和j的權值矩陣；

Dij——矩陣Wij的正定對角矩陣。

2 列車監測數據介紹

本文利用車體上的傳感器所監測到的振動信號，針對空氣彈簧失氣故障、抗蛇行減振器失效故障、橫向減振器失效故障(采用全拆工況分別模擬抗蛇行及橫向減振器失效故障)3種典型故障狀態及其特征進行研究，監測數據采樣頻率為243 Hz，數據采集時間為1 min。圖2為試驗臺數據結構圖。

圖2 試驗臺數據結構圖

3 基于小波包能量矩的時頻域分析

3.1 空氣彈簧失氣故障

當發生空氣彈簧失氣故障時，列車的垂向振動加速度增大，選取車體前枕梁上底板垂向加速度信號進行小波包能量矩時頻域分析。圖3～圖5為不同速度下的空氣彈簧時頻域分析圖。由圖3～圖5可知，正常工況下，列車在1～2 Hz有輕微振動，當發生空氣彈簧失氣故障后，垂向振動加劇，振動頻率后移。在2～3 Hz期間，垂向加速度的振動幅值明顯增大，其振動能量主要聚集在低頻區域。當列車以不同速度行駛時，其振動呈現的規律一致，振動的頻率區域沒有發生變化，即列車振動能量的分布特征并不隨速度發生改變。但速度越高時，空氣彈簧失氣工況的垂向加速度越大，振動能量越高。

圖3 80 km/h空氣彈簧正常工況與失氣工況時頻域分析圖

圖4 160 km/h空氣彈簧正常工況與失氣工況時頻域分析圖

圖5 220 km/h空氣彈簧正常工況與失氣工況時頻域分析圖

3.2 抗蛇行減振器失效故障

圖6～圖8為不同速度下的抗蛇行減振器時頻域分析圖。由圖6～圖8可知，列車出現抗蛇行減振器失效故障時，列車橫向振動加速度增大，選取車體中部地板橫向加速度信號進行分析發現，與正常工況相比，列車發生抗蛇行減振器失效故障時，車體的橫向加速度信號振動頻率有所增加，在8～9 Hz頻率處振動能量明顯增大。但是在速度為160 km/h時，8～9 Hz處

圖6 80 km/h抗蛇行減振器正常工況與全拆工況時頻域分析圖

圖7 160 km/h抗蛇行減振器正常工況與全拆工況時頻域分析圖

圖8 220 km/h抗蛇行減振器正常工況與全拆工況時頻域分析圖

振動反而減小，分析原因是列車已經接近蛇行失穩，列車振動能量加劇，振動頻率發生改變。在速度220 km/h時，列車出現全頻段高能量振動，已經蛇行失穩。說明抗蛇行減振器對減弱列車橫向振動有非常明顯的效果，當列車處于高速運行時可以吸收較大的橫向振動能量。

3.3 橫向減振器失效故障

圖9～圖11為不同速度下橫向減振器時頻域分析圖。由圖9～圖11可知，橫向減振器出現失效故障時，其故障情況與抗蛇行減振器失效情況比較相似。經分析，選取對該故障特征反應敏感的后中心銷與拉桿連接處橫向加速度信號進行研究。當列車發生橫向減振器故障時，車體橫向加速度信號的振動頻率在8～9 Hz處出現了較大的幅值變化，振動能量明顯增加。隨著列車運行速度的不斷提高，列車橫向振動幅度較大的頻率位置出現前移，振動能量增大。與抗蛇行減振器全拆工況在時頻域分析上較為相似，橫向減振器也對減弱列車橫向振動有著非常明顯的效果。

圖9 80 km/h橫向減振器正常工況與全拆工況時頻域分析圖

圖10 160 km/h橫向減振器正常工況與全拆工況時頻域分析圖

圖11 220 km/h橫向減振器正常工況與全拆工況時頻域分析圖

4 基于LE算法的列車狀態估計

對正常工況與其他3種失效工況的數據，并提取其小波包能量矩熵作為初始高維特征向量，用流形學習中的LE算法對高維向量數據降至三維和二維進行分析。為了使分類的結果更加直觀，在圖中選用紅色表示列車正常運行工況，綠色表示空氣彈簧失氣故障工況，藍色表示抗蛇行減振器全拆工況，粉色代表橫向減振器全拆工況。

4.1 空氣彈簧失氣故障

選取能體現空氣彈簧失氣故障的車體前枕梁上底板垂向加速度信號進行分析，圖12為車體前枕梁上底板垂向加速度數據LE降維后三維、二維流形特征圖。由圖12可知，該通道信號可以區分空氣彈簧失氣故障工況(綠色)與其他3種故障工況的不同，說明空氣彈簧失氣故障對枕梁上底板垂向加速度有突出影響。不同速度下，特征分離效果不變，而速度并不會改變振動的規律，只是改變了振動能量的大小。

圖12 車體前枕梁上底板垂向加速度數據LE降維后三維、二維流形特征圖

4.2 抗蛇行減振器故障

選取能夠體現抗蛇行減振器故障的車體中部地板橫向加速度信號進行分析，圖13為車體中部地板橫向加速度數據LE降維后三維、二維流形特征圖。由圖13可知，該通道下可以分離抗蛇行減振器全拆工況(藍色)與其他3種工況。在低速時，分離程度一般；速度升高，分離程度逐漸提高。二維流形特征圖效果明顯優于三維。同時，通過220 km/h的二維流形特征圖可以看出，橫向減振器全拆工況(粉色)也展現出分離趨勢。這是因為橫向減振器對于橫向振動和橫向加速度也有明顯的作用。

圖13 車體中部地板橫向加速度數據LE降維后三維、二維流形特征圖

4.3 橫向減振器故障

選取能體現橫向減振器故障的后中心銷與拉桿連接處橫向加速度信號進行分析，圖14為后中心銷與拉桿連接處橫向加速度數據LE降維后三維、二維流形特征圖。由圖14可知，橫向減振器全拆工況(粉色)分離明顯。無論在高速還是低速情況下，都有很好的分離效果。低速時特征分散，高速時特征聚集，說明高速時振動表現集中。同樣地，抗蛇行減振器全拆工況也展現出分離趨勢，與上一節對車體中部地板橫向加速度信號的特征降維結果相似。

圖14 后中心銷與拉桿連接處橫向加速度數據LE降維后三維、二維流形特征圖

5 結論

本文對安裝在車體傳感器采集到的原始振動數據進行預處理，得到有利于進行特征提取的振動信號，經過小波包的分解與重構提取小波包能量矩特征，對不同工況的小波包能量矩進行時頻域分析。小波包能量矩特征熵值作為高維特征向量空間，結合流形學習方法中拉普拉斯特征映射算法降維，得到低維向量空間，低維特征數據用圖像的方式直觀顯示，并對結果分析和評估。

小波包能量矩時頻域分析了空氣彈簧失氣故障、抗蛇行減振器故障和橫向減振器故障3種故障。空氣彈簧失氣工況下，列車縱向振動加劇，振動能量集中在低頻區，且速度越高振動幅度越大，能量越高，能量分布特征不隨速度發生改變；發生抗蛇行減振器故障時，列車橫向振動加劇，速度升高振動幅度增大，振動能量增大；當列車發生橫向減振器相關的故障時，結果與抗蛇行減振器故障相似，列車橫向振動幅度變大，速度越高振動越劇烈。上述結論與列車結構分析和動力學分析結果相吻合。

針對4個不同工況的識別，采用流形降維學習方法中的LE算法對監測數據進行故障特征提取，可以發現：車體前枕梁上底板垂向加速度信號經LE算法降維后，對空氣彈簧失氣工況有明顯區別于其他3種工況的效果，在低速和高速時都分離明顯；車體中部地板橫向加速度信號可以使抗蛇行減振器全拆工況分離出來，速度越高分離越明顯，同時在高速時，橫向減振器全拆工況也有分離的趨勢；后中心鞘與接桿連接處橫向加速度信號可以體現橫向減振器故障，速度越高分離越明顯，在高速時，抗蛇行減振器全拆工況也完全分離。這說明空氣彈簧對垂向振動和垂向加速度有影響，抗蛇行減振器與橫向減振器對橫向振動和橫向加速度影響較大，由此驗證了動力學分析的結論。

對列車振動信號采用小波包能量矩熵的特征提取方法，再進行流形降維分析可以分離出正常工況與故障工況，直觀快速地判斷列車是否出現故障，對列車早期故障預警提供了幫助。同時，可以引入支持向量機的方法識別，選取適當的核函數，能夠發現流形降維后的特征故障識別率明顯高于高維特征，該方法有助于實現工況的有效識別。