基于D-S證據(jù)理論高速列車橫向失穩(wěn)故障判別研究

劉 棋，寧 靜，葉運(yùn)廣，陳春駿

（西南交通大學(xué)機(jī)械工程學(xué)院，四川 成都 610031）

基于D-S證據(jù)理論高速列車橫向失穩(wěn)故障判別研究

劉 棋，寧 靜，葉運(yùn)廣，陳春駿

（西南交通大學(xué)機(jī)械工程學(xué)院，四川 成都 610031）

為解決高速列車發(fā)生橫向失穩(wěn)故障時(shí)，轉(zhuǎn)向架的運(yùn)行情況難以被單一傳感器測量得到全面信息以及準(zhǔn)確地反應(yīng)等問題，提出利用多個(gè)加速度傳感器組成多信息源網(wǎng)絡(luò)系統(tǒng)，建立基于多信息源的高速列車橫向失穩(wěn)故障決策融合診斷系統(tǒng)。由于高速列車發(fā)生橫向失穩(wěn)故障存在復(fù)雜的輪軌耦合關(guān)系，導(dǎo)致列車橫向失穩(wěn)故障狀態(tài)診斷難度大，基于此提出D-S證據(jù)理論方法融合系統(tǒng)中各個(gè)傳感器中測量數(shù)據(jù)信息并應(yīng)用于高速列車橫向失穩(wěn)故障狀態(tài)判別。結(jié)果表明：基于D-S證據(jù)理論方法與任何單一傳感器診斷結(jié)果相比,識別效果更好，對正常狀態(tài)、小幅蛇行以及大幅蛇行故障狀態(tài)的識別率分別達(dá)92.3%、82.89%、88.67%，證明該方法有效。

高速列車；橫向失穩(wěn)；D-S證據(jù)理論；決策融合；故障判別

0 引 言

高速列車橫向失穩(wěn)運(yùn)動嚴(yán)重影響行車安全，研究其橫向失穩(wěn)對于提高列車行車安全具有重要意義[1]。目前對于高速列車橫向穩(wěn)定性國內(nèi)外并沒有一個(gè)共同標(biāo)準(zhǔn)，國外標(biāo)準(zhǔn)通常是以列車運(yùn)行中輪軸、輪軌橫向力以及構(gòu)架橫向加速度峰值的大小來確定列車是否橫向失穩(wěn)[2-4]。國內(nèi)標(biāo)準(zhǔn)是以構(gòu)架橫向加速度峰值的大小來判定列車的橫向穩(wěn)定性，據(jù)《高速動車組整車試驗(yàn)規(guī)范》規(guī)定，轉(zhuǎn)向架橫向加速度信號10Hz濾波后的峰值連續(xù)6次以上（含6次）達(dá)到或超過極限值8～10m/s2時(shí)，則判定轉(zhuǎn)向架橫向失穩(wěn)[5]。我國絕大多數(shù)目前的高速列車峰值檢測方法就是根據(jù)此標(biāo)準(zhǔn)對列車運(yùn)行是否出現(xiàn)橫向失穩(wěn)進(jìn)行在線監(jiān)測。高速列車運(yùn)行過程中，當(dāng)速度提升到臨界速度，隨著列車運(yùn)行速度的進(jìn)一步提高，列車運(yùn)行狀態(tài)就會從穩(wěn)定的蛇行運(yùn)動過渡到不穩(wěn)定的蛇行運(yùn)動，即列車從正常運(yùn)行狀態(tài)過渡到蛇行失穩(wěn)狀態(tài)[6]。Polach等[7]在列車運(yùn)行時(shí)，對其橫向穩(wěn)定進(jìn)行了研究，提出了小幅蛇行失穩(wěn)相關(guān)理論，即列車輪軌之間發(fā)生小幅移動，加速度信號并沒有達(dá)到或超過安全極限峰值部分。目前關(guān)于小幅蛇行狀態(tài)的監(jiān)測方法嚴(yán)重不足，檢索不到可供查閱的相關(guān)文獻(xiàn)，而小幅蛇行是列車過渡到不穩(wěn)定的蛇行運(yùn)動的征兆，因此對小幅蛇行的監(jiān)測對于提高列車行車安全具有重要意義。

為了提高高速列車橫向失穩(wěn)狀態(tài)判別效果，提出在高速列車走行部安裝多個(gè)傳感器組成傳感器網(wǎng)絡(luò)，發(fā)揮不同部位傳感器的測量信息能夠互補(bǔ)的特點(diǎn)，通過D-S融合理論融合各個(gè)傳感器的判別結(jié)果，降低信息的不確定性和信息沖突部分，使得最終的融合判別結(jié)果準(zhǔn)確度和可靠度更為理想[8-11]。D-S理論有兩個(gè)優(yōu)勢，不僅很好地把握了問題的不確定性和未知性，而且提供了一個(gè)很有用的合成公式，使得融合多個(gè)證據(jù)源提供的信息成為可能[12-14]。文獻(xiàn)[15-16]均采用D-S理論進(jìn)行決策融合研究，并且取得了很好的效果，證明了多傳感器數(shù)據(jù)融合理論的有效性和準(zhǔn)確性。但是將所傳感器融合理論應(yīng)用于高速列車故障判別的相關(guān)文獻(xiàn)目前還鮮見報(bào)道，基于此本文提出利用D-S融合理論方法對高速列車橫向失穩(wěn)故障進(jìn)行判別，期望能獲得適用于高速列車橫向失穩(wěn)狀態(tài)的識別方法。

1 D-S證據(jù)理論基本原理

假設(shè)一個(gè)在辨識框架θ，并且空間θ的所有子集，包括空集和θ本身，在框架中所有子集由一些互斥的元素組成[17-18]。對于子集中任何命題A，都包含于2θ。并且給予定義m映射：2θ→（0，1），滿足條件：

則稱函數(shù)m為冪集合2θ上的基本置信分配函數(shù)；m（A）為A的mass函數(shù)，表示對子集A的精確信任程度，φ表示空集。

在所給證據(jù)理論框架中，證據(jù)的信息來源形式是以給定的基元進(jìn)行置信分配，即mass函數(shù)的形式給出的。但是對于同一個(gè)證據(jù)，不同的人由于其經(jīng)驗(yàn)和知識的差異，給出的置信分配并不一致，為了同時(shí)利用兩個(gè)或者兩個(gè)以上相互獨(dú)立的不同信息源的證據(jù)，提高對事件的置信度和準(zhǔn)確度。Dempster組合規(guī)則提供了對獨(dú)立的信息源所提供的證據(jù)融合能力，即D-S合成公式：

2 高速列車橫向失穩(wěn)故障診斷方法

2.1 融合診斷系統(tǒng)結(jié)構(gòu)

圖1所示為高速列車橫向失穩(wěn)故障診斷框架。其中主要包括信息測量、數(shù)據(jù)預(yù)處理、特征提取、故障診斷、決策融合5個(gè)步驟[19]。1）構(gòu)建加速度傳感器系統(tǒng)，安裝于高速列車走行部多個(gè)關(guān)鍵部位，采集高速列車橫向失穩(wěn)故障各個(gè)狀態(tài)信號；2）對系統(tǒng)中各個(gè)傳感器采集到的信號進(jìn)行預(yù)處理；提取高速列車橫向失穩(wěn)各個(gè)狀態(tài)的特征；3）使用支持向量機(jī)，作為局部故障分類器，完成列車橫向失穩(wěn)各故障狀態(tài)的屬性判別；4）根據(jù)對各子分類器的判別結(jié)果進(jìn)行處理，作為對應(yīng)證據(jù)下的故障狀態(tài)的基本置信值；5）使用多傳感器數(shù)據(jù)融合方法進(jìn)行決策融合，得到最終的判別診斷結(jié)果。

2.2 融合診斷步驟

使用多個(gè)傳感器組成傳感器網(wǎng)絡(luò)振動監(jiān)測系統(tǒng)，具體步驟如下：

1）對各傳感器采集到的數(shù)據(jù)進(jìn)行濾波、降頻等預(yù)處理。

圖1 高速列車橫向失穩(wěn)故障診斷框架

2）使用聚合經(jīng)驗(yàn)?zāi)B(tài)分解（ensemble empirical mode decomposition，EEMD）樣本熵相結(jié)合的方法，提取EEMD樣本熵作為各故障狀態(tài)的特征向量。

3）針對每一個(gè)傳感器建立一個(gè)局部故障分類器進(jìn)行故障診斷，其識別結(jié)果進(jìn)行歸一化作為決策級的各個(gè)證據(jù)體，實(shí)現(xiàn)信息融合的前提。

4）利用上面所提出的D-S證據(jù)理論方法對局部輸出進(jìn)行決策級融合，得到更為可靠的融合診斷結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)來源

圖2 傳感器布點(diǎn)

本文所使用的數(shù)據(jù)來源于高速列車滬杭線運(yùn)行時(shí)，CRH380a-6001轉(zhuǎn)向架2車1位構(gòu)架橫向加速度傳感器（S1），2車4位軸箱上構(gòu)架橫向加速度傳感器（S2），2 車 1 位軸箱橫向加速度傳感器（S3）。 高速列車傳感器系統(tǒng)布點(diǎn)位置示意圖如圖2所示。整條線路全部程采用CRTS II型板式無砟軌道，鋼軌長度為100m的無縫國產(chǎn)鋼軌，傳感器采樣頻率為2500Hz。

該列車在運(yùn)行過程中速度330～350km/h時(shí)，反復(fù)出現(xiàn)蛇行失穩(wěn)。因此選取該速度條件下，各傳感器數(shù)據(jù)進(jìn)行橫向失穩(wěn)研究。由于蛇行運(yùn)動的頻帶范圍是2～12.07 Hz，根據(jù)香農(nóng)采樣定理選取采樣頻率為250Hz，再進(jìn)行2～12.07Hz的帶通濾波。信號時(shí)域圖如圖3所示，其中根據(jù)鐵道相關(guān)標(biāo)準(zhǔn)可劃分為3種狀態(tài)：

1）正常狀態(tài)：規(guī)定加速度峰值不超過2 m/s2的部分；

2）小幅蛇行異常狀態(tài)：根據(jù)Polach小幅蛇行相關(guān)理論，加速度峰值不超過安全極限（8m/s2）的部分；

3）標(biāo)準(zhǔn)蛇行異常狀態(tài)：按照鐵道客車行車安全監(jiān)測標(biāo)準(zhǔn)，峰值連續(xù)6次以上（含6次）達(dá)到或超過極限值8～10m/s2的部分。

圖3 橫向失穩(wěn)狀態(tài)

將列車橫向失穩(wěn)3種狀態(tài)——正常狀態(tài)（f1）、小幅蛇行（f2）、標(biāo)準(zhǔn)蛇行異常狀態(tài)（f3）作為即將診斷的故障屬性。

3.2 特征提取及故障決策融合分析

分別對各傳感器的3種狀態(tài)進(jìn)行EEMD分解，由于信號分解成的IMF分量數(shù)目不同，為保證后續(xù)性選取前8個(gè)IMF分量，不同的IMF代表相應(yīng)的時(shí)間尺度，限于篇幅，圖4只列出轉(zhuǎn)向架2車1位構(gòu)架橫向加速度傳感器中小幅蛇行橫向失穩(wěn)狀態(tài)的分解結(jié)果，其中同種狀態(tài)的EEMD分解結(jié)果相似，不同狀態(tài)的分解結(jié)果差異較大。

圖4 EEMD分解結(jié)果

加速度信號經(jīng)EEMD分解之后，對一系列的IMF分量計(jì)算得到相應(yīng)的樣本熵值。樣本熵的大小表征信號隨機(jī)性和復(fù)雜度。如圖5所示，其中3種狀態(tài)下熵值較大的集中在前面8個(gè)IMF分量上，說明這8個(gè)分量上的振動信號復(fù)雜性最高，而樣本熵在同一狀態(tài)下數(shù)值相近，不同狀態(tài)下則具有一定差異。

圖5 3種狀態(tài)的EEMD樣本熵值

將得到的樣本熵特征向量作為輸入到局部分類器進(jìn)行識別，之后將得到的判別結(jié)果經(jīng)處理作為各狀態(tài)的基本置信分配，再按照本文所提出的D-S算法進(jìn)行決策融合，得到融合診斷結(jié)果如表1和表2所示。

表1和表2實(shí)際狀態(tài)分別對應(yīng)為小幅蛇行失穩(wěn)和標(biāo)準(zhǔn)蛇行異常。選取3個(gè)傳感器的數(shù)據(jù)樣本證據(jù)之間都具有一定的沖突情形，同時(shí)對故障的判別結(jié)果基本一致，其中對小幅蛇行狀態(tài)判別最大輸出值為2車1位軸箱橫向傳感器對應(yīng)分類器輸出0.560 3，對標(biāo)準(zhǔn)蛇行異常狀態(tài)的判別最大輸出值為2車4位軸箱上構(gòu)架橫向加速度傳感器對應(yīng)分類器輸出0.6231，判別效果較差。根據(jù)融合結(jié)果去分析，D-S證據(jù)理論都對小幅蛇行，標(biāo)準(zhǔn)蛇行異常狀態(tài)分配了最大置信，同時(shí)都正確判別出了相應(yīng)故障，但是從置信的數(shù)值大小上去分析，在小幅蛇行案例中，對f2分配了最大置信0.716 3，同時(shí)不確定度降至0.027 7；同時(shí)在標(biāo)準(zhǔn)蛇行異常案例中，對f3分配了最大置信0.8238，同時(shí)不確定度降至0.0310。這是因?yàn)楸疚乃岢龅腄-S證據(jù)方法將來源于不同傳感器的有效證據(jù)進(jìn)行融合，經(jīng)過融合后故障的可信度增加，同時(shí)使得不確定性降低，有利于做出準(zhǔn)確的識別。

表1 高速列車小幅蛇行失穩(wěn)故障診斷案例

表2 高速列車標(biāo)準(zhǔn)蛇行失穩(wěn)故障診斷案例

表3 高速列車橫向失穩(wěn)狀態(tài)判別結(jié)果

為了比較D-S理論算法和單個(gè)局部子分類器的性能，分別對3個(gè)分類器的100個(gè)訓(xùn)練樣本和80個(gè)測試樣本的結(jié)果進(jìn)行狀態(tài)判別診斷，得到了如表3所示結(jié)果。

根據(jù)表3對于各狀態(tài)的判別結(jié)果進(jìn)行分析，明顯D-S理論方法準(zhǔn)確率（最低分別為92.30%，82.89%，88.67%）比單個(gè)分類器的判別準(zhǔn)確率（最高分別為87.46%，73.26%，84.65%）要高，可見，經(jīng)過多個(gè)傳感器信息的融合，識別效果比單個(gè)分類器效果更優(yōu)良，識別能力得到了提高。

4 結(jié)束語

本文采用的基于多個(gè)局部分類器初步診斷和D-S證據(jù)理論融合證據(jù)診斷相結(jié)合的方法，實(shí)現(xiàn)了對高速列車橫向失穩(wěn)故障的識別診斷。結(jié)論如下：

1）D-S證據(jù)理論對單個(gè)傳感器的判別結(jié)果進(jìn)行決策級的融合，得到的融合判別效果比任何單個(gè)傳感器的效果更好，證明基于多傳感器數(shù)據(jù)決策級融合方法適用于高速列車橫向穩(wěn)定性狀態(tài)判別并且能得到效果更加優(yōu)良的結(jié)果。

2）對于高速列車橫向失穩(wěn)時(shí)，其針對小幅蛇行狀態(tài)的判別方法目前還相當(dāng)欠缺，因此本文所提出的多傳感器數(shù)據(jù)融合方法為其提供了新的思路。

[1]黃世凱.輪對運(yùn)動穩(wěn)定性的機(jī)理研究[D].成都：西南交通大學(xué)，2013.

[2]張斌.列車關(guān)鍵部件安全監(jiān)測理論與分析研究[D].成都：西南交通大學(xué)，2007.

[3]梁樹林，樸明偉，張祥杰，等.高速車輛橫向穩(wěn)定性的非線性影響因素研究[J].鐵道學(xué)報(bào)，2009，31（5）：23-30.

[4]董浩.鐵道車輛運(yùn)動穩(wěn)定性及分岔類型研究[D].成都：西南交通大學(xué)，2014.

[5]高速鐵路工程動態(tài)驗(yàn)收技術(shù)規(guī)范：TB10761-2013[S].北京：中華人民共和國鐵道部，2013.

[6]劉峰，延九磊，董孝卿，等.轉(zhuǎn)向架橫向穩(wěn)定性的實(shí)時(shí)在線監(jiān)測[J].鐵道機(jī)車車輛，2010，30（2）：5-8.

[7]POLACH O.Characteristic parameters of nonlinear wheel/rail contact geometry[J].Vehicle System Dynamics，2010，48（1）：19-31.

[8]王道榮，趙永強(qiáng)，潘泉.基于模糊聚類和證據(jù)理論的光譜偏振圖像分類[J].光子學(xué)報(bào)，2007，36（12）：2365-2370.

[9]梁威，魏宏飛，周鋒.D-S證據(jù)理論中一種沖突證據(jù)的融合方法[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（6）：144-147.

[10]GIANCARLO F， STEFANO G， RAFFAELE G， et al.A framework for collaborative computing and multi-sensor data fusion in body sensor networks[J].Information Fusion，2015（22）：50-70.

[11]胡金海，余治國，翟旭升，等.基于改進(jìn)D-S證據(jù)理論的航空發(fā)動機(jī)轉(zhuǎn)子故障決策融合診斷研究[J].航空學(xué)報(bào)，2014，35（2）：436-443.

[12]夏琳琳，臺金娟，劉惠敏.權(quán)重提取與Dempster多重融合的凝汽器真空預(yù)測[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2015，37（3）：329-334.

[13]杜靜，蔡震震，蔣鵬，等.一種新的特征評價(jià)方法及在高鐵故障中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與應(yīng)用，2015，41（9）：153-156.

[14]劉娟，胡敏，黃忠.基于最優(yōu)支持度的證據(jù)融合表情識別方法[J].電子測量與儀器學(xué)報(bào)，2016，30（5）：714-721.

[15]PENG W M，DENG H F.Quantum inspired method of feature fusion based on von Neumann entropy[J].Information Fusion，2014，18（4）：9-19.

[16]ZABIDIA，MANSOR W，KHUAN L Y，et al.The effect of F-ratio in the classification of asphyxiated infant criesusing multilayer perce ptron Neural Network[C]∥Biomedical Engineering and Sciences（IECBES）， 2010 IEEE EMBS Conference on IEEE，2010：126-129.

[17]胡金海，謝壽生，駱廣琦.基于Dempster-Shafer證據(jù)理論的航空發(fā)動機(jī)磨損狀況融合診斷 [J].機(jī)械科學(xué)與技術(shù)，2008，27（3）：343-346.

[18]閆濤，趙文俊，胡秀潔，等.基于信息融合技術(shù)的航空電子設(shè)備故障診斷研究[J].成都：電子科技大學(xué)學(xué)報(bào)，2015，44（3）：393-396.

[19]HANG J， ZHANG J Z， CHENG M.Fault diagnosis of wind turbine based on multi-sensors information fusion technology[J].Iet Renewable Power Generation，2014，8（8）：289-298.

（編輯：劉楊）

Study on the lateral instability fault recognition of high-speed train based on D-S evidence theory

LIU Qi， NING Jing， YE Yunguang， CHEN Chunjun
（School of Mechanical Engineering，Southwest Jiaotong University，Chengdu 610031，China）

For addressing the issue that the operation of bogie is difficult to be reflected by the measuring information of single sensor comprehensively and accurately when the lateral instability of high-speed train occurs，the multi-sources system established by more accelerometers sensors is proposed to build a high-speed train lateral instability fault decision fusion diagnosis system based on the multi-sources.The complex coupling relationship between the wheel and the rail exists when the lateralinstability occurs， which willcause thatlateralinstability faultdiagnosis conditions is hard.Therefore， the D-S evidence theory is used to fuse the measured data information of each sensor in the system and applied to identify high-speed train lateral instability fault conditions.The results show that the D-S evidence theory is more accurate than that of diagnosis results of any single sensor， in which the recognition rate of normal state， small hunting and criterion hunting achieves as high as 92.3%，82.89%，88.67%respectively.It proves the effectiveness of this method.

high-speed train； lateral instability； D-S evidence theory； decision fusion； fault recognition

A

：1674-5124（2017）07-0103-05

10.11857/j.issn.1674-5124.2017.07.020

2016-12-20；

：2017-01-10

國家自然科學(xué)基金項(xiàng)目（51475387）

劉 棋（1990-），男，四川自貢市人，碩士研究生，專業(yè)方向?yàn)橹悄芑癄顟B(tài)監(jiān)測及故障診斷。