基于線性判別法的列車懸掛系統(tǒng)故障分離方法
【專利摘要】本發(fā)明涉及一種基于線性判別法的列車懸掛系統(tǒng)故障分離方法，該方法基于Fisher判別分析法的數(shù)據(jù)特征提取及其在列車懸掛系統(tǒng)故障診斷中的應(yīng)用，通過將仿真的正常數(shù)據(jù)和各類故障數(shù)據(jù)集合訓練得到診斷判別函數(shù)，來對新的檢測數(shù)據(jù)做判別診斷。本發(fā)明不需要精確的數(shù)學模型以及對總體的分布情況不做任何要求，通過將數(shù)量很大的特征變量減少到相對來說較少的幾個線性組合，從而形成較小的維數(shù)方便表示。同時檢測單元結(jié)構(gòu)簡單，不易受外界因素干擾，裝置可靠性高。
【專利說明】基于線性判別法的列車懸掛系統(tǒng)故障分離方法
【技術(shù)領(lǐng)域】
[0001]本專利屬于鐵路運輸【技術(shù)領(lǐng)域】，尤其涉及一種基于線性判別法的列車懸掛系統(tǒng)故障分離方法。
【背景技術(shù)】
[0002]列車懸掛系統(tǒng)的動力學特性在垂向與橫向上有耦合作用，再加上列車的懸掛系部件的非線性、車體的柔性結(jié)構(gòu)等諸多因素決定了比較難以獲得一個準確的列車懸掛系統(tǒng)的數(shù)學模型。所以，基于模型的故障診斷方法存在建模誤差、過程復雜、計算負擔較大等多種限制因素。數(shù)據(jù)驅(qū)動的故障診斷方法在近年來得到了廣泛的重視與研究，取得了長足的發(fā)展。而基于Fisher判別分析法的故障診斷方法就是其中很重要的一種。
[0003]Fisher 判別法,是一種線性判別分析(LDA, Linear Discriminant Analysis)方法，由于它在將數(shù)據(jù)降低維數(shù)的時候考慮到了樣本的類別，因而廣泛地應(yīng)用于模式識別領(lǐng)域中。這種方法最早由Fisher在1936年提出，它的基本思想是投影，即將k組m元數(shù)據(jù)進行投影，使得投影后組與組之間盡可能地分開。這種判別方法的優(yōu)點是，不需要精確的數(shù)學模型以及對總體的分布情況不做任何要求，通過將數(shù)量很大的特征變量減少到較少的幾個線性組合，從而形成維數(shù)較小的k個總體的方便的表示。

【發(fā)明內(nèi)容】

[0004]本專利公開了一種基于線性判別法的列車懸掛系統(tǒng)故障分離方法。本專利的主要研究內(nèi)容是基于Fisher判別分析法的數(shù)據(jù)特征提取及其在列車懸掛系統(tǒng)故障診斷中的應(yīng)用。通過將仿真得到的正常數(shù)據(jù)和各類故障數(shù)據(jù)集合訓練得到診斷判別函數(shù)，來對新的檢測數(shù)據(jù)做出判別診斷。
[0005]本發(fā)明的目的通過以下技術(shù)方案來實現(xiàn):
[0006]基于線性判別法的列車懸掛系統(tǒng)故障分離方法，該分離方法包括如下步驟:
[0007]I)利用車體以及轉(zhuǎn)向架加速度傳感器獲取列車運行時各個位置的加速度信號；
[0008]2)對所述各加速度信號進行抗混疊濾波、高通濾波、二次積分處理，獲得列車懸掛系統(tǒng)位移輸出；
[0009]3)根據(jù)步驟2的位移輸出，分別通過時域特征計算得到時域信息，和做快速傅立葉變換，通過頻域特征計算獲得故障信號頻域信息，這樣就得到行向量，得到選取的訓練樣本；
[0010]4)對訓練樣本作歸一化處理，得到新的訓練樣本，分別計算得到各類訓練樣本的均值向量和總訓練樣本的均值向量；
[0011]5)分別計算出各類訓練樣本的類間散度矩陣的和矩陣B，和類內(nèi)散度矩陣A，然后求出A-1B的特征值和特征向量，將正的特征值降序排列，根據(jù)判別能力P的要求得到判別函數(shù)的個數(shù)，繼而得到判別矩陣V ；
[0012]6)對待測樣本點進行歸一化處理，再將其投影到判別矩陣V上得到待測點投影，然后求出待測點投影到各類樣本投影的馬氏距離，將它們?nèi)〗^對值后進行比較，最后將待測觀測對象即判歸為距離最小的那個類。
[0013]所述步驟3中的時域特征為:力矩系數(shù):
【權(quán)利要求】
1.基于線性判別法的列車懸掛系統(tǒng)故障分離方法，其特征在于，該分離方法包括如下步驟: 1)利用車體以及轉(zhuǎn)向架加速度傳感器獲取列車運行時各個位置的加速度信號； 2)對所述各加速度信號進行抗混疊濾波、高通濾波、二次積分處理，獲得列車懸掛系統(tǒng)位移輸出； 3)根據(jù)步驟2的位移輸出，分別通過時域特征計算得到時域信息，和做快速傅立葉變換，通過頻域特征計算獲得故障信號頻域信息，這樣就得到行向量，得到選取的訓練樣本； 4)對訓練樣本作歸一化處理，得到新的訓練樣本，分別計算得到各類訓練樣本的均值向量和總訓練樣本的均值向量； 5)分別計算出各類訓練樣本的類間散度矩陣的和矩陣B，和類內(nèi)散度矩陣A，然后求出A4B的特征值和特征向量，將正的特征值降序排列，根據(jù)判別能力P的要求得到判別函數(shù)的個數(shù)，繼而得到判別矩陣V; 6)對待測樣本點進行歸一化處理，再將其投影到判別矩陣V上得到待測點投影，然后求出待測點投影到各類樣本投影的馬氏距離，將它們?nèi)〗^對值后進行比較，最后將待測觀測對象即判歸為距離最小的那個類。
2.根據(jù)權(quán)利要求1所述的基于線性判別法的列車懸掛系統(tǒng)故障分離方法，其特征在于，所述步驟3中的時域特征為:力矩系數(shù):

3.根據(jù)權(quán)利要求1所述的基于線性判別法的列車懸掛系統(tǒng)故障分離方法，其特征在



4.根據(jù)權(quán)利要求1所述的基于線性判別法的列車懸掛系統(tǒng)故障分離方法，其特征在于，所述步驟3中的時域信息包括平均值，標準差，偏斜度，峰度。
5.根據(jù)權(quán)利要求1所述的基于線性判別法的列車懸掛系統(tǒng)故障分離方法，其特征在于，所述步驟3中頻域信息包括頻域中心，均方根頻率，均方差頻率。
【文檔編號】G01M17/10GK103471865SQ201310413668
【公開日】2013年12月25日 申請日期:2013年9月12日 優(yōu)先權(quán)日:2013年9月12日
【發(fā)明者】賈利民, 魏秀琨, 郭昆, 吳勝, 秦勇, 柳海, 汪煜婷, 郭淑萍, 林帥, 程茗, 劉峰, 魏強 申請人:北京交通大學