[发明专利]基于阈值判断的GA-BP的磁悬浮列车故障检测方法

说明书

本发明公开了基于阈值判断的GA‑BP的磁悬浮列车故障检测方法。以传感器获得数据的特征参数归一化后作为BP输入，方差阈值和变化率判断故障作为输出，并采用遗传算法优化出最优网络权值和阈值，提高BP神经网络的检测精度。本发明可以准确的诊断磁悬浮列车是否发生振动故障，避免发生误报警问题。

技术领域

本发明涉及轨道交通故障诊断技术，具体涉及基于阈值判断的GA-BP的磁悬浮列车故障检测方法。

背景技术

多年来我国铁路快速发展，截止2017年末，铁路营业里程达到12.7万公里，其中高铁营业里程2.5万公里，位居世界第一。磁悬浮自二十一世纪以来也迎来了快速发展。满足了人民群众多样化的出行方式。随着人们生活水平的提高，对乘坐体验舒适度也在不断提高。

车辆运行的安全性和可靠性以及乘坐舒适性都是很重要的乘车指标。故障诊断技术通过对运行中列车发生振动导致的异常状态做判断，来提高列车运行的安全性和可靠性和乘坐舒适性。

故障诊断常分为基于模型的方法和基于数据的故障诊断方法。基于模型的故障诊断方法一般包括状态估计法和参数估计法。由于磁悬浮是无机械接触的，模型比较复杂，相关影响因素太多，所以传统的基于模型的故障诊断并不适用。基于数据的故障诊断已经成为如今故障诊断的趋势。通过传感器采集数据，经过处理的数据使用BP神经网络做故障检测。

遗传算法(Genetic Algorithm,GA)起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，自适应地控制搜索过程以求得最佳解。

BP(Back Propagation)神经网络的学习过程是一种通过误差逆向修正的学习算法，他由正向传播和反向传播组成。BP神经网络能够通过学习相应的输入输出样本来实现映射。

发明内容

鉴于上面需要考虑解决的问题，本发明提供了一种磁悬浮列车振动异常的故障诊断方法，指在解决因多种因素影响导致的列车振动，在获取足够多传感器采集的数据情况下，采用遗传算法对网络的权值和阈值进行优化来提高检测精度，从而建立基于阈值判断的GA-BP的磁悬浮列车故障检测方法。仿真结果表明阈值GA-BP误差较小，精度较高，可以实现有效的检测。

为了实现相关目的，本发明采取如下技术方案：

基于数据阈值判断的GA-BP的磁悬浮列车故障检测方法，步骤如下：

步骤一、通过在列车上安装多组加速度、电流、间隙传感器获得所需数据，对原始数据进行筛选和预处理。对40000+数据筛选，选取其中的18000+的数据，针对选取的数据进行漏检测数据和过检测数据使用五点平均法处理数据。再针对处理过的数据进行切片(t时间段)。

步骤二、将步骤一处理后的每种数据使用信号处理技术和统计学习方法，提取t时段内的特征参数。其中特征参数包括时域指标和频域指标以及时频特征。

2.1时域指标提取

时域指标包括方差(Var)、均值均方值(X²_rms)、峰值(X_p)，峰值指标(I_p)、偏度(C_p)、峭度(C_q)、波形指标(W)、脉冲指标(C_f)。时域特征根据公式(1)-(9)获得输入向量

均值公式：

方差公式：

均方根值公式：

峰值：