[发明专利]基于MPCA的列车悬挂系统故障分析方法及系统

摘要

本发明公开了基于MPCA的列车悬挂系统故障分析方法，本方案将多线性主元分析方法(MPCA)应用于轨道车辆悬挂系统故障诊断中。为了便于发现悬挂系统弱小故障，尽可能多的获取故障信息，将采集的原始二维数据构造成三阶张量的形式，再利用MPCA处理张量数据的优势，尽可能地减少了在一个局部邻域内的变量和时间相关性，从多个(mode)方向上对训练样本(可看作张量对象)进行降维处理和特征提取，从而保护了原始数据的结构和相关性。尽量地用最少的却拥有最显著特征的信息量来表示每个样本，从而使得变换后的低维子空间具有很好的模式表达能力，降低了计算量。可大大提升列车悬挂系统弱小故障检测能力，提高列车运行的安全性能。

主权项

1.基于MPCA的列车悬挂系统故障分析方法，其特征在于，该方法的步骤包括：S1、构建轨道车辆悬挂系统模型，并对该模型中的沉浮、点头和侧滚运动进行动力学分析；S2、根据轨道车辆悬挂系统模型动力学分析结果，布置加速度传感器；S3、基于动力学仿真软件，对步骤S1中建立的动力学模型进行变参数的模拟仿真；S4、基于步骤S3中的模拟仿真，采集轨道车辆悬挂系统的位移数据，并对位移数据进行预处理；S5、基于MPCA算法，对至少一个周期内的轨道车辆悬挂系统的位移数据进行故障分析，获得当前参数条件下悬挂系统的位移数据所对应的特征向量集；S6、将通过MPCA映射得到的特征向量集与无故障数据的特征向量集进行相似性度量，并计算两个特征向量集的距离，通过阈值判断当前参数条件下是否为故障状态；其中，所述步骤S5包括：S51、将预处理后的每个周期内的数据分别作为一个训练样本，并计算每个训练样本的平均张量：S52、计算每个样本的张量与总样本平均值μ的差值，得到中心化的训练样本集：其中M为正整数；S53、基于经中心化后的训练样本集组成的数据集：构建该数据集的每个mode上的协方差矩阵：其中，是张量的n模式展开矩阵，Φ⁽ⁿ⁾是将中心化后的张量从第n‑mode方向展开而求得的协方差矩阵；S54、分别求出每个mode方向上的Φ(n)的特征值λ(n)，及特征值λ(n)所对应的特征向量U(n)；S55、将所有的训练样本向量特征子空间进行投影：并经MPCA训练后获得当前参数条件下悬挂系统的位移数据所对应的特征向量集：{y_m,m＝1,2,…M}。