[发明专利]一种高速列车运行的工况识别方法

摘要

本发明公开了一种高速列车运行工况的识别方法，首先将采集到的高速列车的振动信号数据进行预处理，其次对不同通道的监测数据采用变分模态分解，得到模态函数特征，然后对应求取模糊熵，获得多个通道下不同工况的特征向量作为多视图学习的待测样本，最后采用Multi‑View K‑means作为聚类器进行识别。该方法具有知识学习更完备，流程简单，可操作性强等优点。主要用于高速列车运行工况的识别。

主权项

一种高速列车运行工况的识别方法，包括以下几个步骤：步骤一、将高速列车运行工况类型分为转向架正常工况、空气弹簧失气、横向减振器失效和抗蛇行减振器失稳工况四种；通过设于不同通道的传感器采集高速列车运行时振动信号的位移加速度数据进行预处理：采集频率fs＝243Hz，监测数据为一列时间序列Tv＝{T1,T2,…Tn}，式中，v为通道数，n为采样点数，分段降噪以后得到样本Cv＝{C1,C2,…CN}，式中，N为样本数；步骤二、对预处理后的样本数据进行几次变分模态分解，以便确定最优的K个模态分量数：K取正整数，然后再进行一次VMD分解，得到模态函数每个U有K个特征属性，VMD的分解过程如下：a.通过Hilbert变换得到每个模态函数uk(t)的解析信号，从而获得信号的单边频谱；b.每个模态函数围绕各自估算中心的频率，通过指数修正调制到相应的基频带；c.通过高斯平滑解调信号获得每段带宽，即L2范数的平方根，构造出目标函数:min{uk},{ωk}{Σk||∂t[(δ(t)+jπt)*uk(t)]e-jωkt||22}]]>其中uk＝{u1,u2,…uK}为各模态函数集，ωk＝{ω1,ω2,…ωK}为各中心频率集，是对函数求时间t的偏导数，δ(t)为单位脉冲函数，j为虚数单位，*表示卷积；d.为求取各个模态函数最优解，引入带宽参数α构造Lagrange函数:其中：λ为Lagrange乘子；e.分别得到模态分量uk和ωk的频域表达式：u^kn+1(ω)←f^(ω)-Σi<ku^in+1(ω)-Σi>ku^in(ω)+λ^n(ω)21+2α(ω-ωkn)2]]>ωkn+1←∫0∞ω|u^kn+1(ω)|2dω∫0∞|u^kn+1(ω)|2dω]]>f.然后利用交替方法乘子算法求约束变量的最优解，从而将原始信号分解为K个窄带模态变量，每个模态函数U＝[u1 u2 … uK]；步骤三、对每个模态函数对应求取模糊熵，每个样本也对应得到K个特征向量：步骤四、将多个通道下的特征向量输入Multi‑View K‑means聚类器中进行工况识别，过程如下：a.根据目标函数：P(γ,o,w)=Σi=1NwipΣc=1CΣu=1K(γcu)md(xu(i)-oc(i))]]>其中，w为视图权重，γ为指示矩阵，同一簇值为1，否则为0，o为簇中心，x为样本点，p为调节参数；b.构造Lagrange乘子：L(γ,o,w)=Σi=1NwipΣc=1CΣμ=1K(γcμ)md(xμ(i)-oc(i))+Σμ=1Kλμ(Σc=1Cγcμ-1)+φ(Σi=1Nwip-1)]]>其中，λ,φ为Lagrange乘子；c.分别得到目标函数在约束条件下取到极小值时需要满足的必要条件为：oc(i)=Σμ=1K(γcμ)mxμ(i)Σμ=1K(γcμ)m]]>γcμ={Σl=1C[Σi=1Nwid(xμ(i)-oc(i))Σi=1Nwid(xμ(i)-ol(i))]1/m-1}-1]]>wi=1Σl=1N(Di/Dl)1p-1]]>其中，d为欧氏距离；d.最终得到识别结果。