基于D-S證據理論高速列車橫向失穩故障判別研究

劉 棋，寧 靜，葉運廣，陳春駿

（西南交通大學機械工程學院，四川 成都 610031）

基于D-S證據理論高速列車橫向失穩故障判別研究

劉 棋，寧 靜，葉運廣，陳春駿

（西南交通大學機械工程學院，四川 成都 610031）

為解決高速列車發生橫向失穩故障時，轉向架的運行情況難以被單一傳感器測量得到全面信息以及準確地反應等問題，提出利用多個加速度傳感器組成多信息源網絡系統，建立基于多信息源的高速列車橫向失穩故障決策融合診斷系統。由于高速列車發生橫向失穩故障存在復雜的輪軌耦合關系，導致列車橫向失穩故障狀態診斷難度大，基于此提出D-S證據理論方法融合系統中各個傳感器中測量數據信息并應用于高速列車橫向失穩故障狀態判別。結果表明：基于D-S證據理論方法與任何單一傳感器診斷結果相比,識別效果更好，對正常狀態、小幅蛇行以及大幅蛇行故障狀態的識別率分別達92.3%、82.89%、88.67%，證明該方法有效。

高速列車；橫向失穩；D-S證據理論；決策融合；故障判別

0 引 言

高速列車橫向失穩運動嚴重影響行車安全，研究其橫向失穩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定性國內外并沒有一個共同標準，國外標準通常是以列車運行中輪軸、輪軌橫向力以及構架橫向加速度峰值的大小來確定列車是否橫向失穩[2-4]。國內標準是以構架橫向加速度峰值的大小來判定列車的橫向穩定性，據《高速動車組整車試驗規范》規定，轉向架橫向加速度信號10Hz濾波后的峰值連續6次以上（含6次）達到或超過極限值8～10m/s2時，則判定轉向架橫向失穩[5]。我國絕大多數目前的高速列車峰值檢測方法就是根據此標準對列車運行是否出現橫向失穩進行在線監測。高速列車運行過程中，當速度提升到臨界速度，隨著列車運行速度的進一步提高，列車運行狀態就會從穩定的蛇行運動過渡到不穩定的蛇行運動，即列車從正常運行狀態過渡到蛇行失穩狀態[6]。Polach等[7]在列車運行時，對其橫向穩定進行了研究，提出了小幅蛇行失穩相關理論，即列車輪軌之間發生小幅移動，加速度信號并沒有達到或超過安全極限峰值部分。目前關于小幅蛇行狀態的監測方法嚴重不足，檢索不到可供查閱的相關文獻，而小幅蛇行是列車過渡到不穩定的蛇行運動的征兆，因此對小幅蛇行的監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狀態判別效果，提出在高速列車走行部安裝多個傳感器組成傳感器網絡，發揮不同部位傳感器的測量信息能夠互補的特點，通過D-S融合理論融合各個傳感器的判別結果，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果準確度和可靠度更為理想[8-11]。D-S理論有兩個優勢，不僅很好地把握了問題的不確定性和未知性，而且提供了一個很有用的合成公式，使得融合多個證據源提供的信息成為可能[12-14]。文獻[15-16]均采用D-S理論進行決策融合研究，并且取得了很好的效果，證明了多傳感器數據融合理論的有效性和準確性。但是將所傳感器融合理論應用于高速列車故障判別的相關文獻目前還鮮見報道，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故障進行判別，期望能獲得適用于高速列車橫向失穩狀態的識別方法。

1 D-S證據理論基本原理

假設一個在辨識框架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m為冪集合2θ上的基本置信分配函數；m（A）為A的mass函數，表示對子集A的精確信任程度，φ表示空集。

在所給證據理論框架中，證據的信息來源形式是以給定的基元進行置信分配，即mass函數的形式給出的。但是對于同一個證據，不同的人由于其經驗和知識的差異，給出的置信分配并不一致，為了同時利用兩個或者兩個以上相互獨立的不同信息源的證據，提高對事件的置信度和準確度。Dempster組合規則提供了對獨立的信息源所提供的證據融合能力，即D-S合成公式：

2 高速列車橫向失穩故障診斷方法

2.1 融合診斷系統結構

圖1所示為高速列車橫向失穩故障診斷框架。其中主要包括信息測量、數據預處理、特征提取、故障診斷、決策融合5個步驟[19]。1）構建加速度傳感器系統，安裝于高速列車走行部多個關鍵部位，采集高速列車橫向失穩故障各個狀態信號；2）對系統中各個傳感器采集到的信號進行預處理；提取高速列車橫向失穩各個狀態的特征；3）使用支持向量機，作為局部故障分類器，完成列車橫向失穩各故障狀態的屬性判別；4）根據對各子分類器的判別結果進行處理，作為對應證據下的故障狀態的基本置信值；5）使用多傳感器數據融合方法進行決策融合，得到最終的判別診斷結果。

2.2 融合診斷步驟

使用多個傳感器組成傳感器網絡振動監測系統，具體步驟如下：

1）對各傳感器采集到的數據進行濾波、降頻等預處理。

圖1 高速列車橫向失穩故障診斷框架

2）使用聚合經驗模態分解（ensemble empirical mode decomposition，EEMD）樣本熵相結合的方法，提取EEMD樣本熵作為各故障狀態的特征向量。

3）針對每一個傳感器建立一個局部故障分類器進行故障診斷，其識別結果進行歸一化作為決策級的各個證據體，實現信息融合的前提。

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

3 實驗驗證

3.1 數據來源

圖2 傳感器布點

本文所使用的數據來源于高速列車滬杭線運行時，CRH380a-6001轉向架2車1位構架橫向加速度傳感器（S1），2車4位軸箱上構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布點位置示意圖如圖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的無縫國產鋼軌，傳感器采樣頻率為2500Hz。

該列車在運行過程中速度330～350km/h時，反復出現蛇行失穩。因此選取該速度條件下，各傳感器數據進行橫向失穩研究。由于蛇行運動的頻帶范圍是2～12.07 Hz，根據香農采樣定理選取采樣頻率為250Hz，再進行2～12.07Hz的帶通濾波。信號時域圖如圖3所示，其中根據鐵道相關標準可劃分為3種狀態：

1）正常狀態：規定加速度峰值不超過2 m/s2的部分；

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

3）標準蛇行異常狀態：按照鐵道客車行車安全監測標準，峰值連續6次以上（含6次）達到或超過極限值8～10m/s2的部分。

圖3 橫向失穩狀態

將列車橫向失穩3種狀態——正常狀態（f1）、小幅蛇行（f2）、標準蛇行異常狀態（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種狀態進行EEMD分解，由于信號分解成的IMF分量數目不同，為保證后續性選取前8個IMF分量，不同的IMF代表相應的時間尺度，限于篇幅，圖4只列出轉向架2車1位構架橫向加速度傳感器中小幅蛇行橫向失穩狀態的分解結果，其中同種狀態的EEMD分解結果相似，不同狀態的分解結果差異較大。

圖4 EEMD分解結果

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

圖5 3種狀態的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行識別，之后將得到的判別結果經處理作為各狀態的基本置信分配，再按照本文所提出的D-S算法進行決策融合，得到融合診斷結果如表1和表2所示。

表1和表2實際狀態分別對應為小幅蛇行失穩和標準蛇行異常。選取3個傳感器的數據樣本證據之間都具有一定的沖突情形，同時對故障的判別結果基本一致，其中對小幅蛇行狀態判別最大輸出值為2車1位軸箱橫向傳感器對應分類器輸出0.560 3，對標準蛇行異常狀態的判別最大輸出值為2車4位軸箱上構架橫向加速度傳感器對應分類器輸出0.6231，判別效果較差。根據融合結果去分析，D-S證據理論都對小幅蛇行，標準蛇行異常狀態分配了最大置信，同時都正確判別出了相應故障，但是從置信的數值大小上去分析，在小幅蛇行案例中，對f2分配了最大置信0.716 3，同時不確定度降至0.027 7；同時在標準蛇行異常案例中，對f3分配了最大置信0.8238，同時不確定度降至0.0310。這是因為本文所提出的D-S證據方法將來源于不同傳感器的有效證據進行融合，經過融合后故障的可信度增加，同時使得不確定性降低，有利于做出準確的識別。

表1 高速列車小幅蛇行失穩故障診斷案例

表2 高速列車標準蛇行失穩故障診斷案例

表3 高速列車橫向失穩狀態判別結果

為了比較D-S理論算法和單個局部子分類器的性能，分別對3個分類器的100個訓練樣本和80個測試樣本的結果進行狀態判別診斷，得到了如表3所示結果。

根據表3對于各狀態的判別結果進行分析，明顯D-S理論方法準確率（最低分別為92.30%，82.89%，88.67%）比單個分類器的判別準確率（最高分別為87.46%，73.26%，84.65%）要高，可見，經過多個傳感器信息的融合，識別效果比單個分類器效果更優良，識別能力得到了提高。

4 結束語

本文采用的基于多個局部分類器初步診斷和D-S證據理論融合證據診斷相結合的方法，實現了對高速列車橫向失穩故障的識別診斷。結論如下：

1）D-S證據理論對單個傳感器的判別結果進行決策級的融合，得到的融合判別效果比任何單個傳感器的效果更好，證明基于多傳感器數據決策級融合方法適用于高速列車橫向穩定性狀態判別并且能得到效果更加優良的結果。

2）對于高速列車橫向失穩時，其針對小幅蛇行狀態的判別方法目前還相當欠缺，因此本文所提出的多傳感器數據融合方法為其提供了新的思路。

[1]黃世凱.輪對運動穩定性的機理研究[D].成都：西南交通大學，2013.

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

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

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

[5]高速鐵路工程動態驗收技術規范：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.轉向架橫向穩定性的實時在線監測[J].鐵道機車車輛，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，潘泉.基于模糊聚類和證據理論的光譜偏振圖像分類[J].光子學報，2007，36（12）：2365-2370.

[9]梁威，魏宏飛，周鋒.D-S證據理論中一種沖突證據的融合方法[J].計算機工程與應用，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D-S證據理論的航空發動機轉子故障決策融合診斷研究[J].航空學報，2014，35（2）：436-443.

[12]夏琳琳，臺金娟，劉惠敏.權重提取與Dempster多重融合的凝汽器真空預測[J].沈陽工業大學學報，2015，37（3）：329-334.

[13]杜靜，蔡震震，蔣鵬，等.一種新的特征評價方法及在高鐵故障中的應用[J].計算機技術與應用，2015，41（9）：153-156.

[14]劉娟，胡敏，黃忠.基于最優支持度的證據融合表情識別方法[J].電子測量與儀器學報，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證據理論的航空發動機磨損狀況融合診斷 [J].機械科學與技術，2008，27（3）：343-346.

[18]閆濤，趙文俊，胡秀潔，等.基于信息融合技術的航空電子設備故障診斷研究[J].成都：電子科技大學學報，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

國家自然科學基金項目（51475387）

劉 棋（1990-），男，四川自貢市人，碩士研究生，專業方向為智能化狀態監測及故障診斷。