申请/专利权人：江苏科技大学

申请日：2021-11-15

公开（公告）日：2024-04-23

公开（公告）号：CN114115184B

主分类号：G05B23/02

分类号：G05B23/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：本发明公开了一种基于数据驱动ToMFIR的高速列车悬挂系统故障诊断方法，包括：对高速列车悬挂系统的实际模型和标称模型进行数据建模，得到隐含悬挂系统的输入输出关系的实际模型的输入输出数据模型和标称模型的输入输出数据模型；利用所得实际模型的输入输出数据矩阵和标称模型的输入输出数据矩阵，设计基于数据驱动的故障信息全度量残差；采用故障信息全度量残差构造评价函数，结合故障检测报警阈值，在检测指标达到报警阈值时进行报警；利用基于数据驱动的故障信息全度量残差，进行悬挂系统传感器微小故障的幅值估计。本发明对高速列车悬挂系统的微小故障具有较高的灵敏度，可实时检测并准确估计出故障的动态特性。

主权项：1.一种基于数据驱动ToMFIR的高速列车悬挂系统故障诊断方法，其特征在于，包括以下步骤：步骤1.对高速列车悬挂系统的实际模型和标称模型进行数据建模，得到隐含悬挂系统的输入输出关系的实际模型的输入输出数据模型和标称模型的输入输出数据模型；步骤2.利用位移传感器、陀螺仪获取高速列车运行时列车车厢质心的垂向位移、角速度信号及转向架构架质心的垂向位移信号，所述传感器及陀螺仪的信号即为系统输出；步骤3.利用步骤2中所得实际模型的输入输出数据矩阵和标称模型的输入输出数据矩阵，设计基于数据驱动的故障信息全度量残差；步骤4.利用步骤3中设计的基于数据驱动的故障信息全度量残差构造评价函数J，结合故障检测报警阈值，在检测指标达到报警阈值时进行报警；步骤5.利用步骤3中设计的基于数据驱动的故障信息全度量残差，进行悬挂系统传感器微小故障的幅值估计；所述步骤1的过程包括：步骤1.1.高速列车垂向悬挂系统的离散的实际模型G及标称模型G0可表示为： 其中，A,B,C,Ed,Ef,Ff为空间状态方程相应的系数矩阵；xk,yk,uk,dk分别为实际系统的状态变量、输出变量、控制输入变量、轨道扰动激励；fk表征所有可能的故障；ξk分别是过程噪声和测量噪声；x0k,y0k,u0k分别为标称模型的状态变量、输出变量和控制输入变量；步骤1.2.由步骤1.1中悬挂系统实际模型G的状态空间方程1，有： 其中ylk,ulk,dlk,flk,ξlk为堆栈矩阵，Γl,Hu,l,Hd,l,Hf,l,为相应的系数矩阵，具体形式如下 步骤1.3.步骤1.2所得表达式3含有状态变量xk，为消除状态变量xk，由步骤1.1中离散状态空间方程1可得到 其中 步骤1.4.将步骤1.3中所得表达式5代入步骤1.2所得表达式2，有 化简得ylk≈Hu,p,lup,lk+Hd,p,ldp,lk+Hf,p,lfp,lk+He,p,lep,lk8其中 考虑时间间隔N，由步骤1.4中所得化简后表达式8，可得如下隐含悬挂系统的输入输出关系的高速列车悬挂系统的数据模型：Yk,l＝Hu,p,lUk,p,l+Hd,p,lDk,p,l+Hf,p,lFk,p,l+He,p,lEk,p,l10其中Yk,l,Uk,p,l,Dk,p,l,Fk,p,l,Ek,p,l为数据矩阵；实际系统的输入输出数据矩阵Yk,l与Uk,p,l，在列车运行时可由传感器、陀螺仪测量得到；各数据矩阵形式如下： 步骤1.5同理，由步骤1.1中悬挂系统标称模型G0的状态空间方程2，有： 其中分别为标称系统的输入输出数据矩阵，分别与Uk,p,l,Yk,l具有相同的形式；并且，在列车运行时可由传感器、陀螺仪测量得到；在所述步骤2中，所得实际模型输入输出信号用于构造实际模型的输入输出数据矩阵，所得标称模型的输入输出信号用于构造标称模型的输入输出数据矩阵；在所述步骤3中，设计基于数据驱动的故障信息全度量残差的具体过程包括：步骤3.1.定义输出残差RY，用于表征实际模型和标称模型的输出差异 步骤3.2.定义控制器残差RU，用于表征实际模型和标称模型中控制器的输出差异 步骤3.3.定义闭环控制结构下的故障信息全度量残差 其中，表征标称模型在实时输入信号驱动下的系统输出；步骤3.4.引入正交投影矩阵在步骤3.3中定义闭环控制结构下的故障信息全度量残差，即公式15等号两边同时右乘正交投影矩阵可得如下基于数据驱动的故障信息全度量残差： 其中ToMFIRk表征因此，微小故障诊断的任务聚焦于监测只依赖于系统的输入和输出数据的残差信号矩阵ToMFIRk的变化；在所述步骤4中，利用基于数据驱动的故障信息全度量残差，进行悬挂系统微小故障的检测，其具体步骤包括：步骤4.1.残差信号矩阵ToMFIRk∈Rm×N可写为其中τi＝[τ1i,…,τ1N],i＝1,…,m；令为ToMFIRk的标准化形式，且满足其中步骤4.2.通过奇异值分解SVD将矩阵ToMFIRk分解为得分矩阵T和载荷矩阵P，假设ToMFIRk为高斯分布或近似高斯分布，有其中Λ＝diagλ1,…,λm；得分矩阵T、载荷矩阵P和特征矩阵Λ可由以下无偏估计得到： 步骤4.3.引入无故障残差信号与ToMFIRk具有相同维度其相应得分矩阵分别为T与Trf；假设微小故障发生后分布的平均参数不变，有 步骤4.4.令T的概率密度为F，Trf的概率密度为Frf，基于多维KL散度，可定义如下评价函数： 步骤4.5.利用所设计的基于数据驱动的故障信息全度量残差及评价函数，针对高速列车悬挂系统的微小故障，其故障检测机制为 在所述步骤5中，利用基于数据驱动的故障信息全度量残差，进行悬挂系统传感器微小故障的幅值估计，其具体步骤包括：步骤5.1.由于微小故障的作用，使得协方差矩阵S不同于Srf；微小故障的幅值a较小且为未知恒值，接近0但不等于0，因而对信号的影响极其微弱；由微小故障带来的影响可转换为特征矩阵的变化，即步骤5.2.对ToMFIRk，每个得分向量ti对应一个概率密度函数对每个得分向量对应一个概率密度函数使用KL散度测量trf与t之间的差异： 其中Δλi为由微小故障导致的特征值变化；步骤5.3.由于a→0，Δλi也趋于0，将λi泰勒展开得到 由S＝PΛPT可知，特征值λi关于故障幅值a的n阶导数为其中pi为对应的特征向量；步骤5.4.有其中rY,i＝[ri,1,ri,2,…,ri,N]为RY的第i行；对传感器微小失效故障，可用表示；进而得到及其标准化形式步骤5.5.记为故障项，为无故障项，有 上述所有常量参数均与故障振幅无关，由无故障参考数据计算得到：δrq＝0，协方差矩阵S对故障幅值a的一阶导为 二阶导为 高阶导n2为0；步骤5.6.记载荷向量pi＝[p1i…,pmi]，有 由微小故障引起的特征值变化可表示为 步骤5.2中的KL散度可表示为 其中步骤5.7.利用所设计的基于数据驱动的故障信息全度量残差，针对高速列车悬挂系统传感器微小失效故障，其基于散度值的故障幅值估计值为：

全文数据：

权利要求：

百度查询： 江苏科技大学 一种基于数据驱动ToMFIR的高速列车悬挂系统故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD