基于信息测度的高速列车转向架故障诊断与健康评估方法研究

Long mileage, high speed and large passenger flow are the characteristics of high-speed railway in China. Fault of high-speed train bogie (such as spring failure, wheel wear) will be danger for the operation safety. However, the expression of the fault is not clear up to now. The project will research on the early fault diagnosis and health assessment through data driven and analysis vibration signal of the bogie. Based on analyzing the time-frequency features and information measurement theory, the project proposes a feature extraction and analysis frame, which combines the information measurement entropy theory with the time-frequency analysis method. Based on the associated information measure and Copula function, a new feature extraction method will be proposed for the state estimation of bogie unit’s performance degradation. For getting rid of bad features and reducing the feature dimension, a multiple-information measurement model is proposed, based on the multiple criteria feature selection and SVM recursive feature elimination. The project will discover the congruent relationship between early fault and the vibration signal of bogie by combining the measured data, simulated analysis and theoretical modeling. The research of the project will offer a new idea for early failure recognition and health assessment of bogie.

我国高速铁路日益呈现里程长、速度高、客运压力大等特点，高速列车转向架机械部件的异常或故障（如弹簧失效、轮对磨损等）给列车的运营安全埋下巨大隐患，而目前早期故障的表现形式和评估方法尚不明确。本项目拟以数据驱动的方式，从列车振动信号分析的角度，研究故障早期转向架的故障诊断和健康评估方法。具体而言，将信息测度理论与时频分析方法相结合，构建故障信号特征提取与分析框架；提出一种基于关联信息测度和Copula函数的特征提取方法，来解决转向架部件服役性态逐渐蜕变过程中的状态估计问题；为了剔除冗余特征及不良特征，有效降低特征维数，结合多准则特征选择和多分类支持向量机回归特征消去降维方法提出复合信息测度模型。本项目拟采用实测数据、仿真分析、理论建模相结合的研究方法，揭示转向架早期故障与振动信号的关联关系，研究成果将为转向架早期故障识别、安全预警和健康评估提供一种新的思路。

我国高速铁路日益呈现里程长、速度高、客运压力大等特点，高速列车转向架机械部件的异常或故障（如弹簧失效、轮对磨损等）给列车的运营安全埋下巨大隐患，而目前早期故障的表现形式和评估方法尚不明确。本项目以数据驱动的方式，从列车振动信号分析的角度，研究故障早期转向架的故障诊断和健康评估方法。主要工作包括：.1）将深度学习理论与时频分析方法相结合，构建故障信号特征提取与分析框架；同时结合多传感器数据通道融合理论，通过多数表决（PV），分类熵（CE），胜者全取（WTA）和神经网络（NN）投票法等算法研究，实现高速列车转向架早期故障检测。.2）提出一种基于一维卷积神经网络（1-D CNN）和循环神经网络（RNN）的特征提取方法，来解决转向架部件服役性态逐渐蜕变过程中的状态估计问题；针对高速列车振动信号的时间序列特点，提出3层LSTM神经网络，深入提取出数据内部的时序性特征；针对RNN神经网络模型在高铁数据集上易于过拟合，提出泛化性能强的卷积递归神经网络（CRNN）方法挖掘数据的内部信息，实现故障识别。.3）为了剔除冗余特征及不良特征，有效降低特征维数，结合层级神经网络和卷积循环神经网络的方法提出复合深度学习模型。集成后的M-CRNN可以快速提取并识别转向架性能退化的序列信息，保证多任务诊断的实时性和准确性。.本项目采用实测数据、仿真分析、理论建模相结合的研究方法，揭示转向架早期故障与振动信号的关联关系，研究成果将为转向架早期故障识别、安全预警和健康评估提供一种新的思路。