本發(fā)明涉及轉(zhuǎn)向架故障診斷，具體涉及一種基于聲學(xué)傳感器列陣分布的轉(zhuǎn)向架故障評估方法。

背景技術(shù)：

1、在現(xiàn)代鐵路交通領(lǐng)域，轉(zhuǎn)向架作為機(jī)車的重要組成部件，其工作狀態(tài)直接影響列車的安全性和穩(wěn)定性。轉(zhuǎn)向架的電機(jī)和齒輪箱等關(guān)鍵部位在長期運(yùn)行過程中容易產(chǎn)生各種故障，這些故障不僅會(huì)影響列車的運(yùn)行效率，還會(huì)導(dǎo)致嚴(yán)重的安全事故。因此，對轉(zhuǎn)向架關(guān)鍵部位的故障檢測和監(jiān)測具有重要意義。

2、傳統(tǒng)的故障檢測方法主要依賴于振動(dòng)傳感器和溫度傳感器，通過采集振動(dòng)和溫度數(shù)據(jù)來判斷轉(zhuǎn)向架的工作狀態(tài)，然而，這些方法在面對復(fù)雜的工況條件時(shí)，往往難以準(zhǔn)確捕捉和分析聲場分布，導(dǎo)致漏檢或誤判。此外，不同工況下的聲場分布復(fù)雜多變，傳統(tǒng)的監(jiān)測手段難以提供精確的定性和定量分析，導(dǎo)致檢測的準(zhǔn)確性和可靠性收到影響。

3、目前，聲學(xué)傳感技術(shù)在故障檢測中的應(yīng)用逐漸受到關(guān)注。現(xiàn)有技術(shù)中，對于聲學(xué)傳感器陣列的布置通常采用經(jīng)驗(yàn)布置或均勻布置的方式，這種方法可能需要大量的傳感器才能實(shí)現(xiàn)全面覆蓋，不僅增加了成本和復(fù)雜性，還可能導(dǎo)致監(jiān)測盲區(qū)或數(shù)據(jù)冗余，降低了監(jiān)測效率。未優(yōu)化的傳感器陣列難以在保證監(jiān)測精度的同時(shí)，實(shí)現(xiàn)對傳感器數(shù)量的最小化配置。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)中難以兼顧聲學(xué)傳感器列陣監(jiān)測精度和傳感器數(shù)量最小化配置，本發(fā)明提供了一種基于聲學(xué)傳感器列陣分布的轉(zhuǎn)向架故障評估方法。

2、本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：基于聲學(xué)傳感器列陣分布的轉(zhuǎn)向架故障評估方法，包括以下步驟：

3、s1：使用聲學(xué)傳感器列陣采集不同聲源位置、速度、頻率影響下的轉(zhuǎn)向架關(guān)鍵部位的聲場數(shù)據(jù)，生成聲場數(shù)據(jù)集；

4、s2：根據(jù)聲場數(shù)據(jù)集，生成聲場分布云圖，并將聲場云圖數(shù)據(jù)進(jìn)行離散處理，對離散處理后的聲場分布云圖進(jìn)行平滑處理，對平滑處理后的聲場分布云圖進(jìn)行圖像分割，提取不同工況下的重合區(qū)域；

5、s3：將重合區(qū)域轉(zhuǎn)換為灰度矩陣，利用判斷算法判別灰度矩陣系數(shù)趨近于1的預(yù)測分類類別，根據(jù)預(yù)測分類類別優(yōu)化聲學(xué)傳感器列陣分布，得到最優(yōu)的聲學(xué)傳感器列陣分布，基于最優(yōu)的聲學(xué)傳感器列陣分布采集聲場數(shù)據(jù)，生成聲場數(shù)據(jù)集，重復(fù)步驟s2，獲得新的重合區(qū)域；

6、s4：根據(jù)新的重合區(qū)域識別故障類型；

7、s5：根據(jù)新的重合區(qū)域識別故障程度。

8、優(yōu)選地，步驟s1具體包括以下步驟：

9、s101：設(shè)置聲源位置：聲源位置為電機(jī)和齒輪箱；

10、s102：設(shè)置不同的速度條件，其表達(dá)式為：

11、

12、其中，vj為第j個(gè)速度值，j＝1,2,3,...,m，j為速度值的序號，m為速度值的數(shù)量，vmin和vmax分別為速度值的最小值和最大值；

13、s103：設(shè)置不同的頻率條件，其表達(dá)式為：

14、

15、其中，fk為第k個(gè)頻率值，k＝1,2,3,...,p，k為頻率值的序號，p為頻率值的數(shù)量，fmin和fmax分別為頻率值的最小值和最大值

16、s104：每一個(gè)速度值與頻率值的組合為一個(gè)工況，所述工況的表達(dá)式為：

17、cjk＝(vj,fk)

18、其中，cjk為第j個(gè)速度值和第k個(gè)頻率值組合下的工況，vj為第j個(gè)速度值，fk為第k個(gè)頻率值；

19、s105：在轉(zhuǎn)向架電機(jī)和齒輪箱處布置聲學(xué)傳感器，聲學(xué)傳感器的坐標(biāo)表達(dá)式為：

20、

21、其中，pi為第i個(gè)聲學(xué)傳感器的坐標(biāo)，具體表示為(xi,yi)，i＝1,2,3,...,b，i為聲學(xué)傳感器序號，b為總的聲學(xué)傳感器數(shù)量；

22、s106：在每種工況下，通過聲學(xué)傳感器列陣采集電機(jī)和齒輪箱聲場數(shù)據(jù)，生成聲場數(shù)據(jù)集，所采集的數(shù)據(jù)包括聲學(xué)傳感器的坐標(biāo)、速度值、頻率值、聲學(xué)傳感器所采集的聲場數(shù)據(jù)，所述聲場數(shù)據(jù)集的表達(dá)式為：

23、djk＝{(pi,vj,fk,si)}

24、其中，djk為數(shù)據(jù)集，pi為聲學(xué)傳感器的坐標(biāo)，vj為第j個(gè)速度值，fk為第k個(gè)頻率值，si為聲學(xué)傳感器pi所采集的聲場數(shù)據(jù)，si的表達(dá)式為：

25、

26、其中，si為pi位置處的聲學(xué)傳感器所采集的聲場數(shù)據(jù)，tstart和tend為采樣時(shí)間起點(diǎn)和終點(diǎn)，ai為聲場振幅，fi為頻率，為相位，ni(t)為噪聲函數(shù)。

27、優(yōu)選地，步驟s2具體包括以下步驟：

28、s201：生成聲場分布云圖，其生成表達(dá)式以為：

29、

30、其中，gjk為聲場分布云圖，(x,y)為空間坐標(biāo)，t為采樣時(shí)間段，si(t)為t時(shí)刻pi位置處的聲學(xué)傳感器所采集的聲場數(shù)據(jù)，(xi,yi)為聲學(xué)傳感器坐標(biāo)，σxy為空間高斯平滑參數(shù)，h為被積函數(shù)的積分變量，si(h)為pi位置處的聲學(xué)傳感器，與積分變量h相關(guān)的聲場數(shù)據(jù)，σt為時(shí)間高斯平滑參數(shù)，n為傅里葉變換階數(shù)的取值，n為傅里葉變換的階數(shù)，an為傅里葉變換的系數(shù)；

31、s202：對聲場分布云圖進(jìn)行離散處理，離散處理的表達(dá)式為：

32、

33、其中，gjk(x',y')為離散處理后原始聲場分布云圖在點(diǎn)(x',y')的值，(x',y')為原始聲場分布云圖的在各個(gè)位置坐標(biāo)，t為采樣時(shí)間段，si為pi位置處的聲學(xué)傳感器所采集的聲場數(shù)據(jù)，(xi,yi)為聲學(xué)傳感器坐標(biāo)，σxy為空間高斯平滑參數(shù)，h為被積函數(shù)的積分變量，si(h)為pi位置處的聲學(xué)傳感器，與積分變量h相關(guān)的聲場數(shù)據(jù)，σt為時(shí)間高斯平滑參數(shù)，i為表示傳感器的序號，n為傅里葉變換的階數(shù)的取值，n為傅里葉變換的階數(shù)，an為傅里葉變換的系數(shù)。s203：采用高斯平滑算法對每一個(gè)聲場分布云圖進(jìn)行平滑處理，平滑處理的表達(dá)式為：

34、

35、其中，g'jk(x,y)為平滑處理后的聲場分布云圖，σxy為空間高斯平滑參數(shù)，gjk(x',y')為離散處理后原始聲場分布云圖在點(diǎn)(x',y')的值，(x',y')為原始聲場分布云圖的在各個(gè)位置坐標(biāo)，(x,y)為空間坐標(biāo)；

36、s204：采用結(jié)合多尺度分割和自適應(yīng)閾值的閾值分割方法對平滑處理后的聲場分布云圖進(jìn)行圖像分割，將聲場分布云圖中的高聲場強(qiáng)度區(qū)域提取出來，圖像分割的表達(dá)式為：

37、

38、其中，sseg(x,y)為經(jīng)過圖像分割后得到的結(jié)構(gòu)圖像，a為像素序號，a為領(lǐng)域內(nèi)的像素參數(shù)，g'jk(xa,ya)為經(jīng)過平滑處理后的聲場分布云圖在(xa,ya)處的值，xa,ya分別為領(lǐng)域內(nèi)像素點(diǎn)的坐標(biāo)，α和βxy為調(diào)節(jié)參數(shù)，tadapt為自適應(yīng)閾值，(x,y)為空間坐標(biāo)；

39、其中，自適應(yīng)閾值定義為：tadapt＝μ+η·σ；

40、其中，μ為當(dāng)前聲場分布云圖的平均強(qiáng)度，η為調(diào)節(jié)系數(shù)，σ為強(qiáng)度的標(biāo)準(zhǔn)差；

41、s205：對不同工況下的分割圖像進(jìn)行重合處理，將所有分割圖像的重合區(qū)域提取出來，重合區(qū)域提取的表達(dá)式為：

42、

43、其中，soverlap(x,y)為所有工況組合下的重合區(qū)域，j為速度值的序號，m為速度值的數(shù)量，k為頻率值的序號，p為頻率值的數(shù)量，ssegjk(x,y)為不同工況組合下的分割圖像；

44、s206：保存并輸出所有工況組合下的重合區(qū)域soverlap(x,y)。

45、優(yōu)選地，所述步驟s3具體包括以下步驟：

46、s301：在圖像識別軟件中讀取步驟s206得到的所有工況下的重合區(qū)域，基于加權(quán)平均法進(jìn)行灰度化處理，得到轉(zhuǎn)化后的灰度化圖像，灰度化處理的表達(dá)式為：

47、gray＝0.299r+0.587g+0.114b

48、其中，gray為灰度化處理后的灰度值，r、g、b分別表示rgb圖像中的紅色、綠色和藍(lán)色的三個(gè)分量值；

49、s302：根據(jù)得到的灰度化圖像獲取圖像像素坐標(biāo)值和灰度值，創(chuàng)建初始值為0的全零矩陣，將圖像像素坐標(biāo)值和灰度值帶入全零矩陣，輸出得到重合區(qū)域圖像的灰度矩陣；

50、s303：根據(jù)得到的重合區(qū)域圖像的灰度矩陣提取矩陣系數(shù)，并形成系數(shù)集，對系數(shù)集中的系數(shù)數(shù)據(jù)進(jìn)行0-1標(biāo)準(zhǔn)化處理，保證每個(gè)系數(shù)分布在(0,1)區(qū)間內(nèi)，輸出得到標(biāo)準(zhǔn)化系數(shù)集，0-1標(biāo)準(zhǔn)化處理的表達(dá)式為；

51、

52、其中，x*為經(jīng)過標(biāo)準(zhǔn)化處理后的數(shù)據(jù)值，xu為系數(shù)集中的原始數(shù)據(jù)值，xmax為系數(shù)集中的最大值，xmin為系數(shù)集中的最小值；

53、s304：對標(biāo)準(zhǔn)化系數(shù)集選取s個(gè)樣本(xr,yr)，定義s個(gè)樣本中xr為測試樣本數(shù)據(jù)，yr為訓(xùn)練樣本數(shù)據(jù)，采用曼哈頓距離計(jì)算方法，計(jì)算測試樣本數(shù)據(jù)到每個(gè)訓(xùn)練樣本數(shù)據(jù)的距離，將每個(gè)訓(xùn)練樣本數(shù)據(jù)按照與測試樣本數(shù)據(jù)的距離大小進(jìn)行排序，根據(jù)距離大小選取距離測試樣本數(shù)據(jù)最近的q個(gè)樣本數(shù)據(jù)，q個(gè)樣本數(shù)據(jù)的集合為q，計(jì)算測試樣本數(shù)據(jù)到每個(gè)訓(xùn)練樣本數(shù)據(jù)的距離的表達(dá)式為：

54、

55、其中，d(xr,yr)為訓(xùn)練樣本數(shù)據(jù)與測試樣本數(shù)據(jù)的距離，xr為測試樣本數(shù)據(jù)，yr為訓(xùn)練樣本數(shù)據(jù)，r為樣本數(shù)據(jù)的數(shù)量，r為樣本數(shù)據(jù)的序號，r＝1,2,3,...,r；

56、s305：將集合q中每類樣本類別記為ci，判別所選取的q個(gè)樣本數(shù)據(jù)在訓(xùn)練樣本數(shù)據(jù)中出現(xiàn)頻率最高的類別，其判別表達(dá)式為：

57、

58、其中，r＝1,2,3,...,r,r為樣本數(shù)據(jù)的數(shù)量，r為樣本數(shù)據(jù)的序號，i＝1,2,3,...,c，i為類別序號，c為類別數(shù)量，y為判別值，qq(x)為集合q中q個(gè)樣本數(shù)據(jù)中的測試樣本數(shù)據(jù)；

59、當(dāng)判別值為1時(shí)，則ci是q個(gè)樣本數(shù)據(jù)出現(xiàn)頻率最高的類別，若判別值為0時(shí)，則ci不是q個(gè)樣本數(shù)據(jù)出現(xiàn)頻率最高的類別，當(dāng)訓(xùn)練樣本數(shù)據(jù)yr趨近于1且分類結(jié)果為argmaxci時(shí)，則判別得到系數(shù)接近于1的預(yù)測分類類別；

60、s306：根據(jù)聲學(xué)傳感器列陣的位置坐標(biāo)，構(gòu)建聲學(xué)傳感器分布矩陣，提取分布矩陣的系數(shù)，對系數(shù)進(jìn)行標(biāo)準(zhǔn)化處理后，根據(jù)s305中系數(shù)趨近于1的預(yù)測分類類別判別分布矩陣趨近于1的系數(shù)分類，篩除影響因子小的聲學(xué)傳感器列陣分布，保留影響因子大的聲學(xué)傳感器列陣分布，得到新的聲學(xué)傳感器列陣分布；

61、s307：通過新的聲學(xué)傳感器陣列分布采集聲場數(shù)據(jù)，生成聲場數(shù)據(jù)集djk，為聲場數(shù)據(jù)貼上分類標(biāo)簽，分類標(biāo)簽包括影響因子大的聲學(xué)傳感器陣列分布和影響因子小的聲學(xué)傳感器陣列分布的分類，分別估算分類樣本在錯(cuò)誤分類時(shí)帶來的損失代價(jià)，構(gòu)建代價(jià)敏感矩陣，定義基于代價(jià)敏感矩陣的損失函數(shù)，然后構(gòu)建代價(jià)敏感模型，采用梯度下降法優(yōu)化損失函數(shù)進(jìn)行代價(jià)敏感模型訓(xùn)練，將代價(jià)敏感矩陣帶入訓(xùn)練好的代價(jià)敏感模型，輸出驗(yàn)證聲場數(shù)據(jù)集中影響因子大的傳感器陣列分布的分類正確率，判斷分類正確率是否滿足正確率要求，若不滿足則重復(fù)步驟s301-s306，直至滿足分類正確率要求，并將此時(shí)的聲學(xué)傳感器列陣分布作為最優(yōu)的聲學(xué)傳感器列陣分布結(jié)果；其中代價(jià)敏感矩陣的表達(dá)式為：

62、

63、其中，對角線元素為0表示接近1的分類樣本和非接近1的分類樣本中的樣本數(shù)據(jù)均正常分類時(shí)無損失代價(jià)產(chǎn)生，對角線元素為m01和m10分別為接近1的分類樣本和非接近1的分類樣本中的樣本數(shù)據(jù)均錯(cuò)誤分類時(shí)的損失代價(jià)；

64、損失函數(shù)的表達(dá)式為：

65、

66、其中，l(θ)為損失函數(shù)，v為樣本數(shù)量，w為類別數(shù)量，e為樣本序號，f為類別序號；yef為第e個(gè)樣本于第f類的標(biāo)簽、pef(θ)為第e個(gè)樣本于第f類的概率，ωef為第e個(gè)樣本被錯(cuò)誤分類到第f類時(shí)產(chǎn)生的損失代價(jià)，λef為第f類的懲罰參數(shù)，cf為第f類的樣本數(shù)量；s308：通過s307得到的最優(yōu)的聲學(xué)傳感器列陣分布，采集聲場數(shù)據(jù)，生成聲場數(shù)據(jù)集djk，重復(fù)步驟s2，獲得新的所有工況組合下的重合區(qū)域soverlap(x,y)。

67、優(yōu)選地，步驟s4具體包括以下步驟：

68、s401：對新的所有工況組合下的重合區(qū)域soverlap(x,y)進(jìn)行時(shí)頻分析，采用短時(shí)傅里葉變換對重合區(qū)域內(nèi)的聲場信號進(jìn)行變換，得到時(shí)頻圖像，其表達(dá)式為：

69、

70、其中，stft(soverlap)(x,y,t,ω)為時(shí)頻圖像，soverlap(x,y,τ)為重合區(qū)域的聲場強(qiáng)度，ω為角頻率，τ為時(shí)間延遲，w(t-τ)為窗口函數(shù)，j為虛數(shù)單位；

71、s402：對時(shí)頻圖像進(jìn)行特征提取，提取出聲場信號的主要頻率分量、能量分布和時(shí)頻變化特征，時(shí)頻變化特征包括頻率峰值、能量集中度和頻率變化速率；

72、s403：對提取的時(shí)頻變化特征采用k-means聚類算法將相似特征聚類，得到不同聚類中心代表的特征類別，聚類中心表示為：

73、

74、其中，co為第o個(gè)聚類中心，no為第o類特征集合，fz為第z個(gè)特征；

75、s404：根據(jù)聚類中心的分布情況，將不同聚類中心對應(yīng)的聲場特征與已知故障類型的聲場特征進(jìn)行比對，識別故障類型；

76、s405：將識別出的故障類型和對應(yīng)的聲場特征記錄在故障數(shù)據(jù)庫中，更新故障數(shù)據(jù)庫。

77、優(yōu)選地，所述步驟s5具體包括以下步驟：

78、s501：對新的所有工況組合下的重合區(qū)域soverlap(x,y)的聲場強(qiáng)度進(jìn)行定量分析，計(jì)算各個(gè)網(wǎng)格點(diǎn)的聲場強(qiáng)度均值和標(biāo)準(zhǔn)差，其表達(dá)式為：

79、

80、其中，μs(x,y)為聲場強(qiáng)度均值，t為總采樣時(shí)間，soverlap(x,y,t)為在坐標(biāo)(x,y)處t時(shí)重合區(qū)域的聲場強(qiáng)度，σs(x,y)為聲場強(qiáng)度標(biāo)準(zhǔn)差，t為時(shí)間變量；

81、s502：采用快速傅里葉變換計(jì)算新的所有工況組合下的重合區(qū)域的頻譜密度，其計(jì)算公式為：

82、

83、其中，fft(soverlap)(x,y,ω)為頻譜密度，soverlap(x,y,t)為在坐標(biāo)(x,y)處t時(shí)重合區(qū)域的聲場強(qiáng)度，j為虛數(shù)單位，ω為角頻率，t為時(shí)間變量；

84、s503：對頻譜密度進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)化的頻譜密度函數(shù)，其表達(dá)式為：

85、

86、其中，snorm(x,y,ω)為標(biāo)準(zhǔn)化后的頻譜密度函數(shù)，fft(soverlap)(x,y,ω)為頻譜密度，soverlap(x,y,t)為在坐標(biāo)(x,y)處t時(shí)重合區(qū)域的聲場強(qiáng)度，j為虛數(shù)單位，ω為角頻率，t為時(shí)間變量；

87、s504：根據(jù)聲場強(qiáng)度均值、聲場強(qiáng)度標(biāo)準(zhǔn)差、標(biāo)準(zhǔn)化的頻譜密度函數(shù)計(jì)算故障評估指數(shù)，其表達(dá)式為：

88、

89、其中，findex(x,y)為故障評估指數(shù)，α，β，γ分別為權(quán)重系數(shù)，μs(x,y)為聲場強(qiáng)度均值，σs(x,y)為聲場強(qiáng)度標(biāo)準(zhǔn)差，snorm(x,y,ω)為標(biāo)準(zhǔn)化后的頻譜密度函數(shù)，ω為角頻率的最大值；

90、s505：將故障評估指數(shù)與預(yù)設(shè)的故障評估標(biāo)準(zhǔn)進(jìn)行對比，findex(x,y)超過預(yù)設(shè)的故障評估指標(biāo)fthreshold則認(rèn)定為存在故障，findex(x,y)介于fthreshold與2fthreshold之間則認(rèn)定存在輕微故障；findex(x,y)介于2fthreshold與3fthreshold之間則認(rèn)定存在輕微故障，findex(x,y)大于3fthreshold則認(rèn)定存在嚴(yán)重故障。

91、本發(fā)明與現(xiàn)有技術(shù)相比，通過生成轉(zhuǎn)向架關(guān)鍵部位的聲場分布云圖，并結(jié)合圖像處理技術(shù)對云圖進(jìn)行分析，可以識別故障類型以及判斷故障程度，提高了故障檢測的準(zhǔn)確性，優(yōu)化傳感器陣列的布局，減少傳感器的數(shù)量，降低成本，同時(shí)提高監(jiān)測效率和覆蓋精度，最小化聲學(xué)傳感器數(shù)量的前提下，可以最大化聲場覆蓋范圍，確保對轉(zhuǎn)向架關(guān)鍵部位的全面監(jiān)測。