一种基于车体横向加速度的重载机车车钩失稳预警方法转让专利
申请号 : CN202310093921.6
文献号 : CN115828086B
文献日 : 2023-05-19
发明人 : 陈是扦 , 王开云 , 翟婉明 , 宋沛泽 , 谢博 , 凌亮
申请人 : 西南交通大学
摘要 :
本发明属于重载机车车钩状态监测技术领域，公开了一种基于车体横向加速度的重载机车车钩失稳预警方法，其步骤包括：采集列车在不同工况下的车体横向加速度响应信号；采用低通滤波器对信号进行滤波，并对加速度异常值进行剔除；提取车体横向振动加速度信号时域、频域和时频域特征；利用提取到的特征构建数据集，对数据集添加分类标签，对数据集进行归一化处理并划分训练集、验证集和测试集；将SVM惩罚参数及核函数参数作为优化参数，以验证集分类准确率为适应度函数；利用验证集对PSO‑SVM模型的参数进行选代寻优；对测试集车钩稳定性状态进行识别，判断车钩是否失稳，本发明具有低成本、高效率的优点。
权利要求 :
1.一种基于车体横向加速度的重载机车车钩失稳预警方法,其特征在于，包括以下步骤：
1)信号采集：采集列车在不同工况下的车体横向加速度响应信号；
2)信号处理：采用低通滤波器对车体横向加速度响应信号进行低通滤波，滤除因外部环境产生的信号噪声,并对加速度异常值进行剔除；
3)信号特征提取：对处理后的信号提取车体横向振动加速度信号时域、频域、和时频域特征；
4)数据集构建：利用提取到的时域、频域、和时频域特征构建数据集，对数据集添加分类标签，对数据集进行归一化处理并划分训练集、验证集、测试集；
5)建立PSO‑SVM模型：将SVM惩罚参数及核函数参数作为优化参数，以验证集分类准确率为适应度函数，具体步骤如下：
5.1：SVM核函数选择高斯核以实现非线性映射，如下式所示： （2）
式中： 为输入样本， 为高斯核核参数；
5.2：确定待优化参数 ， ；确定粒子种群规模P、最大迭代次数N、惯性权重 、加速度因子 、 ；粒子的速度 及位置 的更新公式为： （3）
（4）
式中： 为惯性权重； 和 分别为第k次迭代粒子i的速度和位置；k为当前迭代次数；加速度因子 和 为非负常数； 和 为分布于 之间的随机数； 为粒子个体历史最佳位置， 为粒子种群历史最佳位置；
6) 优化PSO‑SVM模型参数：利用验证集对PSO‑SVM模型的参数进行迭代寻优；
7）状态识别：对测试集车钩稳定性状态进行识别，判断车钩摆角是否超出稳定性限值，从而判断车钩是否失稳。
2.根据权利要求1所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，1）中，通过建立机车‑货车联挂动力学仿真模型，以200Hz采样频率采集电力机车在运行速度分别为40km/h、60km/h，及不同纵向冲击力、不同牵引/制动力条件下的车体横向加速度。
3.根据权利要求1所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，2）中，低通滤波器的截止频率为80Hz，加速度异常值是指由于传感器测试故障引起的测量值偏移。
4.根据权利要求1所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，3）中，时域特征包括最大值、最小值、平均值、峰值、整流平均值、方差、标准差、峭度、偏度、均方根、裕度因子、脉冲因子、波形因子、峰值因子；频域特征包括：重心频率、均方根频率、频率方差、频率标准差；时频特征包括：奇异谱熵、功率谱熵、能量熵。
5.根据权利要求1所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，4）中，对车钩摆角大于 样本标签为1，车钩摆角小于等于 标签为0，建立训练集样本为 ，归一化过程如式（1）所示： （1）
式中： 为归一化后数据， 为样本中待归一化数据， 和 分别为数据集中最大值和最小值。
6.根据权利要求1或5所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，训练集、验证集、测试集比例为320：50：40。
7.根据权利要求1所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其特征在于，粒子种群规模P=30；最大迭代次数N=100；惯性权重 =1； =1.8； =1.9。
说明书 :
一种基于车体横向加速度的重载机车车钩失稳预警方法
技术领域
[0001] 本发明属于重载机车车钩状态监测技术领域，具体涉及一种基于车体横向加速度的重载机车车钩失稳预警方法。
背景技术
[0002] 重载铁路运输对降低运输成本，提高运输效率有着重要意义，是国内外公认的铁路货运发展方向。重载运输因具有大运量、低成本、高效率等优势受到世界各国的广泛重
视，中国、美国、澳大利亚等多个国家均开行了重载列车并普遍采用增加列车轴重，扩大列
车编组等方式来提高重载铁路运输能力。然而，重载列车轴重与编组长度的增加也加剧了
列车运行中的纵向冲动，给机车和车钩缓冲器的服役性能带来极大考验。车钩缓冲装置在
纵向冲动作用下产生的压钩力容易导致车钩失稳，进而产生过大的车钩力横向分量，车钩
横向力经车体、悬挂传递至轮对，导致轮轴横向力增大，增加了车轮爬轨、脱轨、车辆侧翻的
事故风险。目前，国内通用的2万吨重载列车车钩摆角安全限值为 ，多起重载铁路安全事
故均是因为列车车钩摆角过大、车钩失稳而发生，因此，实时且准确地监测车钩稳定状态对
重载列车安全运行有着重要意义。
视，中国、美国、澳大利亚等多个国家均开行了重载列车并普遍采用增加列车轴重，扩大列
车编组等方式来提高重载铁路运输能力。然而，重载列车轴重与编组长度的增加也加剧了
列车运行中的纵向冲动，给机车和车钩缓冲器的服役性能带来极大考验。车钩缓冲装置在
纵向冲动作用下产生的压钩力容易导致车钩失稳，进而产生过大的车钩力横向分量，车钩
横向力经车体、悬挂传递至轮对，导致轮轴横向力增大，增加了车轮爬轨、脱轨、车辆侧翻的
事故风险。目前，国内通用的2万吨重载列车车钩摆角安全限值为 ，多起重载铁路安全事
故均是因为列车车钩摆角过大、车钩失稳而发生，因此，实时且准确地监测车钩稳定状态对
重载列车安全运行有着重要意义。
[0003] 目前，常用的车钩状态监测方法是通过在中部机车车钩处布置拉线位移传感器、摄像头等设备，然后采集位移信号或图像信号判断车钩稳定状态。但该方法受到线路恶劣
环境影响，易造成拉线断裂等设备受损问题，且基于图像技术的车钩状态监测方法受到天
气、光线等外部环境影响，造成了监测成本高、识别准确率低等问题。由于机车振动情况和
车钩稳定状态密切相关，且加速度传感器设置于机车内部，通过车体振动情况识别车钩稳
定状态可以避免上述问题，且具有高效率、高精度的优点。近年来，机器学习算法在重载列
车故障诊断领域有着一定应用，但多用于轨道损伤检测、车轮多边形识别等，且有些算法模
型复杂，参数众多，并不适用于在线故障诊断与监测，支持向量机(Support Vector
Machine,SVM)学习能力强、参数少，有着极强的泛化能力，克服了传统神经网络学习时间
长、收敛速度慢等问题。针对SVM在状态识别精度方面受训练参数影响大的特点，利用粒子
群优化算法(Particle Swarm Optimization,PSO)对SVM参数进行全局迭代寻优，并用得到
的最优参数进行实时识别，有利于提高识别精度。此外，PSO‑SVM还具有收敛速度快等优点，
可用于铁路重载机车车钩状态实时监测与识别等问题。
环境影响，易造成拉线断裂等设备受损问题，且基于图像技术的车钩状态监测方法受到天
气、光线等外部环境影响，造成了监测成本高、识别准确率低等问题。由于机车振动情况和
车钩稳定状态密切相关，且加速度传感器设置于机车内部，通过车体振动情况识别车钩稳
定状态可以避免上述问题，且具有高效率、高精度的优点。近年来，机器学习算法在重载列
车故障诊断领域有着一定应用，但多用于轨道损伤检测、车轮多边形识别等，且有些算法模
型复杂，参数众多，并不适用于在线故障诊断与监测，支持向量机(Support Vector
Machine,SVM)学习能力强、参数少，有着极强的泛化能力，克服了传统神经网络学习时间
长、收敛速度慢等问题。针对SVM在状态识别精度方面受训练参数影响大的特点，利用粒子
群优化算法(Particle Swarm Optimization,PSO)对SVM参数进行全局迭代寻优，并用得到
的最优参数进行实时识别，有利于提高识别精度。此外，PSO‑SVM还具有收敛速度快等优点，
可用于铁路重载机车车钩状态实时监测与识别等问题。
发明内容
[0004] 为克服上述存在之不足，本发明的发明人通过长期的探索尝试以及多次的实验和努力，不断改革与创新，提出了一种基于车体横向加速度的重载机车车钩失稳预警方法，其
通过提取车体横向加速度信号特征识别车钩状态是否失稳，具有低成本、高效率的优点，将
PSO算法用于优化SVM惩罚参数和核函数参数，从而得到SVM的最优模型参数，进而运用到车
钩稳定性识别，以提高识别准确率。
通过提取车体横向加速度信号特征识别车钩状态是否失稳，具有低成本、高效率的优点，将
PSO算法用于优化SVM惩罚参数和核函数参数，从而得到SVM的最优模型参数，进而运用到车
钩稳定性识别，以提高识别准确率。
[0005] 为实现上述目的本发明所采用的技术方案是：提供一种基于车体横向加速度的重载机车车钩失稳预警方法。包括以下步骤：
[0006] 1)信号采集：采集列车在不同工况下的车体横向加速度响应信号；
[0007] 2)信号处理：采用低通滤波器对车体横向加速度响应信号进行低通滤波，滤除因外部环境产生的信号噪声,并对加速度异常值进行剔除；
[0008] 3)信号特征提取：对处理后的信号提取车体横向振动加速度信号时域、频域、和时频域特征；
[0009] 4)数据集构建：利用提取到的时域、频域、和时频域特征构建数据集，对数据集添加分类标签，对数据集进行归一化处理并划分训练集、验证集、测试集；训练集及验证集用
于优化模型参数，测试集用于测试性能；
于优化模型参数，测试集用于测试性能；
[0010] 5)建立训练PSO‑SVM模型：将SVM惩罚参数及核函数参数作为优化参数，以验证集分类准确率为适应度函数；
[0011] 6) PSO‑SVM参数优化：利用验证集对PSO‑SVM模型参数进行迭代寻优；
[0012] 7）状态识别：对测试集车钩稳定性状态进行识别，判断车钩是否失稳。
[0013] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：1）中，通过建立机车‑货车联挂动力学仿真模型，以200Hz采样频率
采集电力机车在运行速度分别为40km/h、60km/h，及不同纵向冲击力、不同牵引/制动力条
件下的车体横向加速度。
采集电力机车在运行速度分别为40km/h、60km/h，及不同纵向冲击力、不同牵引/制动力条
件下的车体横向加速度。
[0014] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：2）中，低通滤波器的截止频率为80Hz，加速度异常值是指由于传感
器测试故障引起的测量值偏移。
器测试故障引起的测量值偏移。
[0015] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：3）中，时域特征包括最大值、最小值、平均值、峰值、整流平均值、方
差、标准差、峭度、偏度、均方根、裕度因子、脉冲因子、波形因子、峰值因子；频域特征包括：
重心频率、均方根频率、频率方差、频率标准差；时频特征包括：奇异谱熵、功率谱熵、能量
熵。
差、标准差、峭度、偏度、均方根、裕度因子、脉冲因子、波形因子、峰值因子；频域特征包括：
重心频率、均方根频率、频率方差、频率标准差；时频特征包括：奇异谱熵、功率谱熵、能量
熵。
[0016] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：4）中，对车钩摆角大于 样本标签为1，车钩摆角小于等于 标签
为0，建立训练集样本为 ，归一化过程如式（1）所示：
为0，建立训练集样本为 ，归一化过程如式（1）所示：
[0017] （1）
[0018] 式中： 为归一化后数据， 为样本中待归一化数据， 和 分别为数据集中最大值和最小值。
[0019] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：采用训练集及验证集优化模型参数，采用测试集测试模型对车钩
摆角失稳预警的识别效果；训练集、验证集、测试集比例为320：50：40。
摆角失稳预警的识别效果；训练集、验证集、测试集比例为320：50：40。
[0020] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：5)建立PSO‑SVM模型，具体步骤如下：
[0021] 5.1：SVM核函数选择高斯核以实现非线性映射，如下式所示：
[0022] （2）
[0023] 式中： 为输入样本， 为高斯核核参数；
[0024] 5.2：确定待优化参数 ，；确定粒子种群规模P、最大迭代次数N、惯性权重 、加速度因子 、 ；粒子的速度 及位置 的更新公式为：
[0025] （3）
[0026] （4）
[0027] 式中： 为惯性权重； 和 分别为第k次迭代粒子i的速度和位置；k为当前迭代次数；加速度因子 和 为非负常数； 和 为分布于 之间的随机数； 为
粒子个体历史最佳位置， 为粒子种群历史最佳位置。
粒子个体历史最佳位置， 为粒子种群历史最佳位置。
[0028] 根据本发明所述的一种基于车体横向加速度的重载机车车钩失稳预警方法，其进一步的优选技术方案是：粒子种群规模P=30；最大迭代次数N=100；惯性权重 =1； =1.8；
=1.9。
=1.9。
[0029] 相比现有技术，本发明的技术方案具有如下优点/有益效果：
[0030] 1、通过提取车体横向加速度信号时域、频域及时频域特征识别车钩状态是否失稳，克服了传统方法需要在运行环境的车钩处安装测试传感器的缺陷，并具有低成本、高效
率的优点；
率的优点；
[0031] 2、将PSO算法用于优化SVM惩罚参数和核函数参数，以验证集分类准确率作为PSO‑SVM模型适应度函数，经过多次迭代寻优得到SVM的最优模型参数，克服了SVM手动选择参数
导致的识别准确率低的缺陷，进而运用到车钩稳定性识别，以提高识别准确率。
导致的识别准确率低的缺陷，进而运用到车钩稳定性识别，以提高识别准确率。
附图说明
[0032] 为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作
是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根
据这些附图获得其他相关的附图。
是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根
据这些附图获得其他相关的附图。
[0033] 图1为本发明一种基于车体横向加速度的重载机车车钩失稳预警方法流程图。
[0034] 图2为PSO算法适应度迭代曲线图。
[0035] 图3为测试集分类结果图。
[0036] 图4为本发明重载机车车钩失稳预警示意图。
具体实施方式
[0037] 为使本发明目的、技术方案和优点更加清楚，下面对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明的一部分实施方式，而不是全
部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前
提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下提供的本发明的实
施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实
施方式。
部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前
提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下提供的本发明的实
施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实
施方式。
[0038] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中可以不对其进行进一步定义和解释。
[0039] 实施例：
[0040] 如图1所示，工作流程图如图1所示，具体步骤如下：
[0041] 1)采集电力机车在不同工况下的车体横向加速度信号，并通过时间窗提取车体横向加速度信号；
[0042] 具体实施方式中，通过建立机车‑货车联挂动力学仿真模型，以200Hz采样频率采集电力机车在运行速度分别为40km/h、60km/h，及不同纵向冲击力、不同牵引/制动力条件
下的车体横向加速度。
下的车体横向加速度。
[0043] 2)信号去噪（指滤波）及去除异常数据（指对加速度异常值进行剔除）；由于在现场实测数据中易受外界环境干扰，因此要对测量值进行滤波，加速度异常值是由于传感器测
试故障引起的测量值偏移，
试故障引起的测量值偏移，
[0044] 具体实施中，采用的低通滤波器的截止频率为80Hz，并对加速度异常值进行剔除。
[0045] 3)提取采集车体横向振动加速度信号时域、频域、和时频域特征；
[0046] 其中，时域特征包括最大值、最小值、平均值、峰值、整流平均值、方差、标准差、峭度、偏度、均方根、裕度因子、脉冲因子、波形因子、峰值因子；频域特征包括：重心频率、均方
根频率、频率方差、频率标准差；时频特征包括：奇异谱熵、功率谱熵、能量熵。
根频率、频率方差、频率标准差；时频特征包括：奇异谱熵、功率谱熵、能量熵。
[0047] 4)对数据集添加分类标签，对数据集进行归一化处理并划分训练集、验证集、测试集;
[0048] 对车钩摆角大于 样本标签为1，车钩摆角小于等于 标签为0，建立训练集样本为 ，归一化过程如式（1）所示：
[0049] （1）
[0050] 式中： 为归一化后数据，为样本中待归一化数据， 和 分别为数据集中最大值和最小值。
[0051] 训练集、验证集、测试集为数据集中不同样本，训练集与验证集用于对SVM模型进行参数优化，测试集用于测试优化后模型性能；训练集、验证集、测试集比例为320：50：40。
[0052] 5)建立PSO‑SVM模型，具体步骤如下：
[0053] 5.1：SVM核函数选择高斯核以实现非线性映射，如下式所示。
[0054] （2）
[0055] 式中： 为输入样本， 为高斯核核参数。
[0056] 5.2：确定待优化参数 ，；确定粒子种群规模P、最大迭代次数N、惯性权重 、加速度因子 、 ；粒子的速度 及位置 的更新公式为：
[0057] （3）
[0058] （4）
[0059] 式中：为惯性权重； 和 分别为第k次迭代粒子i的速度和位置；k为当前迭代次数；加速度因子 和 为非负常数； 和 为分布于 之间的随机数； 为粒子
个体历史最佳位置， 为粒子种群历史最佳位置。
个体历史最佳位置， 为粒子种群历史最佳位置。
[0060] 具体实施中，粒子种群规模P=30；最大迭代次数N=100；惯性权重 =1； =1.8；=1.9。按以上参数迭代寻优100次，得到SVM最优参数组合。迭代结果如图2所示。
[0061] 6) 对测试集的车钩稳定状态进行识别，判断车钩摆角是否超出稳定性限值。结果如图3图4所示。
[0062] 具体实施中，用测试集进行车钩稳定状态识别，测试集识别准确率为97.5%。该方法对判别车钩是否失稳有较高的识别准确率，可以为车辆运行中车钩稳定性状态判别提供
依据。
依据。
[0063] 在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特
定的方位构造和操作，因此不能理解为对本发明的限制。
定的方位构造和操作，因此不能理解为对本发明的限制。
[0064] 在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连
接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内
部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情
况理解上述术语在本发明中的具体含义。
接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内
部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情
况理解上述术语在本发明中的具体含义。
[0065] 以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的
普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改
进和润饰也应视为本发明的保护范围。
普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改
进和润饰也应视为本发明的保护范围。