动车组制动控制系统故障分析及改进_动车组制动控制系统

动车组制动控制系统故障分析及改进由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“动车组制动控制系统”。

摘要

随着高速铁路在我国的普及，动车组的运行安全问题受到越来越多的关注。如何保障列车安全可靠的运行，成为近期的研究热点和难点问题。

制动控制系统作为动车组制动系统的关键组成部分，能否正常稳定工作，直接影响动车组的安全可靠运行，因此对制动控制系统的状态监测和故障诊断显得尤为重要和关键。由于动车组制动控制系统的复杂性及引进消化吸收的时间不长，制动控制系统故障仍较为多发，严重影响着动车组的正常稳定可靠运行。因此本课题对动车组制动控制系统中关键设备和部件的故障及潜在故障隐患开展深入研究，提出和改进了己有的故障特征提取技术和故障诊断方法，用于动车组制动控制系统关键设备和部件的故障诊断，以提高制动控制系统的可靠性、稳定性和主动安全防护能力。设计开发了制动控制单元自动化测试与故障诊断系统，并运用在CRH2型动车组制动控制系统的监测与故障诊断中，取得了很好的效果。

关键词:制动控制系统故障;诊断;集成经验模态分解;最小二乘支持向量机;粒子群算法

目录

摘要.....................................................................................................................1 第1章制动控制系统故障诊断研究现状及存在的问题...................................5

1.1故障特征提取技术.................................................................................5 1.2故障诊断方法.........................................................................................6

(1)基于专家系统的故障诊断方法......................................................6(2)基于人工神经网络的故障诊断方法..............................................7(3)基于案例推理的故障诊断方法......................................................8(4)基于多智能体的故障诊断方法......................................................8(6)基于主成分分析的故障诊断方法..................................................9(7)基于支持向量机的故障诊断方法..................................................9 1.3智能故障诊断系统...............................................................................10 1.4存在的问题...........................................................................................12 第2章故障特征提取技术与故障诊断方法.....................................................14 2.1主成分分析法.......................................................................................14 2.2集成经验模态分解方法.......................................................................15 2.2.1经验模态分解...........................................................................15 2.2.2集成经验模态分解...................................................................16 2.3最小二乘支持向量机的原理及结构参数优化方法...........................17 2.3.1最小二乘支持向量机的原理...................................................17 2.3.2最小二乘支持向量机结构参数优化方法...............................18 2.3.3遗传算法...................................................................................18 2.3.4模拟退火算法...........................................................................19 2.3.5粒子群算法...............................................................................19 2.4最小二乘支持向量机的多分类方法...................................................19 2.4.1一对多的多分类法...................................................................20 2.4.2一对一的多分类法...................................................................20 2.4.3有向无环图的多分类法...........................................................21 2.4.4二叉树结构的多分类法...........................................................22

2.4.5基于改进最优二叉树的多分类法...........................................23 本章小结......................................................................................................24 参考文献..............................................................................................................25

绪论

随着高速动车组在我国的飞速发展，动车组运行的可靠性和安全性受到越来越多的关注。作为动车组九大关键技术之一，制动系统能否稳定可靠工作直接关系到动车组的安全稳定运行。而制动控制系统作为制动系统的大脑和控制核心，负责制动系统的操作和具体执行，其工作安全可靠性显得尤为重要。

故障诊断技术是一门了解和掌握设备在使用过程中的状态，确定其整体或局部是正常还是异常，早期发现故障及其原因，并预报故障发展趋势的技术。随着科学技术的进步和人民生活水平的提高，乘坐动车组出行变得越来越普遍。如果动车组上的某台设备出现故障而又未能及时发现和排除，其结果不仅会导致设备本身损坏，还可能造成列车非正常停车或发生事故，甚至发生车毁人亡的严重后果，造成巨大的经济及人员损失。因此，对动车组组成的各个设备和零部件进行故障诊断具有极为重要的意义。

制动控制系统是一个复杂的系统，产生故障的环节较多，如制动控制系统制动控制单元通讯故障可能涉及到内部所有控制板的工作状态;制动控制系统中的传感器故障可能导致列车制动性能的下降或紊乱。由于列车在运用过程中，工作环境和列车操作状态等会实时发生改变，从而导致制动控制系统的某一故障可能只有在特定的条件下才能够出现。因此有些故障需要结合车型和设备类型才能查找故障的根本原因。

当前大部分的动车组制动系统及其制动控制系统都已经具有一定的自行诊断功能，能够诊断出常见的系统故障，但是由于出现故障的不可预知性和系统运行现场环境的多变性等因素，工作人员无法完全知道整个系统可能出现的所有故障。另一方面，设备的自诊断功能也不能诊断出设备运行的所有故障和其自身内部的故障，有些故障需要通过电压、电流、温度、压力和速度等特征描述，需要应用信号处理、数据挖掘和信息融合等多种技术进行分析。由于这些技术的先进性、复杂性和智能化高等特点，往往需要专门的维修人员到现场维修，这就导致故障拖延时间长、故障原因查不清楚和维修费用高等问题。

第1章制动控制系统故障诊断研究现状及存在的问题

目前故障诊断的理论方法主要分为三类:基于知识的方法、基于数学模型的方法和基于人工智能的方法。其中基于人工智能的故障诊断方法由于其方法的智能性和多领域结合，取得很大的进展和成就。目前对故障诊断技术的研究主要分为两部分:故障特征提取技术的研究和智能故障诊断方法的研究，下面分别对二者作简要的概述。

1.1故障特征提取技术

在故障诊断技术的发展过程中，最重要最关键而且也是最困难的问题之一就是故障特征信息的提取。在某种意义上，特征提取也可以说是当前故障诊断研究中的瓶颈问题，它直接关系到故障诊断的准确性和故障早期预报的可靠性。

传统的频谱分析、傅里叶分析、包络分析、相关分析和最大墒谱分析等信号处理方法，在设备状态监测与故障诊断中发挥了巨大作用，仍是目前最常用的故障特征提取方法之一。设备的故障通常以各种各样的信号表征出来，可以通过信解决措施，防止类似故障的再次发生，在Entroncamento-Guarda货运机车上应用后取得很好的效果。号分析的方法获取某一故障的特征信息，进而对故障进行诊断。具体到动车组制动控制系统，故障特征提取与分析技术就是应用各种信号分析技术对动车组制动控制装置的监测信号进行各种分析，进而提取出对特定故障敏感的特征信息的技术。

早期的信号分析研究主要集中在经典信号分析方法，取得了大量的研究和应用成果。然而以傅里叶变换为基础的经典信号分析方法也存在明显的缺点，傅里叶变换反映的是一段信号的整体统计特性，适合平稳信号的分析。实际上设备发生故障后，故障信号是包含噪声等其他信号的非线性、非平稳随机信号，而傅里叶变化对信号的时频细节分解不够，在分析非线性、非平稳信号时存在重大缺陷。随着新技术的发展，针对非平稳信号、非线性信号的新分析方法如小波分析、希伯特一黄变换和主成分分析等信号分析方法不断出现，并且很快应用到列车的设备状态监测和故障诊断中，取得了很好的效果。Lin Lixin等在对SS7E电力机车变流器故障诊断中，采用小波分析的方法提取变流器输出电流波形，提取小波特征嫡组成特征向量，输入到神经网络中进行故障诊断，仿真试验证明了提出方法的有效性。Lei Yaguo等采用EEMD分解和小波神经网络对机车的滚动轴承进

行了故障诊断，可以识别轴承故障的严重故障以及识别多种复合故障，取得了很好的效果。Morgado等”针对葡萄牙铁路公司2600系列机车的齿轮箱外壳故障，采用PCA分析对引起外壳故障的振动和疲劳情况进行归纳分析，并提出了相应的解决措施，防止类似故障的再次发生，在Entroncamento-Guarda货运机车上应用后取得很好的效果。

1.2故障诊断方法

随着人工智能技术的发展，故障诊断方法由传统的故障树分析方法和逻辑推理法等系统诊断法发展到当前的专家系统、人工神经网络、粗糙集、支持向量机、信息融合理论和多智能体方法等基于模式识别等智能化诊断方法。智能诊断技术为人们提供了用智能技术解决复杂系统故障诊断问题的强有力的工具。

在本课题中，对动车组制动控制系统关键设备和部件的故障诊断是属于元器件级、电路板级和设备级的故障诊断，针对动车组制动控制系统组成设备和部件，国内外提出了很多的故障诊断方法，常见的故障诊断方法如图1所示。

(1)基于专家系统的故障诊断方法

专家系统主要由知识库、数据库、推理机、解释机构、机器学习、人机接口等组成，它是研究最多、应用最为广泛的一种故障诊断方法。

西南交通大学的张永春和刘晓卉等分别设计开发了基于故障树的机车制动系统状态监测与故障诊断专家系统，通过对机车制动系统的组成和原理进行深入分析后，在Visual C++6.0开发环境下设计开发了制动系统专家故障诊断系统的软硬件，在模拟试验台上进行了模拟试验，取得了较好的效果。但该系统仅对电力机车的折角塞门误关和空气管路泄露故障进行了故障诊断分析，并没有对制动控制系统开展相应的研究。

中南大学的林立新设计开发了基于知识的SS7E电力机车电气故障诊断系统，运用逻辑识别法和模糊识别法通过对SS7E电力机车的电气故障进行认真全面的梳理和分析，构建了电气系统故障知识库，并运用正反向推理和故障树分析法，对电气系统故障进行诊断。但是只对电力机车电气故障进行诊断，且主要工作为设备开关量故障的检测与诊断。

汪子皓等采用二叉树的分析方法设计开发了二叉树模式的知识库和推理机，用于内燃机车的故障诊断，取得了整车故障诊断的高效率。

由于专家系统存在知识获取较难，学习能力较弱、容错能力差以及大容量知识情况下的知识爆炸现象，限制了其性能和推广应用。(2)基于人工神经网络的故障诊断方法

人工神经网络(Artificial Neural Network,ANN)模仿人脑神经细胞结构和功能，具有自学习能力、并行计算能力和联想能力，从而使人工神经网络理论在机车车辆设备的智能故障诊断中得到广泛的应用。中南大学的聂哗提出了基于改进遗传算法优化的BP(Back Propagation)神经网络故障诊断方法，用来诊断动车组转向架轴承的故障，取得了不错的效果。杨建伟等};]提出了基于小波包变换和BP神经网络的轴承故障诊断方法，对轴承的振动信号利用小波降噪，并提取故障特征向量，输入到BP神经网络进行训练，实现智能化的故障诊断。

图1 常见的智能故障诊断方法

大连交通大学的严书荣也提出了基于神经网络的高速列车制动故障诊断专家系统，把神经网络和专家系统相结合，发挥各自的优点，对高速列车制动故障 7

进行故障诊断。

但是人工神经网络在故障诊断中还存在以下问题:需要大容量的样本进行训练学习，且学习算法收敛的速度慢;网络的泛化能力和自适应能力较弱，网络学习率不稳定，易陷入局部最优。

(3)基于案例推理的故障诊断方法

案例推理是一种基于经验知识的类比推理方法，适用于没有完整、精确的数学模型，而有丰富经验和大量详细历史一记录的领域，对于复杂系统的故障诊断具有很大优势，相比于基于规则推理的专家系统，其知识获取容易，具有记忆功能，更容易开发和实现等优点，被广泛的应用在铁路机车车辆的故障诊断领域中。美国的Anil等提出了基于案例推理的机车故障诊断系，通过对机车故障案例的整理分析，运用案例推理的优势，开发了机车故障诊断系统。

中南大学的赵明也提出了基于案例推理的机车故障诊断专家系统，通过分析和研究机车故障诊断领域知识特点和大量的故障维修日志，构建了基于案例推理方法的专家系统，并对案例推理的知识工程和案例检索技术进行深入的分析，最后设计和建立了系统的概念模型、物理模型和软件原型系统，并进行了仿真测试，证明了方法的有效性。

目前，案例推理中故障案例的检索、重用以及故障案例库的维护成为案例推理推广的瓶颈，案例推理需要大量的故障案例，不适合小样本情况下的故障诊断。

(4)基于多智能体的故障诊断方法

多智能体理论和方法是分布式人工智能领域的重要成果，自20世纪70年代以来得到迅速发展，具有集体智能、可扩展性高鲁棒性和高可行性的优点，适合于解决大规模的复杂问题。

针对电力机车电气系统结构的复杂性和故障的并发性，中南大学的赵治平和、ang Yingze等分别将多智能体技术(Multi-Agent System,MAS)引入到机车故障诊断系统中，建立了基于多智能体技术的的8G型电力机车故障诊断系统结构模型，采用多智能体组合技术进行电力机车电气系统故障的协同故障诊断，并采用智能决策方法进行最终诊断结果确定。Yang Yingze等还搭建了20000吨重载列车同步制动系统在线状态监测和故障诊断系统，并应用到重载机车上。

目前关于多智能体理论还不完善，如智能体的知识表达、推理机制和智能体 8

学习等;系统构建复杂，各个子智能体间的协同及冲突解决问题还有待深入研究。

（5）基于贝叶斯网络的故障诊断方法

贝叶斯网络是一种能够对复杂系统建模、推理和学习的重要工具，为了提高制动系统故障诊断的有效性，北京交通大学的胡玲玲在详细阐述了贝叶斯基本原理基础上，建立适合空气制动系统故障诊断的贝叶斯网络的具体模型。诊断结果表明应用该方法进行空气制动系统故障诊断的有效性，而且可以有效的解决不确定故障的诊断。

(6)基于主成分分析的故障诊断方法

针对机车制动系统多工况的特性，中南大学的侯文明提出了一种基于多工况多主元模型的在线诊断方法，并通过仿真试验验证了主成分分析方法在制动系统故障诊断系统的有效性和可行性。

(7)基于支持向量机的故障诊断方法

支持向量机((Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的学习算法，它基于结构风险最小化原理，很好地解决小样本、非线性及高维情况下的分类问题。支持向量机一开始用于模式识别，近年来在故障诊断领域得到广泛应用。与人工神经网络相比，支持向量机样本需求少，训练时间少，抗噪能力强，并能很好解决局部收敛、过学习与欠学习等问题。

中南大学的耿永强等提出了利用经验模态分解和支持向量机诊断机车轴承故障方法，运用经验模态分解方法对轴承振动信号进行分解，将得到的若干个内察模态函数((Intrinsic Mode Functions,IMF)形成初始特征向量矩阵，然后对该矩阵进行奇异值分解，提取其奇异值作为故障特征向量，并进一步根据支持向量机分类器的输出结果来判断机车轴承的工作状态和故障类型，仿真实验结果表明该方法的有效性和小样本情况下良好的泛化能力。

Luo Jianhui等利用基于模型和支持向量机的智能故障诊断方法，结合系统方程和非线性观测器获得系统残差，以消除噪声的干扰，然后利用非线性观测器获取特征信息，输入到支持向量机中进行训练和辨识，应用于制动系统四种传感器参数的故障诊断中。

支持向量机中不敏感损失参数、核函数参数和规则化参数等的选择对诊断效果有着很大的影响，需要选择合适的优化算法对其参数进行优化处理，以获得更 9

好的诊断效果。

1.3智能故障诊断系统

铁路机车车辆故障诊断技术，国外发展比较快，目前国外的高速列车上都安装有相应的列车监测诊断系统，美国GE公司开发了内燃机车故障诊断系统DELTA和电力机车的LOCOCOMM系统，德国西门子公司开发了SIBAS32系统，加拿大的庞巴迪公司开发了MICAS系统、法国阿尔斯通公司开发了AGATE系统，德国的ICE2.2高速列车安装的DAVID诊断系统;日本新干线高速列车的监测与诊断系统主要是列车控制信息管理系统，如日本新干线200系动车组的MON 1监控系统，400系动车组的MON4监控系统、800系动车组的智能化故障监测装置等;俄罗斯国铁250km/h高速电动车组安装有“雄鹰250”安全检测与诊断系统。这都是20世纪90年代中后期发展起来的新兴高速列车监控和智能诊断技术。美国和加拿大致力发展的智能化铁路系统，将整个铁路构成一个实时网络系统进行考虑，确保铁路安全、高效地运行。在车载方面，分别在列车和货车上安装有完备的传感器组，以保障列车的安全运行。

我国铁路机车车辆故障诊断技术起步较晚，但是经过多年的不断摸索，从早期的仿制到后来的引进消化再吸收，逐步对铁路机车车辆的制造和运用形成了一系列行之有效的方法，对机车车辆控制和故障诊断技术有了比较明确的认识。国内从事诊断方法及实现技术的研究较多，但对诊断设备的研究较少，虽然有的试制了样机，并在铁路现场实验考核运用过，但由于种种原因，最终没有形成一种产品真正的大批量在机车车辆上普及应用。如中国铁道科学研究所机车车辆研究所在2004年开发的“KAX 1型行车安全监测诊断系统，在列车高速运行中可对基础制动装置的作用、转向架的性能、防滑器的工作状态等进行监测、诊断和报警。中南大学黄志武等研制的HXD2型机车法维莱制动机故障诊断系统，建立了制动机功率键合图模型和解析冗余方程，并应用到太原铁路局湖东机务段的HXD2型机车上。青岛四方机车车辆股份有限公司开发了“高速动车组制动测试系统”，利用测试系统模拟各种速度信号、车辆空簧载荷信号及再生制动模拟信号，并把模拟信号输入到动车组，通过车辆制动系统施加制动动作，输出制动信息，进而通过对制动信息数据的采集分析，判定制动系统的各项性能能否满足设计要求。北京交通大学的方科挺设计开发了CRH2动车组的应急故障模拟与维修

培训系统，以方便动车组司乘人员熟练掌握应急故障处理方法和措施。

在我国引进的动车组系列中，CRH 1, CRH2, CRH3和CRH5分别安装有国外相关公司的状态监测和故障诊断系统，如引进的CRH2动车组安装有日本东芝 的车载故障诊断系统，CRH3安装有西门子的SBIAS车载控制和故障诊断系统诊断系统总体框架结构如图2所示。CRH 1和CRH5也分别安装有各自研发的列车控制监控系统。高速动车组诊断系统是一个层次化的诊断系统，其层次化体现在高速动车组是由一系列控制子系统组成的，每个控制子系统具备检测自身故障的能力，且当故障发生时，能够对故障信息做出相应处理。

图2高速动车诊断系统总体框架

CRH2 型动车组具有比较系统全面的故障诊断系统，它的诊断以监测或设备测试的形式集成在动车组中。每个功能都可进行诊断，并报告可能的故障和各自的功能限制给动车组中央诊断系统，以便进行诊断。但是CRH2型动车组车辆诊断系统也存在一些不足，列车的诊断系统经常会发生故障误报情况，经常由于某个系统方面的单个原因产生一个故障信息，由于它们是相对独立的，所以它的故障描述及解决方案是片面的，往往无法准确描述出故障点，使得维护人员根据故障提示往往找不到故障原因。故障诊断系统是系统级的故障诊断，没有具体定位到具体设备或部件内部的故障现象，不能给出故障的深层次原因，也不具备潜在故障预警功能。

1.4存在的问题

目前国内对于动车组制动系统，特别是制动控制系统的故障诊断的工程应用和理论研究还很少，而在动车组运行中制动控制系统在制动系统中起着至关重要的作用，包括对制动系统的控制、传感器信号的采集处理和制动的性能等，都依赖于制动控制系统。制动控制系统是制动系统精确控制中重要的子系统，而长时间的线上运行，制动控制系统中的设备和部件容易产生故障或故障隐患。故障或故障隐患对于制动控制系统有的是突发的，故障特征明显的，而有些是因为长时间在恶劣环境下工作导致的漂移、电磁干扰等缓变型故障，这类故障虽然不会造成制动控制系统马上制动控制失灵等严重故障，但是制动控制系统的性能却己经受到影响或改变，给动车组的安全运行埋下隐患，而且缓变故障是长期发生的，无法用精确的数学模型刻画，传统的基于知识的专家系统无法对这些潜在的故障和隐患建立相应的规则数据库。随着时间的增加，缓变故障会产生从量变到质变的过程，一旦故障发生，就会对列车制动控制系统的闭环控制产生不可估量的影响和后果，甚至导致列车制动失灵或者颠覆等严重危及列车安全运行的事故。所以研究动车组制动控制系统故障的智能诊断对于动车组的安全运行具有十分重要的理论意义和工程价值。

随着现代科学技术的发展及自动化程度的提高，动车组制动控制系统故障诊断技术也在不断的成熟，但是由于动车组的制动控制系统是典型的机电、气、液一体化的大型复杂系统，结构庞大而复杂，很难建立起准确可靠的数学模型:另外由于制动控制系统组成的设备众多，结构存在差异，导致故障特征的共性较差;

而且在现场的应用中，制动控制系统有效状态信息的获取面临着极大的困难，传感器性能或者不能满足测试环境要求、或者价格昂贵。目前制动控制系统的故障诊断方法很多，比较凌乱，还不存在一种较为通用性的方法。这也是制约动车组制动控制系统故障诊断技术发展的主要因素。具体来说，目前存在的问题主要体现在以下几个方面:(1)制动控制系统故障诊断建模过程中过度依赖于系统运行维护中收集的故障信息和专家经验知识，诊断模型知识完备性差;(2)目前动车组已有的故障诊断系统属于系统级的故障诊断系统，诊断的层次较低，不能定位具体故障和给出故障深层次原因，无法及时的消除故障和故障隐患;(3)由于动车组引入时间较短，还处于消化吸收的阶段，对动车组制动控制系统的故障机理和故障信息的收集还比较匾乏，状态监测和故障诊断系统的开发也受到很大的制约;(4)对于动车组制动控制系统，一旦出现重大故障将会产生严重的政治影响和经济损失，事后诊断己经远远不能满足列车运行维护的要求，需要开展故障预警和预测研究，提高动车组的主动安全防护能力。

第2章故障特征提取技术与故障诊断方法

故障特征提取的准确与否直接关系到智能故障诊断的准确性和早期故障征兆预示的可靠性。由于不同信号处理方法能够从不同的角度提取故障特征信息，而且对于复杂关键设备的早期、微弱和复合故障，其故障特征往往不明显。因此，需要解决在故障早期就能把故障的原始特征准确的从高维映射到低维特征空间的问题，而多种不同的信号处理方法联合使用更可能获得准确的故障信息特征。基于人工智能的智能故障诊断方法是目前研究的热点，己经广泛应用在各个领域。本章分别对目前常用的故障特征提取方法和故障诊断方法深入分析。首先对目前常见的几种特征提取方法进行归纳分析，然后对LSSVM的基本原理及其多分类方法进行深入分析和讨论，并提出了改进最优二叉树结构的LSSVM。

2.1主成分分析法

基于主成分分析的特征提取方法(Principal Component Analysis, PCA)是传统的基于统计理论的特征提取方法中的最典型的方法，己经被广泛应用在模拟电路故障诊断、传感器故障诊断、机械设备故障诊断和工业过程监控及故障诊断等中作为主要的故障特征提取方法。PCA是从特征对分类是否有效的角度，在尽可能多地保持故障特征分类的相关信息的基础上，通过线性变换，从数据空间中接近数据方差的一组向量，从而实现数据的降维，这样既保留了数据的核心信息，而且各主分量之间相互独立，降低了数据处理的复杂性。

在本课题的研究中，PCA方法被用于模拟电路软故障的故障特征提取，基于PCA的模拟电路故障特征提取和故障诊断系统结构框图如图3所示。首先把激励信号输入到待诊断电路，同时采集输出的信号响应，经过归一化处理后建立故障特征的特征矩阵，然后计算故障特征矩阵的特征值和特征向量，最后根据故障特征值的方差贡献率选取PCA，经过PCA方法将故障特征向量降维后输入到故障诊断网络，进行故障识别和分类。PCA方法降低了诊断网络的规模、维数和计算复杂度，提高了故障诊断的速度。但是因为概率密度函数的分布问题使最优变换矩阵的计算陷入困境，而高分辨特征提取所需的映射常常是非线性的，因此基于PCA的线性变换方法在使用时受到了限制。

图3基于主成分分析的模拟电路故障诊断

2.2集成经验模态分解方法

2.2.1经验模态分解

1998年美国科学家Norde E.Huang等提出了利用经验模态分解方法来分析非线性非平稳信号的新方法。经验模态分解算法是一种自适应的信号分解方法，该方法不受不确定原理的限制，在时域和频域都具有很高的分辨率，克服了传统的Fourier变换和小波变换的缺点，可应用在非线性、非平稳信号的分析处理上。

在满足一定的条件下，瞬时频率即是IMF函数。IMF函数是一种简单的不带骑行波的信号，可以将信号分解成若干只包含这种信号之和，又由于IMF不仅局限于窄带信号，而且其振幅和频率也不是固定不变的，所以它能表示非平稳过程。EMD分解算法流程图如图4所示。但是EMD在分解过程中存在模态混叠现象，这是由于信号的突然中断引起的，为了有效的解决模态混叠，国内外提出了不少方

法，但是都性能都具有局限性。Wu Zhaohua等在对EMD分解白噪声研究的基础上，提出了集成经验模态分解的方法，有效的解决了EMD存在的模态混叠现象，下节对集成经验模态分解的原理进行详细的阐述和分析。2.2.2集成经验模态分解

EEMD方法基于信号的局部特征的时间尺度，克服了EMD方法的模态混叠现象，分解出的各个内察模态函数突出了数据的局部特征，对其进行分析可以更有效的掌握原始数据的特征信息，每一个IMF函数都是自适应的。其具体的分解步骤如下：

图4 EMD算法流程图

2.3最小二乘支持向量机的原理及结构参数优化方法

2.3.1最小二乘支持向量机的原理

近年来，在机器学习领域中备受瞩目的支持向量机在许多领域得到了成功的应用，显示出巨大的优越性。支持向量机克服了神经网络网络结构确定困难、收敛于局部极小和不适合小样本等缺点，有效解决了小样本、高维数和非线性等学习问题。但在应用中，采用逼近算法和多类分类不如两类分类效果显著等不足，训练速度慢，造成支持向量机泛化能力的下降。

最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)是由Suykens和Vandewalle，提出的对SVM的一种改进算法，它用二次损失函数取代

SVM中的不敏感损失函数，通过构造损失函数将原SVM中算法的二次寻优变为求解线性方程，降低了计算的复杂性，具有更好的抗噪能力和更快的运算速度。LSSVM因其求解速度快、收敛速度快而在故障诊断、回归预测、模式识别和模型优化等领域得到了广泛的应用。

2.3.2最小二乘支持向量机结构参数优化方法

目前，国内外优化支持向量机结构参数的主要方法有传统的基于分析的方法和近年来成为研究热点的基于人工智能的启发式搜索优化算法。基于分析的方法是通过推广误差的梯度来确定最优的结构参数，如试凑法、交叉验证法、梯度下降法、网格搜索法]和三步搜索法等，但这些算法往往存在计算复杂，耗时长，易陷入局部最优，不一定能获得全局最优等缺点。第二类方法确定结构参数的采用启发式算法，如遗传算法、模拟退火算法、人工免疫算法、粒子群优化算法等，下面对各种启发式优化算法的优缺点做简要归纳总结。2.3.3遗传算法

遗传算法(Genetic Algorithm,GA)是一种借鉴生物界自然选择自适应搜素的全局优化算法，通过对自然界遗传的交叉验证环节与人工智能的结合，适合处理复杂的非线性问题的求解，具有并行搜索、群体寻优的特点。重庆大学的李峰等提出了基于遗传算法优化的LSSVM结构参数求解算法，并用于风机传动系统的故障诊断，取得了很好的效果。遗传算法分层优化支持向量机的核函数参数和规则化参数，可以在小样本空间内对LSSVM的结构参数进行寻优，避免了传统的故障类型和规则知识的限制，提高了LSSVM的故障预测精度和自适应诊断能力，并可以推广应用于线性、径向基、Sigmoid等核函数条件下的LSSVM优化，深沟球轴承故障诊断实例说明该模型的有效性。

华北电力大学的王平等[ioy提出了基于GA优化的LSSVM的时间序列预测建模方法，并将该方法用于十维的Mackey-Gla混沌时间序列预测，实验结果证明了该优化方法具有自动获取最有参数、训练速度快、精度高和泛化能力强的优点。

但是基于遗传算法优化运算较复杂，存在交叉、变异等运算使群体中的染色体具有局部相似性，导致算法易陷入局部最优，不一定寻找到全局最优值。

2.3.4模拟退火算法

模拟退火算法(Simulated Annealing,SA)是以Markov链的遍历理论为基础的基于物理中固体物质的退火过程与组合优化问题之间的相似性的启发式搜索算法。模拟退火算法采用Metropolis准则使得模拟退火算法能够保证局部寻优的精度，避免陷入局部最优，而逐渐获得全局的最优结果。

山东大学的隋文涛提出了基于模拟退火优化的LSSVM算法，利用模拟退火算法对LSSVM参数和特征进行寻优，并用于滚动轴承故障诊断中，与其他方法相比，故障的分类正确率更高。

虽然SA能解决优化组合问题，能克服优化过程中陷入局部最优和初值依赖性问题，但其计算时间长，全局收敛性能很差，存在结构复杂、时间复杂度高等问题。

2.3.5粒子群算法

粒子群优化算法((Particle Swarm伽timization,PSO)是一种启发式的搜索进化算法，具有较好的全局搜索和局部搜索能力，可以对LSSVM的结构参数进行优化。

石家庄铁道大学的耿立艳等]提出了基于灰色关联分析和粒子群优化的LSSVM算法，用于铁路货运量的预测，通过对我国1980-2009年铁路货运量实例分析表明:该方法具有较快的收敛速度和较高的预测精度。但是粒子群存在早熟现象易陷入局部最优，影响 LSSVM结构参数的最优化。

中南大学的龙文等提出了混合PSO优化的LSSVM模型用于锅炉延期含氧量的预测控制，通过采用以粒子群优化算法进行大范围的全局搜索，在局部使用拟牛顿法进行局部搜索方向的计算，以求避免粒子群易陷入局部最优的缺点，但是对于局部搜索存在盲目性，不能从本质上解决粒子群早熟和局部最优的问题。

综上可知粒子群优化算法的局限性是由于粒子群优化算法特有的粒子间单向信息流的影响，粒子群优化算法具有非常快的收敛速度，经过不太多次的迭代进化后，种群中的各粒子往往具有相同的特征。这样，导致种群缺乏多样性，难以跳出局部最优，往往很容易形成过早收敛。

2.4最小二乘支持向量机的多分类方法

由于标准的LSSVM只能解决二分类问题，但是现实中大部分诊断和分类都是

多分类问题的辨识和识别问题，为了有效解决LSSVM多分类问题的方法，国内外提出了很多多种分类方法，典型的有一对多多分类法、一对一多分类法、纠错编码多分类法、有向无环图多分类法和二叉树多分类法。2.4.1一对多的多分类法

对于k分类问题，一对多的多分类(One-Versus-Rest,O-V R)方法通过构造k个二值向量机分类器，每一个支持向量机分别将某一类的数据从其他类别中分离出来(图6)。虽然OVR方法可以通过取决策函数输出值最大的类别确定测试样本的类别，但由于在分类中存在大量的不可分区域，而使其推广性受到很大的影响。O-V R多分类方法简单有效，对于k类样本只需训练k个支持向量机，因所得的分类函数个数较少，在决策分类时具有较快的速度。但也存在以下缺点:(1)当类别数增多时，训练样本间的不平衡将影响分类结果的准确性;(2)存在不可分盲区，泛化能力较弱;(3)容错能力欠佳。

图6一对多分类方法

2.4.2一对一的多分类法

一对一多分类法((One-Versus-One,O-V O)是利用在不同分类类别之间建立二类分类器，把多分类问题分解为多个两分类问题，对k个类别共需要建立k(k-1)l2个支持向量机，然后分别训练相关的两分类样本(图7)，分类决策时采用“最大赢”算法，每一分类器对故障特征向量分别决策，分类结果是值最大的类。由于每个支持向量机只对二分类问题进行分类，因此训练速度比O-V R很快。但O-V O多分类法主要缺点有:(1)存在过学习问题;(2)存在推广误差无界的问题;(3)算法运行时间随着分类数目增大而快速增长，导致分类决策过慢;(4)存在拒分问题。

图7一对一多分类方法

2.4.3有向无环图的多分类法

有向无环图(Decision Directed Acyclic Graph LSSVM, DDAG)多分类方法是根据图论中的有向无环图的思想，通过构造k(k-1)/2个两分类器实现k分类的多分类问题。DDAG方法简单易行，分类决策时只需使用k一1个决策函数即可得出结果，其分类精度与O-V O法相当，但运算速度更快。不过因为有向无环图是层次结构，存在“误差积累”效应，王艳等在考虑到DDAG的特殊结构后提出了利用基于类分布的类间分离性测度区分各分类之间的距离，并对DDAG的节点顺序从新组合设计，构造了基于分离性测度的DDAG支持向量机，通过3个典型数据集的仿真测试，证实了提出的方法性能优于传统DDAG算法。图8是四分类问题的有向无环图结构框图。

图8有向无环图多分类法

2.4.4二叉树结构的多分类法

Hsu Chinwei等提出利用二叉树结构来构造支持向量机的多分类方法，可以在较少支持向量机的情况下提高训练和决策速度。基于二叉树结构的多分类方法是把所有分类先分为两个子分类，然后各个子分类再分为两个子分类，直到所有的节点只有一个分类为止(图9)。二叉树结构的支持向量机多分类方法具有子分类器少，不存在拒分区域、分类效率较高的优点。但是二叉树结构的支持向量机多分类方法也存在以下缺点:(1)多分类方法的性能取决于二叉树的生成方法;(2)存在“误差积累”现象。

近年来，有学者在二叉树结构的基础上提出了几种二叉树的改进算法，以修正SVM的分类正确率，Yang Chih-Cheng和杨琳等。Zsa26}提出和应用了Huffinan树构造二叉树的概念，通过构造Huffman树自下而上来生成二叉树的方法。分类测试表明最优二叉树的分类识别率比随机偏二叉树多分类方法要高很多，这说明二叉树的结构对其分类的正确率有很大影响。崔江等提出了聚类二叉树的SVM，通过引入SOFM神经网络对训练样本进行分层聚类，最后形成聚类二叉树，然后对样本训练和测试，仿真实验表明，聚类二叉树SVM与其他多分类方法(O-V O,O-V R)相比的测试时间最小，而获得的精度较高，且测试复杂度和诊断时间较小。

但是以上这些改进基本上对于二叉树的生成并未提出更好的解决方法，只随机地或者借助有限的方法人为主观的决定二叉树的结构，未从提高推广性能角度设计二叉树的生成算法，如何生成完全二叉树结构，尽可能减少误差积累现象等

是基于二叉树结构的多分类支持向量机需要解决的关键问题。

图9二叉树结构的多分类方法

2.4.5基于改进最优二叉树的多分类法

从二叉树结构的支持向量机多分类方法的基本原理可知，只有在顶层节点以最优的分类方法将不同类别分开刁‘可以获得最优的多分类性能。因此，需要在每一个二叉树子类分类时选择与其他类别差别最大的类别将其分开，在吸收王艳各自算法优点的基础上，对最优二叉树的测向距离引入基于类分布的类间分离性测度概念，用类间分离性测度来刻画类别之间的差异，然后通过构造改进的树来生成二叉树从而产生改进的最优二叉树多类法。

标准的Huffman树，又称最优二叉树，是一类带权路径长度最短的树，最优二叉树的基本构造原理如下:首先从二叉树所有的根节点中选取权值最小的两个根节点，从新构成一棵新的二叉树，则该新二叉树两个子树的权值之和就是根节点的权值，然后把新构造的根节点替代左右两个字数加入到根节点组合中，循环以上二叉树构造的流程，直到只剩下最后一个根节点。

在提出的改进算法中，也是采用自下而上构造二叉树的方法，即先寻找最难分割的两类作为二叉树的下层结点，然后再寻找次难分割的两类，直到剩下最后两个类为止。在对训练数据评估各类间的分离度时，通常采用欧氏距离衡量类间分离性测度，但是欧氏距离并不能全面客观的代表类间的分离度。图10为两类类间分离性比较，圆形范围代表某一类别样本的分布范围。可知，图10(b)的类间距离明显大于图10(a)的类间距离，但是图10(a)中的两类别显然要比图2-15（b）中的两类别要容易分离。这是因为类间的分离度不仅与类间间距有关，而 23

且和类别样本的方差有关。类间距越大，方差越小，分离性会越强。

图10类间分离性比较

本章小结

本章对常用的故障特征提取技术进行概述，重点对主成分分析、小波包分析技术、数学形态学滤波方法、经验模态分解和集成经验模态分解等故障特征提取方法进行了深入的研究，并利用仿真试验对比分析每种故障特征提取方法的优缺点及其适用范围。然后对LSSVM的原理进行了详细的论述，并对其结构参数的优化方法和多类分类方法进行了归纳分析，并提出了改进最优二叉树LSSVM的多分类方法，标准样本多分类测试证明了提出的多分类方法在保证实时性的情况下提高了分类的正确分类率。

参考文献：

[1]张曙光.CRH2型动车组.北京:中国铁道出版社，2008.[2]黄采伦，樊晓平，陈特放.列车故障在线诊断技术及应用.北京:国防工业出版社，2006.[3]黄栋杰.200公里级CRH2型动车组制动控制系统的研究.成都:西南交通大学，2010.25