基于多源信息的高速列车走行部故障识别新方法朱建渠1，2，金炜东1，朱斌1,3（1.西南交通大学电气工程学院，四川成都610031；2.重庆科技学院，重庆401331；3.长江师范学院，重庆涪陵408100）摘要：针对高速列车安全性能跟踪监测点多、监测数据量大、走行部故障识别难的问题，提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别新方法。该方法首先根据不同的传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度，利用融合度来确定不同传感器在融合中的权重，从而得到同类特征不同传感器间信息融合后的隶属度；然后由融合后的隶属度转化为基本概率分配函数；最后用证据理论对不同特征间信息进行融合。实验结果表明，该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种工况，同时在不同速度下均取得了满意的识别率，验证了该方法的有效性。关键词：高速列车；信息融合；故障识别；熵特征：U266文献标识码：AHigh-speedtrainrunninggearfaultfeatureextractionandrecognitionbasedonharmonicwaveletpackettransformZHU激an-qu1,2激NWei-dong1ZHUBin1,3(1.SchoolofElectricEngineering,Southwest激aotongUniversityChengdu610031;2.ChongqingUniversityofScienceandTechnology,Chongqing,401331;3.Chang激angNormalUniversity,Chongqing,408100)Abstract:Tosolvetheproblemthatthefaultidentificationofhighspeedtrainisdifficult,afaultfeatureextractionandidentificationmethodbasedonharmonicwaveletpacketdecompositionandresemblancecoefficientwasproposed.Harmonicwaveletpackettransformisusedtoextractfaultfeaturevectorconsistingofthebandenergywhichcanreflectthecharacteristicsofvarioustypesoffault.Bycalculatingandcomparingresemblancecoefficientofthesignalfeaturevectoranddifferenttypesoffaultfeaturevectors,themethodcanidentifyandclassifythefaults.Experimentalresultsshowthatthefaults,includingthenormaltrain,springairoflossair,withoutanti-yawshockabsorberandwithouttransverseshockabsorber,canbeidentifyeffectively.Atdifferentspeeds,recognitionratesaresatisfactoryandthevalidityofthemethodisverified.Keywords:highspeedtrain;harmonicwavelet;featureextraction;resemblancecoefficient高速列车由于持续的高速运行，导致列车走行部磨损加快、振动加剧，对高速列车走行部进行有效的故障诊断和识别，是实现及时维护，降低使用维护成本，保证列车运行安全的关键。关于列车走行部故障特征的研究，国内外主要集中在对振动信号进行时频分析。如小波分析法[1,2,3]、短时傅里叶变换[4]、经验模式分解[5,6,7]、幅度谱特征[8]。以上方法都是针对单一传感器、单一故障进行分析。由于高速列走行部车传感器众多,监测数据内容丰富，涉及面广，数据的影响因素多，且相互关联，同一种故障可用不同的特征指标来描述,同一种症状基金项目：国家自然科学基金资助项目(61134002)表现往往又是几种故障相互作用的结果。检测量与故障特征之间,故障特征与故障源之间都是一种非线性映射。因此,故障的多样性、不确定性和各种故障之间联系的复杂性构成了故障识别技术上的难点[9]。仅靠单一传感器和单一故障特征量的方法不能综合考虑各方面的因素，从而造成识别效果不好，难以完成识别任务,比较合理的方法就是采用信息融合技术,进行多传感器、多特征的信息融合识别。证据理论对于不确定信息有较强的处理的能力,在故障诊断检测、多目标识别、多传感器信息融合、不确定性多属性决策等方面有广泛应用。而mass函数的获得是证据理论得以应用的关键所在[10]。林云等[9]利用灰度关联算法；韩峰[11]等引入了一种置信距离的方法；徐琰珂[12]等利用模糊集合的方法；许佳丽[12]利---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---用证据的信息量来确定各传感器信息的可信度，从而确定出mass函数，都取得了一定的成果。本文在总结前人研究成果的基础上，结...