(1.华东交通大学 机电与车辆工程学院，江西 南昌 330013;2.常州信息职业技术学院 机电工程学院,江苏 常州 213164)

机车在运行过程中，由于频繁地随机交变载荷带来的影响，列车转向架结构件可能会出现故障，进而导致运行品质下降，甚至会导致脱轨翻车等严重安全事故的发生。转向架构架故障的准确诊断可以减少或杜绝事故的发生，有利于运维人员对转向架构架的实时监测与状态把握，针对不同状态施行相应举措，最大限度延长转向架的使用寿命，对机车的安全运行具有很重要的意义。

迄今为止，转向架构架的故障诊断方向研究较少，而转向架整体的故障诊断与转向架轴承的故障诊断已经有比较成熟的分析方法。目前应用较为广泛的转向架整体的故障诊断方法包括支持向量机、故障识别搜索、BP 神经网络、专家系统、隐马尔可夫模型、Adaboost 等算法[1]。转向架轴承故障诊断的方法应用最为广泛的是采用振动信号进行诊断，振动信号的分析方法主要有两种：时域法和频域法[2]。文献[3]采用冲击脉冲方法和共振解调法进行轴承的故障检测。文献[4]提出一种采用支持向量机进行转向架故障状态的分类识别的方法。文献[5]采用故障树分析法对转向架轴承常见的故障类型及产生原因进行分析。文献[6]则将小波包分解和集合经验模态分解结合在一起进行轴承故障诊断。文献[7]利用极限学习机训练速度快且泛化能力强的特点,提出了一种基于半监督极限学习机的滚动轴承故障诊断方法。文献[8]提出了一种基于小波包与自适应遗传算法优化最小二乘支持向量机相结合的故障诊断模型，解决滚动轴承故障特征提取和故障类型识别问题，提高诊断准确率。文献[9]提出一种基于振动特征的轨道车辆转向架牵引电机滚动轴承可靠性评估方法，从而对电机轴承运行可靠性提供了有效的评估。文献[10]依据深度学习的降噪自动编解码过程对故障的频域信号进行特征学习,并以此特征作为BP神经网络的输入实现转向架故障信号的识别。文献[11]通过对监测数据特征提取的分析,建立特征提取知识库,构建了故障诊断决策模型，并通过改进的粒子群优化算法优化支持向量机参数。文献[12]深入地研究了基于小波变换的微弱信号探测理论、算法仿真及算法在DSP中的实现，并通过不断地优化改进了信号处理过程。文献[13]利用高斯混合模型GMM将训练样本数据分为K类得到样本的K邻近样本马氏距离和，将其作为故障检测的指标。文献[14]提出一种基于K邻近 (KNN)的多标签分类去噪方法。

上述文献均为基于转向架整体或者转向架轴承的故障诊断与识别方法，或是利用KNN算法对其他对象的识别方法，但对于转向架构架的状态识别还有待进一步研究。本文提出了一种计算量小、简便的转向架构架状态识别方法。选取对机车转向架起决定性影响的关键部件——构架为研究对象，通过噪声与加速度传感器获取激振器运行时与转向架构架接触产生的各种重要信号，并对采集到的激振数据信号进行分析和处理，提取转向架构架的关键特征，进而构建K邻近算法识别模型，利用模式识别方法，对转向架构架的三种不同状态(正常、小裂纹、大裂纹)进行识别，对转向架构架状态进行预测及可靠性评估，对保障高速列车安全可靠运行和及时维修养护具有十分重要的意义。

1 状态识别算法

1.1 基本原理

K邻近算法简称KNN算法，其思路非常简单直观，易于快速实现，具有失误率低的优点。所谓KNN，就是K个最近的邻居的意思，说的是每个样本都可以用它最接近的K个邻居来代表。

KNN是通过测量不同特征值之间的距离进行分类。它的思路是：如果一个样本在特征空间中的K个最相似(特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别[15]。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别，只与极少量的相邻样本有关，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

1.2 算法步骤

KNN算法的算法步骤如下：

① 计算测试数据与各个训练数据之间的距离并按照距离的递增关系进行排序；

② 取距离最小的K个点并确定所在类别的出现频率；

③ 返回前K个点中出现频率最高的类别作为测试数据的预测分类。

1.3 相似性度量

用空间内两个点的距离来度量。距离越大，表示两个点越不相似。距离的选择有很多，通常用比较简单的欧式距离deuc(a,b)，计算公式如下：

(1)

式中，d表示d维空间；aj表示a在第j维下的坐标；bj表示b在第j维下的坐标。

1.4 K值的设定

K值一般是根据经验规则进行设定的。

经验规则：K一般低于训练样本数的平方根。K值选择过小，得到的近邻数过少，会降低分类精度，同时也会放大噪声数据的干扰；而如果K值选择过大，并且待分类样本属于训练集中包含数据数较少的类，那么在选择K个近邻的时候，实际上并不相似的数据亦被包含进来，造成噪声增加而导致分类效果的降低。

2 实验方案设计

为了验证K邻近算法对转向架构架识别的有效性，搭建了转向架构架试验平台。依据文献，曾琦[16]发现对转向架运行状态进行故障诊断时，其振动信号与噪声信号有着特征明显、易于检测等显著优势，故选择加速度数据与噪声数据作为诊断数据。采用多传感器获取这些运行参数，并由数据采集卡输入PC机中进行信号分析和处理，进而提取状态特征，由模式识别方法进行状态识别。在此基础上，搭建实验平台。设计方案如图1所示。整体实验装置包括信号发生器、功率放大器、激振器、加速度传感器、噪声传感器、数据采集卡和PC机。模拟实验平台如图2所示。扫频信号发生器输出端接功率放大器AC口，功率放大器Output口接激振器，加速度传感器接到采集卡2、3口(IEPE)，噪声传感器接到1口(IEPE)，采集卡接到PC机。

图1 设计方案示意图

图2 转向架构架运行状态监测模拟实验平台

实验中所用转向架构架尺寸如下：顶板与底板长30 cm，宽20 cm；顶板与底板之间高度20 cm；中间支撑板为梯形板，上底长21.5 cm，下底长25.5 cm，两支撑板之间距离为15 cm。板材厚度均为1.3 cm。根据动车组转向架三级检修标准，原则上构架表面存在宽度小于或等于钢板厚度10%的裂纹时，须对裂纹部位进行打磨消除、圆滑过渡；当裂纹宽度大于钢板厚度10%时须焊修。构架表面关键焊缝(新造时要求探伤的焊缝)须进行外观状态检查，目视发现裂纹等缺陷时须焊修，焊修后须探伤检查[17]。即小裂纹状态时仅需打磨消除裂纹，而大裂纹状态时必须焊修才可消除裂纹保证其正常工作。因本文采用转向架构架板材厚度为1.3 cm，故本文定义小裂纹宽度为1 mm，大裂纹宽度为2 mm。

进行实验操作时，先采用扫频仪产生振动信号，再经功率放大器将信号放大，传入到激振器中，激振器产生振动，其顶杆与结构件侧板接触，从而激起模型的振动，分别在底板和顶板放置加速度传感器，其旁放置噪声传感器，最后接入数据采集卡，从而将调理后的振动与噪声模拟信号转换成数字信号，最后在PC机中采集。

数据采集时设置采样率为12 kHz，采样时间为10 s。图2中实验构架状态分为3种：正常、小裂纹、大裂纹。实验中所用正常状态构架细节如图3所示，小裂纹状态构架细节如图4所示，大裂纹状态构架细节如图5所示。

为保证随机性，在不同时间段采集数据，共采集到5个不同时间段的数据。激振器激振频率范围设置为100～2500 Hz，间隔100 Hz，共25种激振频率。故转向架构架每种状态不同激振频率下共采集125组数据，3种状态共采集375组数据。将数据进行分组后用于后续数据处理与状态识别，分组情况如表1所示。

图4 小裂纹状态构架细节图

图5 大裂纹状态构架细节图

训练(组)测试(组)正常7550大裂纹7550小裂纹7550

3 特征提取与状态识别

3.1 特征提取

根据传感器提取到的噪声数据与加速度数据，随机选取一组频率(激振频率为500 Hz)时采集到的正常、小裂纹、大裂纹3种状态下的噪声数据与加速度数据分别做出其时域分析图如图6、图7所示。

图6 激振频率500 Hz下不同状态噪声数据时域图

图7 激振频率500 Hz下不同状态加速度数据时域图

图6显示，正常状态下噪声波形幅值较小，且有较多毛刺；当构架上出现小裂纹时，噪声波形幅值增大，毛刺减少；当构架上出现大裂纹时，噪声波形幅值介于正常状态与小裂纹状态之间，波形平稳。图7显示，正常状态下，波形较为规律，呈现出较明显的波动；当构架上出现小裂纹时，数据波形幅值变化不大，但波形上无明显波动；当构架上出现大裂纹时，数据波形幅值明显减小，出现较多毛刺，波形不平稳。为了更明显地区别三种状态，对转向架构架进行状态识别，对采集到的噪声信号数据与加速度信号数据进行时域分析，提取出包括最大值、最小值、峰峰值、平均值、方差、标准差、峭度、均方根8种时域特征。从中选取出较为敏感的特征：峰峰值、方差与峭度作为状态识别时的时域特征，将噪声数据下的时域特征记为：Ipk1，Ivr1，Iku1，将加速度数据下的时域特征记为：Ipk2,Ivr2,Iku2。峰峰值是指信号最高值和最低值之间差的值，就是最大和最小之间的范围，它描述了信号值的变化范围的大小；方差描述的是信号的波动范围；峭度是无量纲参数，由于它与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，特别适用于表面损伤类故障、尤其是早期故障的诊断。

随机选取一组频率(激振频率为500 Hz)时采集到的正常、小裂纹、大裂纹3种状态下的噪声数据与加速度数据分别进行三层小波包分解，做出其时频域能量谱图如图8、图9所示。

图8 激振频率500 Hz下不同状态噪声数据时频域能量谱图

图9 激振频率500 Hz下不同状态加速度数据时频域能量谱图

图8显示，3种状态下噪声数据经时频域处理后其信号能量均在低频段时比较大，正常状态下前4个频段均有明显的小波包能量值，小裂纹状态下仅在前两个频段其小波包能量比较明显，而当构架出现大裂纹时，其小波包能量谱与正常状态、小裂纹状态均有较大差别，仅在最低频段下有明显且较大的小波包能量。图9显示，3种状态下的加速度数据经时频域处状态下前4个频段与第7个频段、小裂纹状态下前两个频段、大裂纹状态下第一个频段的小波包能量值较大。两图均显示3种状态下噪声数据、加速度数据时频域能量谱图有较大差别，将噪声数据下的时频域特征记为：Isp11，Isp12，Isp13，Isp14，Isp15，Isp16，Isp17，Isp18，将加速度数据下的时频域特征记为：Isp21，Isp22，Isp23，Isp24，Isp25，Isp26，Isp27,Isp28。为对3种不同状态进行识别，选取噪声数据与加速度数据下前4个频段的小波包能量作为状态识别时的时频域特征，即Isp11,Isp12,Isp13,Isp14,Isp21,Isp22,Isp23,Isp24。

最终组合敏感特征为：I=[Ipk1,Ivr1,Iku1,Ipk2,Ivr2,Iku2,Isp11,Isp12,Isp13,Isp14,Isp21,Isp22,Isp23,Isp24]作为状态识别特征。各敏感特征对应物理意义如表2所示。

表2 敏感特征矩阵对应物理意义

3.2 状态识别

提取激振频率为100～2500 Hz内(频率间隔为100 Hz)的25个频率下的数据，每种激振频率下不同时间段共采集5组数据，将采集到的数据分为两部分，每种频率下的前3组数据作为训练样本，正常状态、小裂纹状态、大裂纹状态分别有75组数据，共225组数据，后2组作为测试样本，正常状态、小裂纹状态、大裂纹状态分别有50组数据，共150组数据。提取训练样本中2种不同传感器下的3种不同时域特征值：峰峰值、方差与峭度与时频域特征值：4个小波包能量敏感特征，组成维度为225×14的矩阵作为训练集；提取测试样本中两种不同传感器下的3种不同特征值(峰峰值、方差与峭度)与时频域特征值(小波包能量)，组成维度为150×14的矩阵作为测试集。规定转向架构架正常状态、小裂纹状态，大裂纹状态对应标签分别为00,01,10，建立训练标签集[00,…,00,01,…,01,10,…,10]与测试标签集[00,…,00,01,…,01,10,…,10]。设置相似性度量为欧氏距离。将每种状态下的训练集通过KNN算法进行训练优化，再对测试集进行状态识别，识别结果数字分别对应转向架构架的三种不同状态。

对于K值的选取，由于K一般低于训练样本数的平方根，本实验中即为K不大于15，通过交叉检验的方式，将K不同取值下识别率进行对比，识别率结果如表3所示。

表3 不同K值下识别率结果

根据表3中K不同取值下的不同识别率结果，发现K=1时识别率最高，但由于K取1时仅取距离最近的一个邻居的类别作为识别结果，此方式随机性太高，综合考虑识别率及随机性问题，选择识别率次之的K=3作为最终识别时的取值。最终识别结果如表4所示。

表4 各状态识别结果

表4中，加粗的数字表示错误识别后的结果，未加粗的数字表示识别结果正确。表4显示所有150个识别结果中，仅有11个错误识别的结果，最终识别率为93.33%。由于转向架构架正常、小裂纹及大裂纹状态下特征具有一定的相似度，该识别结果会出现一定的错误。在正常状态下的识别出现失误较多，识别为小裂纹、大裂纹状态均有出现；小裂纹状态下仅会错误识别为大裂纹状态；大裂纹状态下仅会错误识别为小裂纹状态。

为体现KNN算法对转向架构架状态识别的优势与先进性，针对同样的测试集和训练集，利用最小二乘支持向量机(LSSVM)方法对转向架构架三种不同状态进行识别，识别结果如表5所示。

表5 利用LSSVM方法的识别结果

表5中，加粗的数字表示错误识别后的结果，未加粗的数字表示识别结果正确，-Inf代表未识别出结果。表5显示所有150个识别结果中，有28个错误识别结果，最终识别率为81.33%。

经过两种方法识别结果的对比，可以看出，KNN算法得到的最终识别结果优于LSSVM方法，可以得到更为准确的识别率。LSSVM方法适用于特征量较少的样本进行识别，本文中所需进行识别的样本集最终提取出了14个特征，故利用LSSVM方法对本文3种状态进行识别不能得到很好的识别效果。最终结果表明，利用KNN算法进行转向架构架的状态识别可以得到较为准确的识别结果，相比LSSVM方法具有一定的优势。

4 结束语

为了对转向架构架裂纹进行状态识别，本文以不同状态转向架构架裂纹为研究对象，提出了一种利用KNN算法对转向架构架状态进行识别的方法，设计了转向架构架运行状态参数测量实验装置，通过多个传感器获取了转向架构架的各种重要信号：噪声信号与加速度信号，并对采集到的信号进行了分析和处理，提取了转向架构架的噪声与加速度敏感特征，进而构建了K邻近算法识别模型，利用模式识别方法，对转向架构架的3种不同状态(正常、大裂纹、小裂纹)进行了识别，识别较好。识别结果表明，利用KNN算法进行转向架构架状态识别是可行的。KNN算法简单，易于实现，无需估计参数，适合于多分类问题，但在对测试样本分类时要扫描全部训练样本并计算距离，导致系统内存占用量大；在样本数过大的情况下识别准确性可能降低，因此改进的K邻近算法有待进一步研究，如增加频域特征或采用模态区间方法等。