基于多维度货车制动风压信号特征提取及优化

1.本发明属于河道过滤技术领域，特别是涉及一种基于多维度货车制动风压信号特征提取及优化。


背景技术：

2.货车制动系统是一个复杂的耦合系统，其故障征兆中往往隐含着丰富的故障信息，基于风压信号的货车制动监测方案，在货车线路运行过程中可以利用制动系统不同空气管路风压信号来描述不同制动故障的征兆，为了挖掘不同制动故障类型下风压信号中更加丰富的状态信息，需要对风压信号进行多维度的特征参数提取，本文从时域、频域、时频域和相关性方面对货车多通道制动风压信号进行特征参数的提取，
3.在故障诊断中，对设备提取多维特征向量能够较为完备的描述设备的不同故障模式，一般的，表征制动系统风压信号的特征参数越多，故障类型的诊断精度越高；
4.但是，由于高维特征向量之间存在一定相关性，会产生信息冗余，输入到后续模式分类器中会造成维度灾难，导致分类算法性能及准确率降低；同时，参数过多将导致内存和时间成本大大增加，最终出现制动状态监测运算速率低等问题，这些问题对货车制动系统状态实时监测十分不利，


技术实现要素：

5.本发明的目的在于提供一种基于多维度货车制动风压信号特征提取及优化，以解决了现有的问题：由于高维特征向量之间存在一定相关性，会产生信息冗余，输入到后续模式分类器中会造成维度灾难，导致分类算法性能及准确率降低；同时，参数过多将导致内存和时间成本大大增加，最终出现制动状态监测运算速率低等问题，这些问题对货车制动系统状态实时监测十分不利。
6.为解决上述技术问题，本发明是通过以下技术方案实现的：一种基于多维度货车制动风压信号特征提取及优化，包括以下步骤：
7.第一步：特征提取，从原始数据集合中选择出的特征集合；
8.第二步：特征参数的优化选择，基于制动风压信号进行多维度特征提取；
9.第三步：基于特征加权和kpca的制动风压特征参数优化选择，基于补偿距离评估技术对多维特征向量进行选择，筛选得到特征空间中对分类性能优越的特征。
10.进一步地，所述第一步包括时域特征提取、频域特征提取、相关性特征提取；
11.时域特征提取，时域特征参数是一种对信号在时域幅值上的统计指标，主要分有量纲参数和无量纲参数；
12.所述频域特征提取，频域特征参数是一种对风压信号在功率上的统计指标；
13.所述时频域特征提取，更加精细的分析方法来描述制动系统的故障特征；
14.所述相关性特征提取，空气制动机是一个复杂的耦合系统，各零部件间存在一定的相关性关系，故对多通道风压数据提取相关性特征。
15.进一步地，所述第二步包括补偿距离评估技术以及核主成分分析法；
16.所述补偿距离评估技术，补偿距离评估技术在距离评估技术基础上进行参数补偿；
17.所述核主成分分析法，是对高维特征向量进行降维处理的过程。
18.进一步地，所述第三步包括特征值归一化、特征加权处理和特征融合流程、实验分析；
19.所述特征值归一化，特征向量进行归一化处理；
20.所述特征加权处理和特征融合流程，对高维特征向量进行特征加权和特征融合；
21.所述实验分析，验证基于特征加权和kpca相结合的制动风压特征参数优化选择方法。
22.进一步地，所述特征加权处理和特征融合流程包括敏感特征集的确定、特征加权处理以及特征融合处理；
23.所述感特征集的确定将采集的制动系统，多通道风压数据划分为训练集和测试集；
24.所述特征加权处理，基于补偿距离评估技术分析可以获得敏感特征集；
25.所述特征融合处理，对训练集和测试集样本基于类内类间距进行核主成分分析，得到主元成分。
26.进一步地，所述实验分析包括特征选择及加权以及特征融合；
27.所述实验分析包括特征选择及加权，基于补偿距离评估技术对训练集特征向量进行特征筛选，得到各个特征指标的补偿距离评估指标；
28.所述特征融合，基于kpca的制动系统多维度特征向量融合是在特征选择及加权的基础上展开。
29.本发明具有以下有益效果：
30.1、本发明通过货车线路运行试验数据上进行验证，通过对比全特征集进行kpca和敏感特征集加权后进行kpca，说明了特征选择和特征融合相结合方法的合理有效性。
31.2、本发明通过特征选择和加权的基础上，制动风压特征通过 kpca方法得到了很好的提取，可以有效地减小冗余和计算量，更有效地表征货车制动系统不同工作状态和故障类型，更有利于研究货车制动系统故障诊断问题。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
33.图1为本发明的各种特征的补偿距离评估指标结构示意图；
34.图2为本发明的敏感特征集的权重结构示意图；
35.图3为本发明的特征选择及特征加权的过程示意图；
36.图4为本发明的能量谱尺度特征选示意图。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
38.请参阅图1-4所示，本发明为一种基于多维度货车制动风压信号特征提取及优化，包括以下步骤：
39.第一步：特征提取，从原始数据集合中选择出的特征集合，由于制动系统工作模式较多，从时域、频域来对制动风压数据进行特征提取，然后采用小波包分解的节点能量来提取风压数据中的阶跃变化信号，并提取多通道风压变量间的相关性特征作为补充；
40.第一步包括时域特征提取、频域特征提取、相关性特征提取；
41.时域特征提取，时域特征参数是一种对信号在时域幅值上的统计指标，主要分有量纲参数和无量纲参数；
42.有量纲指标反映了数据的各种特征指标，与机械设备的工况条件密切相关；
43.而无量纲是两个有量纲参数的比值，数值方面已经实现去单位化，所以与设备自身条件无关，仅与信号幅值分布的形状有关，考虑到制动风压信号存在周期性、随机性等动态特性，对制动风压四通道风压信号进行时域特征提取；
44.有量纲指标包括均值、方根幅值、标准差、均方根值、峰峰值、偏度；无量纲指标有峭度、波形指标、峰值指标、脉冲指标、裕度指标，如表4-1所示，四通道风压信号共提取44维特征。其中，信号为离散化形式xi(i＝1,2,
···
,n)，n为信号长度；
[0045][0046]
频域特征提取，频域特征参数是一种对风压信号在功率上的统计指标；
[0047]
由于傅里叶变换可以将时域信号转换到频域，通过对其频率成分的分析可以对制动系统不同故障模式状态进行描述，风压时间序列信号从时域xi(i＝1,2,
···
,n)通过傅里叶变换转换到频域中为 yk(k＝1,2,
···
,m)，m＝n/2为信号长度，fk为第k个频率值；
[0048]
tab.4-2 frequency domain parameter index
[0049][0050]
平均频率和均方根频率反映了风压信号在频域中的频率平均分布情况；中心频率描述了风压信号在频域中的频率中心位置；标准差频率描述的是风压信号在频域中频率动态变化的离散波动程度；频率峭度可以反映信号在频域中的频率冲击成分；对多通道风压信号进行频域特征提取，每通道信号得到5个特征，四通道信号共得到20个特征；
[0051]
时频域特征提取，更加精细的分析方法来描述制动系统的故障特征；
[0052]
制动机在制动过程中内部气路管道压力存在阶跃变化的过程，而小波分析对这类边缘信号有很好的处理效果，不仅有滤波作用，并且可以从阶跃型信号中提取信号的突变点；
[0053]
小波分析具有良好的时频分析能力，可以局部化表征信号特性，而小波包分析是小波分析方法的延伸，可以很好地对高频成分再划分，实现对时间序列信号更为细致的分解和重构，更全面的反映信号的信息成分；
[0054]
故选择对多通道风压信号进行小波包分析，选取db3对信号进行 3层小波包分解，计算各频带的能量谱尺度，选前三作为特征，共12 个特征；
[0055]
参考图4，表中的信号为s，a表示低频细节部分，b表示高频粗略部分，其它以daa3举例说明，分别表示3层分解，第1层、第2 层均低频细节部分，第3层高频粗略成分；
[0056]
相关性特征提取，空气制动机是一个复杂的耦合系统，各零部件间存在一定的相关性关系，故对多通道风压数据提取相关性特征；
[0057]
皮尔森相关系数是用于计算变量之间相关性的方法，本实施例计算皮尔森相关系数作为特征，共得到四通道风压信号下两两通道间6 个特征，假设有x、y两个变量，那么这两个变量之间的皮尔森相关系数可以由下式计算得到：
[0058][0059]
其中e表示数学期望，cov表示协方差，μ
x
＝e(x),σ
x2
＝e(x2)-e2(x)。
[0060]
上式定义了总体相关系数，通过估算样本的协方差和标准差，可得到样本相关系
数r。r描述两个变量间线性相关强弱的程度，r的取值在-1到 1之间，r＞0表明两个变量之间为正相关，若r＜0表明两个变量之间为负相关。r的绝对值越大，表明相关性越强；
[0061]
第二步：特征参数的优化选择，基于制动风压信号进行多维度特征提取；
[0062]
时域特征共得到44维，频域特征共20维，时频域小波包能量特征共12维，相关性特征共6维，累计特征空间维度为82维，高维特征向量往往存在信息冗余，对后续模式分析造成维度灾难；
[0063]
因此有必要对制动原始特征空间进行优化，筛选掉一些次要特征，降低特征空间维度，得到一个维数较低的优化特征空间；
[0064]
特征选择和特征融合作为特征工程中的重要组成部分，对特征空间优化和后续模式分析具有重要意义；
[0065]
特征选择侧重于筛选特征空间中对分类性能优越的特征，不对原特征做处理，也不会生成新的特征；而特征融合从特征空间的角度对特征向量进行分析和降维，会产生新的特征，可处理特征空间非线性不可分的情况。
[0066]
本实施例在制动系统风压信号特征向量优化选择中，引入补偿距离评估技术筛选特征空间中对分类性能优越的特征，并对筛选的特征向量进行加权，生成加权特征集，提高对分类性能优越的特征权重，显著提高分类性能；并针对风压信号存在非线性的特点，引入核主成分分析法进行特征降维，利用核函数将加权特征集映射到高维空间中，使得非线性特征在高维空间中变得线性可分，有效解决风压信号非线性特征融合的问题；
[0067]
第二步包括补偿距离评估技术以及核主成分分析法；
[0068]
补偿距离评估技术，补偿距离评估技术在距离评估技术基础上进行参数补偿；
[0069]
距离评估技术通过计算设备不同状态下特征向量的类间距离和同一状态下特征向量的类内距离，并基于距离评估指标进行特征筛选，最终选取特征集中的敏感特征组成优化特征集。
[0070]
假设设备有c种状态模式ω1,ω2,
···
,ωc，其对应的特征集合为
[0071]
{p
c,s,k
,c＝1,2,
···
,c；s＝1,2,
···
,sc；k＝1,2,
···
,k}
ꢀꢀ
(4-2)
[0072]
其中，p
c,s,k
为在c状态模式下的第s个样本的第k个特征，sc为c状态模式下的样本总数，k为单个样本的特征数目。在c状态模式下的样本数为sc×
c，可以得到sc×c×
k个特征，并将特征集定义为{p
c,s,k
}。
[0073]
基于距离评估技术的特征选择步骤如下：
[0074]
s1：计算ωc状态模式下样本集中所有特征向量的平均距离：
[0075][0076]
对不同状态模式的类内距离d
c,k
求平均，即可得到平均类内距离
[0077][0078]
s2：计算c个状态模式的类间距离
[0079]
[0080]
其中，为ωc状态模式下所有特征均值，μk为c个状态模式下的总体特征均值，其定义如下：
[0081][0082][0083]
s3：将类间距离与类内距离比值作为距离评估指标
[0084][0085]
从步骤s3中可以看出，特征集合具有大的类间距离和小的类内距离才能有好的可分性，所以可以选择大于一定阈值的jk所对应的特征组成最优特征集合。
[0086]
基于补偿距离评估技术的特征选择如下：
[0087]
计算ωc状态模式中所有特征向量的平均距离：
[0088][0089]
对不同状态模式的类内距离d
c,k
求平均，即可得到平均类内距离：
[0090][0091]
定义并计算的方差因子：
[0092][0093]
计算c个状态模式的类间距离：
[0094][0095]
其中μ
c,k
为ωc状态模式下所有样本第k个特征的均值，其定义如下：
[0096][0097]
定义并计算的方差因子：
[0098][0099]
定义并计算补偿因子：
[0100][0101]
定义并计算距离评估指标：
[0102][0103]
并对ak做归一化处理，得到补偿距离评估指标：
[0104][0105]
设定阈值φ(φ∈[0,1])，从特征集{p
c,s,k
}中选择ak'≥φ的特征组成最优特征集合。
[0106]
核主成分分析法，是对高维特征向量进行降维处理的过程；
[0107]
可分为线性特征融合和非线性特征融合两种方法；
[0108]
其中线性降维方法有主成分分析法(principal component analysis，pca)和lda；
[0109]
非线性方法有isomap、le等；
[0110]
但非线性方法计算复杂，算法不稳定，且参数选取不统一，考虑到货车制动系统风压信号的非线性、不平稳特性；
[0111]
本实施例在基于线性降维方法——主成分分析法基础上引入核函数，然后对特征进行降维处理，即核主成分分析法；
[0112]
pca将具有一定相关性的多维变量，通过空间组合，得到互不相关的较少综合变量，以替代原始变量中大部分重要信息。该方法简单、效率较高，不需要进行参数选取，对线性变量具有很好的降维效果，但在处理变量过程中往往会忽视掉非线性部分，不能找到非线性变量的有用信息；
[0113]
而kpca是pca方法的改进和延伸，所以其具有pca方法简单且不需要参数选择的优点，同时可以通过核函数将原始多维变量非线性映射到高维空间中，接着再进行主成分分析，获得非线性的有用信息；
[0114]
假设原始数据xi(i＝1,2,
···
,n)，其中n为数据维度，定义非线性映射φ，将数据xi从原始空间r映射到高维度空间f中，得到高维空间中的数据然后对其进行主成分分析；
[0115]
假设映射数据均值为零，即所以的协方差矩阵为：
[0116][0117]
根据pca原理，求矩阵c的特征值λ和特征向量v，则有下式：
[0118]
λv＝cv
[0119]
将空间f中每个样本k∈{1,2,
···
,n}，与式(2)做内积，得
[0120][0121]
当特征值非零时，必有一组系数ai(i＝1,2,
···
,n)，使其满足
[0122]
[0123]
将式和式带入式得到
[0124][0125]
定义n
×
n维的核对称矩阵k
[0126][0127]
所以，式可写为
[0128]
nλa＝ka
[0129]
式中，λ为特征值，a为特征向量。
[0130]
将k对角化，求得的特征值为λ1≥λ2≥
···
≥λm，设λ
p
为其最小非零值，则p为主分量数，特征向量为[a1,a2,
···
,a
l
]，则有
[0131]
《vk,vk》＝1,k＝1,2
···
,p
[0132]
将式代入式《vk,vk》＝1,k＝1,2
···
,p可得
[0133][0134]
所以f空间的映射数据在vk(k＝1,2,
···
,p)上的投影为
[0135][0136]
k可以通过选取核函数来确定，为简化计算，本文选用高斯径向基核函数(rbf):
[0137][0138]
式中，σ是宽度参数。在使用核函数进行kpca分析时，σ的选择对分类器的性能有较大影响，较小的σ会引起过渡拟合，降低分类的泛化性能；而较大的σ会把核简化为一个常数函数，导致核函数变成平凡分类器。因此，本实施例对σ的选择引入类内类间距离，并定义
[0139]
j＝argmax(sb/sw)
[0140]
式中，sb是特征集的类间距离，sw是各个特征的类内距离。使得选取的核参数对应的特征类间距最大且类内距最小；
[0141]
第三步：基于特征加权和kpca的制动风压特征参数优化选择，基于补偿距离评估技术对多维特征向量进行选择，筛选得到特征空间中对分类性能优越的特征；
[0142]
但是不同特征对分类性能的贡献不同，所以需要对筛选出的特征进行加权处理，提高对分类性能优越的特征权重，显著提高分类性能；
[0143]
核主成分分析法可以很好地实现对非线性变量的特征降维，并基于类内类间距指标来对核函数参数进行选择，实现对特征向量的融合；
[0144]
第三步包括特征值归一化、特征加权处理和特征融合流程、实验分析；
[0145]
特征值归一化，特征向量进行归一化处理；
[0146]
保证不同特征值放在同一量纲下比较，这样特征加权处理才有意义。
[0147]
归一化就是把数据经过处理后限制在某一范围内，假设第k维特征的第s个样本特征参数的特征值为vs，归一化处理公式如下：
[0148][0149]
其中，vs'为归一化后的特征值，s为第k维特征的总样本数；
[0150]
特征加权处理和特征融合流程，对高维特征向量进行特征加权和特征融合；
[0151]
图3中虚框
①
和
②
表示对训练集样本进行特征选择及特征加权的过程，其中
①
表示基于补偿距离评估技术对训练集数据进行特征选择，
②
表示对得到的最优特征集利用补偿距离评估技术进行特征权重的计算，虚框
③
表示对测试集样本进行特征选择及特征加权的过程，其中最优特征集可以依据训练集数据进行补偿距离评估技术分析后得到的特征参数，然后再进行特征加权；虚框
④
和
⑤
分别表示对训练集和测试集样本进行特征融合的过程；
[0152]
特征加权处理和特征融合流程包括敏感特征集的确定、特征加权处理以及特征融合处理；
[0153]
感特征集的确定将采集的制动系统，多通道风压数据划分为训练集和测试集；
[0154]
对训练集信号vc和测试集信号v
t
进行多维度特征提取，分别得到训练集特征向量oc和测试集特征向量o
t
；然后，分别对特征向量oc和 o
t
进行归一化处理，得到特征向量oc'和o
t
'；接着，对训练集特征向量oc'进行补偿距离评估技术分析，得到各个特征的补偿距离评估指标并根据设定的阈值选取补偿距离评估指标的特征作为敏感特征，并组成敏感特征集；
[0155]
特征加权处理，基于补偿距离评估技术分析可以获得敏感特征集；
[0156]
但是不同特征对分类性能的贡献还是存在差异的。所以对筛选出的敏感特征进行权重计算，使得不同敏感度的特征的权重也不同；
[0157]
特征权重ω∈[0,1]，其值表示该特征对分类的重要度，值越大越有利于分类；
[0158]
此处注意，对全特征集进行补偿距离评估技术分析后，也可以得到敏感特征的补偿距离评估指标作为权重，但是这样的权重是基于所有特征的，不是基于敏感特征集的；所以为了统一权重尺度，对敏感特征集进行补偿距离评估技术分析。
[0159]
首先得到敏感特征向量o
cr
；然后，再基于补偿距离评估技术对敏感特征向量计算评估指标作为特征权重其中n为敏感特征集的维数；最后，对敏感特征向量集合进行加权ωo
cr
＝(ω1o1,ω2o2,
···
,ω
non
)；
[0160]
特征融合处理，对训练集和测试集样本基于类内类间距进行核主成分分析，得到主元成分；
[0161]
得到主元成分，并根据累计贡献率选取前几个主元成分作为最优特征集，其中kpca核参数的选择由式中的指标j来确定，保证选取的核参数对应特征向量的类间距最大且类内距最小；
[0162]
为了计算和分析的简便，对测试集样本进行kpca处理时，核参数的选择可以依据训练集样本进行kpca处理时得到的最优核参数；
[0163]
实验分析，验证基于特征加权和kpca相结合的制动风压特征参数优化选择方法。
[0164]
实验分析包括特征选择及加权以及特征融合；
[0165]
通过货车制动系统空车正常制动、重车正常制动、缓解不良、自然缓解、制动缸漏泄5种状态数据；
[0166]
通过空气压力传感器拾取空气压力信号，信号采集频率为30hz，每种制动状态得到50组数据，为了进行后续故障诊断分析，随机选取每种制动状态中30组样本作为训练集数据，其余的作为测试集数据；
[0167]
在特征提取环节中，提取每组样本数据中四通道(列车管、副风缸、制动缸上游和制动缸下游)风压信号的均值、方根幅值、标准差、均方根值、峰峰值、偏度、峭度、波形指标、峰值指标、脉冲指标等 44个时域指标，每一通道下平均频率、中心频率、均方根频率、标准差频率等20个频域指标，每一通道下小波包能量谱尺度前三共12 个时频域指标，四通道间皮尔森系数共6个相关性指标，共计82维特征指标；
[0168]
实验分析包括特征选择及加权，基于补偿距离评估技术对训练集特征向量进行特征筛选，得到各个特征指标的补偿距离评估指标；
[0169]
如图1所示，当阈值设定为0.4时，选取补偿距离评估指标的特征作为敏感特征，并组成最优特征集；
[0170]
从82维特征向量中选择出10个比较敏感的特征向量，分别为列车管脉冲指标、副风缸脉冲指标、列车管裕度指标、副风缸裕度指标、副风缸平均频率、副风缸标准差频率、列车管小波包分解能量谱尺度最大、副风缸小波包分解能量谱尺度第二、副风缸小波包分解能量谱尺度第三、制动缸上游小波包分解能量谱尺度第三；
[0171]
对筛选出的10维敏感特征，再经过补偿距离评估距离分析后，得到这10种敏感特征的权重ω＝{0.72,0.53,0.90,0.88,0.99,1.00,0.19,0.21,0.12,0.14}；
[0172]
如图2所示；
[0173]
特征融合，基于kpca的制动系统多维度特征向量融合是在特征选择及加权的基础上展开。
[0174]
首先对提取的制动系统82维特征向量进行归一化处理，然后基于补偿距离评估技术进行特征选择，组成10维敏感特征集，接着再对敏感特征集进行加权处理。由于特征向量间存在非线性关系，故选择kpca方法进一步来降维处理，去除冗余，选取其中前几项主元成分作为最终特征，可以有效实现制动系统工作模式和故障类型的模式识别；
[0175]
经过上述对kpca基本原理的推导可知，对于式中存在核参数σ选取的问题，本文基于类内类间距指标j来进行选择。经过大量实验发现，核参数σ在[0,200]之间处于较好的效果，故在核参数σ∈[0,200]之间计算kpca后主元成分的类内类间距指标j，当指标j最大时对应的核参数σ是最优选择。对经过kpca处理后的主元成分选择，本文以累计贡献率达到90％的最少主元的原则来进行选择。为了验证特征筛选和加权处理的有效及合理性，将采取基于全特征集的kpca处理与基于加权特征集的kpca处理进行对比。
[0176]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0177]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。