摘要：城轨车辆转向架作为一个复杂的系统，其运行的质量关系着车辆运行的安全性以及乘客的舒适性。转向架上的关键部件性能过度退化将严重影响转向架的运行质量，因此对转向架关键部件的性能退化阶段进行辨别是极有必要的。以转向架空气弹簧为研究对象，提出一种多线性主成分分析与卷积变分自编码器相结合的多通道融合性能退化阶段辨识方法，使用多线性主成分分析预处理多通道数据，对多通道数据降维并保留关键性信息。降维后的数据作为卷积变分自编码器的输入，提取出信号的深层特征来完成转向架关键部件性能退化状态的辨识。实验结果表明，在空气弹簧间隔为10%的性能退化阶段辨识上，所提出的方法辨识准确率达到98.21%，优于CNN、LSTM等常用的性能退化阶段辨识方法。

　　关键词：空气弹簧；多通道数据融合；多线性主成分分析；卷积变分自编码器；性能退化阶段辨识

　　0引言

　　转向架作为城轨车辆的关键部件之一，其运行质量关系着车辆运行的整体稳定性和安全性。城轨车辆转向架包括轮对、轴箱、构架、一系悬挂、二系悬挂等部件，面对如此复杂的系统，一些关键部件的性能退化将影响其运行质量，因此有必要对其关键部件的性能退化状态实现实时辨识。城轨车辆上存在着大量传感器，可以实时获得海量数据，而如何有效利用获取到的传感器信号来完成特征提取并实现关键部件辨识，已经成为当前故障诊断与状态检测的研究热点之一[1-3]。

　　目前，转向架性能状态辨识方法可分为两类。一类为传统的方法，如段旺旺等[4]首先通过功率谱与主成分分析相结合的方法完成振动信号特征提取，之后采用SVM分析出故障种类。金炜东等[5]以信号模态分解后构建的联合密度函数的均值与方差来作为特征，采用SVM来识别转向架的故障信号。秦娜等[6]分别研究了小波信息熵、聚合经验模态分解、信息融合等方法在高速列车转向架故障识别中的适用性。李昌喜[7]利用变分模态分解算法对转向架关键部件的故障振动信号进行处理，有效改善了模态混叠和减少虚假分量的存在。传统方法的优点是可以提取出有明确物理意义的特征，缺点是存在一定人为因素，使得提取出的特征会影响最终辨识效果。另一类为采用深度学习的方法，该具有良好的特征学习能力，可以自主地提取振动信号特征，减少人为因素的影响。如Liang等[8]将转向架信号转换为灰色图像来观察其纹理特征，利用CNN对图像进行分类实现转向架的故障辨识。Hu等[9]用自编码器提取出转向架的故障特征，最后利用深层神经网络进行故障分类。ZHAO等[10]使用故障信号的频谱作为深层神经网络输入实现转向架的故障监测。吴昀璞等[11]提出了一种基于孪生卷积神经网络的故障类型辨识方法，对于多通道振动监测信号，通过深度残差一维卷积网络进行特征提取与融合，提高了小样本下的识别准确率。张传凯等[12]通过SIMPACK搭建模型获得关键部件在健康状态下振动信号，以时域指标中均方根值和峰度值作为特征构建健康因子曲线，提出一种基于LSTM网络的列车悬挂系统故障预测方法。卢昌宏等[13]提出多通道融合的横向减振器性能退化的状态识别，通过对城轨车辆不同位置振动信号的相关性分析来选定通道信号，最后使用CNN来完成横向减震器性能退化状态的辨识。深度学习的方法在可以有效地完成提取特征的同时，减少人为因素的影响以及避免了复杂的提取过程。

　　综上，现有的研究方法主要是以故障状态的信号为主，而对转向架在实际运行过程中关键部件性能退化阶段辨识较少。对转向架关键部件性能退化的振动信号故障信号相似度更高，信号特征更加不易提取，因此对模型的特征提取能力有了更高的要求。本文以城轨车辆转向架的空气弹簧作为研究对象，提出了一种基于卷积变分自编码器的多通道信息融合方法，实现对转向架空气弹簧性能退化状态的精确辨识。首先基于多线性主成分分析的方法完成多通道数据的降维，然后通过卷积变分自编码器提取信号的隐层特征，实现空气弹簧性能退化状态的辨识。

　　1理论背景

　　1.1多线性主成分分析

　　多线性主成分分析（Multilinear Principal Component Analysis，MPCA），是Lu等[14]在2008年提出的一种基于张量分解原理来对高阶数据进行特征提取的方法，其本质是数据的降维，是经典的PCA算法在高阶数据上的延

　　4结束语

　　为了实现城轨车辆空气弹簧性能退化状态的辨识，将多线性主成分分析法引入到深度学习模型中，提出了基于MPCA-CVAE的城轨车辆空气弹簧性能退化状态辨识方法。该模型在数据预处理时使用了多线性主成分分析方法，通过对多通道数据的降维，保留数据中的关键信息。接着将数据输入卷积变分自编码器模型，通过编码器与解码器中三层卷积块与三层反卷积块实现数据的退化状态特征提取，最后通过分类器完成退化状态的评估。实验结果表明，与经典的卷积变分自编码器相比，MPCA-CVAE方法可以更快地实现空气弹簧更准确的辨识。与其他经典方法对比，该模型的准确率为98.21%，高于其他方法。为转向架关键部件的性能退化阶段辨识提供了一种新的解决思路。

　参考文献：

　　[1]滕延芹.基于钢轨振动信号的城轨车辆悬挂系统故障检测与分离研究[D].北京:北京交通大学,2020.

　　[2]卢昌宏.城轨车辆转向架关键部件劣化状态辨识方法研究[D].成都:西南交通大学,2021.

　　[3]李熙.城市轨道交通车辆走行部安全评估方法研究[D].北京:北京交通大学,2011.

　　[4]段旺旺,金炜东.基于AR功率谱的高速列车转向架故障信号分析[J].噪声与振动控制,2015,35(2):51-56.

　　DUAN W W,JIN W D.Bogie fault signal analysis of high-speed trains based on ar power spectrum[J].Noise and Vibration Con⁃trol,2015,35(2):51-56.

　　[5]金炜东,吕乾勇,孙永奎.基于Copula函数的高速列车转向架故障特征提取[J].西南交通大学学报,2015,50(4):676-682.

　　JIN W D,LÜQ,SUN Y K.Extracting fault features of high-speed train bogies using copula function[J].Journal of Southwest Jiao⁃tong University,2015,50(4):676-682.

　　[6]秦娜,蒋鹏,孙永奎,等.基于EEMD排列熵的高速列车转向架故障特征分析[J].振动.测试与诊断,2015,35(5):885-891.

　　QIN N,JIANG P,SUN Y K,et al.Fault diagnosis of high speed train bogie based on eemd and permutation entropy[J].Journal of Vibration,Measurement&Diagnosis,2015,35(5):885-891.

　　[7]李昌喜.基于变分模态分解的高速列车转向架故障诊断[D].成都:西南交通大学,2018.

　　[8]Liang K,Qin N,Huang D,et al.1D convolutional neural networks for fault diagnosis of high-speed train bogie[C]//IEEE 23rd In⁃ternational Conference on Digital Signal Processing(DSP).Shang Hai,IEEE,2018.

　　[9]Hu H,Tang B,Gong X,et al.Intelligent fault diagnosis of the high-speed train with big databasedon deep neural networks[J].IEEE　Transactions on Industrial Informatics,2017,13(4):2106-2116.

　　[10]Zhao Y,Guo Z H,Yan J M.Vibration signal analysis and fault di⁃agnosis of bogies of the high-speed train based on deep neural networks[J].Journal of Vibroengineering,2017,17(2):414-415.

　　[11]吴昀璞,金炜东,任俊箫.基于孪生卷积网络的高速列车转向架故障辨识[J].系统仿真学报,2019,31(11):2562-2568.

　　WU Y P,JIN W D,REN J X.Fault identification of high-speed train bogie based on siamese convolutional neural network[J].Journal of System Simulation,2019,31(11):2562-2568.

　　[12]张传凯,刘佳龙.基于LSTM网络高速列车悬挂系统故障预测方法研究[J].现代城市轨道交通,2021(2):31-35.

　　ZHANG C K,LIU J L.On fault prediction method of high-speed train suspension system based on lstm network[J].Modern Ur⁃ban Transit,2021(2):31-35.

　　[13]卢昌宏,张利斌,张恒志,等.一种多通道信息融合的横向减振器性能退化阶段辨别方法[J].铁道科学与工程学报,2021,18(3):737-743.

　　LU C H,ZHANG L B,ZHANG H Z,et al.A multi-channel in⁃formation fusion lateral damper performance degradation stage identification method[J].Journal of Railway Science and Engi⁃neering,2021,18(3):737-743.

　　[14]Lu H,Plataniotis K N,Venetsanopoulos A N.MPCA:Multilinear principal component analysis of tensor objects for recognition[J].IEEE Trans Neural Network.2008,19(1):18-39.

　　[15]陈啸宇,李扬清,梁颋.基于轻量级深度网络的信号检测与样式识别[J].移动通信,2024,48(9):8-15.

　　CHEN X Y,LI Y Q,LIANG T.Signal detection and pattern rec⁃ognition based on lightweight deep networks[J].Mobile Commu⁃nications,2024,48(9):8-15.