基于计算统一设备架构高铁故障诊断方法.docVIP

基于计算统一设备架构高铁故障诊断方法 　　摘要：为解决传统高铁振动信号故障诊断方法速度慢、难以满足实时处理的要求，提出一种基于计算统一设备架构（CUDA）加速的高铁振动信号故障诊断方法。首先利用CUDA架构对高铁数据进行经验模态分解（EMD），进而计算分解所得到的各个分量的模糊熵，最后利用最近邻分类（KNN）算法对多个模糊熵特征组成的特征空间进行故障分类。实验结果表明，该方法能高效地对高铁振动信号进行故障分类，运行速度较传统方法有明显提高。 　　关键词：故障诊断；计算统一设备架构； 经验模态分解； 模糊熵； 最近邻分类算法 　　中图分类号： TP301.6 　　文献标志码：A 　　Abstract： Concerning the problem that traditional fault diagnosis of HighSpeed Rail （HSR） vibration signal is slow and cannot meet the actual requirement of realtime processing， an accelerated fault diagnosis method for HSR vibration signal was proposed based on Compute Unified Device Architecture （CUDA）. First， the data of HSR was processed by Empirical Mode Decomposition （EMD） based on CUDA， then the fuzzy entropy of each result component was calculated. Finally， KNearest Neighbor （KNN） classification algorithm was used to classify feature space which consisted of multiple fuzzy entropy features. The experimental results show that the proposed method is efficient on fault classification of HSR vibration signal， and the processing speed is significantly improved compared with the traditional method. 　　Key words： fault diagnosis； Compute Unified Device Architecture （CUDA）； Empirical Mode Decomposition （EMD）； fuzzy entropy； KNearest Neighbor （KNN） classification algorithm 　　0引言 　　高速铁路是高新技术的系统集成，其建设和运营反映了一个国家的科技实力，并为我国经济发展起到了重要的纽带与动脉作用[1]，目前一些国家已经或者正在建设一系列高速铁线。随着现代传感器技术、传输和存储能力的发展，可以从车体的不同部位（如轴承、转向架等）收集到数据[1-2]。对于高速列车的运行，列车故障的信息、列车的舒适性和在不同工况下列车的状况都反映在所采集的数据上，处理和分析这些数据可以对列车的一些故障进行预警。 　　文献[3]提出基于聚合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD）样本熵的高速列车转向架故障特征提取方法，该方法可以有效提取信号特征；文献[4]提出一种基于近似熵及经验模态分解（Empirical Mode Decomposition， EMD）的高铁故障诊断技术，并且使用反向传播（Back Propagation， BP）神经网络作为高铁故障诊断模型；文献[5-6]提出了基于EEMD的高速列车转向架故障诊断算法，用支持向量机（Support Vector Machine， SVM）对四种转向架典型故障进行分类识别。但以上方法都是针对传统单机CPU开发的方法，没有考虑故障诊断效率，特别是，随着数据量的持续增长，这些传统高铁的故障诊断方法面临巨大的挑战，需要寻求一种高效、快速的方法来进行数据处理。 　　在进入3D时代后，图形、图像计算等计算的功能被脱离出来，被单独设计为一块芯片，即图形处理器（Graphic Processing Unit， GPU）[7-8]。当前GPU技术得到了飞速发展，并被广泛应用于生命科学、机