示。
[0037] 信号采集模块中传感器安装数量为每列车总的传感器个数是16个。具体清单如下 表：
[0038] 表1设备配置数量表
[0040]注:列/台表示每列车所装设备台数。
[0041 ] 在每个A车低压柜增加110V直流控制电源电压和电流传感器各一个，采集110V直 流控制电源的电流和电压数据，以便分析110V直流控制电源电压的传导特性。
[0042] 在每个A车低压柜增加380V三相交流电源电压和电流传感器各三个，采集380V三 相交流电源的三相电流和电压数据，以便分析380V三相交流电源的传导特性。
[0043]其他硬件主要性能指标如下：
[0044] 表2主要性能参数
[0045]
[0046] (2)电源：110V DC
[0047] (3)机箱:外壳白色，PXI总线的内部固定架和底座
[0048] (4)触摸屏，主要性能指标如下：
[0049] 表3主要性能参数
[0050]
[0051] 信号预处理模块由前置放大器、抗混叠低通滤波器、采样/保持电路和多路模拟开 关、程控放大器、A/D转换器和逻辑控制电路组成，如图2所示。
[0052] 信号预处理模块中硬件主要性能指标如下：
[0053] 表4主要性能参数
[0054]
[0055] 故障诊断模块包括扩展卡尔曼滤波器、检验器、运算器、修正器、故障存储器、故障 结果生成器，其诊断分析流程如图3所示。方法步骤如下：
[0056] (i)扩展卡尔曼滤波器对数据进行降噪，然后将降噪后的数据发送给运算器。设备 运行过程中往往受到附近设备振动以及其他外界因素的影响，在实际应用中，降噪器需要 对信号进行降噪处理，去除干扰信息。
[0057] (ii)运算器对降噪后的数据进行计算，计算出其预定时间段内的变化幅值，将变 化幅值大于第一阈值的时间节点记录下来，并将所述时间节点对应的数据存储到故障存储 器中。
[0058] (iii)运算器统计计算故障存储器中数据的分布，并将相对于分布的中间值的偏 差值大于第二阈值的数据提取出来，将提取出的数据发送给故障结果生成器。
[0059] 通过以上两个步骤排除了列车在不稳定运行的状态下对设备的干扰，运算结果保 留了能真实放映设备运行状态的数据。
[0060] (iv)故障结果生成器将接收到的运算器的数据首先分解为一系列模态函数之和， 模态分解是一种非平稳信号处理方法，并且是基于数据本身的自适应分解方法。其将一个 复杂信号分解为若干模态函数，基于如下假设:任何复杂信号都由一系列的模态函数构成， 每一个模态函数，其极值点和过零点个数必须相等或相差最多不能超过一个，以及上下包 络线对于时间轴局部对称。其筛分过程如图4所示，具体步骤为：
[0061] (1)确定数据所有的局部极值点，然后采取三次样条线将所有局部极大、极小值点 连接起来，形成上包络线与下包络线；
[0062] (2)上包络线与下包络线的均值记为m(t)，然后由降噪后的信号x(t)与均值m(t) 求出hi(t)，hi(t) = x(t)_mi(t);
[0063] (3)如果hKt)不满足模态函数条件，把hKt)作为原始数据，并且重复步骤（1)~ (2)，得上下包络的均值11111(1:)，则1111(1:)=111(1:)1111(1:);
[0064] 若hn(t)仍不满足模态函数条件，则重复循环k次，直至hlk(t)满足条件，将x(t)的 第一个模态分量记为Ci(t)，ci(t)=hik(t);
[0065] (4)将ci(t)从x(t)中分离得到ri(t) :ri(t) =x(t)_ci(t);
[0066] 将。(〇作为新的原始数据重复以上步骤，得到x(t)的第2个模态分量c2(t)，重复η 次得到rn(t)为一个单调函数不能再从中提取模态分量时结束；则降噪后的信号x(t)最终 分解为一系列模态函数之和：
[0068]上述分解过程其实是"筛分"的过程，但从实际信号中分离出来的模态函数的包络 线平均值不可能为零，这就需要设置一个条件来停止筛分。一般地，根据标准差SD的大小来 决定筛分是否停止，SD由筛分出来的hm)和h lk得到，即
[0070]其中T为离散信号序列的总长度，SD的值在0.2到0.3之间。
[0071] Rilling在上述基础上进行了改进，提出
[0073] 其中emax为信号的上包络，emin为信号的下包络。
[0074] Rilling提出的筛分停止条件更能反映模态函数的均值特性，因此本发明采用 Ri 11 ing提出的筛分停止条件。
[0075] 然后对分解的模态函数提取能量矩，1)对原始信号进行分析，得出η个相应模态函 数ci(t)，i = l，2,3,…，η;
[0076] 2)从分析结果中选择相应的模态函数分量算出能量矩，頂F能量矩的公式为
[0078]若为离散信号，则相应的能量矩为：
[0080]其中m是总采样点数，k是采样点，At是采样周期。对所选MF算出相应能量矩Ei， E2，…〇
[0081] 3)构造特征向量T:
[0082] Τ=[Ει E2 ··· En]
[0083] 若相应能量矩值较大时，需对T进行归一化处理，归一化后，相应特征向量T '为：
[0084] Τ，= [Ει/Ε E2/E …En/E]
[0085] 其中
[0087] 能量矩不仅反映了 IMF能量的大小，也反映了能量随时间的分布状况。
[0088] 最后将能量矩输入BP神经网络，最终得出故障诊断结果，诊断流程如图5所示。神 经网络用于辅助系故障诊断时，一般要给神经网络提供每一模式类中的许多样本作为训 练样本。神经网络经过学习，不仅能够识别已训练过的样本，而且能够识别未出现过的样 本。神经网络的这种能力称为推广力或泛化能力。神经网络对于内插数据点的泛化能力优 于外插点，所以一般用大量的训练样本训练神经网络以便获得较好的泛化能力。
[0089] 在用神经网络实现故障诊断时，相当于在神经网络中建立和查询故障字典。由于 使用了神经网络，故障字典的建立是通过神经网络对故障字典典型特征的学习完成的；字 典的查询则是通过神经网络对故障特征的联想来实现的。只要能满足字典法中故障隔离条 件的故障，其特征必然独立于其他故障，就能用神经网络实现故障的诊断。因此，采用神经 网络的诊断法在字典的建立和查询中都相当有优势。
[0090] 基于BP神经网络的辅助逆变系统故障诊断算法包括BP神经网络的构建、BP神经网 络的训练以及BP神经网络的故障分类识别三个过程。应用BP神经网络进行故障分类时，需 要将提取的辅助逆变系统故障特征参量分为两组，一组作为训练样本，一组作为待诊断样 本。其中训练样本用来对BP神经网络进行训练，待诊断样本用来对已训练好的BP神经网络 进行测试，以检验网络的分类能力。利用BP神经网络对辅助逆变系统进行故障诊断的步骤 如图5所示。
[0091] 在辅助逆变系统的故障诊断中进行BP神经网络设计时应考虑网络的层数、每层神 经元的节点数、初始值及学习率等方面内容。
[0092] (1)网络的层数。一个三层BP神经网络可以逼近任何连续函数，能够实现从η维到m 维的映射，增加层数可以进一步提高精度、降低误差，但也会增加网络的学习训练时间，并 使网络复杂化，而适当增加隐含层节点数目也可以提高误差精度。在辅助逆变的故障诊断 中，BP神经网络层数一般选取三层就能获得较好的非线性映射效果。
[0093] (2)隐含