本发明涉及智能交互技术领域，特别是一种轨道车辆故障诊断装置。
背景技术：
随着中国社会经济的高速发展，我国城市化的进程逐渐深入，到2016年预计城轨线路总长度将达到3500公里，有逾60个城市的超过3万辆城轨车辆将于2020年投入运营。城轨交通的快速发展及大量车辆的投入使用，使车辆的运营安全成为近年来关注的焦点。
城轨车辆走行系由于工作环境复杂，当载荷冲击过大或者受到安装设计不当、润滑状态不良等因素影响时，容易出现各种故障，是城轨车辆中最易损坏的系统之一，对它进行实时监测是保障城轨车辆行车安全的重要手段，同时也是提供更高客运服务质量的关键，因此针对城轨车辆走行系的状态进行实时监测及故障预警与诊断具有重大的现实意义。
目前，我国对列车走行系故障诊断仍停留在手工测量方式为主，手工测量不仅劳动强度大，过程繁琐，而且由于测量工具的落后，难以避免人为的测量误差。倘若在检修环节中应用在线的监测系统，构成一个自动诊断装置，不但可以使得检测人员从高强度的劳动和复杂的数据分析中解脱，而且能为检修提供可靠的技术保证。对于城轨车辆走行系自动诊断装置的研究，目前主要集中在对振动信号的时频分析上，如小波分析法、短时傅里叶变换、经验模式分解、幅值谱特征等，这些方法都是针对单一传感器、单一故障模式进行分析，而城轨车辆走行系故障影响因素众多，且相互关联，故障的多样性、不确定性和各种故障之间的复杂性构成了故障诊断的难点，因此仅靠单一传感器和单一故障特征量的方法难以完成城轨车辆走行系故障精确诊断。
技术实现要素：
针对上述问题，本发明旨在提供一种轨道车辆故障诊断装置。
本发明的目的采用以下技术方案来实现：
一种轨道车辆故障诊断装置，包括：
设置于轨道车辆轴箱上的振动传感器，用于获取车辆运行时的振动信号；
设置于轨道车辆制动器上的温度传感器，用于获取车辆运行时制动器的温度信号；
与所述震动传感器无线连接的振动信号处理模块，用于对获取的振动信号进行处理，提取所述振动信号的故障特征信息并进行故障检测；
与所述温度传感器无线连接的温度信号处理模块，用于对获取的温度信号进行处理，预测温度信号的变化趋势并进行故障检测；
与所述振动信号处理模块和温度信号处理模块连接的控制装置，用于接收所述振动信号处理模块和所述温度信号处理模块的故障检测结果，当检测到发生故障时发出警报消息。
进一步地，所述温度信号处理模块，对获取的温度信号进行处理，预测温度信号的变化趋势，进一步包括：
接收由温度传感器采集的温度信号；对获取的温度信号进行加数据窗处理，将数据窗内的温度数据组成温度序列[wm-cl+1,…,wm-1,wm]，其中cl表示采用的数据窗的宽度，即数据窗中包含温度数据的数量，wm表示当前时刻的温度数据；
获取温度序列的变化趋势，其中采用的温度变化趋势函数为：
式中，qs表示温度变化趋势；
根据温度序列预测下一时刻的温度数据，其中采用的温度预测函数为：
式中，w′表示预测的下一时刻的温度；qs表示数据窗内温度数列的变化趋势，wm表示当前时刻的温度数据；
当所述温度序列[wm-cl+1,…,wm-1,wm]中的温度数据或所述预测的下一时刻的温度w′大于设定的阈值
进一步地，所述动信号处理模块，对获取的振动信号进行处理，提取所述振动信号的故障特征信息，进一步包括：
接收由振动传感器采集的振动信号；对获取的振动信号进行加时间窗处理，对时间窗内的振动信号进行fft快速傅里叶变换，获取频域上的振动信号表示；根据频域上的振动信号表示进行小波分解，获取该振动信号的小波包分解树，其中采用的小波包分解树获取函数为：
式中，bs(p,q)表示小波包分解树第p层中第q个子频带能量，sl表示时间窗内原振动信号的系数序列长度，xsn(p,q)表示小波包分解树第p层中第q个子频带对应的系数序列中第n个系数；
组合小波包分解树中第p层中2p个子频带能量特征作为该时间窗内振动信号的能量特征向量tx，即tx＝{bs(p,q)}；
将时间窗内的振动信号的能量特征向量tx和预存的不同状态类型的样本振动信号的能量特征向量进行匹配，识别时间窗内的振动信号的状态类型，其中，所述状态类型包括正常状态或不同类型的故障状态，其中采用的状态识别函数为：
式中，zs表示状态判断因子，xzn表示特征向量tx中的第n个子频带能量特征，zn(i)表
示预设的第i个样本振动信号的能量特征向量中的第n个子频带能量特征；
当状态判断因子zs小于设定的判定阈值zsω，则将该采集的振动信号的状态类型标记为状态判断因子zs对应的第i个样本振动信号所属的正常状态或故障状态。
进一步地，所述振动信号处理模块中，组合小波包分解树中第p层中2p个子频带能量特征作为该时间窗内振动信号的能量特征向量tx，其中具体选取的层数p由下列函数获取：
式中，p表示获取能量特征向量tx时所选取的小波包分解树中的层数，fa表示振动信号采样频率，fb表示故障特征振动频率，fc表示变压器本体正常工作的振动频率；
本发明的有益效果为：本发明故障诊断装置通过设置在轨道车辆的轴箱上的振动传感器和设置在制动器上的温度传感器采集车辆运行时的振动信号和温度信号，通过处理模块对采集的振动信号和温度信号进行分析处理和故障检测，当检测到故障时及时向控制台发送警报消息，从多维度对轨道车辆的运行状态进行检测，提高了故障检测的可靠性和适应性；同时，采用上述的自动化故障诊断装置，能够有效地避免了采用人工监测带来的高成本；同时，本发明故障诊断装置安装方便，便于实施。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图。
附图标记：
振动传感器1、温度传感器2、振动信号处理模块3、温度信号处理模块4、控制装置5
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1，其示出一种轨道车辆故障诊断装置，包括：
设置于轨道车辆轴箱上的振动传感器1，用于获取车辆运行时的振动信号；
设置于轨道车辆制动器上的温度传感器2，用于获取车辆运行时制动器的温度信号；
与所述震动传感器无线连接的振动信号处理模块3，用于对获取的振动信号进行处理，提取所述振动信号的故障特征信息并进行故障检测；
与所述温度传感器2无线连接的温度信号处理模块4，用于对获取的温度信号进行处理，预测温度信号的变化趋势并进行故障检测；
与所述振动信号处理模块3和温度信号处理模块4连接的控制装置5，用于接收所述振动信号处理模块3和所述温度信号处理模块4的故障检测结果，当检测到发生故障时发出警报消息。
本发明上述实施方式，故障诊断装置通过设置在轨道车辆的轴箱上的振动传感器1和设置在制动器上的温度传感器2采集车辆运行时的振动信号和温度信号，通过处理模块对采集的振动信号和温度信号进行分析处理和故障检测，当检测到故障时及时向控制台发送警报消息，从多维度对轨道车辆的运行状态进行检测，提高了故障检测的可靠性和适应性；同时，采用上述的自动化故障诊断装置，能够有效地避免了采用人工监测带来的高成本；同时，本发明故障诊断装置安装方便，便于实施。
进一步地，所述温度信号处理模块4，对获取的温度信号进行处理，预测温度信号的变化趋势，进一步包括：
接收由温度传感器2采集的温度信号；对获取的温度信号进行加数据窗处理，将数据窗内的温度数据组成温度序列[wm-cl+1,…,wm-1,wm]，其中cl表示采用的数据窗的宽度，即数据窗中包含温度数据的数量，wm表示当前时刻的温度数据；
获取温度序列的变化趋势，其中采用的温度变化趋势函数为：
式中，qs表示温度变化趋势；
根据温度序列预测下一时刻的温度数据，其中采用的温度预测函数为：
式中，w′表示预测的下一时刻的温度；qs表示数据窗内温度数列的变化趋势，wm表示当前时刻的温度数据；
当所述温度序列[wm-cl+1,…,wm-1,wm]中的温度数据或所述预测的下一时刻的温度w′大于设定的阈值
本发明上述实施方式，采用上述方式对通过温度传感器2获取的温度信号进行分析，从而判断轨道车辆的制动器是否存在故障，当制动器的温度急剧上升或者温度过高时，则表明制动器发生了故障，因此本装置中温度信号处理模块4准确地判断出当前时刻温度的变化趋势及准确预测下一时刻的温度，能够提前对制动器的温度进行预测，及时地判断出轨道车辆的制动器的运行状况并反馈到车辆控制中心，有效地提高轨道车辆故障诊断的可靠性和实时性。
进一步地，所述动信号处理模块，对获取的振动信号进行处理，提取所述振动信号的故障特征信息，进一步包括：
接收由振动传感器1采集的振动信号；对获取的振动信号进行加时间窗处理，对时间窗内的振动信号进行fft快速傅里叶变换，获取频域上的振动信号表示；根据频域上的振动信号表示进行小波分解，获取该振动信号的小波包分解树，其中采用的小波包分解树获取函数为：
式中，bs(p,q)表示小波包分解树第p层中第q个子频带能量，sl表示时间窗内原振动信号的系数序列长度，xsn(p,q)表示小波包分解树第p层中第q个子频带对应的系数序列中第n个系数；
组合小波包分解树中第p层中2p个子频带能量特征作为该时间窗内振动信号的能量特征向量tx，即tx＝{bs(p,q)}；
将时间窗内的振动信号的能量特征向量tx和预存的不同状态类型的样本振动信号的能量特征向量进行匹配，识别时间窗内的振动信号的状态类型，其中，所述状态类型包括正常状态或不同类型的故障状态，其中采用的状态识别函数为：
式中，zs表示状态判断因子，xzn表示特征向量tx中的第n个子频带能量特征，zn(i)表
示预设的第i个样本振动信号的能量特征向量中的第n个子频带能量特征；
当状态判断因子zs小于设定的判定阈值zsω，则将该采集的振动信号的状态类型标记为状态判断因子zs对应的第i个样本振动信号所属的正常状态或故障状态。
本发明上述实施方式，采用上述方法对通过振动传感器1获取的振动信号进行处理，首先获取该振动信号的小波包分解树，从中获取振动信号的能量特征向量，然后将获取的振动信号能量特征向量和不同样本的振动信号能量特征向量进行匹配，获取振动信号的具体状态类型，从而判断轴箱的运行状态，通过采集轴箱发出的振动信号，提取其中的能量特征向量作为依据，判断该特征向量所属的状态类型，从而判断轴箱的工作状态，精确度高，进一步提高了故障诊断装置的性能。
进一步地，所述振动信号处理模块3中，组合小波包分解树中第p层中2p个子频带能量特征作为该时间窗内振动信号的能量特征向量tx，其中具体选取的层数p由下列函数获取：
式中，p表示获取能量特征向量tx时所选取的小波包分解树中的层数，fa表示振动信号采样频率，fb表示故障特征振动频率，fc表示变压器本体正常工作的振动频率；
本发明上述实施方式，振动信号处理模块3中，在获取振动信号的能量特征向量时，采用上述的方式确定选择小波包分解树具体第p层数中的2p个子频带能量特征并将其组合成振动信号的能量特征向量，能够根据故障状态样本振动信号和正常状态样本信号的振动频率及振动传感器1的采样频率来确定最适合用于区分故障状态和正常状态的能量特征向量细化度，并且最优化运算的复杂性，提高了振动信号的识别准确率和降低了运算的复杂度，进一步提高了故障诊断装置的性能。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当分析，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。