基于cuda高铁故障诊断技术研究

基于CUDA的高铁故障诊断技术研究报告人：陈志导师：李天瑞教授

单位：西南交通大学随着人们对于列车速度和运输能力的要求越来越高，安全性和舒适性已经成为一个不容忽视的问题。高铁运行过程中采集的走行部的数据可以反映列车实时状况。随着采集的数据量增大，需要能够快速准确处理大数据的模型或方法。研究背景

现有高铁处理技术采用单机处理不能处理大规模数据，无法满足实时性要求

利用GPU来研究高铁大数据处理关键技术并且提高处理效率CUDA通用并行计算架构

为快速准确处理高铁大数据提供了保障研究意义研究目标高铁处理关键技术GPU基于GPU的高铁关键技术处理国内外研究现状GPU广泛应用于生命科学、机械、石油、金融、数学、天文和通信等行业已有的高铁数据处理关键技术研究成果赵成兵，李天瑞，王仲刚，高子喆.基于MapReduce的高铁振动数据预处理算法研究.计算机应用，

2011.(中文核心)赵晶晶,杨燕,李天瑞,曾京,魏来.基于近似熵及EMD的高铁故障诊断[J].计算机科学,2014,01:91-94+99.Jipeng

Xie,

Yan

Yang,

Tianrui

Li,

Weidong

Jin.Learning

Features

from

High

Speed

TrainVibration

Signals

with

Deep

Belief

Networks,2014.

(IEEE-IJCNN2014录用)国内外研究现状高铁数据处理关键技术功能实现加速实现关键技术1.

预处理2.

特征提取3.

故障诊断基于CUDA的高铁故障诊断技术研究故障类型诊断样本生成研究内容ADBC信号特征提取CUDA加速样本生成软件高铁振动信号是非线性非平稳的信号，可以采用经验模态分解（EMD）方法对其进行分析。Huang等人认为任何信号都是由若干固有模态

函数IMF组成，如果将固有模态函数进行叠加，就形成复合信号。EMD分解的目的就是通过对复合信号进行分解来获取固有模态函数。信号特征提取经验模态分解x(t)

sin(40t)

sin(100t)

sin(200t)0.2

0.4

0.6

0.81-2002第1个IMFIM

F

10.51第1个IMF的的的|I

M

F

(

f

)

|00.2

0.4

0.6

0.81-101Time/s第2个IMFIM

F

200.5100

200

400

600

800

1000f/Hz第2个IMF的的的|I

M

F

(

f

)

|00.2

0.4

0.6

0.81-101Time/s第3个IMFTime/sIM

F

30

200

400

600

800

100000.510

200

400

600

800

1000f/Hz第3个IMF的的的f/Hz|I

M

F

(f

)|00.10.20.30.40.60.70.80.91-3-2-10123原原原原0.5Time/sO

r

ig

in0100200300400600700800900100000.20.40.60.81原原原原的的的500f/Hz|Y

(f

)|

信息熵是对系统状态不确定性的定量衡量指标，对于系统中包含的信息具有很强的刻画能力。信息熵近似熵信息熵样本熵模糊熵在近似熵的基础上，Chen等人将模糊集理论引入信息熵形成了模糊熵。选用指数函数来定义相似性，将相似性度量公式模糊化。特点：对噪声有很好的鲁棒性对参数的变化不敏感有很好的稳定性模糊熵模糊熵1,2,3,4,5,6,7,8-1,0,1-1,0,1-1,0,1-1,0,1-1,0,1令u(i)(i=1,2,3...,N)是一长度为N的一维时间序列。Step

1.矩阵X定义为：令m=3X

m

{u(i),u(i

1),,u(i

m

1)}

u

(i)i

0i

1

~

N

m

1mmj

00u(i

j)1u

(i)-1,0,11X

32X

33X

34X

35X

36X

3如：原始时间序列u(i)：模糊熵jij

id

m

max (

X

m

(k)

X

m

(k)

)

max (

u(i

k)

u(

j

k)

)k

0,1,m1k

0,1,m1331

212

max

(1

2),

(2

3),

(3

4)

max

-1,-1,-1

1

max

X

(i)

X

(i)d

3如：Step2.计算任意向量间的距离:即两向量对应元素之间差值绝对值的最大值就是两向量之间的距离。模糊熵Step

3.

通过模糊函数计算和的相似度矩阵ijDmDm

u(d

m

,

r)ij

ij)r(d

)mijm

2iju(d

,

r)

exp(Step

4.定义函数

m

(r)N

mN

mmN

mi1j

1Dij

)

1

(

1

(r)

N

m

m模糊函数模糊熵Step

5.

令m=m+1,并重复步骤1到步骤4得到函数

m1(r)11()ijDN

-m

-1m

1m

1i

1(r

)

N

-m

-1N

-m

-1N

-m

-1j

1N

Step

6.

定义序列的模糊熵为FuzzyEn(N

,

m,

r)

lim

[ln

m

(r)

ln

m1(r)]当N

是一个有限的数字时FuzzyEn(N

,

m,

r)

ln

m

(r)

lnm1(r)参数N是时间序列的长度，m是重构的矩阵的维数，r是相似度函数边界的宽度。基于CUDA的IMF分量的模糊熵求解1.

矩阵变换基于CUDA的IMF分量的模糊熵求解2.

求矩阵A(n*m)的第i行和矩阵B(m*n)的第j列的各项最大值（向量距离）：p

max{|

ai1

aj1

|,|

ai2

aj2

|,,|

aim

ajm

|}作为矩阵C(n*n)的第cij

项的值：cij

p基于CUDA的IMF分量的模糊熵求解3.求模糊熵：在CUDA中进行复杂运算基于CUDA的IMF分量的模糊熵求解得到特征向量：经过EMD分解得到n个IMF，求每个IMF的模糊熵，得到n个模糊熵特征组成特征向量R=

[r1r2

rn

]。将训练样本求得的特征向量R保存在IMF_Feature_Train.txt。将测试样本求得的特征向量R保存在IMF_Feature_Test.txt。实验环境GPU：NVIDIA

Geforce

310，16个流处理器，容量512M。CPU：Intel(R)

Core(TM)2

Q8400

@2.66HZ

2.66HZ。内存：4G。特征提取实验数据：仿真平台4种工况58个通道共796个样本（202M）。故障诊断实验数据：4组样本，每组样本69252个，训练样本占70%，测试样本占30%。4种工况分别命名为：Data1,Data2,Data3和Data4。特征提取加速样本Data1Data2Data3Data4CPU耗时（s）34741.535338.029556.733675.2CUDA耗时（s）4179.54919.34373.63708.1加速比8.317.186.769.08基于CUDA的KNN故障分类输入矩阵所有训练样本的特征向量R组成矩阵A，矩阵A是m

*

n的矩阵，其中m是训练样本个数，n是向量长度。所有测试样本的特征向量R组成矩阵B，矩阵B是p

*

n

的矩阵，其中p是测试样本个数，n是向量长度。基于CUDA的KNN故障分类1.

求差值矩阵A121inaA1

a

m1

i1

m

2

i

2mn in

a11

bi1

a12

bi

2

a1n

bin

b

a

b

a

bi1

22

i

2

2n

b

a

b

a

b

，计算和矩阵A的每一对于矩阵B的第i行Bi=

[bi1

bi

2

bin

]行的差值基于CUDA的KNN故障分类2.

将矩阵A1传递到显存，并计算第j行的平方和s

j2njjkikk

1s

(a

b

)得向量S=

[s1

s2

sm

]，并将向量S返回到内存。基于CUDA的KNN故障分类在矩阵S中求出最小的前k个值，类别最多项即为第i条测试信号的类别令i=i+1，对矩阵B的下一条测试信号的特征向量进行1~3步骤的操作，直至矩阵B最后一条特征向量。