韓子東，崔鵬飛，張 凱

(中國公路工程咨詢集團有限公司,北京 100097)

0 引言

2019年9月，中共中央、國務院正式印發(fā)的《交通強國建設(shè)綱要》中特別指出，要“構(gòu)建泛在先進的交通信息基礎(chǔ)設(shè)施”，該項要求給智慧交通的發(fā)展指明了方向[1]。在交通強國建設(shè)背景下，交通運輸部開展了一系列頂層規(guī)劃和戰(zhàn)略部署，將發(fā)展智慧交通作為行業(yè)主攻方向[2]。其中，在2019年7月，交通運輸部印發(fā)了《數(shù)字交通發(fā)展規(guī)劃綱要》，提出讓“啞設(shè)施”具備多維監(jiān)測、智能網(wǎng)聯(lián)、精準管控、協(xié)同服務能力[3]。高速公路波形護欄就是一種典型的“啞設(shè)施”。本研究作者研發(fā)團隊設(shè)計了一種面向端邊協(xié)同的波形護欄監(jiān)測系統(tǒng)，該系統(tǒng)以波形護欄撞擊監(jiān)測為主，融合、聯(lián)動其他感知設(shè)施，一方面能夠提升感知精度，另一方面能夠提高高速公路應急救援和運營養(yǎng)護效率。本研究僅對其中撞擊監(jiān)測的核心算法進行闡述，傳感器設(shè)計、布設(shè)的優(yōu)化和聯(lián)動另文描述。

在我國，高速公路交通事故感知基本依賴人工視頻輪詢監(jiān)控和視頻事件智能檢測兩種方式，雖然我國各高速公路正在進行全國視頻聯(lián)網(wǎng)建設(shè)工作，但距離高速公路主線視頻全覆蓋還有很長的一段路要走，更何況，受視距、視頻質(zhì)量、天氣環(huán)境等因素的影響，各類攝像機智能檢測的有效距離也十分有限，這會導致高速公路如果僅憑視頻手段，很難實現(xiàn)交通事故的全天候、全線的感知全覆蓋，而利用護欄監(jiān)測和視頻等其他技術(shù)的融合、聯(lián)動，是提高交通安全、應急保障效率的解決路線之一。但是，行業(yè)內(nèi)護欄監(jiān)測還處在探索階段，其技術(shù)多采用光纖傳感技術(shù)[4]和視頻比對技術(shù)[5]。其中光纖傳感技術(shù)由于需要在護欄外側(cè)通鋪傳感器，發(fā)生較嚴重撞擊時其傳感器也會遭到嚴重破壞，其建設(shè)成本和維修成本居高不下，阻礙了科技成果的轉(zhuǎn)化。而視頻比對技術(shù)多在運營維護期間，采用車載式攝像機巡邏后，回到數(shù)據(jù)中心將新、舊視頻進行比對而實現(xiàn)護欄的健康狀態(tài)的判斷，無法做到實時監(jiān)測碰撞事件。此外，對波形護欄撞擊類事件數(shù)據(jù)的研究也十分稀少，現(xiàn)有研究或產(chǎn)品多采用閾值法來鑒定是否有事故發(fā)生。

從研究過程中獲取的數(shù)據(jù)發(fā)現(xiàn)，護欄監(jiān)測數(shù)據(jù)中除撞擊產(chǎn)生的數(shù)據(jù)外，還存在著大量的自然噪聲，這些噪聲的來源可能是來自自然噪聲、傳感器漂移、地磁等因素，導致其從多尺度特性上掩蓋了故障信息[6]，此外數(shù)據(jù)中還包含有對監(jiān)測碰撞而言是干擾數(shù)據(jù)，但確是聯(lián)動其他設(shè)備必不可少的數(shù)據(jù)，例如有車輛長期占用應急車道。因此，為了能高效識別出碰撞數(shù)據(jù)，并與其他設(shè)備更好實現(xiàn)聯(lián)動，必須要從多尺度上降低噪聲、保留干擾信息、分離并定位撞擊產(chǎn)生的數(shù)據(jù)。采用傳統(tǒng)的閾值法顯然無法滿足上述需求。

本研究將護欄監(jiān)測的過程視為一種“過程監(jiān)測”，將碰撞產(chǎn)生的數(shù)據(jù)、大貨車經(jīng)過時產(chǎn)生的干擾、環(huán)境產(chǎn)生的噪聲數(shù)據(jù)共同視為“數(shù)據(jù)故障”，探索利用數(shù)據(jù)驅(qū)動方法來從海量的過程數(shù)據(jù)中，去除噪聲數(shù)據(jù)、屏蔽干擾數(shù)據(jù)，診斷并分離出碰撞數(shù)據(jù)。由于沒有類似的研究以供參考，需要嘗試多種基于數(shù)據(jù)驅(qū)動的故障診斷方法，從中選擇適合護欄監(jiān)測的方法，并進行優(yōu)化?；跀?shù)據(jù)驅(qū)動的故障診斷方法有很多，它是一類方法的總稱[7]，這些方法不需要建立被監(jiān)測對象的復雜的數(shù)學模型，只需要利用海量的帶故障標記的過程數(shù)據(jù)或不帶標記的正常數(shù)據(jù)來建立投影空間，再利用該投影空間來完成實時數(shù)據(jù)的故障診斷。數(shù)據(jù)驅(qū)動的故障診斷方法可被分為多元統(tǒng)計類方法、機器學習類方法、信號處理類方法和粗糙集方法等[8]。其中多元統(tǒng)計類方法主要包括主元分析(Principal Component Analysis,PCA)、偏最小二乘法(Partial Least Squares,PLS)和費舍爾判別(Fisher Discrimination Analysis,FDA)等[9]。本研究提出的面向端邊協(xié)同的波形護欄監(jiān)測系統(tǒng)中的各監(jiān)測模塊，均采用了多種傳感器，當有撞擊事件時，各傳感器數(shù)據(jù)之間具有多維相關(guān)性，該類數(shù)據(jù)適合采用基于多元統(tǒng)計類方法的故障診斷，其大致原理是先利用海量的正常歷史數(shù)據(jù)創(chuàng)建多維變量的投射空間，當進行實時監(jiān)測時，實時數(shù)據(jù)被投射到該空間內(nèi)，此時統(tǒng)計各實時數(shù)據(jù)在該空間的各類統(tǒng)計指標，根據(jù)統(tǒng)計指標來進行故障的診斷與分離。

本研究根據(jù)上述護欄監(jiān)測的數(shù)據(jù)分類，尤其是實地試驗受到的環(huán)境噪聲數(shù)據(jù)的特征，首先利用前期研究的成果，進一步改進了現(xiàn)有的小波閾值降噪算法，對原始數(shù)據(jù)實現(xiàn)多尺度降噪，重構(gòu)后可以盡量在抑制噪聲的同時，保留有效信息。將降噪重構(gòu)后的信號作為故障診斷模型的輸入，再通過對比分析基于PCA，PLS，F(xiàn)DA的故障診斷模型的原理后，認為基于FDA的故障診斷更適合護欄監(jiān)測數(shù)據(jù)故障診斷；為提高FDA的抗噪能力，將FDA模型和改進的小波閾值算法結(jié)合，形成了基于多尺度費舍爾判別分析(Multi-scale Fisher Discrimination Analysis，MSFDA)的故障診斷模型，該模型作為整套波形護欄監(jiān)測系統(tǒng)的數(shù)據(jù)處理核心算法。

本研究最后通過對比試驗，從理論上驗證了基于數(shù)據(jù)驅(qū)動的波形護欄監(jiān)測模型相比較傳統(tǒng)閾值法準確率更高，同時，也驗證了數(shù)據(jù)驅(qū)動方法中，F(xiàn)DA比PCA，PLS更適合該類情況，原因可能是FDA在初始空間創(chuàng)建過程中需要利用帶有故障數(shù)據(jù)標記而導致的。此外，本研究最后提出的合成的MSFDA模型為最終應用在護欄監(jiān)測系統(tǒng)中的算法模型，試驗表明，該模型相比較PCA，PLS，F(xiàn)DA，可顯著提高該系統(tǒng)的抗噪、抗干擾能力，準確率更高。

1 原始數(shù)據(jù)分析及監(jiān)測目標

1.1 原始數(shù)據(jù)分析

研發(fā)團隊在貨車比例較高的某高速公路外側(cè)護欄以200 m間隔，布設(shè)了10個監(jiān)測點，各監(jiān)測點設(shè)置為觸發(fā)檢測，即有較大震動時采集一組數(shù)據(jù)。在數(shù)據(jù)采集過程中沒有發(fā)生撞擊事故，但車流量較大時大型貨車占用應急車道現(xiàn)象較多。從中選取3個監(jiān)測點，在車流量較大時間段和車流量較小時間段各采集1個小時，所采集的檢測數(shù)據(jù)，去除無效數(shù)據(jù)，各約1 350組數(shù)據(jù)。將兩個時間段數(shù)據(jù)展開對比如圖1所示。

圖1 高峰期與非高峰期護欄偏離幅值監(jiān)測數(shù)據(jù)對比Fig.1 Comparison of monitoring and testing data of guardrail deviation amplitude in peak period and off-peak period

在沒有撞擊事故的前提下，從直觀上看，數(shù)據(jù)中包含了大量的的噪聲和干擾數(shù)據(jù)。其中噪聲的原因可能來自大自然的干擾、地磁干擾以及前端傳感器軟硬件工作屬性的不一致等[10]。而且隨著數(shù)據(jù)量的增多，大量的噪聲在多尺度上掩蓋有用信息[11]。干擾信息的產(chǎn)生原因主要是與重載貨車經(jīng)過時產(chǎn)生的震動或傳感器的漂移漸變等因素有關(guān)，傳感器原因?qū)е碌母蓴_數(shù)據(jù)往往呈現(xiàn)出緩變型、恒偏差型，而大貨車震動時產(chǎn)生的干擾數(shù)據(jù)會呈現(xiàn)出高頻型、突變型，這類數(shù)據(jù)往往會被噪聲掩蓋。

1.2 監(jiān)測目標

護欄撞擊監(jiān)測的目標不僅是為了能夠?qū)崟r檢測出碰撞事件，也要為與其他設(shè)備實現(xiàn)聯(lián)動提供優(yōu)質(zhì)數(shù)據(jù)來源。例如本研究提到的干擾信息也是有用信息的一種，當干擾信息頻繁出現(xiàn)時，能夠反映出重載車輛數(shù)量可能較多，或者現(xiàn)場監(jiān)測設(shè)備出現(xiàn)了故障，需要提醒運營單位重點關(guān)注。

綜上分析，本研究首先需要利用數(shù)據(jù)驅(qū)動算法中的小波閾值除噪，在多尺度上降低噪聲，并保留大部分有用信息。其次，選擇適合護欄監(jiān)測的數(shù)據(jù)驅(qū)動算法，對比各算法的故障診斷準確度。最后合并適合的數(shù)據(jù)驅(qū)動算法，與小波閾值算法合并，形成波形護欄監(jiān)測的核心算法。

2 基于數(shù)據(jù)驅(qū)動的故障診斷模型

2.1 改進的小波閾值除噪

本研究提出的改進的小波閾值除噪方法是在過去的研究基礎(chǔ)上進行改進。由于前期研究成果是針對交通量檢測器而設(shè)計的，閾值指標體系較高，本次應用在護欄監(jiān)測上，需要調(diào)低閾值，增強靈敏度。本研究對文獻[11]中的噪聲標準方差估計、閾值設(shè)定和小波系數(shù)調(diào)整函數(shù)3個方面進行修改，讓其更適合護欄監(jiān)測數(shù)據(jù)的使用情況。

(1) 噪聲標準差估計公式：

噪聲標準差是衡量噪聲與其本來應該正確的信息之間的差距。首先，將原信號進行多尺度的分解，根據(jù)經(jīng)驗，本算法將尺度值J設(shè)為5，以此獲得每個尺度下有一個高頻、低頻兩個信號，而高頻信號主要由噪聲構(gòu)成，需要濾除，設(shè)高頻信號為Wj,k，則該高頻信號中的噪聲標準差估計公式定義為：

(1)

式中,j為當前尺度，最高尺度為5;N為當前尺度下的小波系數(shù)的總個數(shù);k為當前小波系數(shù)的個數(shù)。

(2)閾值設(shè)定函數(shù)

為了去除小波分解后得到的各高頻信息中的噪聲，需要設(shè)定一個閾值，這里參考文獻[12]中給出的統(tǒng)一閾值公式，從該公式中可看出，隨著信號的信噪比不同，閾值也在隨著實際情況的改變而改變：

(2)

設(shè)定閾值后需要將多尺度分解的J組高頻信號系數(shù)按絕對值從小到大進行排列，從而得到一個高頻信號系數(shù)向量：P=[Waj, n], 1≤n≤N。以此來獲得每個尺度下的評估向量：R=[rn], 1≤n≤N，其中：

(3)

(4)

其中Pa, j，ρN, j的計算公式如下：

(5)

(3)小波系數(shù)估計值的計算方法

因此，得到需要被替換的小波系數(shù)的估計值：

(6)

詳細的改進小波閾值除噪算法步驟見文獻[11]。

2.2 基于多元統(tǒng)計的故障診斷方法綜述

2.2.1基于PCA的故障診斷模型

當需要區(qū)分正常數(shù)據(jù)和故障數(shù)據(jù)的時候，通常采用平方預測誤差(Squared prediction error，SPE)和Hotelling’sT2(以下簡稱T2)來檢測過程是否發(fā)生異常[14]。

圖2 基于SPE指標的PCA故障檢測示意圖Fig.2 Schematic diagram of PCA fault detection based on SPE indicators

由于SPE與T2指標的監(jiān)測重點不同，所以會經(jīng)常出現(xiàn)一個現(xiàn)象:某個在線數(shù)據(jù)向量在殘差空間的投影在正常范圍內(nèi)，但是，該數(shù)據(jù)向量在主元空間的投射卻超過了其控制域范圍。這說明該數(shù)據(jù)可能是數(shù)據(jù)故障，也有可能是測量范圍出現(xiàn)了變化，需要用其他手段來輔助決策故障信息。

綜上，當PCA故障診斷模型應用在護欄故障檢測中，可以將10組監(jiān)測點的每一個傳感器視為一個變量，共同組成一個數(shù)據(jù)矩陣X。以此來監(jiān)測數(shù)據(jù)故障，來判斷是否有傳感器檢測出異常情況。

2.2.2基于PLS的故障診斷模型

但是在護欄監(jiān)測系統(tǒng)的實際應用中，為了判斷碰撞事件，只需要重點關(guān)注某一到兩種傳感器數(shù)據(jù)，其他種類傳感器的數(shù)據(jù)僅作為輔助，PLS模型恰巧可以實現(xiàn)該功能。PLS模型是在PCA模型的基礎(chǔ)上，從變量x(t)中，選取重點關(guān)注的變量R(t)，其方法也基本類似，即利用歷史正常數(shù)據(jù)構(gòu)建出Sp與Sr兩個子空間，再將在線監(jiān)測數(shù)據(jù)投射到這兩個子空間中，設(shè)置統(tǒng)計指標，完成故障檢測。如果變量空間Y中發(fā)生故障，即該故障會影響質(zhì)量變化，則故障一定發(fā)生在子空間Sp，如果發(fā)生故障不會影響質(zhì)量變化，則故障一定發(fā)生在子空間Sr中。通常，采用T2指標來檢測Sp的故障，用Q指標檢測發(fā)生在Sr中的故障[16]。

在上述計算過程中，會發(fā)現(xiàn)一個現(xiàn)象，即T2和Q是相關(guān)的，這會導致某一個故障可以同時出現(xiàn)在兩個子空間中，這與PCA中采用SPE，T2指標類似，該類現(xiàn)象需要用其他手段來輔助決策故障信息。此外，只有在對被監(jiān)測系統(tǒng)更了解的前提下，采用PLS的故障診斷模型能夠比PCA更準確、更高效。

2.2.3 基于FDA的故障診斷模型

FDA與PCA和PLS一樣也是一種利用訓練數(shù)據(jù)構(gòu)建降維空間，再把在線數(shù)據(jù)投射到該空間，利用投射的特征參數(shù)進行數(shù)據(jù)的故障診斷。但是，F(xiàn)DA的不同之處在于，它不僅需要正常數(shù)據(jù)的訓練，還要有標簽的故障工況下的數(shù)據(jù)參與訓練[18]。如果將護欄撞擊的數(shù)據(jù)視為一種數(shù)據(jù)故障，可以人為的創(chuàng)建各種類型的撞擊事件，用采集到的數(shù)據(jù)，與正常數(shù)據(jù)一起，對FDA模型進行訓練。

基于FDA的故障診斷模型原理如下[19]：

以前文提到的變量x(t)構(gòu)成的空間X為正常數(shù)據(jù)，人為創(chuàng)建的撞擊事件監(jiān)測數(shù)據(jù)，按類區(qū)分為g(t)構(gòu)建成的故障事件數(shù)據(jù)空間G，假設(shè)將G并入X，X=[x1x2…xn]T∈Rn×m，一起來訓練FDA模型。定義數(shù)據(jù)總離散度為：其中，是n個樣本的均值向量。定義Xj為屬于第j類數(shù)據(jù)的樣本向量集合，第j類數(shù)據(jù)的類內(nèi)離散度Sj和總的類內(nèi)離散度Sw分別為：

(7)

(8)

其中，假設(shè)Sw可逆，F(xiàn)DA向量等價于：Sbwi=λiSw·wi。由于Sb的秩小于p，所以最多有p-1個非零的特征根，將計算得到的FDA向量，按列構(gòu)成投影矩陣Wp∈Rm×(p-1)。因此，樣本xi可被投影到p-1維FDA空間，得到從而對數(shù)據(jù)實現(xiàn)最優(yōu)分離。當進行在線監(jiān)測時，將在線樣本x投影到Wp矩陣的列向量構(gòu)成的低維空間，得到樣本的FDA得分：結(jié)合文獻[20]的馬氏距離等度量方式，找到x所屬故障來源，實現(xiàn)故障診斷。

由于FDA在訓練過程中把故障工況下的數(shù)據(jù)也一并考慮了，理論上其故障診斷的準確性要優(yōu)于PCA和PLS，且它以滿足最小化類內(nèi)離散度、最大化類間離散度為準則的同時，對建模數(shù)據(jù)進行排列，從而完成故障診斷，避免了PCA和PLS故障診斷指標之間的不確定性。綜上分析，F(xiàn)DA更適合護欄監(jiān)測系統(tǒng)的故障診斷。

2.3 基于MSFDA的數(shù)據(jù)故障診斷模型

為了滿足實際使用需求，本研究設(shè)計了一種基于多尺度費舍爾判別分析(MSFDA)的數(shù)據(jù)故障診斷模型。經(jīng)前文的理論分析得知FDA更適合護欄監(jiān)測系統(tǒng)的故障診斷，但上述分析中均是在假設(shè)沒有噪聲的條件下進行的。在實際使用過程中，故障信息和部分干擾信息具有多尺度特性，因此，需要增強FDA的多尺度抗噪能力。本研究提出的基于MSFDA的數(shù)據(jù)故障診斷模型訓練流程如圖3所示，在離線訓練過程中，使用實測數(shù)據(jù)，添加模擬撞擊事件產(chǎn)生的數(shù)據(jù)后，構(gòu)成樣本數(shù)據(jù)，用來訓練模型。模型利用小波的多尺度特性，將樣本數(shù)據(jù)分解后除噪；經(jīng)信號重構(gòu)后，再進行FDA建模。

圖3 MSFDA數(shù)據(jù)故障診斷模型訓練流程示意圖Fig.3 Schematic diagram of training process of MSFDA data fault diagnosis model

在過程監(jiān)測時，對采集到相同空間大小的數(shù)據(jù)進行小波分解后，對每一層進行閾值除噪；再將各層信號重構(gòu)，將過程變量投影至FDA故障空間并排序，利用故障分離圖將干擾信息和碰撞信息分離出來。整體流程見圖4。

圖4 MSFDA數(shù)據(jù)故障診斷模型工作流程圖Fig.4 Flowchart of MSFDA data fault diagnosis model

3 試驗設(shè)計及結(jié)果

為了驗證理論分析結(jié)果并對比各類故障診斷模型的準確度，設(shè)計仿真試驗，對基于PCA，PLS，F(xiàn)DA，MSFDA的數(shù)據(jù)故障診斷模型在MATLAB平臺中分別進行仿真試驗。各模型仿真試驗流程如圖5所示。通過訓練數(shù)據(jù)，在MATLAB中建立各模型的殘差空間和主元空間數(shù)據(jù)庫，再利用相同的輸入，作為在線數(shù)據(jù)進行仿真在線故障診斷。根據(jù)輸出結(jié)果，對比4種模型的準確度。

圖5 試驗流程圖Fig.5 Flowchart of experiment

3.1 訓練數(shù)據(jù)

訓練數(shù)據(jù)的選擇方式和質(zhì)量會直接影響到模型的實用性和準確性，因此本研究選擇采用實測數(shù)據(jù)來訓練模型。試驗準備了2組訓練數(shù)據(jù)。第1組訓練數(shù)據(jù)采用前文描述的交通量較小時的實測數(shù)據(jù)。第2組訓練數(shù)據(jù)采用模擬撞擊護欄的方法來獲取檢測數(shù)據(jù)，方法為：選取相鄰的10個監(jiān)測點，編號從S1～S10，在S2～S5之間的3段護欄，用約10 kg左右的鋼筋，隨機選位置撞擊護欄，記錄全過程的測量數(shù)據(jù)。測量數(shù)據(jù)如圖6所示，可看出，模擬撞擊實測數(shù)據(jù)中除了撞擊數(shù)據(jù)外，在監(jiān)測點6～10之間還出現(xiàn)了大量的不規(guī)則數(shù)據(jù)，可能是噪聲，也可能是干擾信息。

圖6 模擬撞擊實測數(shù)據(jù)展開圖Fig.6 Expansion of measured data of impact simulation

用第1組訓練數(shù)據(jù)訓練基于PCA，PLS的數(shù)據(jù)故障診斷模型。用第1，2組訓練數(shù)據(jù)訓練基于FDA和MSFDA的數(shù)據(jù)故障診斷模型。

3.2 在線數(shù)據(jù)

在監(jiān)測點S1至S2之間的護欄，選擇隨機位置，采用相同方法撞擊護欄，記錄全過程測量數(shù)據(jù)，作為PCA，PLS，F(xiàn)DA，MSFDA這4個故障診斷模型的輸入。

3.3 誤差指標及定義

定義誤報率μf、漏報率μg以及故障算法準確率Φ。其中，誤報率是形容某數(shù)據(jù)不是故障，但錯報成故障的情況，漏報率形容某數(shù)據(jù)本應該是故障，卻沒有被檢測到的情況。

計算方法如下：

(9)

式中，n為誤報數(shù)據(jù)點個數(shù)；m為漏報點個數(shù)；N為數(shù)據(jù)總個數(shù)。

(10)

3.4 試驗結(jié)果及分析

3.4.1 PCA故障診斷模型仿真

基于PCA的故障診斷模型需要統(tǒng)計SPE和T2兩個指標來實現(xiàn)故障診斷，各控制限指標結(jié)果見圖7。

圖7 基于PCA的故障診斷T2和SPE統(tǒng)計結(jié)果Fig.7 Statistical result of T2 and SPE based on PCA

為了定位發(fā)生故障的傳感器位置，采用貢獻圖的方法，結(jié)果如圖8所示。

圖8 基于PCA的貢獻圖Fig.8 Contribution graph based on PCA

由于大量的噪聲干擾，以及在實際應用過程中，各傳感器之間的線性關(guān)系不明顯，導致PCA基本無法實現(xiàn)本次試驗的故障診斷。

3.4.2 PLS故障診斷模型仿真

基于PLS的故障診斷模型需要統(tǒng)計SPE和Q兩個指標來實現(xiàn)故障診斷，各控制限指標結(jié)果如圖9所示。

圖9 基于PLS的故障診斷SPE和Q統(tǒng)計結(jié)果Fig.9 Statistical result of SPE and Q in fault diagnosis based on PLS

為了定位發(fā)生數(shù)據(jù)故障的傳感器位置，采用貢獻圖的方法，結(jié)果如圖10所示。

圖10 基于PLS的貢獻圖Fig.10 Contribution graph based on PLS

與PCA相比，PLS的故障診斷模型的準確率更高，但誤報率也非常高。例如，PLS故障診斷監(jiān)測到了來自S1，S3的數(shù)據(jù)故障，但也認為S7和S10也出現(xiàn)了數(shù)據(jù)故障，其誤報原因可能是噪聲或干擾信息導致。此外，與PCA相同的地方，在實際應用過程中，各傳感器之間的線性關(guān)系不明顯，也是導致PLS誤報率過高的原因之一。

3.4.3 FDA故障診斷模型仿真

由于在訓練過程中，將噪聲、故障數(shù)據(jù)與正常數(shù)據(jù)一并參與，在線性降維的過程中將噪聲也一并納入故障數(shù)據(jù)中，因此在FDA故障診斷的結(jié)果，如圖11(a)所示，出現(xiàn)了大量的離散噪聲，但由于噪聲與故障信息之間沒有線性關(guān)系，因此在利用馬氏偏移量進行故障定位的時候，如圖11(b)所示，準確的定位到S1，S2，S3發(fā)生了故障，且故障發(fā)生位置可能與S1更接近，這與模擬在線數(shù)據(jù)的情況基本一致。

圖11 FDA故障診斷樣本得分及故障定位結(jié)果Fig.11 Fault diagnosis sample score and fault location result based on FDA

通過以上對比仿真，證實了FDA故障診斷方法，相比較PCA和PLS更適合護欄監(jiān)測。

3.4.4 MSFDA故障診斷模型仿真

為了從多尺度上降低噪聲對故障診斷的影響，采用MSFDA模型，從仿真結(jié)果上，如圖12所示，由于訓練和模擬在線監(jiān)測的過程中，均采用了改進的小波閾值除噪對數(shù)據(jù)進行了預處理，因此MSFDA故障診斷中準確的將故障信息分離出來，并相比較FDA，更能精確的定位故障位置。

圖12 MSFDA故障診斷樣本得分及故障定位結(jié)果Fig.12 Fault diagnosis sample score and fault location result based on MSFDA

3.4.5 誤差對比結(jié)果分析

通過上述對比試驗，從直觀上證實了FDA更適合護欄監(jiān)測，且MSFDA相比較FDA，故障定位能力更準確。本研究還將通過量化統(tǒng)計，利用各模型的誤報率、漏報率、以及算法準確率，來進行量化對比。結(jié)果如表1所示。

表1 故障檢測結(jié)果準確率對比

從上表結(jié)果中可看出，4種方法的漏報率均保持在較低水平，但影響準確率的主要因素是誤報率。在護欄監(jiān)測過程中，F(xiàn)DA相比較PCA和PLS，誤報率有大幅降低。而MSFDA比FDA，由于降低了噪聲在多尺度上對故障信息的影響，使得在誤報率和漏報率上均有優(yōu)化，準確率更高。

4 結(jié)論

為了能讓高速公路波形護欄具備多維監(jiān)測、協(xié)同服務等能力，本研究作者研發(fā)團隊研發(fā)了一種面向端邊協(xié)同的波形護欄監(jiān)測系統(tǒng)，該系統(tǒng)不僅要實現(xiàn)波形護欄撞擊事件的實時監(jiān)測，達到及時檢測出撞擊事件的發(fā)生，并準確定位其發(fā)生的位置、區(qū)間的目標，還要具備與視頻等其他設(shè)備聯(lián)動，實現(xiàn)其他交通感知、管理及運營功能。因此對護欄監(jiān)測的數(shù)據(jù)要求是降低噪聲的影響、保留日常震動干擾信息、分離撞擊類信息并實現(xiàn)其定位。而利用傳統(tǒng)的閾值法顯然不能實現(xiàn)該要求，但是基于數(shù)據(jù)驅(qū)動的故障診斷方法只需要利用海量的帶故障標記的過程數(shù)據(jù)或不帶標記的正常數(shù)據(jù)來建立投影空間，再將在線數(shù)據(jù)投影至該空間中，最終利用統(tǒng)計指標來完成實時數(shù)據(jù)的故障診斷。由于沒有該類研究的參考，本研究通過理論分析和仿真對比試驗，驗證了數(shù)據(jù)驅(qū)動中，基于多元統(tǒng)計類方法中，F(xiàn)DA比PCA和PLS更適合護欄監(jiān)測。但在試驗過程中也發(fā)現(xiàn)了，這3種方法的抗噪能力均不強，因此引入了數(shù)據(jù)驅(qū)動方法中的小波分析法，并在前期的研究基礎(chǔ)上，根據(jù)波形護欄原始數(shù)據(jù)中，噪聲在多尺度上掩蓋了有用數(shù)據(jù)的特性上，改進了小波閾值算法，將該算法與FDA結(jié)合，形成了MSFDA故障診斷模型。最終，試驗結(jié)果表明相比較PCA，PLS，F(xiàn)DA，本研究得到的MSFDA算法，可顯著提高該系統(tǒng)的抗噪、抗干擾能力，準確率更高。