基于PSO-BP神經(jīng)網(wǎng)絡(luò)的城軌列車轉(zhuǎn)向架輪對(duì)軸箱故障預(yù)測(cè)

尹懷仙， 王 凱， 張鐵柱， 華青松，秦 勇， 郭建媛

(1.北京交通大學(xué)交通運(yùn)輸學(xué)院， 北京 100044;2 青島大學(xué)動(dòng)力集成與儲(chǔ)能系統(tǒng)工程技術(shù)研究中心，山東 青島 266071)

基于PSO-BP神經(jīng)網(wǎng)絡(luò)的城軌列車轉(zhuǎn)向架輪對(duì)軸箱故障預(yù)測(cè)

尹懷仙1,2， 王 凱2， 張鐵柱2， 華青松2，秦 勇1， 郭建媛1

(1.北京交通大學(xué)交通運(yùn)輸學(xué)院， 北京 100044;2 青島大學(xué)動(dòng)力集成與儲(chǔ)能系統(tǒng)工程技術(shù)研究中心，山東 青島 266071)

為更好地預(yù)測(cè)城軌列車故障率，提出基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)的故障率預(yù)測(cè)模型，對(duì)城軌列車轉(zhuǎn)向架輪對(duì)軸箱進(jìn)行故障率預(yù)測(cè)。采用Matlab中的Newff函數(shù)，運(yùn)用誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP)和粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(PSO-BP)分別對(duì)城軌列車故障率預(yù)測(cè)、建模和仿真。結(jié)果表明PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)故障率預(yù)測(cè)模型的效果明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

城軌列車； 輪對(duì)軸箱； 故障率預(yù)測(cè)； BP神經(jīng)網(wǎng)絡(luò)； PSO

0 引言

城軌列車轉(zhuǎn)向架系統(tǒng)運(yùn)行過程中起承載、轉(zhuǎn)向、緩沖、牽引、制動(dòng)等作用，它的各種參數(shù)直接決定了城軌列車的穩(wěn)定性和舒適性。因此，如何準(zhǔn)確地評(píng)定城軌列車轉(zhuǎn)向架系統(tǒng)的可靠性，預(yù)測(cè)轉(zhuǎn)向架系統(tǒng)的故障率，對(duì)于城軌列車運(yùn)行的穩(wěn)定性和安全性具有重要意義。作為城軌列車轉(zhuǎn)向架系統(tǒng)的可靠性關(guān)鍵部件，輪對(duì)軸箱是城軌列車轉(zhuǎn)向架的受力部件，它將城軌列車的載荷傳遞給軌道，并保證城軌列車在軌道上的正確位置，使城軌列車能夠安全運(yùn)行，其狀態(tài)的好壞直接影響行車安全。另外，從轉(zhuǎn)向架故障數(shù)據(jù)統(tǒng)計(jì)來看，輪對(duì)軸箱故障率較高，輪對(duì)軸箱發(fā)生輪對(duì)踏面擦傷、漏油及裂紋的情況較多，所以本文選取故障率較高的輪對(duì)軸箱作為研究對(duì)象。

故障率數(shù)據(jù)是一系列隨時(shí)間發(fā)展變化的數(shù)據(jù)，可以看作一組時(shí)間序列。針對(duì)時(shí)間序列數(shù)據(jù)預(yù)測(cè)問題，已有學(xué)者進(jìn)行了豐富的方法研究。采用時(shí)間序列法對(duì)故障率數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，是一種比較好的故障預(yù)測(cè)方法[1]。其中的回歸分析法、分解分析法等廣泛應(yīng)用于故障率預(yù)測(cè)，Pham[2]運(yùn)用ARMA模型和廣義自回歸條件異方差對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)該模型能夠準(zhǔn)確預(yù)測(cè)機(jī)械的未來狀況，為視情維修決策提供了理論基礎(chǔ)。Chen[3]利用循環(huán)平穩(wěn)時(shí)間序列模型對(duì)復(fù)雜旋轉(zhuǎn)機(jī)械的早期故障進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)線性周期時(shí)變自回歸模型的預(yù)測(cè)精度高于AR模型。然而這些方法所要求故障數(shù)據(jù)量較多且數(shù)據(jù)不能有周期性變化或突變，這對(duì)運(yùn)行環(huán)境復(fù)雜的城軌列車故障率預(yù)測(cè)有一定局限性。

故障率預(yù)測(cè)研究重點(diǎn)在于構(gòu)造高精度的預(yù)測(cè)模型，神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性映射能力，在故障率預(yù)測(cè)上相對(duì)于時(shí)間序列模型有一定的優(yōu)勢(shì)[4]。李建偉[5]等采用BP神經(jīng)網(wǎng)絡(luò)對(duì)城軌列車可靠性進(jìn)行預(yù)測(cè)，效果較好，但對(duì)模型的收斂性沒有進(jìn)行研究。李瑞瑩等[6]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于波音飛機(jī)的故障率預(yù)測(cè)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較傳統(tǒng)方法小。

在所有人工神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)算法是目前最引人注目、應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)算法之一。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其權(quán)值調(diào)整采用反向傳播學(xué)習(xí)算法，具有較好的非線性映射能力、泛化能力和容錯(cuò)能力，并且易于在工程上實(shí)現(xiàn)，但是其初始值是隨機(jī)分配的，容易陷入局部極小值[7]，因此，粒子群被引入BP神經(jīng)網(wǎng)絡(luò)算法以提高算法收斂速度和預(yù)測(cè)的準(zhǔn)確性[8]。

城軌列車結(jié)構(gòu)和使用環(huán)境復(fù)雜，部件故障率呈高度非線性。神經(jīng)網(wǎng)絡(luò)能實(shí)現(xiàn)從輸入到輸出狀態(tài)空間的高度非線性映射，可以較好地解決城軌列車故障率預(yù)測(cè)問題[9]。因此，基于某地鐵一號(hào)線城軌列車運(yùn)行故障數(shù)據(jù)，本文分別選用BP神經(jīng)網(wǎng)絡(luò)和粒子群改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)建立輪對(duì)軸箱系統(tǒng)故障率預(yù)測(cè)模型，并通過對(duì)比分析找出精度較高的故障率預(yù)測(cè)模型，從而實(shí)現(xiàn)對(duì)輪對(duì)軸箱故障高精度的預(yù)測(cè)。

1 PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)是由大量的人工神經(jīng)元通過不同的拓?fù)浣Y(jié)構(gòu)連接構(gòu)成的非線性系統(tǒng)。人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的核心信息處理單元，是一種多輸入、單輸出的非線性處理單元，輸入和輸出如公式(1)和公式(2)。

(1)

其中，xi(i=1,2…,n)為從其他細(xì)胞傳來的輸入信號(hào)，θj為神經(jīng)單元的閾值，ωji為從細(xì)胞i到細(xì)胞j的連接權(quán)值，n為輸入信號(hào)數(shù)目，有時(shí)為了方便，常把θj看成恒等于1的輸入量xj的權(quán)值，則公式(1)中的求和就被簡(jiǎn)化為右端的形式。

yj=f(sj)

(2)

其中，yj為神經(jīng)元輸出，f(sj)為激活函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)是一種單向前饋型網(wǎng)絡(luò)，適于非線性預(yù)測(cè)，典型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，包括輸入層、輸出層以及隱層。其中x1,x2,…,xM為輸入神經(jīng)元，y1,y2,…,yM為輸出神經(jīng)元，wji為中間權(quán)值。其輸出函數(shù)同公式(2)。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)采用的是一種典型的有監(jiān)督學(xué)習(xí)方式，當(dāng)給定輸入訓(xùn)練樣本通過網(wǎng)絡(luò)的輸出與預(yù)期目標(biāo)誤差較大時(shí)，調(diào)整網(wǎng)絡(luò)相應(yīng)的連接強(qiáng)度以減小誤差，經(jīng)過多次重復(fù)訓(xùn)練以最小誤差對(duì)應(yīng)的權(quán)重參與運(yùn)算建立起最終的預(yù)測(cè)模型[10]。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法選擇方面，本文選擇Levenberg-Marquardt(LM)算法，該方法收斂速度快，占用內(nèi)存小，并且能有效克服其它訓(xùn)練算法容易陷入局部極小值的缺點(diǎn)。

(3)

運(yùn)用LM算法最后得到修正后的權(quán)值為

(4)

圖2 PSO-BP建模流程Fig.2 Process of building PSO-BP model

當(dāng)μk足夠大時(shí)，LM算法趨于梯度下降法，反之當(dāng)μk足夠小時(shí)，LM算法趨于高斯牛頓法，通過自適應(yīng)調(diào)節(jié)參數(shù)μk使LM算法同時(shí)具備梯度下降法及高斯牛頓法的優(yōu)點(diǎn)。

粒子群優(yōu)化算法具有參數(shù)少、易實(shí)現(xiàn)、精度高、搜索速度快等優(yōu)點(diǎn)，對(duì)多峰問題、非線性均具有很好的全局搜索能力，在多個(gè)領(lǐng)域中得到了廣泛應(yīng)用。本文就是利用粒子群算法的這個(gè)優(yōu)點(diǎn)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢和局部收斂性的不足進(jìn)行模型訓(xùn)練算法的改進(jìn)，先用粒子群算法在數(shù)據(jù)訓(xùn)練時(shí)全局尋優(yōu)，將搜索范圍縮小之后，再利用BP神經(jīng)網(wǎng)絡(luò)尋找精確的最優(yōu)解，從而可以快速達(dá)到尋找最優(yōu)的目的。

在BP神經(jīng)網(wǎng)絡(luò)中，最優(yōu)解很大程度上會(huì)受到權(quán)值的影響。傳統(tǒng)的方法都是通過不斷學(xué)習(xí)、訓(xùn)練來調(diào)整權(quán)值的變化，最終得到一個(gè)較好的權(quán)值分布。本文將粒子群算法與基于LM算法的BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來的訓(xùn)練方法對(duì)權(quán)值進(jìn)行調(diào)整，首先通過粒子群算法得到一個(gè)較好的權(quán)值分布，然后利用BP神經(jīng)網(wǎng)絡(luò)找出精確的最優(yōu)解。粒子群算法優(yōu)化過程涉及初始化粒子的速度和位置、適應(yīng)度函數(shù)、粒子速度和位置的更新以及終止原則[11]。

PSO-BP建模流程圖如圖2所示，預(yù)測(cè)模型的建立包括4步：1)獲取實(shí)驗(yàn)數(shù)據(jù)樣本并進(jìn)行預(yù)處理，確定訓(xùn)練樣本和測(cè)試樣本。2)利用PSO算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)初始參數(shù)，確定PSO的適應(yīng)度函數(shù)，以及粒子群的規(guī)模、迭代代數(shù)等。3)輸入最優(yōu)參數(shù)和訓(xùn)練樣本，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。4)將測(cè)試樣本輸入至通過訓(xùn)練建立起的預(yù)測(cè)模型，檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度，最后得到PSO-BP預(yù)測(cè)模型。

另外，為準(zhǔn)確評(píng)估所建立的PSO-BP預(yù)測(cè)模型的性能，本文選擇均方根誤差(RootMeanSquaredError,RMSE)和相關(guān)系數(shù)R作為模型評(píng)價(jià)指標(biāo)。

(5)

(6)

2 故障率預(yù)測(cè)實(shí)例

根據(jù)城軌車輛故障數(shù)據(jù)的特性，以“周”為時(shí)間單位，可通過公式(7)計(jì)算得到各關(guān)鍵系統(tǒng)的周故障率。

(7)

其中，n為抽樣臺(tái)數(shù)；ti為檢測(cè)周期內(nèi)第i臺(tái)設(shè)備的實(shí)際工作時(shí)間，單位為小時(shí)；ri為檢測(cè)周期內(nèi)第i臺(tái)設(shè)備出現(xiàn)的故障次數(shù)；N0為檢測(cè)周期內(nèi)系統(tǒng)累計(jì)故障次數(shù)；T為檢測(cè)周期內(nèi)總工作時(shí)間。

某地鐵公司2010年11月至2013年4月的周故障次數(shù)轉(zhuǎn)向架系統(tǒng)部分故障次數(shù)數(shù)據(jù)見表1，以轉(zhuǎn)向架輪對(duì)軸箱系統(tǒng)為例，共搜集到130條故障數(shù)據(jù)。一般來說，把已知的n個(gè)故障數(shù)據(jù)劃分為(n-m)個(gè)小組，每組包含(m+1)個(gè)值，其中前m個(gè)值為學(xué)習(xí)用輸入樣本，第(m+1)個(gè)值為期望映射。m值過大會(huì)增加不必要的信息，使計(jì)算過于繁雜，而m值過小則會(huì)忽略部分有用信息，降低預(yù)測(cè)精度。因此，m值不宜過大或過小，通常為了預(yù)測(cè)準(zhǔn)確，可取6～12。將搜集到的130條故障數(shù)據(jù)分為118組，每組包含13個(gè)值，其中，前12個(gè)值作為學(xué)習(xí)用輸入樣本，第13個(gè)值作為輸出樣本，分組情況如表2所示。在故障率預(yù)測(cè)模型建立時(shí)，分別將前90組樣本數(shù)據(jù)和后28組樣本數(shù)據(jù)作為模型的訓(xùn)練樣本和測(cè)試樣本，對(duì)模型的精度進(jìn)行驗(yàn)證。

表1 轉(zhuǎn)向架系統(tǒng)的部分周故障次數(shù)數(shù)據(jù)

表2 樣本分組

2.1 BP神經(jīng)網(wǎng)絡(luò)對(duì)轉(zhuǎn)向架輪對(duì)軸箱的故障率預(yù)測(cè)

采用Matlab自帶Newff函數(shù)建立BP神經(jīng)網(wǎng)絡(luò)，其形式為Net=newff(PR，[Sl S2…S(N-1)]，[TFl TF2…TF(N-1)]，BTF，BLF，PF)，采用簡(jiǎn)單的擁有一個(gè)隱層的3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行輪徑值預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)的輸入輸出層神經(jīng)元數(shù)目由設(shè)計(jì)者根據(jù)實(shí)際需要設(shè)計(jì)，本文輪對(duì)軸箱系統(tǒng)故障率預(yù)測(cè)模型輸入節(jié)點(diǎn)個(gè)數(shù)為10，輸出節(jié)點(diǎn)個(gè)數(shù)為1。采用遍歷法確定故障率預(yù)測(cè)模型隱節(jié)點(diǎn)數(shù)目，取隱節(jié)點(diǎn)為[5,20]范圍內(nèi)建立一組不同隱節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練次數(shù)為100，不同模型擬合產(chǎn)生的均方根誤差、相關(guān)系數(shù)如圖3所示。

由圖3a可知，訓(xùn)練均方根誤差總體上比較平穩(wěn)，一直處于小于0.2的水平，而測(cè)試均方根誤差波動(dòng)較大，在隱節(jié)點(diǎn)數(shù)目為11時(shí)最小。由圖3b可知，訓(xùn)練相關(guān)系數(shù)也比較平穩(wěn)，穩(wěn)定在0.8左右，說明模型訓(xùn)練得較好，而測(cè)試相關(guān)系數(shù)基本上在11個(gè)隱節(jié)點(diǎn)處達(dá)到相關(guān)系數(shù)最大值。因此，從均方根誤差和相關(guān)系數(shù)綜合考慮，選取11作為隱層節(jié)點(diǎn)數(shù)目。建立的BP神經(jīng)網(wǎng)絡(luò)輪徑預(yù)測(cè)模型為含有一個(gè)隱層的三層BP神經(jīng)網(wǎng)絡(luò)，10個(gè)輸入結(jié)點(diǎn)，11個(gè)隱層結(jié)點(diǎn)，1個(gè)輸出結(jié)點(diǎn)；隱節(jié)點(diǎn)激活函數(shù)采用Sigmoid函數(shù)，輸出層節(jié)點(diǎn)處采用線性函數(shù)；訓(xùn)練算法為L(zhǎng)M算法；訓(xùn)練迭代次數(shù)為100。

圖3 不同隱節(jié)點(diǎn)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Fig.3 The forecast results of BP neural network with different hidden nodes

仿真結(jié)果得出BP神經(jīng)網(wǎng)絡(luò)故障率模型的訓(xùn)練RMSE為0.162 4，測(cè)試RMSE為1.117 5。結(jié)果對(duì)比圖如圖4所示，訓(xùn)練樣本中目標(biāo)輸出和神經(jīng)網(wǎng)絡(luò)輸出基本一致，擬合度較高，而測(cè)試樣本中，BP神經(jīng)網(wǎng)絡(luò)輸出未能較好地跟蹤期望輸出，而故障率較大時(shí)，BP神經(jīng)網(wǎng)絡(luò)輸出較小，不僅輸出誤差大，而且部分點(diǎn)處出現(xiàn)與目標(biāo)輸出相反的趨勢(shì)。

圖4 BP神經(jīng)網(wǎng)絡(luò)模型輸出與期望結(jié)果對(duì)比

圖5是BP神經(jīng)網(wǎng)絡(luò)模型輸出與期望值之間的相關(guān)性分析圖，輪徑值訓(xùn)練相關(guān)系數(shù)R為0.767 58，測(cè)試相關(guān)系數(shù)R為0.248 75，不論是訓(xùn)練相關(guān)系數(shù)還是測(cè)試相關(guān)系數(shù)都沒有超過0.8，而回歸擬合中，相關(guān)系數(shù)越接近1表示模型精度越高。由此可見，BP神經(jīng)網(wǎng)絡(luò)模型輸出與期望值相關(guān)性不明顯，而且誤差較大，因此可以認(rèn)為BP神經(jīng)網(wǎng)絡(luò)模型無法實(shí)現(xiàn)故障率的預(yù)測(cè)。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型輸出與期望值的相關(guān)性

2.2 PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)轉(zhuǎn)向架輪對(duì)軸箱的故障率預(yù)測(cè)

采用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在建模過程中，需確定PSO的一些參數(shù)，對(duì)于大多數(shù)問題來說，30個(gè)粒子就可以取得很好的結(jié)果，本節(jié)選取粒子數(shù)目為30。粒子最大速率選取為0.5。經(jīng)過20次迭代，粒子群算法訓(xùn)練過程如圖6所示。

結(jié)果顯示，PSO-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練RMSE為0.132 0，測(cè)試RMSE為0.195 1。圖7給出了PSO-BP神經(jīng)網(wǎng)絡(luò)輸出值和實(shí)際系統(tǒng)輸出值之間的比較。從訓(xùn)練樣本和測(cè)試樣本來看，PSO-BP神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)際系統(tǒng)輸出值間的符合程度比較好，滿足故障率預(yù)測(cè)要求。

圖6 PSO訓(xùn)練過程Fig.6 The training process of PSO

圖8對(duì)PSO-BP神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)際系統(tǒng)輸出值進(jìn)行了相關(guān)性分析。從圖8a可以看出，神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際系統(tǒng)輸出誤差較小，測(cè)試相關(guān)系數(shù)R為0.849 4，符合模型的精度要求。從圖8b可以看出，測(cè)試樣本數(shù)目在0～20之間神經(jīng)網(wǎng)絡(luò)輸出值與實(shí)際系統(tǒng)值符合度較好，在20～25之間出現(xiàn)較大偏差，在25～28之間誤差呈減少趨勢(shì)，主要是在2010年11月至2013年4月期間地鐵公司有新增列車和部件更換情況，收集的輪對(duì)軸箱故障數(shù)據(jù)實(shí)際運(yùn)行時(shí)間存在差異，致使局部出現(xiàn)較大偏差，但測(cè)試相關(guān)系數(shù)R為0.833 4，其值大于0.8，這說明總體擬合效果較好，符合模型的精度要求。因此，PSO-BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)輪對(duì)軸箱系統(tǒng)故障率有較高的精度，可作為預(yù)測(cè)輪對(duì)軸箱系統(tǒng)故障率的模型。

圖7 PSO-BP神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際系統(tǒng)輸出對(duì)比Fig.7 Comparison with PSO-BP neural network output and actual output

圖8 PSO-BP神經(jīng)網(wǎng)絡(luò)輸出與實(shí)際系統(tǒng)輸出的相關(guān)性

2.3 結(jié)果對(duì)比分析

利用Matlab語言為仿真平臺(tái)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)分別對(duì)城軌列車轉(zhuǎn)向架輪對(duì)軸箱建立了故障率預(yù)測(cè)模型，評(píng)價(jià)指標(biāo)結(jié)果如表3所示。

目標(biāo)輸出與神經(jīng)網(wǎng)絡(luò)輸出間的相關(guān)性系數(shù)R值越大，越接近于1表示預(yù)測(cè)輸出與目標(biāo)輸出的相關(guān)性越高，模型越接近于實(shí)際情況，均方根誤差值越小，表示預(yù)測(cè)精度越高，結(jié)果顯示，PSO-BP預(yù)測(cè)模型的相關(guān)系數(shù)和均方根誤差都優(yōu)于BP預(yù)測(cè)模型，因此，PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型效果更好。

表3 各神經(jīng)網(wǎng)絡(luò)的輪對(duì)軸箱系統(tǒng)故障率預(yù)測(cè)評(píng)價(jià)指標(biāo)結(jié)果Tab.3 Bogie wheel system failure of the neural network predictions

從相關(guān)系數(shù)計(jì)算比較，BP預(yù)測(cè)模型的訓(xùn)練和測(cè)試相關(guān)系數(shù)都小于0.8，不滿足故障列車預(yù)測(cè)模型精度要求，PSO-BP預(yù)測(cè)模型的訓(xùn)練和測(cè)試相關(guān)系數(shù)都大于0.8，不管是訓(xùn)練模型還是測(cè)試模型都滿足精度要求。從均方根誤差計(jì)算比較，BP預(yù)測(cè)模型和PSO-BP預(yù)測(cè)模型的訓(xùn)練模型均方根誤差較小，訓(xùn)練模型的目標(biāo)輸出和實(shí)際輸出相符程度都比較高。但BP測(cè)試模型的均方根誤差為1.117 5，其值較大，說明測(cè)試模型驗(yàn)證訓(xùn)練模型時(shí)，預(yù)測(cè)精度較低，PSO-BP均方根誤差為0.195 1，其值較小，建立的預(yù)測(cè)模型精度較高。

綜合考慮訓(xùn)練樣本和測(cè)試樣本的評(píng)價(jià)指標(biāo)結(jié)果，BP預(yù)測(cè)模型不能滿足城軌列車輪對(duì)軸箱故障率的預(yù)測(cè)精度要求，所建立的PSO-BP預(yù)測(cè)模型可作為合適的城軌列車轉(zhuǎn)向架輪對(duì)軸箱故障率預(yù)測(cè)模型，為預(yù)防維修決策提供了數(shù)據(jù)基礎(chǔ)。

3 結(jié)論

本文針對(duì)城軌列車轉(zhuǎn)向架故障率較高的輪對(duì)軸箱進(jìn)行了故障預(yù)測(cè)，利用某地鐵公司已知的歷史數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)和PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)輪對(duì)軸箱的故障率預(yù)測(cè)進(jìn)行了研究，通過對(duì)比分析得出PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度較高，證明了PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)故障的可靠性。該方法利用Matlab輔助計(jì)算，可操作性強(qiáng)。

本文建立的PSO-BP故障率預(yù)測(cè)模型是針對(duì)同一型號(hào)的轉(zhuǎn)向架系統(tǒng)，對(duì)于不同型號(hào)轉(zhuǎn)向架系統(tǒng)需要搜集其相應(yīng)數(shù)據(jù)進(jìn)行模型訓(xùn)練。下一步應(yīng)對(duì)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度等問題進(jìn)行深入研究。

[1]諶愛文．基于BP和RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測(cè)方法研究[D] ．長(zhǎng)沙：中南大學(xué)，2007． Zhan Aiwen．Data forecasting methods research based on BP ANN and RBF ANN[D].Changsha: Journal of Central South University，2007．

[2] Pham H T，Yang B S．Estimation and forecasting of machine health condition using．ARMA/GARCH model[J]．Mechanical Systems and Signal Processing，2010，24(2)：546-558．

[3] Chen Z S，Yang Y M，Hu Z，et al．Detecting and predicting early faults of complex rotating machinery based on cyclostationary time series model[J]．Journal of Vibration and Acoustics，2006，128(5)：666-671．

[4] Pieter-Jan Vlok，Maciej wnek，Maciej Zygmunt．Utilising statistical residual life estimates of bearings to quantify the influence of preventive maintenance actions[J]．Mechanical Systems and Signal Processing，2004，18： 833-847．

[5] 李建偉，程曉卿，秦勇，等．基于BP神經(jīng)網(wǎng)絡(luò)的城市軌道交通車輛可靠性預(yù)測(cè)[J]．中南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，(S1)：42-46． Li Jianwei，Cheng Xiaoqing，Qin Yong，et al．Reliability prediction based on the BP neural network of urban rail transit vehicle[J]．Journal of Central South University:Science and Technology，2013，(S1)：42-46．

[6] 李瑞瑩，康銳．基于ARMA模型的故障率預(yù)測(cè)方法研究[J]．系統(tǒng)工程與電子技術(shù)，2009，30(8)：1588-1591． Li Ruiying，Kang Rui．Research on failure rate forecasting method based Oil ARMA model [J]．Systems Engineering and Electronics，2009，30(8)：1588-1591．

[7] Huang R，Xi L，Li X，et al．Residual life predictions for ball bearings based on self-organizing map and back propagation neural network methods[J]．Mechanical Systems and Signal Processing，2007，21(1)：193-207．

[8] Kutylowska，Malgorzata．Neural network approach for failure rate prediction[J]．Engineering Failure Analysis, 2015，47(1)：41-48．

[9] 余江．地鐵車輛關(guān)鍵系統(tǒng)可靠性分析及應(yīng)用研究[D]．北京：北京交通大學(xué)，2012． Yu Jiang. Reliability analysis and application research of Metro key system [D] ．Beijing:Beijing Jiaotong University，2012．

[10] 郭陽明，冉從寶，姬昕禹，等．基于組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷[J] ．西北工業(yè)大學(xué)學(xué)報(bào)，2013，31(1)：44-48． Guo Yangming，Ran Congbao，Ji Xinyu，et al．Fault diagnosis in analog circuits based on combined·optimization BP neural networks[J]．Journal of Northwestern Polytechnical University，2013，31(1)：44-48．

[11] 龍泉，劉永前，楊勇平．基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法[J]．太陽能學(xué)報(bào)，2012，33(1)：120-123． Long Quan，Liu Yongqian，Yang Yongping．Fault diagnosis method of wind turbine gearbox based on BP neural network trained by particle swarm optimization algorithm [J]．Acta Energiae Solaris Sinica，2012，33(1)：120-123.

(責(zé)任編輯 李進(jìn))

Fault Prediction Based on PSO-BP Neural Network About Wheel and Axle Box of Bogie in Urban Rail Train

YIN Huaixian1,2， WANG Kai2， ZHANG Tiezhu2， HUA Qingsong2，QIN Yong1， GUO Jianyuan1

(1.School of Traffic and Transportation Beijing Jiaotong University，Beijing 100044， China;2. Dynamic Integration and Energy Storage Systems Engineering Technology Research Center， Qingdao University， Qingdao 266071， China)

In order to better predict failure rate of urban rail trains, the paper proposes a fault predict model based on PSO-BP neural network. Using Matlab with Newff function, failure rate prediction of urban rail train is modeled and simulated using the error back propagation (BP) neural network and BP neural network based on particle swarm algorithm optimization (PSO-BP).The simulation results show that the effect of failure rate predictive model with PSO-BP neural network is better than BP neural network. As a result, PSO-BP neural network is chosen as the failure rate predictive model and the theoretical basis for the decision of preventive maintenance.

urban rail train; wheel on the axle box system; failure rate prediction; BP neural network; PSO

1672-3813(2015)04-0097-07;

10.13306/j.1672-3813.2015.04.014

2015-05-28；

2015-09-18

國(guó)家科技支撐計(jì)劃(2011BAG01B05)

尹懷仙(1981-)，女，山東膠州人，博士研究生，工程師，主要研究方向?yàn)槌梢?guī)車輛可靠性。

秦勇(1971-)，男，江蘇徐州人，博士，教授，主要研究方向?yàn)榻煌ㄟ\(yùn)輸信息工程與安全保障。

U 270.1

A