基于改進BP神經網絡的駝峰場車輛減速器故障診斷的研究

姜雪杰，李國寧

(蘭州交通大學自動化與電氣工程學院，蘭州 730070 )

?

基于改進BP神經網絡的駝峰場車輛減速器故障診斷的研究

姜雪杰，李國寧

(蘭州交通大學自動化與電氣工程學院，蘭州 730070 )

減速器是駝峰場控制速度的主要部分，隨著當前高速鐵路大發(fā)展和鐵路貨運量的提高，編組站解體和編組能力加大，車輛減速器使用率和故障率增加，而現場維修人員憑借經驗的低效率維修已經不能滿足當前的貨運溜放要求，對駝峰溜放控制，鉤車安全連掛提出更高的要求，因此根據現場收集的數據建立BP神經網絡模型進行仿真訓練，精確診斷駝峰車輛減速器T?JK(Y)2，3的故障部位，仿真結果表明，故障判斷準確率達到96%。

駝峰；T?JK(Y)車輛減速器；BP神經網絡；故障診斷

目前網絡購物量增加，鐵路貨運仍然是當前最主要的貨物運輸方式之一，編組站駝峰場解體編組壓力增大，減速器故障發(fā)生率顯著提高，而現場維修人員不能及時發(fā)現并處理故障，嚴重影響作業(yè)效率，而且有可能會由于操作不當危及維修人員人身安全，所以研究駝峰車輛減速器的故障診斷具有重要意義。文獻[1]中提出了使用渦流制動技術來替代原有的機械制動新方法，有效地減少碰撞摩擦，改善了現場的噪聲環(huán)境，但現場還沒有實際應用。

1 T?JK(Y)減速器原理

1.1 T?JK(Y)減速器機構原理

當前我國鐵路編組站現場主要使用的是T?JK(Y)2，3型車輛減速器[2]，因此本文首先介紹這種類型的減速器原理。減速器機構如圖1所示。

從圖1可以看出，減速器的制動部分和傳動部分均是平面運動機構。減速器的制動部分由5個部件組合而成，其中4個活動部件(1、2、3、6)和1個固定部件。部件1、3與部件6鉸接于O1和O2，形成2個轉動副；部件1、3尾部置于滾輪n1和n2上，形成2個平面高副；部件2和部件6之間形成一個移動副，和固定部件之間形成另一移動副。減速器的制動部分為2個自由度的平面機構。這些機構對駝峰車輛減速器的正常工作是極其重要的。即制動鉗可繞O1和O2轉動，使減速器制動和緩解，同時制動鉗還可以左右移動，以適應車輛的蛇形運動。

圖1 T?JK(Y)型減速器機構原理

1.2 T?JK(Y)型減速器制動力分析

由于T?JK(Y)型減速器是浮軌重力式減速器，因此，減速器制動軌對車輪的側壓力P除由車重和減速器的杠桿比所決定以外，而且和浮動基本軌變形所產生的附加力，以及在減速器入口和出口段車輪重力的傳遞有關。本文把駝峰車輛減速器的機械杠桿比和被減速器制動車輛的軸重分別設為K和Q軸，由于浮動基本軌變形產生的附加側壓力為F1，進出口車輪重量傳遞所產生的附加側壓力為F2，所以制動軌板對被制動車輛的車輪產生的側壓力

式中K——車輛減速器的機械杠桿比，由減速器結構所決定；T?JK(Y)型減速器的杠桿比如圖1所示，K=b/a；

F軸——浮動基本軌變形所產生的附加側壓力F1和進出口車輪重力傳遞所產生的附加側壓力F2的總和。

通過分析駝峰車輛減速器的機械原理，當前鐵路部分采用27 t軸重C80車輛對減速器造成更多的疲勞損傷，而且有些損害具有隱蔽性，因此迫切需要使用智能故障診斷對現場人工不能及時處理的故障進行監(jiān)督管理和智能診斷。

2 改進BP神經網絡模型

收集現場車輛減速器故障的數據進行歸納分類和分析[3-5]，從編組站綜合自動化系統(tǒng)中可以得到測重、測速、測距、制動緩解表示、氣壓值、工作溫度、電流、電壓、電阻、熔斷器、動作時間等需要的數據，這些數據都由現場的傳感器等設備來獲得，還有振動頻率，緊固狀態(tài)，開口尺寸等變量，本文采用安裝陀螺儀和視頻來進行監(jiān)控，然后進行信號處理，由于本文采用公式(2)的S型函數，所以還需要對數據進行歸一化處理，以達到故障診斷的目的。BP神經網絡的輸出為圖2分析的主要故障部分。

本文隱含層和輸出層傳遞函數采用Sigmoid型函數

圖2 神經網絡模型

網絡的輸入用向量X來表示，輸出用向量Y來表示，即

給定樣本集合

BP網絡的權值將進行調整，以使式(7)的誤差目標函數達到最小

式中，N為樣本數；K為神經網絡輸出量個數；Cim為BP網絡的輸出量；Yim為期望的輸出量。

為了提高網絡的泛化能力，采用基于貝葉斯正規(guī)化算法與LM(Levenberg-Marquardt)算法相結合的方法[6]。

使用正規(guī)化方法將網絡性能函數改進為

其中，EW為網絡權重平方和

式中，Wi為網絡的權值；ED為誤差函數；l、q控制著其他參數(權及閾值)的分布形式，稱其為超參數

式中，常數n為網絡中參數的數量個數；變量H為性能函數海森(Hessian)矩陣；α為動量因子。

超參數的大小決定著神經網絡的訓練目標，如果l?q，則訓練算法把大量減小訓練誤差作為主要的目的；如果l?q，則訓練算法是為使網絡產生更為平滑的響應作為主要目的。因此，改進應該在盡可能減少有效的網絡參數，彌補較大的網絡誤差上面作出改進。

本文所采用的正規(guī)化算法通過采用新的改進網絡性能指標函數，在保證網絡訓練誤差大大減小的情況下，并且使網絡中的有效權值盡量減少，從而在本質上等于自己調整，結果縮小了網絡的規(guī)模。然而常規(guī)的正規(guī)化方法難以確定公式中的超參數l、q的大小，而本文的貝葉斯正規(guī)化方法，其可以在網絡訓練的過程中自動地調整超參數合適的大小，從而使其達到最優(yōu)的結果。

本文使用了貝葉斯正規(guī)化算法和LM算法的結合，由于LM算法的精確性較高還不用計算海森(Hessian)矩陣，既包含有牛頓法的局部收斂特性，又包含有梯度下降法的全局收斂特性；而且貝葉斯正規(guī)化算法還可以提高網絡的泛化能力，因此提出采用兩者結合的方法來實現駝峰車輛減速器的故障診斷。具體步驟如下：

(1)先把網絡初始化，然后計算出網絡隱含層的輸出量和輸出節(jié)點的輸出量，誤差以及誤差平方和函數，本網絡令r=n；

(2)計算本文的超參數l與q以及誤差性能函數，如果達到目標誤差則停止計算，否則繼續(xù)；

(3)在前面算法的基礎上進一步使用LM算法，使性能函數的迭代進一步減小；

(4)再計算新的r、l、q和網絡性能函數，如果最大逼近目標誤差或達到了最大訓練次數則停止，否則轉(3)重復計算。

式中，η為常數量，用來表示學習的步長(在變步長算法中η可以調整)；其中變量G(k)為E(W)的負梯度，即

為了使BP算法有更快的收斂速度，引入了動量因子α來改善迭代，從而將式(10)的權向量迭代的修正規(guī)則改為

式中

式(13)記憶了上一時刻的權向量修正的方向，從而使式(12)的形式與共軛梯度算法相似。動量因子α的取值范圍是0< α<1，動量因子大小的選取對網絡學習的收斂速度有著非常重要的調整作用。

因此采用改進的BP神經網絡，由于其收斂速度快、泛化能力強的優(yōu)點，特別適用于對駝峰車輛減速器進行故障診斷研究。

3 改進BP神經網絡對駝峰車輛減速器的故障診斷(圖3)

圖3 T?JK(Y)型減速器故障分析

3.1 輸入量的確定

將上述改進的BP神經網絡[7]用于駝峰車輛減速器故障診斷，通過文獻[8，9]分析研究影響T?JK(Y)型減速器的主要元素為測重、測速、氣壓值、控制電路電流、電壓、制動夾板開口尺寸、動作時間、車輪厚度、振動頻率。因此將上述主要部分元素作為改進BP神經網絡的輸入變量，因此確定輸入節(jié)點的個數為9個。為了更好地采用收集數據的有效信息，首先對數據進行粗大誤差處理，從而去掉明顯影響網絡收斂精度的不可靠輸入數據，還要進行歸一化處理，以利于網絡的學習訓練。

3.2 輸出量和隱含層節(jié)點數的確定

由圖3選擇減速器經常故障的電空閥故障、控制按鈕節(jié)點接觸不良、制動夾板斷裂、上下部桿斷裂、制動鉗斷裂、繼電器故障等6個故障作為網絡的輸出，因此網絡的輸出數為6個。

如何選取BP網絡的隱含層數，以及隱含層的節(jié)點數，目前尚無準確的理論和方法對其進行確定，而需要針對特定的問題對象，反復多次試驗研究后來確定。目前有3種確定三層BP神經網絡的隱含層節(jié)點數h的經驗參考公式

其中，n為輸入神經元數；m為輸出神經元數；z為1～10之間的常數。

通過改變隱含層的節(jié)點數來比較其網絡收斂的性能，然后根據網絡的性能來確定最合適的隱含層節(jié)點個數。根據收集到的100種故障類型，取90種故障數據進行網絡訓練，10種故障數據進行網絡測試，訓練次數設置為1000次，對比不同隱含層結點個數情況下網絡的均方誤差(Mean Square Error，MSE)，如表1所示。從表1可以看出，當隱含層節(jié)點數為13的時候，訓練樣本和測試樣本MSE最小，因此本文的改進BP神經網絡最合適的隱含層節(jié)點數選擇為13個。

表1 不同網絡結構下神經網絡MSE比較

3.3 T?JK(Y)型減速器故障診斷結果及分析

由上文確定改進BP神經網絡輸入輸出以及隱層節(jié)點數，然后在輸入同樣的車輛減速器故障[10-13]的訓練樣本，圖4為貝葉斯正規(guī)化的BP神經網絡故障結構流程圖，而且網絡最大訓練次數都設置為1 500步，最小誤差都設置為10-3，分別用BP神經網絡和本文提出的改進BP神經網絡對其進行訓練，取得最好的一次訓練結果，由Matlab編程可得比較的訓練誤差仿真曲線如圖5所示。

圖4 貝葉斯正規(guī)化的BP神經網絡結構框圖

圖5 傳統(tǒng)和改進BP神經網絡誤差比

由圖5可知，BP神經網絡和改進BP神經網絡在減速器故障診斷中的平均誤差、收斂時間及收斂精度等方面有顯著的差異。BP神經網絡在經過1180步運算達到預設的精度，顯然其收斂時間長，因為BP神經網絡雖然具有非線性映射的能力，但是其很容易陷入局部極小值，因此不能滿足減速器故障診斷的實時性。而使用本文改進的BP神經網絡經過857步運算達到預設收斂精度，其收斂速度明顯較快，并且能很好地解決局部收斂問題，能夠滿足駝峰車輛減速器故障診斷的要求。

訓練完成后，將訓練好的改進BP神經網絡用于對T?JK(Y)型車輛減速器進行故障診斷，測試樣本的診斷結果對比如表2所示。

由表2可以看出，改進BP算法對車輛減速器的診斷誤差比傳統(tǒng)的BP算法診斷誤差要低，準確率可達到96%，所以利用改進的貝葉斯BP算法優(yōu)化BP神經網絡的各個參數，不僅可以顯著提高BP網絡的收斂精度和效率，而且泛化能力較傳統(tǒng)的BP神經算法要強。

4 結論

針對T?JK(Y)型駝峰車輛減速器故障靠人工經驗判斷維修效率低，首次提出了用改進BP神經網絡對駝峰車輛減速器進行故障診斷。仿真結果表明：所采用的改進BP算法訓練具有精度高，收斂速度快，泛化能力強等特點，提高了對減速器故障的判別速度和準確性，從而有效縮短了維修時間。為了更加精確地查找和控制故障，下一步還需對更加復雜的綜合故障進行研究。

表2 兩種算法結果比較

[1] 侯忠馨，王慶賢，祝曦，等.渦流制動技術在鐵路駝峰調節(jié)溜放速度的應用研究[J].鐵道科學與工程學報，2015，12(4):923-928.

[2] 李岱峰，郭祥熹，張樸.T·JK、T·JY系列車輛減速器[M].北京:中國鐵道出版社，2002.

[3] 周東華，葉銀忠.現代故障診斷與容錯控制[M].北京：清華大學出版社，2000.

[4] 中華人民共和國鐵道部.TB/T 2845—2007車輛減速器技術條件[S].北京：中華人民共和國鐵道部，2007.

[5] 黃啟學.駝峰車輛減速器常見問題的改進[J].鐵道通信信號，2013(1):54-55.

[6] 李鵬.基于貝葉斯理論的神經網絡算法研究[J].光機電信息，2011，28(1):28-32.

[7] 聶晴晴.貝葉斯改進BP神經網絡在織物染色配色中的應用研究[D].青島：青島大學，2009.

[8] 馬進杰，李濤，郭明.TJK2型駝峰車輛減速器表示軸防折斷改造[J].鐵道通信信號，2014(7):29-30.

[9] 邱戰(zhàn)國，郭祥熹，魏鋒.車輛減速器紅光帶故障分析與處理[J].鐵道通信信號，2014(11):39-42.

[10]中華人民共和國鐵道部.鐵運[2008]142號鐵路信號維護規(guī)則[S].北京:中國鐵道出版社，2008.

[11]丁恩山.駝峰重載車輛減速器可靠性技術及維修重點的研究[D].北京：中國鐵道科學研究院，2014.

[12]郭富強，吳丹，商躍進，等.T·JK4加強型車輛減速器制動鉗疲勞強度分析[J].機車電傳動，2011(2):28-30.

[13]郭祥熹，甄建鐵.T.JK3—A(50)型車輛減速器研究與應用[J].中國鐵道科學，1998，19(3):51-56.

Research on Fault Diagnosis of Hump Car Retarder Based on Improved BP Neural Network

JIANG Xue-jie， LI Guo-ning

(College of Automation & Electrical Engineering， Lanzhou Jiaotong University， Lanzhou 730070， China)

The retarder is the main part of the control speed system of the hump yard. With the development of high speed railway and the increase of railway freight volume， the capacity of break-up and make-up of the marshalling yard is increased and the utilization and fault of the retarder is increased simultaneously， while the low efficiency of the maintenance workers fails to meet the current requirements of freight humping， which addresses more on humping control and effective coupling. Therefore， based on the field data， BP neural network model is established for simulation training and the fault location of T?JK (Y)2， 3 of hump retarder is diagnosed precisely. The results show that the fault diagnosis accuracy rate reaches 96%．

Hump; T?JK (Y) car retarder; BP neural network; Fault diagnosis

2016-04-14；

2016-05-17

國家自然科學基金地區(qū)項目(61164010)

姜雪杰(1990—)，男，碩士研究生，主要研究方向為編組站駝峰場車輛減速器故障診斷，E-mail：15117010482@163.com。

李國寧(1959—)，男，副教授 主要研究方向為交通信息工程及控制以及編組站駝峰場，E-mail：372514424@qq.com。

1004-2954(2016)12-0135-05

U284.68

A

10.13238/j.issn.1004-2954.2016.12.030