基于神經(jīng)網(wǎng)絡(luò)模型的高鐵輪對(duì)故障診斷和預(yù)測(cè)方法的研究*

季銀銀，劉婷婷，沈建洲，繆 響，張 穎

（1.南京工程學(xué)院信息與通信工程學(xué)院，南京 211167；2.南京工程學(xué)院工業(yè)中心，南京 211167）

0 引言

目前，鐵路事業(yè)日益發(fā)展，客運(yùn)高鐵成為國(guó)內(nèi)客運(yùn)的主流客運(yùn)方式之一，隨著高鐵快速發(fā)展，鐵路旅客運(yùn)輸量的不斷增長(zhǎng)。截至2019年末，國(guó)家統(tǒng)計(jì)局發(fā)布高速鐵路里程數(shù)據(jù)顯示，2019年我國(guó)高鐵總里程突破3.5萬(wàn)km，新增高鐵運(yùn)營(yíng)里程超過(guò)5 000 km。縱觀全球，我國(guó)高鐵總里程全球占比超2/3，走在高鐵建設(shè)項(xiàng)目的前列[1]。通過(guò)以上數(shù)據(jù)側(cè)面反映出我國(guó)在高鐵建設(shè)上具備雄厚實(shí)力。

在當(dāng)今時(shí)代，高鐵具有如下特征：（1）鐵路非常平順，采用無(wú)縫鋼軌銜接，時(shí)速300 km以上的高速鐵路采用的是無(wú)砟軌道；（2）鐵路彎道少，彎道半徑大；（3）發(fā)車(chē)密度大，車(chē)速快；（4）運(yùn)行基本不受天氣影響，適應(yīng)性較強(qiáng)；（5）能很好地滿(mǎn)足節(jié)能減排要求，屬于綠色交通工具。基于以上特征，高鐵的安全性能要求一定要高，影響高鐵運(yùn)營(yíng)安全的主要因素有：人為因素、機(jī)器設(shè)備故障、環(huán)境因素、管理事故，這4個(gè)因素充分體現(xiàn)高鐵安全的重要性。

高鐵運(yùn)行安全性尤為重要，其中高鐵輪對(duì)的健康狀況是高鐵安全運(yùn)行的重要保障，本文將重點(diǎn)研究高鐵輪對(duì)的故障診斷。文獻(xiàn)[1-2]中重點(diǎn)說(shuō)明故障預(yù)測(cè)與健康管理技術(shù)可以在設(shè)備發(fā)生故障前對(duì)設(shè)備傳輸?shù)南嚓P(guān)信號(hào)進(jìn)行故障預(yù)測(cè)，并可以利用這些信息進(jìn)行維修和保障工作。通過(guò)故障預(yù)測(cè)與健康管理技術(shù)[3]在設(shè)備智能健康管理領(lǐng)域的研究，對(duì)故障診斷、檢修、性能參數(shù)等數(shù)據(jù)進(jìn)行全面的評(píng)估，預(yù)測(cè)出設(shè)備中的核心部件的可靠性與使用壽命，在歷年研究中，故障預(yù)測(cè)與健康管理技術(shù)已經(jīng)取得相關(guān)成果。而目前的故障診斷需要大量的數(shù)據(jù)去支持后臺(tái)分析和診斷，這些數(shù)據(jù)中往往存在大量的干擾數(shù)據(jù)，因此，本文對(duì)高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)產(chǎn)生的振動(dòng)特性、診斷方法、故障預(yù)測(cè)進(jìn)行研究。研究高鐵輪對(duì)核心部件受人為因素、機(jī)器設(shè)備故障、環(huán)境因素和管理事故這4個(gè)因素變化時(shí)的振動(dòng)特性[4]，建立概率神經(jīng)網(wǎng)絡(luò)模型，對(duì)高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)傳輸?shù)恼駝?dòng)參數(shù)進(jìn)行分析和診斷，從而迅速診斷出高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)產(chǎn)生的故障類(lèi)型，再利用大量歷史數(shù)據(jù)，分析各故障信號(hào)的特征，將故障數(shù)據(jù)樣本輸入到徑向基網(wǎng)絡(luò)模型中，快速預(yù)測(cè)出所上傳故障信號(hào)的故障類(lèi)型，控制中心可以第一時(shí)間采取措施，避免出現(xiàn)重大安全事故。

1 高鐵輪對(duì)故障信號(hào)的特征提取與診斷

1.1 信號(hào)的特征選擇

高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)會(huì)產(chǎn)生豐富的特征信息，包括聲音信息、熱力性能參數(shù)、振動(dòng)參數(shù)等。選擇合適的信號(hào)特征，并且這些特征要比較容易、準(zhǔn)確地獲得，更好地表示高鐵輪對(duì)的工作狀態(tài)，否則故障判斷的性能和準(zhǔn)確性都大打折扣。當(dāng)高鐵正常運(yùn)行時(shí)，其瞬時(shí)轉(zhuǎn)速波動(dòng)信號(hào)可以反映高鐵的工作狀態(tài)。正常狀態(tài)下，高鐵輪對(duì)平穩(wěn)運(yùn)行，其聲音信號(hào)、溫度、振動(dòng)信號(hào)等都在一定范圍內(nèi)平穩(wěn)波動(dòng)，且波動(dòng)情況服從一定的分布[5-6]。當(dāng)高鐵輪對(duì)出現(xiàn)故障時(shí)，聲音信號(hào)、溫度曲線及振動(dòng)信號(hào)燈都會(huì)產(chǎn)生嚴(yán)重的變形，可以作為故障診斷的依據(jù)[7]。

本文提出的方法采用高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)產(chǎn)生的振動(dòng)信號(hào)作為樣本，解析在輪對(duì)工作中，其能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)[8]的變化，從而判斷出輪對(duì)的工作狀態(tài)。振動(dòng)信號(hào)的分析包括時(shí)域和頻域分析[9]，時(shí)域信號(hào)參數(shù)是振動(dòng)波形的統(tǒng)計(jì)信息，包括均值、方差、均方值、峰度、裕度因子、脈沖因子等。由于時(shí)域信號(hào)分析具有更強(qiáng)的實(shí)時(shí)性，因此本文采用振動(dòng)時(shí)域信號(hào)作為特征信號(hào)。

1.2 振動(dòng)參數(shù)的提取

首先定義高鐵輪對(duì)的5種故障類(lèi)型分別為：輪對(duì)踏面損傷、輪對(duì)車(chē)軸裂紋、輪對(duì)輪輞裂損、輻板裂損故障、齒輪損傷，編號(hào)如表1所示。

表1 高鐵輪對(duì)分類(lèi)模式

采集到高鐵輪對(duì)正常運(yùn)轉(zhuǎn)和5種故障模式下的振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)做統(tǒng)計(jì)學(xué)處理，得到能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)，形成1個(gè)六維向量。每種模式收集2份樣本，共計(jì)12份訓(xùn)練樣本。將時(shí)域計(jì)算代碼輸入到Matlab中，并運(yùn)用參數(shù)運(yùn)算的函數(shù)分析出上述振動(dòng)參數(shù)。

設(shè)振動(dòng)信號(hào)為{xi}，i=1～N，N 為采樣數(shù)，則有：

無(wú)故障的高鐵輪對(duì)峰度值約為15，當(dāng)高鐵輪對(duì)峰度值大于16時(shí)，即表示輪對(duì)有一定程度的損傷。

波形參數(shù)：

裕度參數(shù)L:

高鐵輪對(duì)中多級(jí)齒輪的振動(dòng)信號(hào)往往包含有來(lái)自高速齒輪、低速齒輪以及軸承等部件的信息，在這種情況下，利用波形參數(shù)、裕度參數(shù)、脈沖指標(biāo)來(lái)進(jìn)行相關(guān)故障診斷。

峰值參數(shù)：

由于高鐵輪對(duì)中踏面剝離、擦傷等一類(lèi)故障，產(chǎn)生的脈沖波形總能量比較小，但波形的尖峰度很明顯，因此，峰度參數(shù)適用于此類(lèi)故障診斷。

1.3 概率神經(jīng)網(wǎng)絡(luò)建模

建立概率神經(jīng)網(wǎng)絡(luò)模型，將所采集的經(jīng)過(guò)預(yù)處理后的高鐵輪對(duì)的運(yùn)轉(zhuǎn)狀態(tài)定義為X，X中包含的6種高鐵輪對(duì)狀態(tài)分別為：輪對(duì)踏面損傷X1、輪對(duì)車(chē)軸裂紋X2、輪對(duì)輪輞裂損X3、輻板裂損故障X4、齒輪損傷X5、正常狀態(tài)X6。將振動(dòng)信號(hào)設(shè)為變量A，對(duì)信號(hào)A預(yù)處理后提取出其中的能量參數(shù)A1、峰度參數(shù)A2、波形參數(shù)A3、裕度參數(shù)A4、脈沖參數(shù)A5和峰值參數(shù)A6。按照?qǐng)D1所示模型，編寫(xiě)算法。

圖1 概率神經(jīng)網(wǎng)絡(luò)模型

對(duì)模型中隱含層輸入求和后，比較出隱含層神經(jīng)元的最大值，輸出對(duì)應(yīng)的類(lèi)別序號(hào)。輸出的序號(hào)即為診斷出的故障。

1.4 故障診斷實(shí)現(xiàn)

用六維向量表示高鐵輪對(duì)的運(yùn)轉(zhuǎn)狀態(tài)，對(duì)該向量處理、分類(lèi)。故障診斷算法的流程圖如圖2所示。

圖2 故障診斷算法流程圖

該仿真實(shí)驗(yàn)中，采集高鐵輪對(duì)正常運(yùn)轉(zhuǎn)和5種故障模式下的振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)做統(tǒng)計(jì)學(xué)處理，得到能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)。形成1個(gè)六維向量。每種模式收集2份樣本，共計(jì)12份訓(xùn)練樣本輸入到概率神經(jīng)網(wǎng)絡(luò)模型中，得到表2所示仿真結(jié)果，由表中看出，概率神經(jīng)網(wǎng)絡(luò)所做的診斷完全正確。

表2 故障診斷結(jié)果

圖3 徑向基網(wǎng)絡(luò)結(jié)構(gòu)圖

2 高鐵輪對(duì)故障預(yù)測(cè)

2.1 徑向基網(wǎng)絡(luò)建模

徑向基網(wǎng)絡(luò)模型有良好的模式分類(lèi)和函數(shù)擬合能力，為3層前向網(wǎng)絡(luò)。具體結(jié)構(gòu)如圖3所示。由于預(yù)測(cè)的輸出值是高鐵故障序號(hào)，根據(jù)上述內(nèi)容介紹，所有的故障都已編號(hào)完畢，最終輸出的結(jié)果是標(biāo)量，故輸出的神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為1。隱含層的神經(jīng)元根據(jù)第三章樣本內(nèi)容，一共有12個(gè)，輸入層中神經(jīng)節(jié)點(diǎn)一共有6個(gè)，分別為能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)、峰值參數(shù)，形成如圖4所示的函數(shù)關(guān)系：

圖4 徑向基網(wǎng)絡(luò)結(jié)構(gòu)

A1～A6分別表示上述6個(gè)自變量，X1～X6為高鐵輪對(duì)運(yùn)轉(zhuǎn)時(shí)的6個(gè)不同狀態(tài)，Y為最終預(yù)測(cè)的故障結(jié)果，即該網(wǎng)絡(luò)模型中，輸入向量為：

隱含層的激活函數(shù)φi()x，i=1，2，3，…，為任一節(jié)點(diǎn)的基函數(shù)，選用格林函數(shù)。網(wǎng)絡(luò)輸出為Y。

2.2 故障預(yù)測(cè)方案

徑向基網(wǎng)絡(luò)創(chuàng)建完畢后，不需要訓(xùn)練可直接使用。輸入樣本中的振動(dòng)參數(shù)首先與權(quán)值向量相乘，再輸入到隱含層節(jié)點(diǎn)中，計(jì)算樣本與節(jié)點(diǎn)中心的距離。該距離經(jīng)過(guò)高斯函數(shù)映射后輸出給輸出層。本文中的故障預(yù)測(cè)樣本與故障診斷的樣本數(shù)據(jù)相同。

在上述過(guò)程中，需確定隱含層節(jié)點(diǎn)的中心及其標(biāo)準(zhǔn)差σ，以及隱含層與輸出層之間的權(quán)值矩陣。

標(biāo)準(zhǔn)差公式為：

式中：D為樣本與節(jié)點(diǎn)中心的距離；N為隱含節(jié)點(diǎn)個(gè)數(shù)。

一般來(lái)說(shuō)，樣本密集的地方可以適當(dāng)增加節(jié)點(diǎn)中心，樣本稀疏的地方可以減少樣本中心，若節(jié)點(diǎn)是均勻分布的，中心節(jié)點(diǎn)也可以均勻分布。隱含層與輸出層之間的矩陣可以通過(guò)求逆方式得到。

高斯函數(shù)：

利用徑向基網(wǎng)絡(luò)模型進(jìn)行高鐵輪對(duì)故障預(yù)測(cè)的算法流程圖如圖5所示。在高鐵輪對(duì)故障預(yù)測(cè)算法中，設(shè)置誤差容限為e-8，擴(kuò)散因子為20，最大神經(jīng)元個(gè)數(shù)為121。系統(tǒng)在調(diào)用函數(shù)時(shí)，會(huì)逐個(gè)增加神經(jīng)元，使訓(xùn)練誤差逐漸減小，指導(dǎo)誤差小于容限。同時(shí)，在MATLAB命令窗口會(huì)顯示實(shí)際添加的神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)及訓(xùn)練誤差值。如圖6所示，命令窗口顯示實(shí)際添加的神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)及訓(xùn)練誤差值，實(shí)際使用了50個(gè)神經(jīng)元節(jié)點(diǎn)，訓(xùn)練誤差值為10-4量級(jí)。

圖5 高鐵輪對(duì)故障預(yù)測(cè)步驟

圖6 誤差下降曲線

圖7 預(yù)測(cè)值與真實(shí)值對(duì)比圖

綜上所述，基于徑向基神經(jīng)網(wǎng)絡(luò)模型的高鐵輪對(duì)故障預(yù)測(cè)系統(tǒng)，首先需要經(jīng)過(guò)采集大量歷史數(shù)據(jù)，將歷史樣本數(shù)據(jù)進(jìn)行分類(lèi)；其次，將歷史數(shù)據(jù)輸入到徑向基網(wǎng)絡(luò)模型的算法中，經(jīng)分類(lèi)、創(chuàng)建神經(jīng)元、測(cè)試等流程的重復(fù)后，最終輸出所預(yù)測(cè)的故障類(lèi)型，并輸出故障預(yù)測(cè)與高鐵輪對(duì)正常狀態(tài)的比較值，得到最終結(jié)果。該過(guò)程中，神經(jīng)元的數(shù)量需要限制在固定值內(nèi)，否則將導(dǎo)致重復(fù)工作以致程序混亂的結(jié)果。

實(shí)際高鐵輪對(duì)故障與預(yù)測(cè)故障結(jié)果如圖7所示。由圖中可以明顯地看出，預(yù)測(cè)值與真實(shí)值很接近，且預(yù)測(cè)值與真實(shí)值的變化趨勢(shì)基本一致。該算法結(jié)果從相對(duì)誤差的角度來(lái)說(shuō)，測(cè)試樣本的平均相對(duì)誤差為5%，最大相對(duì)誤差接近7%，因此，可以得出結(jié)論，徑向基網(wǎng)絡(luò)可以準(zhǔn)確地預(yù)測(cè)出高鐵輪對(duì)的故障，其對(duì)于故障的預(yù)測(cè)值是真實(shí)可靠的。

3 結(jié)束語(yǔ)

本文對(duì)高鐵輪對(duì)的故障診斷方法進(jìn)行研究，為高鐵輪對(duì)運(yùn)行時(shí)產(chǎn)生的故障提供了診斷方法。利用概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行輪對(duì)故障診斷，精確分析出高鐵輪對(duì)運(yùn)行時(shí)所上傳的故障信號(hào)中的故障信息，通過(guò)從時(shí)域振動(dòng)信號(hào)中提取出能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)，輸入到網(wǎng)絡(luò)模型中，這個(gè)過(guò)程可以精確診斷出高鐵輪對(duì)發(fā)生的故障，及時(shí)準(zhǔn)確地解決問(wèn)題，使輪對(duì)安全可靠地運(yùn)行。

為了大大降低高鐵輪對(duì)發(fā)生安全事故的概率，在該研究中，引入了利用徑向基網(wǎng)絡(luò)模型進(jìn)行高鐵輪對(duì)故障預(yù)測(cè)的方法，在大量歷史數(shù)據(jù)中，提取各類(lèi)故障信息，確定具有代表性的節(jié)點(diǎn)中心，接著在高鐵輪對(duì)運(yùn)行時(shí)的能量參數(shù)、峰度參數(shù)、波形參數(shù)、裕度參數(shù)、脈沖參數(shù)和峰值參數(shù)輸入到徑向基網(wǎng)絡(luò)模型中，算法在進(jìn)行分類(lèi)、訓(xùn)練、測(cè)試過(guò)程后，在短時(shí)間內(nèi)確定離節(jié)點(diǎn)中心最接近的故障類(lèi)型，并輸出故障預(yù)測(cè)曲線，根據(jù)所得結(jié)果，故障預(yù)測(cè)值與高鐵輪對(duì)正常狀態(tài)變化值趨勢(shì)一致，故徑向基網(wǎng)絡(luò)模型的預(yù)測(cè)值是可靠的。

該研究可以為高鐵輪對(duì)故障診斷和故障測(cè)試技術(shù)提供參考，在較短時(shí)間內(nèi)，高鐵控制臺(tái)可以較早發(fā)現(xiàn)輪對(duì)異常情況，第一時(shí)間確定輪對(duì)故障類(lèi)型，及時(shí)進(jìn)行檢修，降低事故發(fā)生風(fēng)險(xiǎn)。