針對(duì)軌道車(chē)輛走行部關(guān)鍵部件故障的智能識(shí)別研究

周宏祥 堯輝明

摘 要：針對(duì)軌道車(chē)輛走行部關(guān)鍵部件的故障識(shí)別問(wèn)題，本文提出了利用蟻群算法對(duì)彈簧的狀態(tài)參數(shù)進(jìn)行估計(jì)。通過(guò)對(duì)軌道車(chē)輛橫向動(dòng)力學(xué)方程建立的多元線性回歸模型進(jìn)行處理，得到約束模型。利用蟻群算法的尋優(yōu)特性，在彈簧的正常、輕微故障和斷裂的情況下對(duì)約束模型進(jìn)行尋優(yōu)計(jì)算，驗(yàn)證該算法的有效性。結(jié)果表明：該方法可以有效準(zhǔn)確地估計(jì)軌道車(chē)輛走行部關(guān)鍵部件彈簧的實(shí)際參數(shù)值。通過(guò)比較估計(jì)值和正常值，可及時(shí)判斷彈簧的狀態(tài)，該參數(shù)估計(jì)方法可為軌道車(chē)輛懸掛系統(tǒng)關(guān)鍵部件狀態(tài)監(jiān)測(cè)提供重要的理論依據(jù)。

關(guān)鍵詞：軌道車(chē)輪;動(dòng)力學(xué)模型;蟻群算法;參數(shù)估計(jì);尋優(yōu)處理

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2021.03.024

本文著錄格式：周宏祥，堯輝明.針對(duì)軌道車(chē)輛走行部關(guān)鍵部件故障的智能識(shí)別研究[J].軟件，2021，42（03）：086-089+102

Research on Intelligent Recognition of Failures of Key Components of Rail Vehicle Running Parts

ZHOU Hongxiang， YAO Huiming

（School of Urban Rail Transit， Shanghai University of Engineering Science， Shanghai? 201620）

【Abstract】：Aiming at the problem of fault identification of the key components of the running part of rail vehicles， this paper proposes the use of ant colony algorithm to estimate the state parameters of the spring. By processing the multiple linear regression model established by the rail vehicle lateral dynamics equation， the constraint model is obtained. Using the optimization characteristics of the ant colony algorithm， the constraint model is optimized under the condition of normal， minor failure and breakage of the spring to verify the effectiveness of the algorithm. The results show that the method can effectively and accurately estimate the actual parameter values of the springs of the key components of the running gear of rail vehicles. By comparing the estimated value with the normal value， the state of the spring can be judged in time. This parameter estimation method can provide an important theoretical basis for the state monitoring of the key components of the rail vehicle suspension system.

【Key words】：rail wheel;dynamic model;ant colony algorithm;parameter estimation;optimization processing

0引言

目前，信號(hào)分析的方法是懸掛系統(tǒng)在線監(jiān)測(cè)主要使用的方法，軌道車(chē)輛懸掛系統(tǒng)關(guān)鍵部件的幅值、頻率特性以及對(duì)動(dòng)力學(xué)參數(shù)的統(tǒng)計(jì)特征等關(guān)鍵部件的檢測(cè)信號(hào)特性的突變是信號(hào)分析方法的主要研究對(duì)象，同時(shí)需要將較多的傳感器安裝在軌道車(chē)輛走行部的指定位置處。但是監(jiān)測(cè)結(jié)果精度較低，有一定的局限性[1]。

相對(duì)于信號(hào)分析方法而言，參數(shù)估計(jì)以可操作性強(qiáng)等優(yōu)點(diǎn)逐漸被廣泛應(yīng)用于故障狀態(tài)監(jiān)測(cè)領(lǐng)域中，為了達(dá)到估計(jì)軌道車(chē)輛關(guān)鍵部件的實(shí)際參數(shù)值的目的，僅需要通過(guò)安裝在軌道車(chē)輛上的傳感器獲取車(chē)輛振動(dòng)的信息，通過(guò)運(yùn)算處理即可。文獻(xiàn)[2]提等人通過(guò)采用粒子濾波算法對(duì)城市軌道交通車(chē)輛走行部關(guān)鍵部件參數(shù)進(jìn)行仿真分析，驗(yàn)證了粒子濾波的參數(shù)估計(jì)算法能有有效的對(duì)車(chē)輛參數(shù)進(jìn)行預(yù)測(cè)，有一定的工程應(yīng)用價(jià)值。文獻(xiàn)[3]利用率振動(dòng)加速度的評(píng)判方法在對(duì)車(chē)輪缺陷的頻率特征進(jìn)行分析時(shí)，針對(duì)車(chē)輪的缺陷搭建車(chē)輪信息的數(shù)據(jù)采集裝置進(jìn)行分析但是工程可用性低。在利用算法進(jìn)行參數(shù)估計(jì)時(shí)，算法自身的缺陷也會(huì)導(dǎo)致參數(shù)估計(jì)的結(jié)果精度低等問(wèn)題，它們不能收斂到全局最優(yōu)解，并且與初始值具有相關(guān)性。

針對(duì)上述問(wèn)題，本文建立軌道車(chē)輛系統(tǒng)橫向狀態(tài)空間模型，針對(duì)對(duì)算法初始值要求過(guò)高以及因參數(shù)優(yōu)化不能收斂到全局最優(yōu)解的問(wèn)題，提出利用蟻群算法為研究軌道車(chē)輛走行部關(guān)鍵部件彈簧的參數(shù)估計(jì)提供了一種較為理想的解決方案。

1 軌道車(chē)輛系統(tǒng)橫向狀態(tài)空間模型

1.1 參數(shù)估計(jì)模型

如圖1所示的軌道車(chē)輛參數(shù)估計(jì)模型示意圖[4]，針對(duì)模型中示出的部分車(chē)體模型主要包括：軌道車(chē)輛走行部輪對(duì)，1個(gè)橫向運(yùn)動(dòng)的自由度和構(gòu)架均有橫向和搖頭運(yùn)動(dòng)的2個(gè)自由度。

圖中：參數(shù)yw1和yw2分別為2個(gè)輪對(duì)的橫向位移;參數(shù)yb表示為構(gòu)架的橫向位移;參數(shù)ybd表示為車(chē)體的橫向位移;參數(shù)kx是一系縱向剛度;參數(shù)和分別為2個(gè)輪對(duì)的搖頭角;參數(shù)表示為構(gòu)架的搖頭角;參數(shù)ky表示為橫向剛度;參數(shù)kyb表示為二系橫向剛度;參數(shù)l0表示為軌距的一半;參數(shù)la表示為轉(zhuǎn)向架軸距的一半;參數(shù)lb為一系懸掛橫向跨距的一半[5];參數(shù)δyb表示為二系橫向阻尼;參數(shù)分別為和抗蛇行阻尼。

該參數(shù)估計(jì)模型的振動(dòng)方程包括

（1）

（2）

（3）

（4）

（5）

（6）

（7）

（8）

（9）

式中：2個(gè)輪對(duì)處的軌道橫向不平順用yt1和yt2分別進(jìn)行表示;2個(gè)輪對(duì)在輪軌接觸點(diǎn)處的橫向位移yd1和yd2分別進(jìn)行表示;mw1和mw2分別為2個(gè)輪對(duì)的質(zhì)量;構(gòu)架和車(chē)體的質(zhì)量用mb和mbd分別進(jìn)行表示;縱向和橫向蠕滑系數(shù)用f11和f22分別進(jìn)行表示;2個(gè)輪對(duì)的轉(zhuǎn)到慣量用Iw1和Iw2分別進(jìn)行表示;構(gòu)架轉(zhuǎn)動(dòng)慣量用Ib進(jìn)行表示;輪對(duì)等效錐度用λ進(jìn)行表示;車(chē)輪滾動(dòng)半徑用r0進(jìn)行表示。

1.2 軌道車(chē)輛系統(tǒng)橫向狀態(tài)空間模型

把軌道車(chē)輛系統(tǒng)的橫向參數(shù)估計(jì)模型中的振動(dòng)方程變化為動(dòng)態(tài)空間的方程如下。

（10）

（11）

其中，

w=，。

式中：參數(shù)w表示為信息反饋狀態(tài)噪聲，也就是軌道橫向不平順;參數(shù)為16×16型的矩陣;參數(shù)為16×2型的矩陣;參數(shù)H為5×16型的矩陣，可以由矩陣得到。

因式（10）為時(shí)間t的連續(xù)函數(shù)，因此使其離散后可得[6]

（12）

設(shè)Ts為采樣時(shí)間間隔，在初始時(shí)刻t0=kTs的狀態(tài)為x（kTs），則t=（k+1）Ts時(shí)刻的狀態(tài)可以表示為

（13）

其中，

（14）

在時(shí)間區(qū)間[kTs，（k+1）Ts]，當(dāng)Ts足夠小，w（τ）可以近似為常數(shù)w（kTs），則式（14）變換為

（15）

式中：I為16×16型的單位矩陣。

將式（15）代入式（13）可得

（16）

令，，，由上可得系統(tǒng)的橫向動(dòng)態(tài)空間模型為

（17）

（18）

2 蟻群算法在參數(shù)估計(jì)中的應(yīng)用

蟻群算法的基本思路是在蟻群算法中，將單只螞蟻理解為待估計(jì)的參數(shù)組合，是模型參數(shù)估計(jì)問(wèn)題中的一個(gè)最優(yōu)候選解，個(gè)體的維數(shù)就代表著待估計(jì)的參數(shù)個(gè)數(shù)p+1，設(shè)蟻群數(shù)為m，那么蟻群中第i個(gè)螞蟻個(gè)體的位置可以表示為：

另外，求適值函數(shù)最小值的優(yōu)化問(wèn)題，通過(guò)蟻群算法進(jìn)行處理[7]。

（19）

首先，將單只螞蟻理解為待估計(jì)的參數(shù)組合，是模型參數(shù)估計(jì)問(wèn)題中的一個(gè)最優(yōu)候選解，個(gè)體的維數(shù)就代表著待估計(jì)的參數(shù)個(gè)數(shù)p+1，設(shè)蟻群數(shù)為n，那么蟻群中第i個(gè)螞蟻個(gè)體的位置可以表示為：

。

選取適當(dāng)?shù)?，使得最小?/p>

基本實(shí)現(xiàn)步驟如下所示：

（1）初始化蟻群算法中的各項(xiàng)參數(shù)，對(duì)蟻群中螞蟻的位置進(jìn)行初始化;

（2）根據(jù)路徑信息和初始參數(shù)信息，計(jì)算狀態(tài)轉(zhuǎn)移概率，增加隨機(jī)性和遍歷性，避免陷入局部最優(yōu)，計(jì)算適應(yīng)度函數(shù)值，設(shè)為初始信息素，計(jì)算狀態(tài)轉(zhuǎn)移概率;

（3）螞蟻向最優(yōu)解轉(zhuǎn)移，單次行程結(jié)束后更新信息素;

（4）記錄當(dāng)前螞蟻的最優(yōu)位置;

（5）不斷迭代，最終找到最優(yōu)路徑。

3 仿真計(jì)算

采用蟻群計(jì)算法對(duì)內(nèi)容進(jìn)行了詳細(xì)的研究。本文將經(jīng)過(guò)處理后的美國(guó)六級(jí)軌道譜的時(shí)域信號(hào)作為外部激勵(lì)，輸送到軌道車(chē)輛的參數(shù)估計(jì)模型之中。與此同時(shí)會(huì)得到振動(dòng)響應(yīng)數(shù)據(jù)，然后利用軌道車(chē)輛的動(dòng)力學(xué)方程對(duì)彈簧剛度K和阻尼C進(jìn)行求解，將獲取的彈簧剛度K的值和阻尼C的值與參數(shù)估計(jì)模型的設(shè)定值進(jìn)行比較，根據(jù)兩者的差值大小來(lái)判斷此時(shí)參數(shù)估計(jì)模型中，對(duì)應(yīng)參數(shù)的關(guān)鍵部件的狀態(tài)。由于一些因素的影響，需要對(duì)獲取的數(shù)據(jù)進(jìn)行處理，去除一些不符合實(shí)際的數(shù)據(jù)，本文采取200個(gè)正常狀態(tài)下彈簧剛度和阻尼的結(jié)果數(shù)據(jù)如圖2、圖3所示：

當(dāng)在仿真實(shí)驗(yàn)中獲取到一些正常狀態(tài)下的彈簧的橫向剛度時(shí)，需要通過(guò)蟻群算法對(duì)抽選的數(shù)據(jù)進(jìn)行優(yōu)化處理，對(duì)軌道車(chē)輛的參數(shù)模型中的關(guān)鍵部件參數(shù)進(jìn)行估計(jì)計(jì)算的本質(zhì)上是探究最小解的過(guò)程。通過(guò)利用蟻群算法所得到的估計(jì)值和真實(shí)設(shè)定值之間的誤差大小，來(lái)判斷對(duì)應(yīng)參數(shù)的關(guān)鍵部件的故障程度。其中在軌道車(chē)輛的參數(shù)估計(jì)模型中，將參數(shù)估計(jì)模型中關(guān)鍵部件Ky設(shè)置成368MN/m，Cy設(shè)置成12000N·s/m，軌道車(chē)輛走行部關(guān)鍵部件處于正常使用的狀態(tài)下，利用蟻群算法對(duì)彈簧剛度進(jìn)行尋優(yōu)計(jì)算后，橫向懸掛彈簧剛度Ky的參數(shù)值為385.44MN/m，如圖4所示。橫向阻尼Cy的值為11519.4N·s/m，如圖5所示。

當(dāng)彈簧處于輕微故障時(shí)，此時(shí)相關(guān)的性能參數(shù)就會(huì)衰減0%～25%，因此我們?cè)O(shè)置彈簧剛度的參數(shù)性能衰退20%，當(dāng)彈簧處于輕微故障時(shí)，彈簧剛度參數(shù)的估計(jì)值分布曲線如圖6所示：

利用蟻群算法對(duì)關(guān)鍵部件參數(shù)進(jìn)行估計(jì)。在軌道車(chē)輛轉(zhuǎn)向架彈簧在輕微故障下運(yùn)行時(shí)，利用蟻群算法對(duì)彈簧剛度進(jìn)行尋優(yōu)計(jì)算后，其橫向懸掛彈簧剛度Ky的參數(shù)值為315.93MN/m，如圖7所示。

4結(jié)論

本文通過(guò)建立的參數(shù)估計(jì)模型，引入蟻群算法對(duì)軌道車(chē)輛走行部關(guān)鍵部件彈簧在正常狀態(tài)、輕微故障兩種不同狀態(tài)下，對(duì)彈簧的狀態(tài)參數(shù)進(jìn)行估計(jì)，結(jié)果表明：該方法對(duì)算法的初始值的要求不高，但是由于全局搜索能力強(qiáng)、收斂性好，對(duì)軌道車(chē)輛走行部關(guān)鍵部件彈簧的實(shí)際參數(shù)值能夠進(jìn)行有效估計(jì)，并且精度較高。

參考文獻(xiàn)

[1] 漆瑾.高速機(jī)車(chē)走行部實(shí)時(shí)在線監(jiān)測(cè)與診斷方法的研究[D].成都：西南交通大學(xué)，2006.

[2] LI P，GOODALL R，WESTON P.Estimation of Railway Vehicle Suspension Parameters for Condition Monitoring[J].Control Engineering Practice，2007，15（1）： 43-55.

[3] 楊凱.車(chē)輪踏面擦傷檢測(cè)系統(tǒng)研究[D].成都：西南交通大學(xué)，2005.

[4] 王福天.車(chē)輛系統(tǒng)動(dòng)力學(xué)[M].北京：中國(guó)鐵道出版社，1994.

[5] 方宇，陳龍，李曉斌，等.基于再次均勻采樣策略改進(jìn)軌道車(chē)輛二系懸掛系統(tǒng)參數(shù)估計(jì)方法[J].中國(guó)鐵道科學(xué)，2013，34（3）：72-78.

[6] 謝克明.現(xiàn)代控制理論[M].北京：清華大學(xué)出版社，2007.

[7] 李朝輝.連續(xù)域蟻群算法的改進(jìn)研究及在參數(shù)估計(jì)中的應(yīng)用[D].長(zhǎng)沙：中南大學(xué)，2011.