高立中,甄宇陽,李秀杰,徐登科
駝峰車輛減速器(以下簡稱“減速器”)是編組站的重要調(diào)速設(shè)備,是駝峰自動(dòng)化進(jìn)程中非常關(guān)鍵的基礎(chǔ)設(shè)備。不同部位的減速器在駝峰自動(dòng)化控制系統(tǒng)中,實(shí)施對(duì)溜放車組的間隔和連掛速度的控制,高效、安全地實(shí)現(xiàn)貨車解體和編組作業(yè)[1]。
隨著鐵路貨運(yùn)的逐年增長,很多駝峰經(jīng)常處于滿負(fù)荷運(yùn)轉(zhuǎn)的狀態(tài),這使得駝峰相關(guān)設(shè)備的維修和故障處理成為一個(gè)難題。隨著安全作業(yè)要求不斷提高,相應(yīng)的管理機(jī)制發(fā)生變化,允許工作人員上道進(jìn)行設(shè)備維護(hù)的時(shí)間越來越短,而越是大能力駝峰,減速器設(shè)備負(fù)荷越大,維修時(shí)間反而更少。目前大能力駝峰如新豐鎮(zhèn)、豐臺(tái)西和武漢北等,設(shè)備維修的時(shí)間每天只有40 min。當(dāng)發(fā)生故障時(shí),如控制閥的故障,往往來不及仔細(xì)分析故障點(diǎn)和故障原因,為盡快恢復(fù)使用,一般是把整個(gè)閥體更換,而下線之后,經(jīng)常不能復(fù)現(xiàn)故障,造成故障原因無從追查,也就不能做好糾正和預(yù)防。另外,隨著重載鐵路的不斷發(fā)展,投入運(yùn)營的貨運(yùn)車輛軸重不斷增加,既有車輛減速器的工作狀況會(huì)愈加惡劣,不僅加速了設(shè)備的老化,維護(hù)維修的工作量也會(huì)大幅增加[2]。
而現(xiàn)有的監(jiān)測(cè)設(shè)備,僅限于監(jiān)測(cè)機(jī)械室的減速器命令和表示繼電器接點(diǎn),沒有專門的措施直接監(jiān)測(cè)現(xiàn)場(chǎng)設(shè)備端狀態(tài),而且減速器狀態(tài)信息很多,遠(yuǎn)非命令/表示所能涵蓋。因此,在維修方式上只能采用計(jì)劃修加故障修,致使設(shè)備健康狀態(tài)難以量化、不易準(zhǔn)確判定,有些站場(chǎng)管理偏于保守,更新?lián)Q代過快,造成資源浪費(fèi);有些則管理粗放,導(dǎo)致風(fēng)險(xiǎn)水平偏高。
另外,在現(xiàn)有技術(shù)手段和管理方式下,出現(xiàn)設(shè)備故障時(shí),查找故障點(diǎn)困難重重。首先,鏈條很長,從室內(nèi)繼電器開始,到電纜、轉(zhuǎn)接盒、閥箱接線端子、電磁閥線圈、電磁閥和主閥、氣管道、氣缸,最后到主體機(jī)械部分,故障可能發(fā)生在其中的任何一個(gè)環(huán)節(jié);其次,即便根據(jù)故障現(xiàn)象限定了范圍,比如初步判定是控制閥的故障,也無法判定是電信號(hào)未到達(dá)、到達(dá)但異常,還是電磁閥卡阻或主閥故障[3];第三,有些故障是偶發(fā)型的,故障不能重現(xiàn),也就更無法找出真正的原因,只能憑經(jīng)驗(yàn)猜測(cè),擴(kuò)大更換范圍或留置觀察,增加了維修成本,并存在安全隱患。
總之,由于減速器維護(hù)時(shí)間緊張,信息化手段欠缺已成為一個(gè)突出問題,如要解決必須實(shí)現(xiàn)設(shè)備狀態(tài)的信息化和故障診斷的智能化[4],研發(fā)現(xiàn)場(chǎng)設(shè)備端的減速器健康狀態(tài)監(jiān)測(cè)系統(tǒng)。
減速器健康狀態(tài)監(jiān)測(cè)系統(tǒng)總體分為三大部分,見圖1。
圖1 監(jiān)測(cè)系統(tǒng)總體架構(gòu)
1)室內(nèi)操作終端:存儲(chǔ)和分析現(xiàn)場(chǎng)采集的實(shí)時(shí)數(shù)據(jù);用戶查詢操作;故障報(bào)警和發(fā)出輔助維修信息;配置和調(diào)試功能等。
2)室內(nèi)外通信:由交換機(jī)和載波模塊構(gòu)成,不同站場(chǎng)根據(jù)具體條件或?qū)崿F(xiàn)的方式有所不同。
3)采集器:圍繞閥箱采集需要的數(shù)據(jù),配置了多個(gè)氣壓傳感器、電壓電流傳感器、溫濕度傳感器等,實(shí)現(xiàn)數(shù)據(jù)采集、臨時(shí)存儲(chǔ)和數(shù)據(jù)上傳。
室內(nèi)操作終端設(shè)在電務(wù)維修車間的值班室,提供現(xiàn)場(chǎng)數(shù)據(jù)和維修指導(dǎo);通過交換機(jī)和載波模塊與室外采集器通信;借助既有的控制系統(tǒng)備用電纜,實(shí)現(xiàn)電力供應(yīng)和通信功能;電力載波通信網(wǎng)絡(luò)可實(shí)現(xiàn)多節(jié)點(diǎn)掛接以及500 m遠(yuǎn)距離穩(wěn)定傳輸,滿足監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)傳輸需求。通信部分結(jié)構(gòu)見圖2。
圖2 通信部分結(jié)構(gòu)示意圖
采集器安裝在車輛減速器控制閥箱內(nèi),是實(shí)現(xiàn)系統(tǒng)采集功能的核心硬件。采集器結(jié)構(gòu)見圖3,主要包括與控制閥各工作腔相連的氣壓傳感器、制動(dòng)/緩解電磁閥電壓電流傳感器、制動(dòng)/緩解表示接點(diǎn)、溫濕度傳感器等;主要功能包括傳感器數(shù)據(jù)采集、臨時(shí)存儲(chǔ)、數(shù)據(jù)上傳以及輔助維修等;采用FPGA并行處理ADC采集到的傳感器數(shù)據(jù),保證數(shù)據(jù)在時(shí)間上的同步性,使得數(shù)據(jù)中所包含的時(shí)間信息也可用于后續(xù)分析中,比如動(dòng)作時(shí)間計(jì)算等。
圖3 采集器結(jié)構(gòu)示意圖
采集器的輸入包括制動(dòng)/緩解表示接點(diǎn)、5個(gè)氣壓傳感器、制動(dòng)/緩解電磁閥電流傳感器(指令電流主要作為計(jì)時(shí)觸發(fā)和終止信號(hào))等,實(shí)現(xiàn)的功能是采集控制閥5個(gè)接口位置的高頻氣壓數(shù)據(jù)。根據(jù)生產(chǎn)實(shí)踐和試驗(yàn)室驗(yàn)證,不同的工況下其數(shù)據(jù)特征是不同的,而且每種工況下數(shù)據(jù)特征是穩(wěn)定的、可重復(fù)的,因此可以將該數(shù)據(jù)特征作為判斷工況狀態(tài)的依據(jù)。這是一個(gè)重要的創(chuàng)新點(diǎn),經(jīng)多次驗(yàn)證,測(cè)試數(shù)據(jù)理想,經(jīng)現(xiàn)場(chǎng)實(shí)測(cè),該功能已經(jīng)可靠實(shí)現(xiàn)。
該模塊可以實(shí)時(shí)采集控制閥的氣壓變化曲線和動(dòng)作時(shí)間等關(guān)鍵數(shù)據(jù),既為后期人工智能AI診斷提供大量實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù),也為維修人員直接判斷減速器關(guān)鍵參數(shù)提供依據(jù),以便初步判斷減速器的健康狀態(tài)。
采集到的氣壓數(shù)據(jù),以及動(dòng)作時(shí)間數(shù)據(jù)等,最終的目的是用來判斷設(shè)備健康狀態(tài)是否正常。通常通過設(shè)置閾值范圍、比較采集數(shù)據(jù)與閾值的關(guān)系即可判斷指標(biāo)是否正常。但對(duì)于5路氣壓數(shù)據(jù),則不容易直接判斷,從人工角度看,數(shù)據(jù)曲線形狀往往相近,數(shù)據(jù)相差也不太明顯。鑒于這種情況,采用智能化的手段是最佳選擇。
基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的故障診斷模型,通過卷積和池化算法對(duì)輸入數(shù)據(jù)進(jìn)行特征提取、降維、重構(gòu),充分挖掘不同狀態(tài)下數(shù)據(jù)的特征,并根據(jù)不同特征進(jìn)行分類,實(shí)現(xiàn)狀態(tài)識(shí)別[5][6]。該處理過程主要有以下4個(gè)步驟。
1)故障類型編碼。在回歸、分類等機(jī)器學(xué)習(xí)算法中,各數(shù)據(jù)特征之間距離的計(jì)算和相似度的計(jì)算是非常重要的。而常用的距離或相似度的計(jì)算都是在歐式空間中進(jìn)行的,將離散的特征通過獨(dú)熱編碼映射到歐式空間,可以更容易處理屬性數(shù)據(jù),并且在一定程度上也起到了擴(kuò)充特征的作用[7]。氣壓數(shù)據(jù)對(duì)應(yīng)狀態(tài)的獨(dú)熱向量編碼表見表1。
表1 氣壓數(shù)據(jù)故障類型編碼
2)數(shù)據(jù)預(yù)處理。以固定時(shí)刻為依據(jù)截取每個(gè)樣本中1×1 024大小的有效氣壓數(shù)據(jù),使得各個(gè)數(shù)據(jù)樣本具有相同的對(duì)應(yīng)關(guān)系,后續(xù)處理過程中更容易提取各樣本的特征。為使不同維度之間的特征在數(shù)值上有一定可比性,有效提高分類模型的準(zhǔn)確度,同時(shí)加快模型的收斂速度,需對(duì)樣本數(shù)據(jù)進(jìn)行歸一化操作[8]。由于本項(xiàng)目的樣本數(shù)據(jù)值相對(duì)較為集中,宜采用線性歸一化方法,將樣本特征縮放到[0,1]之間,其歸一化公式為
式中:x'為映射后的樣本值;x為原樣本值;xmax為樣本中最大值;xmin為樣本中最小值。
3)構(gòu)建CNN模型。輸入氣壓數(shù)據(jù)為1×2 000的一維數(shù)據(jù),考慮卷積核個(gè)數(shù)、大小、步長及數(shù)據(jù)特征與準(zhǔn)確率的關(guān)系,建立如圖4所示的CNN模型結(jié)構(gòu)。該結(jié)構(gòu)通過2個(gè)卷積層和2個(gè)池化層將輸入數(shù)據(jù)提取為9×64的特征,并通過全連接層轉(zhuǎn)換為1×576的一維數(shù)據(jù);再進(jìn)行softmax運(yùn)算,使之對(duì)應(yīng)為故障類型編碼;最后將故障類型編碼輸出,實(shí)現(xiàn)故障識(shí)別。
圖4 CNN模型結(jié)構(gòu)
4)模型訓(xùn)練和測(cè)試。在python環(huán)境的TensorFlow框架下對(duì)該CNN模型進(jìn)行仿真。將輸入數(shù)據(jù)按8∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,經(jīng)過訓(xùn)練和測(cè)試,生成混淆矩陣,見圖5。由圖5可見該CNN模型對(duì)狀態(tài)識(shí)別的準(zhǔn)確率可達(dá)95%以上,隨著訓(xùn)練集數(shù)據(jù)的擴(kuò)充和模型的優(yōu)化,可進(jìn)一步提高準(zhǔn)確率。
圖5 混淆矩陣
通過這個(gè)模塊的后處理,可以利用現(xiàn)場(chǎng)采集到的大量氣壓變化數(shù)據(jù),智能化判斷減速器是否正常。如果不正常,系統(tǒng)將給出故障類型、故障定位以及相關(guān)的維修處理建議。
該系統(tǒng)在試驗(yàn)室測(cè)試完成后,2020年11月在沈陽鐵路局沈陽電務(wù)段蘇家屯上行駝峰進(jìn)行了現(xiàn)場(chǎng)安裝和試用,各項(xiàng)功能得到驗(yàn)證,受到維修人員的歡迎。
1)在線監(jiān)測(cè)。系統(tǒng)能夠在線監(jiān)測(cè)控制閥各接口的氣壓數(shù)據(jù)、減速器動(dòng)作時(shí)間、動(dòng)作頻次、閥箱內(nèi)溫濕度等參數(shù)。
2)健康狀態(tài)預(yù)警。設(shè)備健康狀態(tài)數(shù)據(jù)變化緩慢,但是可以借助統(tǒng)計(jì)分析發(fā)現(xiàn)狀態(tài)劣化的蛛絲馬跡,及時(shí)給出預(yù)警信息,提前消除安全隱患。
3)報(bào)警和輔助維修。設(shè)備出現(xiàn)異常情況時(shí),根據(jù)閾值判斷或AI模塊判斷,可以給出報(bào)警信息,便于維修人員及時(shí)處理;在報(bào)警的同時(shí),可以給出初步判斷和維修建議。
4)輔助故障分析和設(shè)備改進(jìn)。當(dāng)設(shè)備發(fā)生故障時(shí),監(jiān)測(cè)系統(tǒng)記錄的數(shù)據(jù)可為故障分析提供詳實(shí)的證據(jù),方便查找和確定故障原因,也為日后優(yōu)化設(shè)備提供第一手的資料。
5)擴(kuò)展應(yīng)用??梢詳U(kuò)展其他維修工作的信息化需要,應(yīng)用前景廣闊。
1)駝峰車輛減速器健康狀態(tài)智能監(jiān)測(cè)系統(tǒng)的研發(fā)和試驗(yàn)測(cè)試結(jié)果表明,該系統(tǒng)的技術(shù)方案可行,可以采集控制閥各接口的氣壓數(shù)據(jù),采樣頻率高,達(dá)到了后續(xù)處理的信息密度要求。
2)監(jiān)測(cè)系統(tǒng)樣機(jī)在試驗(yàn)中采集的數(shù)據(jù)表明,控制閥壓力數(shù)據(jù)的重復(fù)性、一致性和可辨識(shí)性非常好。
3)AI故障識(shí)別軟件的模擬故障數(shù)據(jù)識(shí)別準(zhǔn)確率達(dá)到95%以上,隨著經(jīng)驗(yàn)數(shù)據(jù)的不斷積累,準(zhǔn)確率還能持續(xù)提升。
4)監(jiān)測(cè)系統(tǒng)平臺(tái)擴(kuò)展性好,可助力減速器設(shè)備更多的信息化工作和輔助維修手段的實(shí)現(xiàn)。