許曦 堯輝明

摘要：針對軌道車輛懸掛系統(tǒng)的特點，將BP神經網絡的故障診斷技術應用于軌道車輛懸掛系統(tǒng)的故障診斷，提出了一種適用于軌道車輛彈簧和阻尼故障診斷的BP神經網絡模型，建立了車輛懸掛系統(tǒng)的BP神經網絡故障診斷模型。在此基礎上，應用遺傳算法優(yōu)化了BP神經網絡診斷模型。為避免軌道不平順對故障狀態(tài)的影響，選取自對比特征量指標和相對特征量指標作為神經網絡的輸入數據，用優(yōu)化后BP神經網絡模型進行了仿真測試。結果表明，經優(yōu)化的BP神經網絡診斷算法具有較好的穩(wěn)定性和較高的精度，達到了預期的診斷結果。

關鍵詞：道車輛;彈簧故障;故障特征;BP神經網絡;故障診斷

0引言

隨著鐵路運輸的不斷發(fā)展。軌道交通在公共交通系統(tǒng)中占據了非常重要的地位。而軌道交通車輛的安全性和舒適性是影響其發(fā)展的重要因素。懸掛系統(tǒng)是車輛走行部的關鍵部件，懸掛系統(tǒng)的性能直接影響著車輛的安全性和舒適性。因而，尋求實時可靠的懸掛系統(tǒng)故障診斷方法成為國內外學者研究的熱點。

目前，國內外對軌道車輛懸掛系統(tǒng)的故障診斷方法很多，有基于IMM算法的車輛懸掛系統(tǒng)故障診斷，基于觀察法的車輛懸掛系統(tǒng)故障診斷等。然而這些方法只能對故障進行預警，而不能對故障進行進一步確定。人工神經網絡算法是以現代神經學為基礎而逐漸發(fā)展起來的一門學科，其中BP神經網絡應用最為廣泛，它采用并行分布式處理、具有學習記憶功能和非線性映射能力，可進行多故障識別、復雜模式識別等，在故障診斷系統(tǒng)中取得了較好的效果。將遺傳算法與BP神經網絡算法相結合實現了從非線性，非穩(wěn)態(tài)信號中識別出對應的故障。走行部是軌道車輛的重要組成部分，起著承載、牽引、走行和制動的作用，是決定列車安全性和動力學性能的關鍵一環(huán)。本文建立了軌道動力學仿真模型，并進行數據采集處理。利用遺傳算法優(yōu)化BP神經網絡算法進行車輛關鍵部件的故障診斷。

1 BP神經網絡模型的建立

BP神經網絡是一種多層前饋神經網絡。因可貯存大量經過修正后的映射關系，從而可以輕松地實現故障判斷和模式分類。權值和閾值的調整使BP神經網絡獲得誤差較小的網絡，提高了網絡的實用性。對于解決一般故障診斷問題，通常采用單隱層的BP網絡模型，其拓撲結構如圖1所示。

1.1 特征向量的選取

為了實現對車輛部件的實時監(jiān)測，考慮到使用較多傳感器及復雜結構系統(tǒng)，不僅造價高昂，且監(jiān)測維護困難。所以只在轉向架與車體上安裝加速度傳感器進行加速度的信號采集，且利用這些信號對車輛彈簧和阻尼裝置進行故障診斷。

在選擇特征量方面，為了更好的區(qū)分車輛故障前后的狀態(tài)本文選取了8個特征量。特征量的選擇要求：

（1）體現故障前后車輛垂向振動加速度的變化狀態(tài)。

（2）體現故障前后車輛相對位置的振動狀態(tài)，可以避免因為軌道不平順對二系彈簧故障狀態(tài)的影響。

（3）體現車輛所在的位置或者線路與故障狀態(tài)的結合點。

為達到第一個選擇參數的標準選取了三個特征量V1、V2、V5.V1為車輛正常狀態(tài)與故障狀態(tài)車身垂向加速度絕對值的均值差值與正常狀態(tài)的比值，V2為車輛正常狀態(tài)與故障狀態(tài)車身垂向加速度絕對值方差的差值與正常狀態(tài)的比值，V5為故障前車輛垂向加速度在頻率為0-23hz內的平均幅值與故障后的平均幅值的比值。為達到第二標準，選擇了V3、V4特征量。V3為車身垂向加速度絕對值均方根值與車輛前構架絕對值均方根值的比值，V4為車身垂加速度絕對值的均方根值與后構架的加速度絕對值的均方根值的比值。為達到第三個標準選擇了V6特征量。V6為車輛所在位置/車輛行駛距離/車輛行駛時間。這樣就完成了對車輛安全的自對比、相對比、線路條件對比的三個要求。

1.2BP神經網絡算法的優(yōu)化

BP神經網絡存在的不足，如收斂速度慢、不能保證全局最小、結構不確定等。對于神經網絡算法初始權閾值隨機的情況，可采用遺傳算法進行優(yōu)化，提高診斷精度。實現過程如下：

（1）設種群規(guī)模為P，隨機生成一個初始種群W=（W₁，W₂，…，W_p）^T，生成個體W_i的一個實數向量ω₁，ω₂，…，ω_s作為一個染色體。

（2）選定個體評價函數，確定進化參數，對權閾值賦值，輸入訓練樣本進行訓練，得到輸出，將訓練誤差平方和作為個體W_i的適應度。

（3）算子采用輪盤賭法，選擇每一代染色體。選擇概率為：

其中：fi為適應度值倒數，P為種群規(guī)模。

（4）交叉操作采用實數交叉法。第k個基因ω和第l個基因ω_l在j位的交叉操作分別為：

（5）變異操作：選取第i個體的第j個基因進行變異操作。即

其中：r₂為一個隨機數;g為迭代次數;G_max為最大進化代數。

（6）得到的最優(yōu)解將其作為神經網絡的初始權閾值。利用該算法的故障診斷流程如圖2所示。

1.3 網絡結構及故障模式的確定

研究決定，選取軌道車輛轉向架一系彈簧的6個故障特征作為輸入層的參數，所以輸入層的節(jié)點有8個，同時選取輸出層節(jié)點為5個。輸出形式表示如下：正常（10000）、彈簧斷裂故障（01000）、彈簧輕微故障（00100）、彈簧中等故障（00010）、彈簧斷裂故障（00001）。因采用三層網絡結構，所以對于隱含層節(jié)點數n₂和輸入層節(jié)點數n₁有一近似關系，即n₂=2* n₁+1.故輸入層神經元6個，隱含層神經元13個，神經網絡模型結構是（8，13，5）。

2 動力學模型的建立

建立車輛模型的根本目的是為所研究的課題提供理論和數據上的幫助。模型產生的數據可以分析系統(tǒng)的狀態(tài)，提取系統(tǒng)故障的特征。同時也可以適當簡化模型，突出故障特征。文獻[9]對軌道車輛懸掛系統(tǒng)的建模給出了詳細闡述。經過對問題詳細分析，把問題具體到軌道車輛懸掛系統(tǒng)彈簧和阻尼的安全預警上，從而建立軌道車輛垂向懸掛系統(tǒng)安全預警模型?；贛atlab-Simulink軟件，搭建了軌道車輛懸掛系統(tǒng)故障仿真實驗平臺，并利用該平臺產生相關的數據進行研究。

2.1 車輛動力學模型的建立

軌道車輛垂向六自由度模型由車體、構架、以及一系懸掛和二系懸掛等組成。該模型是模擬車輛以速度v在鋼軌上前行的剛體系統(tǒng)。在模型中，考慮車體的沉浮和點頭運動、前后構架的沉浮和點頭運動，共六個自由度。轉向架軸距為2La，前后轉向架中心距為2Ls。為了便于區(qū)分一系懸掛和二系懸掛的彈簧和阻尼，把彈簧和阻尼分別命名為K₁-K₆，C₁-C₆（具體分布見圖3）。運用剛度關聯矩陣法獲得系統(tǒng)的剛度矩陣、阻尼矩陣、質量矩陣。建立剛度矩陣時，取彈簧受壓為正，受拉為負。圖3為軌道車輛垂向動力學模型的示意圖。

該車輛系統(tǒng)的運動方程形式如下：

[M]{Z}+[C]{Z}+[K]{Z}={Q}。（5）

其中，[M]表示質量矩陣;[C]表示阻尼矩陣;[K]表示剛度矩陣;{Z}表示系統(tǒng)的位移矢量;{Q}表示外部激勵矩陣。由于只考慮車輛系統(tǒng)部件的垂向運動，因此對仿真條件做了一定的假設，假設線路鋼軌是沒有彈性的，且輪軌之間一直保持接觸狀態(tài)運行。模型分析只考慮各部件剛體的浮沉振動自由度和點頭振動自由度。選取某型軌道車輛參數作為建立軌道車輛垂向懸掛系統(tǒng)動力學模型的依據。詳盡數據見表1.

基于Matlab的simulink建立軌道車輛轉向架六自由度模型。模型示意如圖4所示。

系統(tǒng)模塊說明：

（1）四個顯示模塊分別顯示軌道譜、車輛振動的加速度、車輛振動的速度及車輛振動的位移。

（2）增益模塊分別對應對軌道譜位移距離的單位轉換，以及各個部位的質量轉換。

（3）三個延遲模塊是為了給輸入的位置譜進行延遲，達到車輛輪對間的距離要求。

（4）積分模塊和微分模塊處理函數間的積分和微分的計算，從而獲取最終的數據和圖像。

（5）From Workspace模塊的作用是導人不平順激勵。

2.2 軌道不平順信號獲取

軌道不平順是車輛振動的根本原因，結合當前軌道交通的鋼軌實際情況，選取美國6級軌道譜反演的位移譜作為激勵信號。美國相關部門對該國的鐵路進行測量，建立了一套軌道不平順的計算參數。軌道各個方向上的不平順都可由公式計算得出，因只研究垂向振動，所以采用垂向不平順公式計算得出相應的位移譜作為激勵，如式（6）所示。

通過Matlab將美國六級軌道譜、功率譜反演至空間域信號如圖5所示，以此數據作為動力學模型的軌道不平順外部激勵源。

2.3 軌道車輛走行部的故障設置

軌道車輛轉向架懸掛系統(tǒng)故障主要包括彈簧故障、阻尼故障。彈簧故障可由其剛度系數的變化來表明，可分為性能衰退故障和彈簧斷裂故障。因此，可以根據不同的故障程度，采用不同剛度系數進行仿真。并對故障所表現出來的特征予以提取，得到適合作為彈簧安全預警和故障診斷算法的參數輸入，從而提高安全預警模型的穩(wěn)定性和可靠性。

其中性能衰退故障可以分為輕微故障、中等故障、嚴重故障。輕微故障表示剛度系數衰減的范圍在0%-25%，中等故障剛度系數衰減范圍是26%-60%，嚴重故障表示剛度系數衰減范圍大于60%。彈簧斷裂故障發(fā)生時會使車體的振動加速度加大，造成舒適度指標下降，通過緩和曲線時還會使輪重減載率增大，仿真時取彈簧剛度變?yōu)樵瓉淼?0倍進行?？紤]彈簧系數的范圍，當輕微故障，取彈簧剛度系數變?yōu)樵瓉淼?0%，中等故障時取彈簧剛度系數變?yōu)樵瓉淼?0%，嚴重故障時取彈簧剛度系數變?yōu)樵瓉淼?5%。當發(fā)生斷裂或失效故障時，可取相應的彈簧剛度系數變?yōu)樵瓉淼?0倍。利用matlab建立相應的模型進行仿真實驗，并產生相應的數據。具體彈簧故障的狀態(tài)設置見表2.警的模型，選取美國六級軌道譜作為激勵，分別對車輛的五種狀態(tài)進行建模和仿真。結合城市軌道交通實際狀況，選取車輛速度50km/h模擬。軟件采樣頻率為1000H。，分別獲取軌道車輛一系彈簧在不同狀態(tài)下。車身和前后轉向架的垂向加速度變化狀況，共模擬100s的行駛時間。訓練數據的選取是每間隔1000個數據選取一個點作為訓練數據，去除開頭和結尾的不良數據共選取了89個數據作為訓練數據。隨機從100000個數據中隨機選取200個數據進行檢驗。部分內容舉例見表3.

利用遺傳算法對BP神經網絡權值閾值進行迭代優(yōu)化，迭代優(yōu)化過程如圖6所示。了基礎，確保了對軌道車輛嚴重故障的準確監(jiān)測，保障了行車的安全性。

神經網絡經過訓練后，誤差達到了較小的程度，訓練結果如圖7所示。

優(yōu)化后的BP神經網絡在準確率上高于傳統(tǒng)的BP神經網絡。同時在確定權值和閾值后，其準確率保持不變，提高了算法的穩(wěn)定性。傳統(tǒng)的BP神經網絡雖然可以達到故障診斷的效果，但因其權值和閾值的隨機性導致其精確性和穩(wěn)定性比優(yōu)化后的神經網絡算法相差很多。對比結果見表4.通過觀察表4可知，對于彈簧斷裂故障和彈簧嚴重故障兩種算法都有較好的監(jiān)測準確率。隨著故障程度的加深，算法準確率不斷上升。這為故障安全預警提供

4 結束語

根據人工神經網絡的基本概念和BP神經網絡的基本理論，將BP神經網絡的故障診斷方法應用于軌道車輛懸掛系統(tǒng)的故障診斷。采用模擬數據作為測試數據，對BP神經網絡算法進行驗證，同時運用遺傳算法對BP神經網絡算法進行改進。實驗結果表明，采用同樣的網絡訓練樣本，基于遺傳算法改進的BP神經網絡算法明顯優(yōu)于改進前?；谶z傳算法改進的BP神經網絡算法的網絡誤差精確度更高且更加的穩(wěn)定。減少了學習過程中的震蕩現象，具有良好的診斷效率和精度，在實用中可以滿足對軌道車輛懸掛系統(tǒng)的故障診斷。