黎巧能，徐 勇，劉鳳偉，姜瑞金，涂智文

(中車長江運輸設(shè)備集團有限公司 科技開發(fā)分公司，湖北 武漢 430212)

鐵路貨運是影響國民經(jīng)濟命脈最重要的因素之一，十三五期間，“重載”“快捷”技術(shù)得到了空前的發(fā)展。近年來，鐵路貨運行業(yè)的相關(guān)企業(yè)在車輛監(jiān)測、故障預(yù)測與健康管理(PHM)、狀態(tài)修及智能運維等技術(shù)領(lǐng)域開展研究，旨在提高車輛的運行安全性和可靠性，提高車輛的檢修效率，降低檢修維護成本[1-5]。PHM技術(shù)是實現(xiàn)鐵路貨車狀態(tài)修、智能運維的關(guān)鍵技術(shù)之一，是促進鐵路貨車智能化發(fā)展的重要手段。PHM技術(shù)的核心在于車輛關(guān)鍵系統(tǒng)或零部件的故障診斷及預(yù)測算法研究，建立準確的故障預(yù)測模型，提前預(yù)知車輛即將發(fā)生的故障并進行預(yù)測性維護。文章以鐵路貨車軸承和制動系統(tǒng)為研究對象，提出了針對鐵路貨車關(guān)鍵系統(tǒng)及零部件的故障診斷及預(yù)測(PHM)方法。

1 故障統(tǒng)計及典型故障監(jiān)測項點

1.1 制動系統(tǒng)

目前，鐵路貨車制動系統(tǒng)均采用純空氣制動，主要包括制動閥、制動缸、閘調(diào)器、副風缸、制動管系、空重車調(diào)整閥及拉桿等，系統(tǒng)組成的零部件多，引起制動系統(tǒng)故障的原因也很多。例如，車輛制動系統(tǒng)管系泄漏或制動力不足，會因截斷塞門關(guān)閉而成為關(guān)門車，關(guān)門車超過一定數(shù)量將影響列車制動，產(chǎn)生安全隱患；制動抱閘會導(dǎo)致車輪溫度迅速上升，這將加速閘瓦、車輪和鋼軌的磨耗，減少其使用壽命，增加維修成本，嚴重時會造成車輛脫線等安全事故。圖1為通用貨車空氣制動系統(tǒng)典型故障統(tǒng)計結(jié)果，從圖1可以看出，制動系統(tǒng)的故障類型多樣，其中典型故障中的制動閥作用不良、制動閥泄漏和制動管系泄漏及裂折丟失等占了總故障數(shù)量的95%。

圖1 制動系統(tǒng)典型故障統(tǒng)計圖

制動閥內(nèi)部結(jié)構(gòu)復(fù)雜，對于引起制動閥作用不良的原因，可通過綜合分析主管壓力、副風缸壓力和制動缸壓力的變化判斷；制動缸、副風缸泄漏故障可分別通過監(jiān)測制動缸、副風缸的壓力變化來判斷；對于制動管系泄漏故障，可在相應(yīng)管系接頭處加裝壓力傳感器，根據(jù)監(jiān)測情況來判斷。表1為制動系統(tǒng)典型故障與其對應(yīng)的監(jiān)測項點。

表1 制動系統(tǒng)典型故障與其對應(yīng)的監(jiān)測項點

1.2 軸承

鐵路貨車軸承由內(nèi)圈、外圈、滾子和保持架組成。軸承承受車輛、鋼軌對車輪的橫向和縱向沖擊，還有牽引力和因之產(chǎn)生的附加載荷，受力復(fù)雜。作為轉(zhuǎn)向架關(guān)鍵零部件，軸承發(fā)生故障時溫度會逐漸上升，嚴重時發(fā)生熱軸事故。圖2為30 722套廠修時報廢軸承報廢原因的調(diào)研統(tǒng)計結(jié)果。從圖2可以看出，軸承故障主要有外圈剝離、滾子環(huán)條、外圈環(huán)條、外圈裂紋、滾子剝離、滾子銹蝕及超過年限等，占故障總數(shù)的95%，而軸承的內(nèi)圈和保持架發(fā)生的故障率低，因此可重點關(guān)注軸承外圈及滾子的故障。

圖2 廠修報廢軸承報廢原因統(tǒng)計圖

2 故障模擬試驗

對于鐵路貨車制動系統(tǒng)和軸承而言，目前沒有相關(guān)的運用數(shù)據(jù)，可通過故障模擬試驗采集典型故障的相關(guān)特征數(shù)據(jù)，為后續(xù)PHM算法建模提供支撐。對于試驗樣本，由于故障類型多樣，可搜集到真實的故障樣本有限，大多通過預(yù)制故障零部件方式滿足需求。

2.1 制動系統(tǒng)

制動系統(tǒng)的故障模擬試驗在鐵路貨車整車制動系統(tǒng)性能試驗臺進行，制動系統(tǒng)典型故障的故障模擬試驗的試驗工況、故障樣本和故障狀態(tài)見表2。在整車制動系統(tǒng)性能試驗臺上模擬車輛正常運行、制動和緩解過程，采集各試驗工況下各監(jiān)測點的空氣壓力變化，主要有主管壓力、副風缸壓力、制動缸壓力、120閥進出氣口壓力等。

表2 故障模擬試驗的試驗工況、故障樣本和故障狀態(tài)

圖3為制動系統(tǒng)故障模擬試驗方案。圖3中，故障模擬試驗采取3輛車連掛方式，將中間車設(shè)置為故障車，前后兩車為對照車，每車各有5個監(jiān)測點，共計15個監(jiān)測點，以故障車的5個監(jiān)測點數(shù)據(jù)為主進行PHM算法研究。

圖3 制動系統(tǒng)故障模擬試驗方案

2.2 軸承

軸承早期故障的特征信號即軸承振動信號，軸承內(nèi)不同零部件發(fā)生故障時表現(xiàn)出來的振動信號故障特征也不同，因此可通過采集軸承振動信號再輔以對軸承溫度的監(jiān)測實現(xiàn)對貨車滾動軸承的監(jiān)測。軸承外圈和滾子的典型故障類型均有剝離、環(huán)條和擦傷，軸承內(nèi)圈的故障類型有剝離和環(huán)條，3個部位所有故障類型的檢測項點均為軸承振動和溫度。

利用故障軸承在輪對磨合機上實施軸承的故障模擬試驗，模擬鐵路貨車軸承的典型故障模式，并采集軸承在跑合過程中的振動和軸溫數(shù)據(jù)。分析軸承故障統(tǒng)計結(jié)果，在軸承外圈、滾子和內(nèi)圈3個部位，根據(jù)典型故障類型各選取8個樣本，利用軸承振動和軸溫無線復(fù)合傳感器采集軸承樣本數(shù)據(jù)。試驗時，承載鞍與軸承相對固定，無線復(fù)合傳感器通過螺紋連接緊固在承載鞍上，軸承的振動信號傳遞到承載鞍上后，無線復(fù)合傳感器通過無線傳輸將采集到的數(shù)據(jù)傳輸?shù)浇嚯x無線通信單元，然后通過有線傳輸將數(shù)據(jù)傳輸?shù)诫娔X終端。圖4為無線復(fù)合傳感器安裝示意圖及軸承故障模擬試驗。

圖4 無線復(fù)合傳感器安裝示意圖及軸承故障模擬試驗

3 PHM算法

鐵路貨車涉及車種、車型多達上百種，故障類型多樣，采用故障機理模型研究難度大。人工智能學習算法具有可移植性強、可拓展性強、誤判率低等優(yōu)點，將其用于搭建制動系統(tǒng)和軸承的PHM算法模型能夠減少大量的人工故障機理的研究工作。將故障模擬試驗中采集的大量正常軸承的數(shù)據(jù)作為軸承故障識別的基準，設(shè)置涵蓋不同故障類型的損傷程度(輕度、中度、重度)的范圍，為軸承PHM算法提供全面的樣本數(shù)據(jù)，主要包括軸承外圈、滾子、內(nèi)圈的剝離、擦傷、環(huán)條等的相關(guān)數(shù)據(jù)。將軸承故障模擬試驗中采集的振動、溫度數(shù)據(jù)，通過x/y/z三軸加速度及溫度構(gòu)成數(shù)據(jù)集，用以搭建故障診斷及預(yù)測算法整體框架，實現(xiàn)軸承的故障診斷與預(yù)測。

3.1 制動系統(tǒng)

3.1.1建模流程

制動系統(tǒng)PHM算法主要有離線數(shù)據(jù)與連續(xù)數(shù)據(jù)兩方面，離線數(shù)據(jù)用于建模與訓(xùn)練優(yōu)化，連續(xù)數(shù)據(jù)用于實現(xiàn)實時的故障診斷及預(yù)測，2條數(shù)據(jù)鏈的核心算法是一樣的，區(qū)別在于對模型輸入的處理方式不同。圖5為制動系統(tǒng)PHM算法建模流程。圖5中，將采集的數(shù)據(jù)導(dǎo)入數(shù)據(jù)中心，經(jīng)數(shù)據(jù)清洗、數(shù)據(jù)標簽處理后，代入制動PHM算法框架訓(xùn)練模型，經(jīng)迭代訓(xùn)練后輸出模型。制動系統(tǒng)PHM算法模型分3種：故障辨識模型、故障分類模型及故障預(yù)測模型，故障辨識模型用于區(qū)分正常工況與故障工況，故障分類模型用于確定故障類型，故障預(yù)測模型根據(jù)當前故障預(yù)測未來故障的發(fā)展趨勢。

圖5 制動系統(tǒng)PHM算法建模流程圖

3.1.2制動系統(tǒng)故障診斷算法流程

制動系統(tǒng)故障診斷算法采用CNN+遷移學習的方法，首先使用單車故障數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得單車故障類別的故障辨識模型。由于多車故障和未知故障均是在單車故障的特性上組合而成，因此利用遷移學習方法，將已訓(xùn)練好的單車故障辨識模型的參數(shù)遷移到多車故障和未知故障的故障辨識模型中，作為這兩類故障的初始參數(shù)再進行訓(xùn)練，這樣可使訓(xùn)練過程中得到模型的速度更快且收斂效果更好。

算法搭建分三步進行：第1步對離散數(shù)據(jù)進行數(shù)據(jù)清洗，根據(jù)數(shù)據(jù)的波峰情況區(qū)分制動與緩解階段；第2步是故障辨識，經(jīng)過數(shù)據(jù)的分解與重構(gòu)、多層特征的篩選，得到單車故障、多車故障和未知故障辨識；第3步則代入第2階段的卷積網(wǎng)絡(luò)中，進一步對單車故障和多車故障進行故障分類處理，實現(xiàn)故障診斷。同樣，連續(xù)數(shù)據(jù)用以實現(xiàn)實時在線診斷，如圖6所示。

圖6 制動系統(tǒng)故障診斷算法流程圖

卷積神經(jīng)網(wǎng)絡(luò)設(shè)置過濾器8個，卷積層12層，卷積核大小24，步長2，類別總數(shù)16，訓(xùn)練次數(shù)30，訓(xùn)練次數(shù)不宜過高，否則容易出現(xiàn)模型過擬合現(xiàn)象。將采集數(shù)據(jù)樣本按7∶3的比例分為訓(xùn)練集和測試集，利用訓(xùn)練集的數(shù)據(jù)搭建模型，通過測試集來測試模型的準確率。表3和表4分別為單車故障和多車故障診斷的結(jié)果。表3、表4中，準確率=識別正確數(shù)/識別總數(shù)，誤報率=誤報作此故障數(shù)/驗證總數(shù)，漏報率=未報出對應(yīng)故障數(shù)/實際故障總數(shù)，可以看出，該制動系統(tǒng)故障診斷算法的單車故障和多車故障診斷準確率均在90%以上。

表3 單車故障診斷的結(jié)果 %

表4 多車故障診斷的結(jié)果 %

3.1.3制動系統(tǒng)故障預(yù)測算法流程

構(gòu)建基于深度卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)(LSTM)相結(jié)合的算法框架。深度卷積神經(jīng)網(wǎng)絡(luò)模型采用梯度下降法中的最小化損失函數(shù)對其權(quán)重參數(shù)逐層進行反向調(diào)節(jié)，并通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度；在算法框架內(nèi)設(shè)計深度卷積神經(jīng)網(wǎng)絡(luò)隱含層的卷積層和池化采樣層，實現(xiàn)對制動系統(tǒng)故障特征的多層表示，并通過多層中的高層次特征來表示制動系統(tǒng)氣壓數(shù)據(jù)的抽象語義信息，使鐵路貨車制動系統(tǒng)故障診斷與預(yù)測模型獲得更好的特征魯棒性。長短期記憶網(wǎng)絡(luò)(LSTM)使用反向傳播時間訓(xùn)練并克服預(yù)測過程中的消失梯度問題，同時利用內(nèi)部的記憶來處理任意時序輸入的傳感器氣壓數(shù)據(jù)，處理單元之間既有內(nèi)部的反饋連接又有前饋連接，這使得鐵路貨車制動系統(tǒng)故障診斷與預(yù)測模型可以更加容易地進行故障的前期預(yù)測。

制動系統(tǒng)故障預(yù)測算法是根據(jù)故障樣本的不同損傷程度進行故障等級劃分的，參考國內(nèi)外關(guān)于制動故障的全生命周期劣化曲線[6-7]，利用LSTM與卷積網(wǎng)絡(luò)相結(jié)合的預(yù)測算法框架，聚類形成該類制動故障的劣化曲線，將故障樣本數(shù)據(jù)代入故障預(yù)測模型，該算法會在劣化曲線模型的基礎(chǔ)上自主生成相應(yīng)的坐標點，表示該數(shù)據(jù)當前處于整個生命周期的對應(yīng)階段，實現(xiàn)制動系統(tǒng)故障預(yù)測。圖7為制動系統(tǒng)故障預(yù)測算法流程圖。

圖7 制動系統(tǒng)故障預(yù)測算法流程圖

卷積神經(jīng)網(wǎng)絡(luò)設(shè)置過濾器2個，卷積層4層，卷積核大小64，步長4，類別總數(shù)2，訓(xùn)練次數(shù)15，訓(xùn)練次數(shù)不宜過高，否則容易出現(xiàn)模型過擬合現(xiàn)象。

3.2 軸承

3.2.1建模流程

軸承的PHM算法主要分為3步：數(shù)據(jù)預(yù)處理、故障辨識與分類、故障預(yù)測。圖8為軸承故障算法建模流程圖。

圖8 軸承故障算法建模流程圖

(1) 第1步：數(shù)據(jù)預(yù)處理。分為數(shù)據(jù)降噪和數(shù)據(jù)采樣。部分原始數(shù)據(jù)存在大量異常值，通過統(tǒng)計方法剔除這些噪聲數(shù)據(jù)，并利用三次樣條插值補齊缺失數(shù)據(jù)。采樣樣本長度為1 000個數(shù)據(jù)點，支持多通道輸入，通過添加數(shù)據(jù)信號通道標簽，如[0,1,2]代表三軸傳感器，均納入訓(xùn)練，采樣后的輸入數(shù)據(jù)形式為張量(樣本數(shù)、樣本長度、通道數(shù))，用于輸入模型訓(xùn)練。

(2) 第2步：故障辨識與分類。模型輸入為張量形式的故障樣本，采用卷積神經(jīng)網(wǎng)絡(luò)對軸承故障進行辨識與分類，輸出為各故障類型，通過采用多層分類器方法，依次區(qū)分故障和正常、故障類型、故障部位。

(3) 第3步：故障預(yù)測。通過故障程度和分類與軸承劣化曲線相匹配實現(xiàn)故障預(yù)測。

此外，模型還可以進行未知故障辨識，依次將故障樣本中某一故障類別的數(shù)據(jù)作為未知數(shù)據(jù)，在訓(xùn)練模型時跳過該類型數(shù)據(jù)不讀取，最終在測試模型時讀取所有類型的數(shù)據(jù)，以驗證模型對未知工況的辨識效果。

3.2.2軸承故障診斷算法流程

經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)學習方法是采用最陡下降算法進行學習，該算法的學習性能受卷積層和全連接層的初始權(quán)重設(shè)置的影響較大。而采用遺傳算法生成的多組初始權(quán)重，經(jīng)過選擇、交叉和變異操作可以得到最優(yōu)權(quán)重，將這些權(quán)重作為卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，其學習性能優(yōu)于最陡下降算法隨機選擇的初始權(quán)重。因此軸承故障診斷算法采用CNN+遺傳算法，用遺傳算法生成的多組權(quán)重訓(xùn)練多個卷積神經(jīng)網(wǎng)絡(luò)分類器，細化軸承各故障特征的學習粒度，由其構(gòu)建聯(lián)合分類器進行分類，這樣可進一步提高軸承故障診斷的正確率。

卷積神經(jīng)網(wǎng)絡(luò)對軸承故障識別采用多層二分類器的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分三步實現(xiàn)軸承的故障診斷，第1步區(qū)分正常和故障，第2步區(qū)分故障類別(剝離、環(huán)條、擦傷)，第3步區(qū)分故障位置(滾子、內(nèi)圈、外圈)。圖9 為軸承故障診斷算法流程圖。

圖9 軸承故障診斷算法流程圖

卷積神經(jīng)網(wǎng)絡(luò)設(shè)置過濾器8個，卷積層5層，卷積核大小128，步長16，類別總數(shù)16，訓(xùn)練次數(shù)50，訓(xùn)練次數(shù)不宜過高，否則容易出現(xiàn)模型過擬合現(xiàn)象。同樣將采集數(shù)據(jù)樣本按7∶3的比例分為訓(xùn)練集和測試集，利用訓(xùn)練集的數(shù)據(jù)進行模型搭建，通過測試集來測試模型的準確率等。表5為軸承故障診斷結(jié)果，可以看出，軸承故障診斷算法的準確率基本超過90%。

表5 軸承故障診斷結(jié)果 %

3.2.3軸承故障預(yù)測算法流程

除人為因素外，疲勞損壞是軸承常見的損壞方式，因此軸承故障狀態(tài)下的數(shù)據(jù)多具有時間相關(guān)性，LSTM是RNN的一個優(yōu)秀的變種模型，繼承了大部分RNN模型的特性，同時解決了梯度反傳過程由于逐步縮減而產(chǎn)生的梯度問題，非常適合用于處理與時間序列高度相關(guān)的場景。在進行軸承狀態(tài)預(yù)測時采用長短時記憶與卷積相結(jié)合的網(wǎng)絡(luò)進行數(shù)據(jù)建模，實現(xiàn)不同故障程度的分類，最后用基于聚類SSD網(wǎng)絡(luò)的故障劣化曲線實現(xiàn)故障程度預(yù)測分析[8-10]。

圖10為軸承故障預(yù)測算法流程圖。故障樣本數(shù)據(jù)經(jīng)數(shù)據(jù)清洗后，通過時域特征PCA降維篩選出方差貢獻率最高的主成分作為模型訓(xùn)練的參數(shù)，采用長短時記憶與卷積相結(jié)合的網(wǎng)絡(luò)進行數(shù)據(jù)建模，按照輕度、中度、重度等傷損程度進行故障程度的分類，參考國內(nèi)外軸承故障劣化曲線資料，利用基于用聚類SSD網(wǎng)絡(luò)得到故障劣化曲線，進一步將故障程度的分類結(jié)果與劣化曲線相匹配，實現(xiàn)故障程度預(yù)測。

圖10 軸承故障預(yù)測算法流程圖

卷積神經(jīng)網(wǎng)絡(luò)設(shè)置過濾器3個，卷積層5層，卷積核大小32，步長2，總類數(shù)3，訓(xùn)練次數(shù)25，訓(xùn)練次數(shù)不宜過高，否則容易出現(xiàn)模型過擬合現(xiàn)象。

4 結(jié)束語

本文以鐵路貨車制動系統(tǒng)和軸承為研究對象，提出了鐵路貨車關(guān)鍵零部件的故障診斷及預(yù)測研究方法，以關(guān)鍵零部件的典型故障統(tǒng)計及故障表征分析為依據(jù)，通過故障模擬試驗為算法搭建提供數(shù)據(jù)樣本，利用人工智能學習算法搭建了制動系統(tǒng)和軸承的故障診斷及預(yù)測模型，經(jīng)試驗驗證，該算法的準確性高。后期通過車輛運行數(shù)據(jù)的不斷訓(xùn)練優(yōu)化，該算法可識別未知的故障類型，且可適應(yīng)多種車型，解決鐵路貨車PHM技術(shù)應(yīng)用的核心問題。鐵路貨車PHM技術(shù)可提高車輛的運行安全性、可靠性、可用性和可維護性，

降低車輛運維成本，促進貨車維護體制改革，是實現(xiàn)鐵路貨車狀態(tài)修的關(guān)鍵技術(shù)之一，是未來鐵路貨車的重要發(fā)展方向之一。