基于優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的軌道車(chē)輛故障診斷

許曦 堯輝明

摘要：針對(duì)軌道車(chē)輛懸掛系統(tǒng)的特點(diǎn)，將BP神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)應(yīng)用于軌道車(chē)輛懸掛系統(tǒng)的故障診斷，提出了一種適用于軌道車(chē)輛彈簧和阻尼故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型，建立了車(chē)輛懸掛系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型。在此基礎(chǔ)上，應(yīng)用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)診斷模型。為避免軌道不平順對(duì)故障狀態(tài)的影響，選取自對(duì)比特征量指標(biāo)和相對(duì)特征量指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，用優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了仿真測(cè)試。結(jié)果表明，經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)診斷算法具有較好的穩(wěn)定性和較高的精度，達(dá)到了預(yù)期的診斷結(jié)果。

關(guān)鍵詞：道車(chē)輛;彈簧故障;故障特征;BP神經(jīng)網(wǎng)絡(luò);故障診斷

0引言

隨著鐵路運(yùn)輸?shù)牟粩喟l(fā)展。軌道交通在公共交通系統(tǒng)中占據(jù)了非常重要的地位。而軌道交通車(chē)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(chē)輛走行部的關(guān)鍵部件，懸掛系統(tǒng)的性能直接影響著車(chē)輛的安全性和舒適性。因而，尋求實(shí)時(shí)可靠的懸掛系統(tǒng)故障診斷方法成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。

目前，國(guó)內(nèi)外對(duì)軌道車(chē)輛懸掛系統(tǒng)的故障診斷方法很多，有基于IMM算法的車(chē)輛懸掛系統(tǒng)故障診斷，基于觀(guān)察法的車(chē)輛懸掛系統(tǒng)故障診斷等。然而這些方法只能對(duì)故障進(jìn)行預(yù)警，而不能對(duì)故障進(jìn)行進(jìn)一步確定。人工神經(jīng)網(wǎng)絡(luò)算法是以現(xiàn)代神經(jīng)學(xué)為基礎(chǔ)而逐漸發(fā)展起來(lái)的一門(mén)學(xué)科，其中BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，它采用并行分布式處理、具有學(xué)習(xí)記憶功能和非線(xiàn)性映射能力，可進(jìn)行多故障識(shí)別、復(fù)雜模式識(shí)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(jīng)網(wǎng)絡(luò)算法相結(jié)合實(shí)現(xiàn)了從非線(xiàn)性，非穩(wěn)態(tài)信號(hào)中識(shí)別出對(duì)應(yīng)的故障。走行部是軌道車(chē)輛的重要組成部分，起著承載、牽引、走行和制動(dòng)的作用，是決定列車(chē)安全性和動(dòng)力學(xué)性能的關(guān)鍵一環(huán)。本文建立了軌道動(dòng)力學(xué)仿真模型，并進(jìn)行數(shù)據(jù)采集處理。利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車(chē)輛關(guān)鍵部件的故障診斷。

1 BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。因可貯存大量經(jīng)過(guò)修正后的映射關(guān)系，從而可以輕松地實(shí)現(xiàn)故障判斷和模式分類(lèi)。權(quán)值和閾值的調(diào)整使BP神經(jīng)網(wǎng)絡(luò)獲得誤差較小的網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)的實(shí)用性。對(duì)于解決一般故障診斷問(wèn)題，通常采用單隱層的BP網(wǎng)絡(luò)模型，其拓?fù)浣Y(jié)構(gòu)如圖1所示。

1.1 特征向量的選取

為了實(shí)現(xiàn)對(duì)車(chē)輛部件的實(shí)時(shí)監(jiān)測(cè)，考慮到使用較多傳感器及復(fù)雜結(jié)構(gòu)系統(tǒng)，不僅造價(jià)高昂，且監(jiān)測(cè)維護(hù)困難。所以只在轉(zhuǎn)向架與車(chē)體上安裝加速度傳感器進(jìn)行加速度的信號(hào)采集，且利用這些信號(hào)對(duì)車(chē)輛彈簧和阻尼裝置進(jìn)行故障診斷。

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

（1）體現(xiàn)故障前后車(chē)輛垂向振動(dòng)加速度的變化狀態(tài)。

（2）體現(xiàn)故障前后車(chē)輛相對(duì)位置的振動(dòng)狀態(tài)，可以避免因?yàn)檐壍啦黄巾槍?duì)二系彈簧故障狀態(tài)的影響。

（3）體現(xiàn)車(chē)輛所在的位置或者線(xiàn)路與故障狀態(tài)的結(jié)合點(diǎn)。

為達(dá)到第一個(gè)選擇參數(shù)的標(biāo)準(zhǔn)選取了三個(gè)特征量V1、V2、V5.V1為車(chē)輛正常狀態(tài)與故障狀態(tài)車(chē)身垂向加速度絕對(duì)值的均值差值與正常狀態(tài)的比值，V2為車(chē)輛正常狀態(tài)與故障狀態(tài)車(chē)身垂向加速度絕對(duì)值方差的差值與正常狀態(tài)的比值，V5為故障前車(chē)輛垂向加速度在頻率為0-23hz內(nèi)的平均幅值與故障后的平均幅值的比值。為達(dá)到第二標(biāo)準(zhǔn)，選擇了V3、V4特征量。V3為車(chē)身垂向加速度絕對(duì)值均方根值與車(chē)輛前構(gòu)架絕對(duì)值均方根值的比值，V4為車(chē)身垂加速度絕對(duì)值的均方根值與后構(gòu)架的加速度絕對(duì)值的均方根值的比值。為達(dá)到第三個(gè)標(biāo)準(zhǔn)選擇了V6特征量。V6為車(chē)輛所在位置/車(chē)輛行駛距離/車(chē)輛行駛時(shí)間。這樣就完成了對(duì)車(chē)輛安全的自對(duì)比、相對(duì)比、線(xiàn)路條件對(duì)比的三個(gè)要求。

1.2BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)存在的不足，如收斂速度慢、不能保證全局最小、結(jié)構(gòu)不確定等。對(duì)于神經(jīng)網(wǎng)絡(luò)算法初始權(quán)閾值隨機(jī)的情況，可采用遺傳算法進(jìn)行優(yōu)化，提高診斷精度。實(shí)現(xiàn)過(guò)程如下：

（1）設(shè)種群規(guī)模為P，隨機(jī)生成一個(gè)初始種群W=（W₁，W₂，…，W_p）^T，生成個(gè)體W_i的一個(gè)實(shí)數(shù)向量ω₁，ω₂，…，ω_s作為一個(gè)染色體。

（2）選定個(gè)體評(píng)價(jià)函數(shù)，確定進(jìn)化參數(shù)，對(duì)權(quán)閾值賦值，輸入訓(xùn)練樣本進(jìn)行訓(xùn)練，得到輸出，將訓(xùn)練誤差平方和作為個(gè)體W_i的適應(yīng)度。

（3）算子采用輪盤(pán)賭法，選擇每一代染色體。選擇概率為：

其中：fi為適應(yīng)度值倒數(shù)，P為種群規(guī)模。

（4）交叉操作采用實(shí)數(shù)交叉法。第k個(gè)基因ω和第l個(gè)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(gè)體的第j個(gè)基因進(jìn)行變異操作。即

其中：r₂為一個(gè)隨機(jī)數(shù);g為迭代次數(shù);G_max為最大進(jìn)化代數(shù)。

（6）得到的最優(yōu)解將其作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值。利用該算法的故障診斷流程如圖2所示。

1.3 網(wǎng)絡(luò)結(jié)構(gòu)及故障模式的確定

研究決定，選取軌道車(chē)輛轉(zhuǎn)向架一系彈簧的6個(gè)故障特征作為輸入層的參數(shù)，所以輸入層的節(jié)點(diǎn)有8個(gè)，同時(shí)選取輸出層節(jié)點(diǎn)為5個(gè)。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(wǎng)絡(luò)結(jié)構(gòu)，所以對(duì)于隱含層節(jié)點(diǎn)數(shù)n₂和輸入層節(jié)點(diǎn)數(shù)n₁有一近似關(guān)系，即n₂=2* n₁+1.故輸入層神經(jīng)元6個(gè)，隱含層神經(jīng)元13個(gè)，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)是（8，13，5）。

2 動(dòng)力學(xué)模型的建立

建立車(chē)輛模型的根本目的是為所研究的課題提供理論和數(shù)據(jù)上的幫助。模型產(chǎn)生的數(shù)據(jù)可以分析系統(tǒng)的狀態(tài)，提取系統(tǒng)故障的特征。同時(shí)也可以適當(dāng)簡(jiǎn)化模型，突出故障特征。文獻(xiàn)[9]對(duì)軌道車(chē)輛懸掛系統(tǒng)的建模給出了詳細(xì)闡述。經(jīng)過(guò)對(duì)問(wèn)題詳細(xì)分析，把問(wèn)題具體到軌道車(chē)輛懸掛系統(tǒng)彈簧和阻尼的安全預(yù)警上，從而建立軌道車(chē)輛垂向懸掛系統(tǒng)安全預(yù)警模型。基于Matlab-Simulink軟件，搭建了軌道車(chē)輛懸掛系統(tǒng)故障仿真實(shí)驗(yàn)平臺(tái)，并利用該平臺(tái)產(chǎn)生相關(guān)的數(shù)據(jù)進(jìn)行研究。

2.1 車(chē)輛動(dòng)力學(xué)模型的建立

軌道車(chē)輛垂向六自由度模型由車(chē)體、構(gòu)架、以及一系懸掛和二系懸掛等組成。該模型是模擬車(chē)輛以速度v在鋼軌上前行的剛體系統(tǒng)。在模型中，考慮車(chē)體的沉浮和點(diǎn)頭運(yùn)動(dòng)、前后構(gòu)架的沉浮和點(diǎn)頭運(yùn)動(dòng)，共六個(gè)自由度。轉(zhuǎn)向架軸距為2La，前后轉(zhuǎn)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(jiàn)圖3）。運(yùn)用剛度關(guān)聯(lián)矩陣法獲得系統(tǒng)的剛度矩陣、阻尼矩陣、質(zhì)量矩陣。建立剛度矩陣時(shí)，取彈簧受壓為正，受拉為負(fù)。圖3為軌道車(chē)輛垂向動(dòng)力學(xué)模型的示意圖。

該車(chē)輛系統(tǒng)的運(yùn)動(dòng)方程形式如下：

[M]{Z}+[C]{Z}+[K]{Z}={Q}。（5）

其中，[M]表示質(zhì)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(lì)矩陣。由于只考慮車(chē)輛系統(tǒng)部件的垂向運(yùn)動(dòng)，因此對(duì)仿真條件做了一定的假設(shè)，假設(shè)線(xiàn)路鋼軌是沒(méi)有彈性的，且輪軌之間一直保持接觸狀態(tài)運(yùn)行。模型分析只考慮各部件剛體的浮沉振動(dòng)自由度和點(diǎn)頭振動(dòng)自由度。選取某型軌道車(chē)輛參數(shù)作為建立軌道車(chē)輛垂向懸掛系統(tǒng)動(dòng)力學(xué)模型的依據(jù)。詳盡數(shù)據(jù)見(jiàn)表1.

基于Matlab的simulink建立軌道車(chē)輛轉(zhuǎn)向架六自由度模型。模型示意如圖4所示。

系統(tǒng)模塊說(shuō)明：

（1）四個(gè)顯示模塊分別顯示軌道譜、車(chē)輛振動(dòng)的加速度、車(chē)輛振動(dòng)的速度及車(chē)輛振動(dòng)的位移。

（2）增益模塊分別對(duì)應(yīng)對(duì)軌道譜位移距離的單位轉(zhuǎn)換，以及各個(gè)部位的質(zhì)量轉(zhuǎn)換。

（3）三個(gè)延遲模塊是為了給輸入的位置譜進(jìn)行延遲，達(dá)到車(chē)輛輪對(duì)間的距離要求。

（4）積分模塊和微分模塊處理函數(shù)間的積分和微分的計(jì)算，從而獲取最終的數(shù)據(jù)和圖像。

（5）From Workspace模塊的作用是導(dǎo)人不平順激勵(lì)。

2.2 軌道不平順信號(hào)獲取

軌道不平順是車(chē)輛振動(dòng)的根本原因，結(jié)合當(dāng)前軌道交通的鋼軌實(shí)際情況，選取美國(guó)6級(jí)軌道譜反演的位移譜作為激勵(lì)信號(hào)。美國(guó)相關(guān)部門(mén)對(duì)該國(guó)的鐵路進(jìn)行測(cè)量，建立了一套軌道不平順的計(jì)算參數(shù)。軌道各個(gè)方向上的不平順都可由公式計(jì)算得出，因只研究垂向振動(dòng)，所以采用垂向不平順公式計(jì)算得出相應(yīng)的位移譜作為激勵(lì)，如式（6）所示。

通過(guò)Matlab將美國(guó)六級(jí)軌道譜、功率譜反演至空間域信號(hào)如圖5所示，以此數(shù)據(jù)作為動(dòng)力學(xué)模型的軌道不平順外部激勵(lì)源。

2.3 軌道車(chē)輛走行部的故障設(shè)置

軌道車(chē)輛轉(zhuǎn)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(shù)的變化來(lái)表明，可分為性能衰退故障和彈簧斷裂故障。因此，可以根據(jù)不同的故障程度，采用不同剛度系數(shù)進(jìn)行仿真。并對(duì)故障所表現(xiàn)出來(lái)的特征予以提取，得到適合作為彈簧安全預(yù)警和故障診斷算法的參數(shù)輸入，從而提高安全預(yù)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(yán)重故障。輕微故障表示剛度系數(shù)衰減的范圍在0%-25%，中等故障剛度系數(shù)衰減范圍是26%-60%，嚴(yán)重故障表示剛度系數(shù)衰減范圍大于60%。彈簧斷裂故障發(fā)生時(shí)會(huì)使車(chē)體的振動(dòng)加速度加大，造成舒適度指標(biāo)下降，通過(guò)緩和曲線(xiàn)時(shí)還會(huì)使輪重減載率增大，仿真時(shí)取彈簧剛度變?yōu)樵瓉?lái)的20倍進(jìn)行。考慮彈簧系數(shù)的范圍，當(dāng)輕微故障，取彈簧剛度系數(shù)變?yōu)樵瓉?lái)的80%，中等故障時(shí)取彈簧剛度系數(shù)變?yōu)樵瓉?lái)的50%，嚴(yán)重故障時(shí)取彈簧剛度系數(shù)變?yōu)樵瓉?lái)的25%。當(dāng)發(fā)生斷裂或失效故障時(shí)，可取相應(yīng)的彈簧剛度系數(shù)變?yōu)樵瓉?lái)的20倍。利用matlab建立相應(yīng)的模型進(jìn)行仿真實(shí)驗(yàn)，并產(chǎn)生相應(yīng)的數(shù)據(jù)。具體彈簧故障的狀態(tài)設(shè)置見(jiàn)表2.警的模型，選取美國(guó)六級(jí)軌道譜作為激勵(lì)，分別對(duì)車(chē)輛的五種狀態(tài)進(jìn)行建模和仿真。結(jié)合城市軌道交通實(shí)際狀況，選取車(chē)輛速度50km/h模擬。軟件采樣頻率為1000H。，分別獲取軌道車(chē)輛一系彈簧在不同狀態(tài)下。車(chē)身和前后轉(zhuǎn)向架的垂向加速度變化狀況，共模擬100s的行駛時(shí)間。訓(xùn)練數(shù)據(jù)的選取是每間隔1000個(gè)數(shù)據(jù)選取一個(gè)點(diǎn)作為訓(xùn)練數(shù)據(jù)，去除開(kāi)頭和結(jié)尾的不良數(shù)據(jù)共選取了89個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。隨機(jī)從100000個(gè)數(shù)據(jù)中隨機(jī)選取200個(gè)數(shù)據(jù)進(jìn)行檢驗(yàn)。部分內(nèi)容舉例見(jiàn)表3.

利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值進(jìn)行迭代優(yōu)化，迭代優(yōu)化過(guò)程如圖6所示。了基礎(chǔ)，確保了對(duì)軌道車(chē)輛嚴(yán)重故障的準(zhǔn)確監(jiān)測(cè)，保障了行車(chē)的安全性。

神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，誤差達(dá)到了較小的程度，訓(xùn)練結(jié)果如圖7所示。

優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率上高于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)。同時(shí)在確定權(quán)值和閾值后，其準(zhǔn)確率保持不變，提高了算法的穩(wěn)定性。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)雖然可以達(dá)到故障診斷的效果，但因其權(quán)值和閾值的隨機(jī)性導(dǎo)致其精確性和穩(wěn)定性比優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法相差很多。對(duì)比結(jié)果見(jiàn)表4.通過(guò)觀(guān)察表4可知，對(duì)于彈簧斷裂故障和彈簧嚴(yán)重故障兩種算法都有較好的監(jiān)測(cè)準(zhǔn)確率。隨著故障程度的加深，算法準(zhǔn)確率不斷上升。這為故障安全預(yù)警提供

4 結(jié)束語(yǔ)

根據(jù)人工神經(jīng)網(wǎng)絡(luò)的基本概念和BP神經(jīng)網(wǎng)絡(luò)的基本理論，將BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法應(yīng)用于軌道車(chē)輛懸掛系統(tǒng)的故障診斷。采用模擬數(shù)據(jù)作為測(cè)試數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行驗(yàn)證，同時(shí)運(yùn)用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，采用同樣的網(wǎng)絡(luò)訓(xùn)練樣本，基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法明顯優(yōu)于改進(jìn)前。基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)誤差精確度更高且更加的穩(wěn)定。減少了學(xué)習(xí)過(guò)程中的震蕩現(xiàn)象，具有良好的診斷效率和精度，在實(shí)用中可以滿(mǎn)足對(duì)軌道車(chē)輛懸掛系統(tǒng)的故障診斷。