基于BP神經網絡的車輛故障診斷

周飛翔 史彥洋 蔣熠陽 姚新科

摘要：根據鐵路車輛懸掛系統的特征，對鐵路車輛懸掛系統的故障診斷應用神經網絡故障診斷技術。提供了一種用于診斷鐵路車輛彈簧和故障緩沖的BP神經網絡模型，并建立了車輛懸掛系統。神經網絡故障診斷模型在此基礎上，遺傳算法被用于優化BP神經網絡診斷模型。為了避免軌道不規則對故障狀態的影響，選擇自對比特性指數和相對特性指數作為神經網絡的輸入數據，并使用優化的BP神經網絡模型進行模擬測試。結果顯示，優化的BP神經網絡診斷算法提高了穩定性和準確性，并實現了預期的診斷結果。

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

隨著鐵路運輸的發展，鐵路運輸在公共交通中占據了非常重要的位置。在軌車輛的安全和舒適是影響其發展的重要因素。其性能直接影響到車輛的安全性和舒適性，因此，對懸掛系統故障的可靠和實時診斷的研究已經成為國內外研究人員的一個熱點。

目前，全國內外有許多鐵路車輛懸掛系統的故障診斷方法，包括基于IMM算法的車輛懸掛系統故障診斷。然而，基于觀察的車輛懸掛系統的故障診斷等，人造神經網絡算法是在現代神經科學基礎上逐漸發展的學科。BP能夠從一個不穩定的非線性信號中識別相應的故障，人行道構成軌道車輛的重要部分，并起支持、牽引、移動和制動作用。該文件建立了軌道動態模擬模型和數據采集處理。通過使用基因算法優化的BP神經網絡算法，對車輛的關鍵部件進行故障診斷。

1 BP神經網絡模型的建立

該BP神經網絡是一個多層先進的神經網絡，可以存儲大量經修改的映射關系，從而容易地獲得故障診斷和模式分類。通過調整加權系數和閾值，可以獲得BP神經網絡。為了解決一般的故障診斷問題，通常使用單層BP網絡模型，圖1顯示了該網絡的拓撲情況。

1.1 特征向量的選取

為了確保對車輛零部件進行實時監視，更多地使用復雜的傳感器和結構系統不僅昂貴，而且難以進行監視。加速傳感器僅安裝在轉向架和車輛主體上，以獲得加速信號，并利用這些信號對車輛彈簧和阻尼裝置的故障進行診斷。

為了滿足第一個選擇參數的標準，選擇了三個特性：V1、V2、V5.V1，用于車輛正常狀態與故障時車身垂直加速度絕對值之比;V2，用于車輛正常狀態與絕對值之差。車身故障時的垂直加速，V5用于車輛故障前的垂直加速，在0-23Hz頻率下，內部平均值與故障后平均值之比。選擇V3和V4特性量以滿足第二標準。V3是車身垂直加速度絕對平方根值與車輛垂直加速度絕對根值的平均根值后車身加速絕對值的平均根值。選擇了V6特性量以滿足第三項標準。V6特性量是車輛的位置/行駛距離/行駛時間。滿足了車輛安全電路條件的自比較、對比和對比。

1.2BP神經網絡算法的優化

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化，提高診斷精度。

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，所以輸入層的節點有8個，同時選取輸出層節點為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，所以對于隱含層節點數n2和輸入層節點數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

車輛建模的基本目的是提供理論上的幫助和研究主題的數據。模型產生的數據可以分析系統狀況，并從系統故障中提取特征。文件詳細介紹了軌道車輛懸掛系統的建模。問題在于彈簧安全預警和軌道車輛懸掛系統的緩沖，由此可以在Matlab-Simulink軟件的基礎上為軌道車輛垂直懸掛系統建立一個安全預警模型。建立了軌道車輛懸掛系統的故障模擬，并用于產生相關的研究數據。

2.1 車輛動力學模型的建立

軌道車輛的六度垂直自由模型包括車身、底盤、懸掛件和二次懸掛件，該模型是一種剛性系統，模擬以V速度在軌道上移動一個反射V，同時考慮到六度的自由度。例如，車輛的倒塌和搖桿運動、前后框架的倒塌和搖桿運動。轉向車的軸為2LA，前后轉向車的中心距離為2LS。為了區分懸掛彈簧和緩沖彈簧，所述轉向車的中心距離為2LS。彈簧和阻尼分別稱為K1-K6和C1-C6。硬度矩陣、阻尼矩陣和系統質量矩陣是通過硬度相關矩陣獲得的。彈簧被正壓和負壓。

2.2 軌道不平順信號獲取

軌道不連續是車輛振動的根本原因根據目前的鐵路交通狀況，選擇了美國第6類軌道頻譜的反向位移頻譜作為激勵信號。軌道：軌道所有方向的異常可以用只研究垂直振動的公式來計算，從而可以使用垂直不對稱公式來計算相應的位移頻譜作為激勵。

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。

3 結束語

診斷BP神經網絡故障的方法應用于軌道車輛懸掛系統故障的診斷。根據人造神經網絡的基本概念和BP-L神經網絡的基本理論，使用模擬數據作為測試數據認證。雖然使用遺傳算法改進了BP神經網絡算法，但實驗結果表明，基于遺傳算法的改進的BP神經網絡算法明顯優于先前的網絡算法，而不是同一樣本的改進。網絡形成.基于改進的遺傳算法的BP神經網絡算法更加精確和穩定，本發明減少了學習期間的振蕩現象，提供了良好的診斷效率和準確性，并且在實踐中，滿足軌道車輛懸掛系統的故障診斷。