駝峰車輛減速器健康狀態(tài)智能監(jiān)測系統(tǒng)研究

高立中，甄宇陽，李秀杰，徐登科

1 研發(fā)背景

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化控制系統(tǒng)中,實(shí)施對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,維修時間反而更少。目前大能力駝峰如新豐鎮(zhèn)、豐臺西和武漢北等,設(shè)備維修的時間每天只有40 min。當(dāng)發(fā)生故障時,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)維修的工作量也會大幅增加［2］。

而現(xiàn)有的監(jiān)測設(shè)備,僅限于監(jiān)測機(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)測現(xiàn)場設(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,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,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)時間緊張,信息化手段欠缺已成為一個突出問題,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)場設(shè)備端的減速器健康狀態(tài)監(jiān)測系統(tǒng)。

2 系統(tǒng)架構(gòu)

減速器健康狀態(tài)監(jiān)測系統(tǒng)總體分為三大部分,見圖1。

圖1 監(jiān)測系統(tǒng)總體架構(gòu)

1）室內(nèi)操作終端:存儲和分析現(xiàn)場采集的實(shí)時數(shù)據(jù)；用戶查詢操作；故障報警和發(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、臨時存儲和數(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/緩解電磁閥電壓電流傳感器、制動/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、臨時存儲、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)在時間上的同步性,使得數(shù)據(jù)中所包含的時間信息也可用于后續(xù)分析中,比如動作時間計算等。

圖3 采集器結(jié)構(gòu)示意圖

3 核心技術(shù)

3.1 控制閥氣壓監(jiān)測

采集器的輸入包括制動/緩解表示接點(diǎn)、5個氣壓傳感器、制動/緩解電磁閥電流傳感器（指令電流主要作為計時觸發(fā)和終止信號）等,實(shí)現(xiàn)的功能是采集控制閥5個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)。這是一個重要的創(chuàng)新點(diǎn),經(jīng)多次驗(yàn)證,測試數(shù)據(jù)理想,經(jīng)現(xiàn)場實(shí)測,該功能已經(jīng)可靠實(shí)現(xiàn)。

該模塊可以實(shí)時采集控制閥的氣壓變化曲線和動作時間等關(guān)鍵數(shù)據(jù),既為后期人工智能AI診斷提供大量實(shí)時動態(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)。

3.2 AI故障診斷

采集到的氣壓數(shù)據(jù),以及動作時間數(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)識別［5］［6］。該處理過程主要有以下4個步驟。

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)特征之間距離的計算和相似度的計算是非常重要的。而常用的距離或相似度的計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。以固定時刻為依據(jù)截取每個樣本中1×1 024大小的有效氣壓數(shù)據(jù),使得各個數(shù)據(jù)樣本具有相同的對應(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,同時加快模型的收斂速度,需對樣本數(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個卷積層和2個池化層將輸入數(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)故障識別。

圖4 CNN模型結(jié)構(gòu)

4）模型訓(xùn)練和測試。在python環(huán)境的TensorFlow框架下對該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)證集和測試集,經(jīng)過訓(xùn)練和測試,生成混淆矩陣,見圖5。由圖5可見該CNN模型對狀態(tài)識別的準(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

通過這個模塊的后處理,可以利用現(xiàn)場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。

4 試驗(yàn)效果

該系統(tǒng)在試驗(yàn)室測試完成后,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。系統(tǒng)能夠在線監(jiān)測控制閥各接口的氣壓數(shù)據(jù)、減速器動作時間、動作頻次、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)計分析發(fā)現(xiàn)狀態(tài)劣化的蛛絲馬跡,及時給出預(yù)警信息,提前消除安全隱患。

3）報警和輔助維修。設(shè)備出現(xiàn)異常情況時,根據(jù)閾值判斷或AI模塊判斷,可以給出報警信息,便于維修人員及時處理；在報警的同時,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,監(jiān)測系統(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。可以擴(kuò)展其他維修工作的信息化需要,應(yīng)用前景廣闊。

5 結(jié)論

1）駝峰車輛減速器健康狀態(tài)智能監(jiān)測系統(tǒng)的研發(fā)和試驗(yàn)測試結(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、一致性和可辨識性非常好。

3）AI故障識別軟件的模擬故障數(shù)據(jù)識別準(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)測系統(tǒng)平臺擴(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)。