鐵路貨車制動系統和軸承的故障診斷及預測

黎巧能，徐 勇，劉鳳偉，姜瑞金，涂智文

(中車長江運輸設備集團有限公司 科技開發分公司，湖北 武漢 430212)

鐵路貨運是影響國民經濟命脈最重要的因素之一，十三五期間，“重載”“快捷”技術得到了空前的發展。近年來，鐵路貨運行業的相關企業在車輛監測、故障預測與健康管理(PHM)、狀態修及智能運維等技術領域開展研究，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技術是實現鐵路貨車狀態修、智能運維的關鍵技術之一，是促進鐵路貨車智能化發展的重要手段。PHM技術的核心在于車輛關鍵系統或零部件的故障診斷及預測算法研究，建立準確的故障預測模型，提前預知車輛即將發生的故障并進行預測性維護。文章以鐵路貨車軸承和制動系統為研究對象，提出了針對鐵路貨車關鍵系統及零部件的故障診斷及預測(PHM)方法。

1 故障統計及典型故障監測項點

1.1 制動系統

目前，鐵路貨車制動系統均采用純空氣制動，主要包括制動閥、制動缸、閘調器、副風缸、制動管系、空重車調整閥及拉桿等，系統組成的零部件多，引起制動系統故障的原因也很多。例如，車輛制動系統管系泄漏或制動力不足，會因截斷塞門關閉而成為關門車，關門車超過一定數量將影響列車制動，產生安全隱患；制動抱閘會導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典型故障統計結果，從圖1可以看出，制動系統的故障類型多樣，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量的95%。

圖1 制動系統典型故障統計圖

制動閥內部結構復雜，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，可在相應管系接頭處加裝壓力傳感器，根據監測情況來判斷。表1為制動系統典型故障與其對應的監測項點。

表1 制動系統典型故障與其對應的監測項點

1.2 軸承

鐵路貨車軸承由內圈、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生的附加載荷，受力復雜。作為轉向架關鍵零部件，軸承發生故障時溫度會逐漸上升，嚴重時發生熱軸事故。圖2為30 722套廠修時報廢軸承報廢原因的調研統計結果。從圖2可以看出，軸承故障主要有外圈剝離、滾子環條、外圈環條、外圈裂紋、滾子剝離、滾子銹蝕及超過年限等，占故障總數的95%，而軸承的內圈和保持架發生的故障率低，因此可重點關注軸承外圈及滾子的故障。

圖2 廠修報廢軸承報廢原因統計圖

2 故障模擬試驗

對于鐵路貨車制動系統和軸承而言，目前沒有相關的運用數據，可通過故障模擬試驗采集典型故障的相關特征數據，為后續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，大多通過預制故障零部件方式滿足需求。

2.1 制動系統

制動系統的故障模擬試驗在鐵路貨車整車制動系統性能試驗臺進行，制動系統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見表2。在整車制動系統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

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

圖3 制動系統故障模擬試驗方案

2.2 軸承

軸承早期故障的特征信號即軸承振動信號，軸承內不同零部件發生故障時表現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測實現對貨車滾動軸承的監測。軸承外圈和滾子的典型故障類型均有剝離、環條和擦傷，軸承內圈的故障類型有剝離和環條，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據。分析軸承故障統計結果，在軸承外圈、滾子和內圈3個部位，根據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合傳感器采集軸承樣本數據。試驗時，承載鞍與軸承相對固定，無線復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，無線復合傳感器通過無線傳輸將采集到的數據傳輸到近距離無線通信單元，然后通過有線傳輸將數據傳輸到電腦終端。圖4為無線復合傳感器安裝示意圖及軸承故障模擬試驗。

圖4 無線復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、誤判率低等優點，將其用于搭建制動系統和軸承的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據作為軸承故障識別的基準，設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據，主要包括軸承外圈、滾子、內圈的剝離、擦傷、環條等的相關數據。將軸承故障模擬試驗中采集的振動、溫度數據，通過x/y/z三軸加速度及溫度構成數據集，用以搭建故障診斷及預測算法整體框架，實現軸承的故障診斷與預測。

3.1 制動系統

3.1.1建模流程

制動系統PHM算法主要有離線數據與連續數據兩方面，離線數據用于建模與訓練優化，連續數據用于實現實時的故障診斷及預測，2條數據鏈的核心算法是一樣的，區別在于對模型輸入的處理方式不同。圖5為制動系統PHM算法建模流程。圖5中，將采集的數據導入數據中心，經數據清洗、數據標簽處理后，代入制動PHM算法框架訓練模型，經迭代訓練后輸出模型。制動系統PHM算法模型分3種：故障辨識模型、故障分類模型及故障預測模型，故障辨識模型用于區分正常工況與故障工況，故障分類模型用于確定故障類型，故障預測模型根據當前故障預測未來故障的發展趨勢。

圖5 制動系統PHM算法建模流程圖

3.1.2制動系統故障診斷算法流程

制動系統故障診斷算法采用CNN+遷移學習的方法，首先使用單車故障數據輸入卷積神經網絡進行訓練，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，將已訓練好的單車故障辨識模型的參數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再進行訓練，這樣可使訓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步對離散數據進行數據清洗，根據數據的波峰情況區分制動與緩解階段；第2步是故障辨識，經過數據的分解與重構、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階段的卷積網絡中，進一步對單車故障和多車故障進行故障分類處理，實現故障診斷。同樣，連續數據用以實現實時在線診斷，如圖6所示。

圖6 制動系統故障診斷算法流程圖

卷積神經網絡設置過濾器8個，卷積層12層，卷積核大小24，步長2，類別總數16，訓練次數30，訓練次數不宜過高，否則容易出現模型過擬合現象。將采集數據樣本按7∶3的比例分為訓練集和測試集，利用訓練集的數據搭建模型，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果。表3、表4中，準確率=識別正確數/識別總數，誤報率=誤報作此故障數/驗證總數，漏報率=未報出對應故障數/實際故障總數，可以看出，該制動系統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 單車故障診斷的結果 %

表4 多車故障診斷的結果 %

3.1.3制動系統故障預測算法流程

構建基于深度卷積神經網絡與長短期記憶網絡(LSTM)相結合的算法框架。深度卷積神經網絡模型采用梯度下降法中的最小化損失函數對其權重參數逐層進行反向調節，并通過頻繁的迭代訓練提高網絡的精度；在算法框架內設計深度卷積神經網絡隱含層的卷積層和池化采樣層，實現對制動系統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氣壓數據的抽象語義信息，使鐵路貨車制動系統故障診斷與預測模型獲得更好的特征魯棒性。長短期記憶網絡(LSTM)使用反向傳播時間訓練并克服預測過程中的消失梯度問題，同時利用內部的記憶來處理任意時序輸入的傳感器氣壓數據，處理單元之間既有內部的反饋連接又有前饋連接，這使得鐵路貨車制動系統故障診斷與預測模型可以更加容易地進行故障的前期預測。

制動系統故障預測算法是根據故障樣本的不同損傷程度進行故障等級劃分的，參考國內外關于制動故障的全生命周期劣化曲線[6-7]，利用LSTM與卷積網絡相結合的預測算法框架，聚類形成該類制動故障的劣化曲線，將故障樣本數據代入故障預測模型，該算法會在劣化曲線模型的基礎上自主生成相應的坐標點，表示該數據當前處于整個生命周期的對應階段，實現制動系統故障預測。圖7為制動系統故障預測算法流程圖。

圖7 制動系統故障預測算法流程圖

卷積神經網絡設置過濾器2個，卷積層4層，卷積核大小64，步長4，類別總數2，訓練次數15，訓練次數不宜過高，否則容易出現模型過擬合現象。

3.2 軸承

3.2.1建模流程

軸承的PHM算法主要分為3步：數據預處理、故障辨識與分類、故障預測。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：數據預處理。分為數據降噪和數據采樣。部分原始數據存在大量異常值，通過統計方法剔除這些噪聲數據，并利用三次樣條插值補齊缺失數據。采樣樣本長度為1 000個數據點，支持多通道輸入，通過添加數據信號通道標簽，如[0,1,2]代表三軸傳感器，均納入訓練，采樣后的輸入數據形式為張量(樣本數、樣本長度、通道數)，用于輸入模型訓練。

(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，采用卷積神經網絡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，依次區分故障和正常、故障類型、故障部位。

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

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據作為未知數據，在訓練模型時跳過該類型數據不讀取，最終在測試模型時讀取所有類型的數據，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

經典卷積神經網絡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重設置的影響較大。而采用遺傳算法生成的多組初始權重，經過選擇、交叉和變異操作可以得到最優權重，將這些權重作為卷積神經網絡的初始權重，其學習性能優于最陡下降算法隨機選擇的初始權重。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重訓練多個卷積神經網絡分類器，細化軸承各故障特征的學習粒度，由其構建聯合分類器進行分類，這樣可進一步提高軸承故障診斷的正確率。

卷積神經網絡對軸承故障識別采用多層二分類器的卷積神經網絡結構，分三步實現軸承的故障診斷，第1步區分正常和故障，第2步區分故障類別(剝離、環條、擦傷)，第3步區分故障位置(滾子、內圈、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

卷積神經網絡設置過濾器8個，卷積層5層，卷積核大小128，步長16，類別總數16，訓練次數50，訓練次數不宜過高，否則容易出現模型過擬合現象。同樣將采集數據樣本按7∶3的比例分為訓練集和測試集，利用訓練集的數據進行模型搭建，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 軸承故障診斷結果 %

3.2.3軸承故障預測算法流程

除人為因素外，疲勞損壞是軸承常見的損壞方式，因此軸承故障狀態下的數據多具有時間相關性，LSTM是RNN的一個優秀的變種模型，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生的梯度問題，非常適合用于處理與時間序列高度相關的場景。在進行軸承狀態預測時采用長短時記憶與卷積相結合的網絡進行數據建模，實現不同故障程度的分類，最后用基于聚類SSD網絡的故障劣化曲線實現故障程度預測分析[8-10]。

圖10為軸承故障預測算法流程圖。故障樣本數據經數據清洗后，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練的參數，采用長短時記憶與卷積相結合的網絡進行數據建模，按照輕度、中度、重度等傷損程度進行故障程度的分類，參考國內外軸承故障劣化曲線資料，利用基于用聚類SSD網絡得到故障劣化曲線，進一步將故障程度的分類結果與劣化曲線相匹配，實現故障程度預測。

圖10 軸承故障預測算法流程圖

卷積神經網絡設置過濾器3個，卷積層5層，卷積核大小32，步長2，總類數3，訓練次數25，訓練次數不宜過高，否則容易出現模型過擬合現象。

4 結束語

本文以鐵路貨車制動系統和軸承為研究對象，提出了鐵路貨車關鍵零部件的故障診斷及預測研究方法，以關鍵零部件的典型故障統計及故障表征分析為依據，通過故障模擬試驗為算法搭建提供數據樣本，利用人工智能學習算法搭建了制動系統和軸承的故障診斷及預測模型，經試驗驗證，該算法的準確性高。后期通過車輛運行數據的不斷訓練優化，該算法可識別未知的故障類型，且可適應多種車型，解決鐵路貨車PHM技術應用的核心問題。鐵路貨車PHM技術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，是實現鐵路貨車狀態修的關鍵技術之一，是未來鐵路貨車的重要發展方向之一。