城市軌道交通車輛制動系統的智能診斷與預警系統

田興麗 孫環陽 張紅光* 祁 成

(1.南京地鐵集團有限公司,210008,南京; 2.南京中車浦鎮海泰制動設備有限公司,211800,南京∥第一作者,高級工程師)

城市軌道交通極大地緩解了城市交通擁堵,有力推動了城市的快速發展。但與此同時,也給城市軌道交通的運營維護帶來了極大的挑戰,如何在充分保障車輛等核心基礎設備運行安全的條件下,提升運維效率、降低運維成本,已成為各城市的軌道交通運營企業關注的焦點[1]。

制動系統作為保障城市軌道交通車輛運行安全的核心子系統,其安全性、可靠性直接影響城市軌道交通車輛的可用性和安全性,應積極探索車輛制動系統的智能運維。智能運維的關鍵是基于數據挖掘、機器學習等工具開發的各類算法模型[2],而算法模型則需要以地面大數據平臺為核心的車輛智能運維系統提供平臺支撐,因此實現制動系統的智能診斷和故障預警是系統性工程,既要實現核心算法的突破,還需搭建具備數據采集、傳輸、分析等功能的平臺[3]。

本文以實現制動系統故障智能診斷、故障預警為目標,深入研究故障診斷和預警建模方法,搭建了一套融合算法模型與數據平臺的城市軌道交通車輛制動系統的故障智能診斷與故障預警系統,并通過專家診斷系統與基于機器學習的兩個故障診斷案例驗證了該系統的功能。

1 系統組成

車輛制動系統的故障智能診斷與故障預警系統架構如圖1所示,包含車載與地面平臺兩大模塊。車載模塊通過列車級PHM(故障預測與健康管理)單元及車輛維護以太網收集全列車8臺制動控制裝置的運行數據;地面平臺模塊作為子系統嵌入到車輛級智能運維平臺,通過接收制動系統運行數據,運行故障診斷預警模型。

圖1 車輛制動系統故障智能診斷預警系統架構

1.1 車載模塊

車載模塊將整車實時數據與制動系統產生的離線數據傳輸到地面平臺。實時數據通過控制以太網傳輸到車載無線傳輸主機,再根據傳輸控制協議傳輸到地面平臺;離線數據采用文件傳輸協議經維護以太網傳輸到車載無線傳輸主機,再經5G等方式在固定時刻進行轉存,最后傳輸至地面文件服務器,供地面智能運維平臺使用。車載模塊數據傳輸鏈路如圖2所示。

圖2 車載模塊數據傳輸鏈路

1.2 地面平臺模塊

地面平臺模塊由數據平臺和制動系統PHM兩部分組成。數據平臺是企業級大數據管控平臺,具有統一的數據分發、數據存儲、數據分析、數據可視化等功能;制動系統PHM模塊負責制動系統離線數據的解析、算法模型計算、模型結果可視化等。制動系統地面平臺模塊的PHM平臺架構如圖3所示。

圖3 制動系統地面PHM平臺架構

制動系統PHM模塊包含多種邏輯類、機器學習類的算法模型。通過對關鍵性能指標的提取,可以對關鍵部件進行故障預警、健康評估及壽命預測。車輛制動系統數據經數據解析處理模塊解析后上傳至數據平臺側的消息隊列,算法模型對消息隊列中的數據進行計算處理,并將計算后的預警預測結果存儲到數據平臺的關系型數據庫中,用于制動系統界面可視化顯示。

2 故障智能診斷預警關鍵技術

算法模型是整個車輛制動系統的故障智能診斷與故障預警系統的核心。目前在城市軌道交通現場部署的與制動系統相關的故障診斷預警模型已達17種,各類模型根據不同的應用場景及實際呈現的數據特征,所采用的數據建模方式不盡相同。本文基于兩種典型的數據建模方法構建故障智能診斷算法模型,一種是基于經驗、機理的故障診斷專家系統[4],另一種是基于機器學習理論的故障診斷方法。對于機器學習類算法,本文以HHT(希爾伯特-黃變換)[5]為例進行描述。

2.1 故障診斷專家系統

城市軌道交通車輛制動系統是復雜的機電系統,故障類型多、故障原因復雜、故障排查流程繁瑣。從故障發生、車輛回庫一直到故障消除,全程需要人工操作,且操作人員需具備較高的專業技能,能夠結合產品設計原理及現場運用經驗進行故障數據分析。

目前國內城市軌道交通積累了豐富的現場運用經驗和各種類型的故障數據,已經具備開發城市軌道交通車輛制動系統故障診斷專家系統的條件。本研究在前期運用經驗和故障數據積累的基礎上,完成了制動系統故障診斷核心技術攻關和專家系統開發。

故障診斷專家系統主要依賴專家的經驗知識,需要對系統以及部件的故障機理與故障模式具有深刻的了解,類似于將人腦中大量的專家知識移植成計算機語言。故障診斷專家系統結構如圖4所示。對于每個規則診斷模型,診斷結果一般包含多種可能原因,概率最大的原因為最終診斷結果。當出現實際故障與診斷結果不一致時,專家對規則模型的結構及閾值進行優化。

2.2 HHT故障特征提取

制動系統中常見的電流信號、壓力信號等一般為非平穩信號,且信號擁有多種頻率成分,通過單一的時域與頻域分析都無法獲取理想的信號故障特征。因此,采用了HHT對信號進行特征提取。HHT包含EMD(經驗模態分解)與希爾伯特譜分析兩部分。

2.2.1 EMD分解

EMD算法是基于信號本身特征的一種分解方法,將復雜的原始信號x(t)(t為時間)自適應地拆分成多個IMF(內涵模態分量)與一個殘余分量的和,步驟如下:

步驟1 提取x(t)局部極大、極小值點,采用3次樣條插值法[6]模擬出信號上下包絡線。

步驟2 計算上下包絡線的平均值,記為m1。將x(t)減去m1,其差值記為h1,即:

h1=x(t)-m1

(1)

步驟3 判斷h1是否滿足IMF條件,若滿足,則h1是原始信號的第一個IMF分量,記為f1(t);若不滿足,將h1作為原始數據重復步驟1、步驟2,直至求得h1滿足IMF條件。

步驟4 將原始信號x(t)減去f1(t),得到第一次分解后的殘余分量R1(t),即:

R1(t)=x(t)-f1(t)

(2)

步驟5 將R1(t)重復以上步驟1至步驟4,直至第n次分解后的Rn(t)無法進行EMD分解。

2.2.2 希爾伯特譜分析

對上述EMD算法分解后的IMF分量f1(t)分別進行希爾伯特變換,可得:

(3)

式中:

H[fi(t)]——第i個IMF分量fi(t)希爾伯特變換;

τ——時間;

fi(τ)——時間為τ的第i個IMF分量。

構造fi(t)的解析信號,定義為Zi(t):

Zi(t)=fi(t)+jH[fi(t)]=ai(t)ejθi(t)

(4)

式中:

ai(t)——fi(t)的瞬時幅值;

θi(t)——fi(t)的瞬時相位。

(5)

(6)

因此fi(t)的瞬時頻率ωi(t)為:

(7)

將原始信號殘余分量Rn(t)忽略不計,可得原始信號x(t)表達式,即希爾伯特譜H(t,ω):

(8)

希爾伯特邊際譜h(w)定義為:

(9)

3 典型案例分析

3.1 基于專家系統的連接(Link)閥故障診斷

在架控控制方式的車輛制動系統中,Link閥連接同一轉向架兩個軸的制動缸。一般情況下,Link閥為打開狀態,制動施加時制動力同時作用于兩根軸上;當出現滑行時,制動系統控制Link閥斷開,兩軸的制動力分別單獨控制。因此,當Link閥發生故障時,可能會影響車輛防滑控制,致使車輛出現抱死現象,進而影響行車安全。根據現場運用經驗,Link閥故障屬于相對常見的故障類型。

深入了解Link閥故障機理與故障模式后,將其診斷邏輯集成到專家系統中,專家系統的Link閥故障診斷如圖5所示。

專家系統根據接入的信號數據對工況進行識別。在自檢工況的條件下,捕捉系統的制動施加過程,當Link閥打開的過程中,同一轉向架兩側的制動缸壓力差值較大且持續一段時間,系統預測異常并緩存異常結果;隨后控制Link閥關閉,判斷兩側制動缸壓力差是否恢復,若恢復,系統判定為Link閥故障的概率更高,否則認為制動缸壓力傳感器故障可能性更高。通過運行車輛多起故障案列的預警與分析結果,該專家系統可以很好地對Link閥故障進行診斷識別。

3.2 基于希爾伯特-黃變換的壓力傳感器故障預警

壓力傳感器是城市軌道交通車輛制動系統的核心元件。單臺制動系統里一般包含6～7個壓力傳感器,需要壓力傳感器提供精確的壓力信號以實現精準的制動控制。在車輛運行過程中,隨著運行時間的累積和運行工況變得惡劣,壓力傳感器容易出現漂移等異常,會對制動系統的控制產生較大影響,從而影響車輛的安全運行。

正常壓力傳感器與漂移故障壓力傳感器制動缸壓力曲線如圖6所示。圖6中粗實線表示漂移壓力傳感器采集的制動缸2壓力曲線,細虛線表示正常壓力傳感器采集的制動缸1壓力曲線。相比正常壓力傳感器壓力曲線,漂移故障壓力傳感器壓力曲線在壓力突變狀態下存在明顯的漂移現象。

由于壓力傳感器輸出信號一般為非平穩信號,因此采用EMD對其進行分解,使分解后的模態分量滿足平穩性要求。以壓力傳感器漂移信號某一區段為例,原始信號、EMD分解后的殘余分量R8以及各IMF分量(f1,…,f8)如圖7所示。由圖7可知,EMD分解具有光滑去噪的效果,殘余分量保留了原始信號的趨勢特征,IMF分量包含了原始信號的高頻特征與細節特征。

圖7 漂移信號EMD分解后的IMF分量與殘余分量

采用本文方法分別對EMD分解后的正常壓力傳感器IMF分量及漂移故障壓力傳感器IMF分量進行希爾伯特變換,并進一步求取HHT邊際譜。兩種信號的HHT邊際譜圖分別如圖8和圖9所示。

圖8 正常壓力傳感器的邊際譜

圖9 漂移故障壓力傳感器的邊際譜

如圖9所示,漂移故障壓力傳感器的邊際譜在0.5 Hz頻率附近有幅值較大的譜線,表示原始信號在整個時間范圍內,擁有該頻率的概率較大。與漂移故障壓力傳感器相比,正常壓力傳感器的邊際譜在0.5 Hz頻率附近無明顯的信號幅值。因此,通過邊際譜特征的提取可以正確區分正常壓力傳感器與漂移故障壓力傳感器,進而實現對壓力傳感器的故障診斷。

4 結語

為實現城市軌道交通車輛智能運維,通過對車輛制動系統車載數據處理單元、故障機理、算法模型以及數據平臺進行研究,構建了一套城市軌道交通車輛制動系統的故障智能診斷與故障預警系統。該系統建立了有效的車地數據傳輸鏈路,并將開發的算法模型與地面數據平臺進行深入融合,實現了制動系統核心部件的故障智能診斷及實時預警。該系統在某城市軌道交通線路的實際應用結果驗證了該系統可以實現城市軌道交通車輛制動系統關鍵性能及部件的故障診斷與故障預警功能。