基于CNN-LSTM 的車輛懸掛系統(tǒng)故障識(shí)別方法研究

梁君海，李智強(qiáng)，葛 天，鄭志偉

（1.中車成都機(jī)車車輛有限公司 技術(shù)中心，成都 610511；2.西南交通大學(xué) 軌道交通運(yùn)載系統(tǒng)全國(guó)重點(diǎn)實(shí)驗(yàn)室，成都 610031）

高速鐵路車輛（簡(jiǎn)稱：車輛）運(yùn)行在復(fù)雜多變的線路環(huán)境下，其行駛速度的提高伴隨著激擾頻帶的加寬，使其懸掛系統(tǒng)的負(fù)擔(dān)越來越大。隨著車輛在軌運(yùn)行時(shí)間的增長(zhǎng)，其懸掛系統(tǒng)中的一些部件（螺旋彈簧、減振器、空氣彈簧等）會(huì)產(chǎn)生一定程度的性能衰退，誘發(fā)諸如螺旋彈簧細(xì)微開裂、減振器輕微漏油/漏液、空氣彈簧輕度漏氣等早期故障，給行車安全帶來潛在的危險(xiǎn)[1]。因此，為保障車輛安全、穩(wěn)定、可靠地運(yùn)行，有必要對(duì)車輛懸掛系統(tǒng)早期故障進(jìn)行及時(shí)診斷。

已有學(xué)者針對(duì)車輛懸掛系統(tǒng)故障對(duì)車輛動(dòng)力學(xué)性能的影響進(jìn)行了大量研究，研究結(jié)果表明，車輛懸掛系統(tǒng)早期故障的影響程度有限，人為進(jìn)行故障判別較為困難[2-4]。此外，由于車輛懸掛系統(tǒng)模型的非線性，無法直接將故障類型與動(dòng)力學(xué)性能表現(xiàn)聯(lián)系起來，因此，有學(xué)者通過提取車輛動(dòng)力學(xué)性能參數(shù)特征來進(jìn)行懸掛系統(tǒng)故障識(shí)別。蘇宇婷等人[5]通過提取車體加速度信號(hào)時(shí)頻域特征，結(jié)合流形學(xué)習(xí)特征降維，成功實(shí)現(xiàn)了抗蛇行減振器故障、懸掛系統(tǒng)空氣彈簧失氣和橫向減振器故障的識(shí)別；李曉[6]使用SIMPACK 平臺(tái)建立高速列車動(dòng)力學(xué)模型，提取仿真得到的構(gòu)架加速度信號(hào)的信息熵、信息?等特征，結(jié)合支持向量機(jī)（SVM，Support Vector Machine）訓(xùn)練得到了故障識(shí)別及定位模型，實(shí)現(xiàn)了對(duì)空氣彈簧、橫向減振器等轉(zhuǎn)向架關(guān)鍵部件的故障識(shí)別及定位；李昌喜[7]使用參數(shù)優(yōu)化變分模態(tài)分解對(duì)轉(zhuǎn)向架關(guān)鍵部件的故障振動(dòng)信號(hào)進(jìn)行預(yù)處理，提取最優(yōu)分量的多尺度樣本熵特征，構(gòu)成特征向量，結(jié)合SVM 實(shí)現(xiàn)了轉(zhuǎn)向架關(guān)鍵部件故障識(shí)別；為彌補(bǔ)單通道輸入故障特征有限的不足，劉佳龍[8]采用多通道特征向量作為輸入，結(jié)合參數(shù)優(yōu)化SVM，實(shí)現(xiàn)了高速列車轉(zhuǎn)向架的故障診斷。

雖有不少學(xué)者結(jié)合人工智能提出較有效的車輛懸掛系統(tǒng)故障診斷模型，但是由于這些方法大多采用基于特征工程的數(shù)據(jù)驅(qū)動(dòng)模型，較依賴專家知識(shí)。為此，本文提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Network）和長(zhǎng)短時(shí)記憶（LSTM，Long Short Term Memory）模型的車輛懸掛系統(tǒng)故障識(shí)別方法，在不依賴人工經(jīng)驗(yàn)的情況下實(shí)現(xiàn)端到端的智能故障識(shí)別。

1 相關(guān)技術(shù)

1.1 CNN

CNN 是一種具有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，它的基本結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層與輸出層[9]。CNN 中的數(shù)據(jù)處理主要分為過濾階段和分類階段。數(shù)據(jù)過濾階段由卷積層和池化層完成，這一階段的目的是特征學(xué)習(xí)和提??；數(shù)據(jù)分類階段由全連接層完成，這一階段的目的是數(shù)據(jù)對(duì)應(yīng)類別判定。分類階段的全連接層與輸出層通常采用Softmax 函數(shù)，用于計(jì)算多分類問題的概率輸出。

1.2 LSTM 模型

LSTM 模型的基礎(chǔ)結(jié)構(gòu)是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent Neural Network）模型，可解決RNN 模型的長(zhǎng)依賴問題[10]。由于時(shí)序數(shù)據(jù)的增多，RNN 模型無法有效利用之前時(shí)刻的歷史信息，導(dǎo)致發(fā)生梯度消失與梯度爆炸，即當(dāng)網(wǎng)絡(luò)層數(shù)增加、時(shí)間序列數(shù)據(jù)距離增大時(shí)，后面神經(jīng)單元對(duì)前面神經(jīng)單元的感知能力降低，導(dǎo)致遺忘前面信息的問題，無法有效利用歷史信息。在RNN 的基礎(chǔ)上，LSTM 模型通過增加新的記憶單元c，解決RNN 模型存在的梯度消失與梯度爆炸問題，提高模型可靠性，同時(shí)，LSTM模型具有反饋結(jié)構(gòu)，可在歷史信息中挖掘數(shù)據(jù)的特征，擅于處理時(shí)序數(shù)據(jù)的預(yù)測(cè)問題。

LSTM 模型由多個(gè)存儲(chǔ)塊組成，每個(gè)存儲(chǔ)塊都有遺忘門、輸入門和輸出門。所謂的“門”結(jié)構(gòu)是一個(gè)全連接神經(jīng)網(wǎng)絡(luò)，使用Sigmoid 函數(shù)作為激活函數(shù)，并輸出0 到1 之間的值?？蓪⒋鎯?chǔ)塊作為一個(gè)細(xì)胞，LSTM 模型依賴于這些“門”，允許輸入特征在每個(gè)時(shí)刻選擇性地影響細(xì)胞狀態(tài)，從而實(shí)現(xiàn)對(duì)當(dāng)前時(shí)刻神經(jīng)網(wǎng)絡(luò)輸出的控制。具體來講，遺忘門決定細(xì)胞狀態(tài)中哪些信息應(yīng)該被刪除，哪些信息應(yīng)該被保留；輸入門的作用是向細(xì)胞狀態(tài)加入新內(nèi)容；輸出門的作用是從當(dāng)前的細(xì)胞狀態(tài)中選擇有用信息并將其顯示為輸出。傳統(tǒng)的LSTM 模型的反向傳播思路和RNN 模型的反向傳播思路一致，均采用梯度下降法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行更新，主要步驟是對(duì)所有參數(shù)基于損失函數(shù)的偏導(dǎo)數(shù)進(jìn)行計(jì)算。

2 車輛懸掛系統(tǒng)故障識(shí)別方法

2.1 CNN-LSTM 模型

本文針對(duì)車輛懸掛系統(tǒng)的故障振動(dòng)信號(hào)，設(shè)計(jì)一種CNN-LSTM 模型，其模型架構(gòu)如圖1 所示，具體參數(shù)設(shè)定如表1 所示。該模型將CNN 和LSTM 模型結(jié)合成一個(gè)統(tǒng)一的網(wǎng)絡(luò)結(jié)構(gòu)，使之兼具CNN 和LSTM 模型的優(yōu)勢(shì)；利用3 層卷積和1 層池化結(jié)構(gòu)來提取數(shù)據(jù)的空間特征，再采用1 層LSTM 模型提取數(shù)據(jù)的時(shí)間特征；采用全連接層對(duì)CNN 和LSTM 模型提取的局部時(shí)空特征進(jìn)行全局學(xué)習(xí)；最后利用Softmax 激活函數(shù)實(shí)現(xiàn)對(duì)不同故障的分類識(shí)別。

表1 CNN-LSTM 模型參數(shù)設(shè)定

圖1 CNN-LSTM 模型架構(gòu)

2.2 方法流程

車輛懸掛系統(tǒng)故障識(shí)別模型的具體流程如下。

（1）數(shù)據(jù)采集：建立車輛-軌道耦合動(dòng)力學(xué)數(shù)值仿真模型，并基于該動(dòng)力學(xué)模型模擬不同工況下車輛懸掛系統(tǒng)故障，獲取大量的懸掛元件故障數(shù)據(jù)。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化：考慮到輸入數(shù)據(jù)來自車輛的不同部件，應(yīng)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，將原始振動(dòng)加速度信號(hào)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，計(jì)算公式為

式（1）中，xi是原始序列的i個(gè)數(shù)據(jù)點(diǎn)；yi是經(jīng)過標(biāo)準(zhǔn)化轉(zhuǎn)換后的新序列的數(shù)據(jù)點(diǎn)；是原始序列的平均值；s是原始序列的標(biāo)準(zhǔn)差；n是原始序列的采樣點(diǎn)數(shù)。經(jīng)標(biāo)準(zhǔn)化后的新序列的平均值為0，標(biāo)準(zhǔn)差為1。

（3）模型訓(xùn)練：通過數(shù)據(jù)采集獲取的故障數(shù)據(jù)，訓(xùn)練CNN-LSTM 模型，采用準(zhǔn)確率（Accuracy）作為評(píng)價(jià)指標(biāo)來考察模型的精度，計(jì)算公式為

式（2）中，f(xk) 是模型的預(yù)測(cè)值；yk是模型的真實(shí)值；I是判定預(yù)測(cè)值是否等于真實(shí)值的函數(shù)，若相等則函數(shù)值為1，否則為0。

（4）預(yù)測(cè)評(píng)估：將標(biāo)準(zhǔn)化后的一維仿真振動(dòng)信號(hào)輸入到訓(xùn)練好的CNN-LSTM 模型中，實(shí)現(xiàn)對(duì)車輛懸掛系統(tǒng)故障類型的識(shí)別，并用于指導(dǎo)車輛運(yùn)行和維護(hù)。

3 試驗(yàn)搭建與結(jié)果分析

3.1 數(shù)據(jù)采集

基于SIMPACK 平臺(tái)，建立CRH2 型動(dòng)車組的車輛-軌道耦合動(dòng)力學(xué)模型，根據(jù)研究目的對(duì)其進(jìn)行適當(dāng)簡(jiǎn)化，將車體、構(gòu)架、輪對(duì)等均視為剛體，忽略各部件的彈性變形，同時(shí)不考慮車輛牽引和制動(dòng)2 種運(yùn)行工況。CRH2 型動(dòng)車組的車輛-軌道耦合動(dòng)力學(xué)模型，如圖2 所示，由1 個(gè)車體、2 個(gè)構(gòu)架、4個(gè)輪對(duì)、8 個(gè)軸箱，共計(jì)15 個(gè)剛體組成。振動(dòng)加速度計(jì)安裝位置，如圖3 所示，前、后構(gòu)架均設(shè)置1 個(gè)加速度計(jì)，收集構(gòu)架橫向和垂向加速度信號(hào)；分別在1 位軸和4 位軸每個(gè)軸箱處設(shè)置1 個(gè)加速度計(jì)，收集軸箱橫向和垂向加速度信號(hào)；在車體的前、后心盤處各設(shè)置一個(gè)加速度計(jì)，收集車體的三向加速度信號(hào)。

圖2 CRH2 型動(dòng)車組的車輛-軌道耦合動(dòng)力學(xué)模型

圖3 加速度計(jì)安裝位置及設(shè)置

仿真試驗(yàn)共設(shè)置3 種類型的車輛懸掛系統(tǒng)故障，分別為鋼彈簧斷裂、減振器漏油及空氣彈簧失氣。其中，鋼彈簧為一系懸掛系統(tǒng)的元件之一，當(dāng)彈簧外圈斷裂時(shí)，由彈簧內(nèi)圈提供承載作用；減振器包括一系垂向減振器、二系垂向減振器及二系橫向減振器，當(dāng)減振器漏油時(shí)，其阻尼接近完全失效；空氣彈簧是二系懸掛系統(tǒng)的元件之一，當(dāng)空氣彈簧失氣時(shí)，應(yīng)急橡膠堆提供承載。因本文研究的是車輛懸掛系統(tǒng)早期故障診斷，因此，仿真時(shí)鋼彈簧斷裂故障程度設(shè)置為0.5，減振器故障設(shè)置為0.01。

3.2 試驗(yàn)搭建

訓(xùn)練數(shù)據(jù)來源于車輛軸箱、構(gòu)架和車體上安裝的加速度計(jì)收集到的振動(dòng)加速度信號(hào)，采樣頻率為300 Hz。此外，基于車輛-軌道耦合動(dòng)力學(xué)模型分別模擬在150 km/h、200 km/h 和250 km/h 等3 種不同恒定速度下的運(yùn)行，仿真時(shí)間歷程始終為50 s。將不同工況條件下每1 s 的時(shí)間序列作為一個(gè)訓(xùn)練樣本，并按照8∶2 劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。使用交叉熵?fù)p失函數(shù)和Softmax 分類器，超參數(shù)設(shè)置為：學(xué)習(xí)率為0.001，隨機(jī)失活率為0.2。

3.3 試驗(yàn)結(jié)果分析

3.3.1 同一速度等級(jí)下車輛懸掛系統(tǒng)故障識(shí)別

在200 km/h 速度等級(jí)下對(duì)車輛懸掛系統(tǒng)進(jìn)行3類試驗(yàn)。試驗(yàn)1：一系懸掛系統(tǒng)垂向故障訓(xùn)練識(shí)別，包括健康、鋼彈簧故障和一系垂向減振器故障等3種狀態(tài)；試驗(yàn)2：二系垂向懸掛系統(tǒng)故障訓(xùn)練識(shí)別，包括健康、空氣彈簧故障和二系垂向減振器故障等3 種狀態(tài)；試驗(yàn)3：二系懸掛系統(tǒng)橫向故障訓(xùn)練識(shí)別，包括健康、空氣彈簧故障和二系橫向減振器故障等3 種狀態(tài)。以上3 類實(shí)驗(yàn)中，每類實(shí)驗(yàn)每種狀態(tài)都包含160 個(gè)訓(xùn)練樣本和30 個(gè)測(cè)試樣本，訓(xùn)練樣本數(shù)量共計(jì)480 個(gè)，測(cè)試樣本數(shù)量共計(jì)90 個(gè)。

3 類試驗(yàn)的分類準(zhǔn)確率和損失函數(shù)如圖4 和圖5所示。經(jīng)過250 次迭代計(jì)算后，試驗(yàn)1 的故障識(shí)別準(zhǔn)確率為73%，訓(xùn)練損失值為0.816；試驗(yàn)2 的故障識(shí)別準(zhǔn)確率為84%，訓(xùn)練損失為0.709；試驗(yàn)3 的故障識(shí)別準(zhǔn)確率明顯提高，為98%，損失值也降至0.561。實(shí)驗(yàn)結(jié)果表明，本文的故障識(shí)別方法在同一速度等級(jí)下具有較高的準(zhǔn)確率，能夠有效地進(jìn)行車輛懸掛系統(tǒng)故障診斷。其中，二系懸掛系統(tǒng)的故障識(shí)別準(zhǔn)確率高于一系懸掛系統(tǒng)，造成這一現(xiàn)象的原因，主要是由于一系懸掛系統(tǒng)受力更加復(fù)雜，當(dāng)一系懸掛系統(tǒng)發(fā)生故障時(shí)，故障信號(hào)更易被淹沒。另外，車輛懸掛系統(tǒng)橫向故障的識(shí)別準(zhǔn)確率遠(yuǎn)高于垂向故障，主要原因在于橫向故障時(shí)，對(duì)車輛構(gòu)架橫向振動(dòng)影響較大，引起的信號(hào)波動(dòng)更為明顯。

圖4 準(zhǔn)確率變化曲線

圖5 損失函數(shù)變化曲線

3.3.2 不同速度等級(jí)下車輛懸掛系統(tǒng)故障識(shí)別

為進(jìn)一步驗(yàn)證所提模型在不同速度等級(jí)下的有效性，考慮3 種速度等級(jí)，進(jìn)行以下實(shí)驗(yàn)。

試驗(yàn)4：在150 km/h、200 km/h、250 km/h 速度等級(jí)下進(jìn)行一系懸掛系統(tǒng)垂向故障訓(xùn)練識(shí)別，分別選取健康、鋼彈簧故障和一系垂向減振器故障等3種狀態(tài)；試驗(yàn)5：在150 km/h、200 km/h、250 km/h速度等級(jí)下進(jìn)行二系懸掛系統(tǒng)垂向故障訓(xùn)練識(shí)別，分別選取健康、空氣彈簧故障和二系垂向減振器故障等3 種狀態(tài)；試驗(yàn)6：在150 km/h、200 km/h、250 km/h 速度等級(jí)下進(jìn)行二系懸掛系統(tǒng)橫向故障訓(xùn)練識(shí)別，分別選取健康、空氣彈簧故障和二系橫向減振器故障等3 種狀態(tài)。以上3 類試驗(yàn)，由于考慮了3 種速度等級(jí)的情況，每類試驗(yàn)每種狀態(tài)都包含160 個(gè)訓(xùn)練樣本和30 個(gè)測(cè)試樣本，訓(xùn)練樣本數(shù)量共計(jì)1 440 個(gè)，測(cè)試樣本數(shù)量共計(jì)270 個(gè)。

3 類試驗(yàn)的分類準(zhǔn)確率和損失函數(shù)如圖6、圖7所示，經(jīng)過250 次迭代計(jì)算后，在不同速度等級(jí)下，試驗(yàn)4 的故障識(shí)別準(zhǔn)確率為76%，訓(xùn)練損失為0.784；試驗(yàn)5 的故障識(shí)別準(zhǔn)確率為87%，訓(xùn)練損失為0.665；試驗(yàn)6 的故障識(shí)別準(zhǔn)確率為99%，損失值為0.575。試驗(yàn)結(jié)果表明，本文的故障識(shí)別方法針對(duì)不同速度等級(jí)下的車輛懸掛系統(tǒng)故障識(shí)別仍保持較高的準(zhǔn)確率，具有良好的魯棒性。

圖6 準(zhǔn)確率變化曲線

圖7 損失函數(shù)變化曲線

綜上，相對(duì)于傳統(tǒng)的主流方法，本文提出的方法基于原始數(shù)據(jù)驅(qū)動(dòng)，不需要通過人工經(jīng)驗(yàn)對(duì)數(shù)據(jù)進(jìn)行特征提取，在簡(jiǎn)化診斷流程的基礎(chǔ)上，仍能夠保持較高的故障識(shí)別率，為車輛懸掛系統(tǒng)智能故障診斷的研究提供新的思路。

4 結(jié)束語(yǔ)

本文在建立了車輛-軌道耦合動(dòng)力學(xué)模型的基礎(chǔ)上，利用仿真數(shù)據(jù)提出了基于CNN-LSTM 模型的車輛懸掛系統(tǒng)故障識(shí)別方法，結(jié)合了CNN 和LSTM 模型的優(yōu)勢(shì)，能夠提取原始振動(dòng)信號(hào)中的故障特征，有效減少人工特征提取過程中帶來的不確定性。通過試驗(yàn)得出以下結(jié)論：

（1）在同一速度等級(jí)下，本文方法可直接從原始振動(dòng)信號(hào)中識(shí)別故障類型，且準(zhǔn)確率較高；

（2）在不同速度等級(jí)下，本文方法仍能保證較高的準(zhǔn)確率，具有良好的魯棒性。

（3）由于一系懸掛系統(tǒng)受力較復(fù)雜，二系懸掛系統(tǒng)的故障識(shí)別準(zhǔn)確率一般高于一系懸掛系統(tǒng)。