铁路货车制动系统和轴承的故障诊断及预测

黎巧能，徐 勇，刘凤伟，姜瑞金，涂智文

(中车长江运输设备集团有限公司 科技开发分公司，湖北 武汉 430212)

铁路货运是影响国民经济命脉最重要的因素之一，十三五期间，“重载”“快捷”技术得到了空前的发展。近年来，铁路货运行业的相关企业在车辆监测、故障预测与健康管理(PHM)、状态修及智能运维等技术领域开展研究，旨在提高车辆的运行安全性和可靠性，提高车辆的检修效率，降低检修维护成本[1-5]。PHM技术是实现铁路货车状态修、智能运维的关键技术之一，是促进铁路货车智能化发展的重要手段。PHM技术的核心在于车辆关键系统或零部件的故障诊断及预测算法研究，建立准确的故障预测模型，提前预知车辆即将发生的故障并进行预测性维护。文章以铁路货车轴承和制动系统为研究对象，提出了针对铁路货车关键系统及零部件的故障诊断及预测(PHM)方法。

1.1 制动系统

目前，铁路货车制动系统均采用纯空气制动，主要包括制动阀、制动缸、闸调器、副风缸、制动管系、空重车调整阀及拉杆等，系统组成的零部件多，引起制动系统故障的原因也很多。例如，车辆制动系统管系泄漏或制动力不足，会因截断塞门关闭而成为关门车，关门车超过一定数量将影响列车制动，产生安全隐患；
制动抱闸会导致车轮温度迅速上升，这将加速闸瓦、车轮和钢轨的磨耗，减少其使用寿命，增加维修成本，严重时会造成车辆脱线等安全事故。图1为通用货车空气制动系统典型故障统计结果，从图1可以看出，制动系统的故障类型多样，其中典型故障中的制动阀作用不良、制动阀泄漏和制动管系泄漏及裂折丢失等占了总故障数量的95%。

图1 制动系统典型故障统计图

制动阀内部结构复杂，对于引起制动阀作用不良的原因，可通过综合分析主管压力、副风缸压力和制动缸压力的变化判断；
制动缸、副风缸泄漏故障可分别通过监测制动缸、副风缸的压力变化来判断；
对于制动管系泄漏故障，可在相应管系接头处加装压力传感器，根据监测情况来判断。表1为制动系统典型故障与其对应的监测项点。

表1 制动系统典型故障与其对应的监测项点

1.2 轴承

铁路货车轴承由内圈、外圈、滚子和保持架组成。轴承承受车辆、钢轨对车轮的横向和纵向冲击，还有牵引力和因之产生的附加载荷，受力复杂。作为转向架关键零部件，轴承发生故障时温度会逐渐上升，严重时发生热轴事故。图2为30 722套厂修时报废轴承报废原因的调研统计结果。从图2可以看出，轴承故障主要有外圈剥离、滚子环条、外圈环条、外圈裂纹、滚子剥离、滚子锈蚀及超过年限等，占故障总数的95%，而轴承的内圈和保持架发生的故障率低，因此可重点关注轴承外圈及滚子的故障。

图2 厂修报废轴承报废原因统计图

对于铁路货车制动系统和轴承而言，目前没有相关的运用数据，可通过故障模拟试验采集典型故障的相关特征数据，为后续PHM算法建模提供支撑。对于试验样本，由于故障类型多样，可搜集到真实的故障样本有限，大多通过预制故障零部件方式满足需求。

2.1 制动系统

制动系统的故障模拟试验在铁路货车整车制动系统性能试验台进行，制动系统典型故障的故障模拟试验的试验工况、故障样本和故障状态见表2。在整车制动系统性能试验台上模拟车辆正常运行、制动和缓解过程，采集各试验工况下各监测点的空气压力变化，主要有主管压力、副风缸压力、制动缸压力、120阀进出气口压力等。

表2 故障模拟试验的试验工况、故障样本和故障状态

图3为制动系统故障模拟试验方案。图3中，故障模拟试验采取3辆车连挂方式，将中间车设置为故障车，前后两车为对照车，每车各有5个监测点，共计15个监测点，以故障车的5个监测点数据为主进行PHM算法研究。

图3 制动系统故障模拟试验方案

2.2 轴承

轴承早期故障的特征信号即轴承振动信号，轴承内不同零部件发生故障时表现出来的振动信号故障特征也不同，因此可通过采集轴承振动信号再辅以对轴承温度的监测实现对货车滚动轴承的监测。轴承外圈和滚子的典型故障类型均有剥离、环条和擦伤，轴承内圈的故障类型有剥离和环条，3个部位所有故障类型的检测项点均为轴承振动和温度。

利用故障轴承在轮对磨合机上实施轴承的故障模拟试验，模拟铁路货车轴承的典型故障模式，并采集轴承在跑合过程中的振动和轴温数据。分析轴承故障统计结果，在轴承外圈、滚子和内圈3个部位，根据典型故障类型各选取8个样本，利用轴承振动和轴温无线复合传感器采集轴承样本数据。试验时，承载鞍与轴承相对固定，无线复合传感器通过螺纹连接紧固在承载鞍上，轴承的振动信号传递到承载鞍上后，无线复合传感器通过无线传输将采集到的数据传输到近距离无线通信单元，然后通过有线传输将数据传输到电脑终端。图4为无线复合传感器安装示意图及轴承故障模拟试验。

图4 无线复合传感器安装示意图及轴承故障模拟试验

铁路货车涉及车种、车型多达上百种，故障类型多样，采用故障机理模型研究难度大。人工智能学习算法具有可移植性强、可拓展性强、误判率低等优点，将其用于搭建制动系统和轴承的PHM算法模型能够减少大量的人工故障机理的研究工作。将故障模拟试验中采集的大量正常轴承的数据作为轴承故障识别的基准，设置涵盖不同故障类型的损伤程度(轻度、中度、重度)的范围，为轴承PHM算法提供全面的样本数据，主要包括轴承外圈、滚子、内圈的剥离、擦伤、环条等的相关数据。将轴承故障模拟试验中采集的振动、温度数据，通过x/y/z三轴加速度及温度构成数据集，用以搭建故障诊断及预测算法整体框架，实现轴承的故障诊断与预测。

3.1 制动系统

3.1.1建模流程

制动系统PHM算法主要有离线数据与连续数据两方面，离线数据用于建模与训练优化，连续数据用于实现实时的故障诊断及预测，2条数据链的核心算法是一样的，区别在于对模型输入的处理方式不同。图5为制动系统PHM算法建模流程。图5中，将采集的数据导入数据中心，经数据清洗、数据标签处理后，代入制动PHM算法框架训练模型，经迭代训练后输出模型。制动系统PHM算法模型分3种：故障辨识模型、故障分类模型及故障预测模型，故障辨识模型用于区分正常工况与故障工况，故障分类模型用于确定故障类型，故障预测模型根据当前故障预测未来故障的发展趋势。

图5 制动系统PHM算法建模流程图

3.1.2制动系统故障诊断算法流程

制动系统故障诊断算法采用CNN+迁移学习的方法，首先使用单车故障数据输入卷积神经网络进行训练，获得单车故障类别的故障辨识模型。由于多车故障和未知故障均是在单车故障的特性上组合而成，因此利用迁移学习方法，将已训练好的单车故障辨识模型的参数迁移到多车故障和未知故障的故障辨识模型中，作为这两类故障的初始参数再进行训练，这样可使训练过程中得到模型的速度更快且收敛效果更好。

算法搭建分三步进行：第1步对离散数据进行数据清洗，根据数据的波峰情况区分制动与缓解阶段；
第2步是故障辨识，经过数据的分解与重构、多层特征的筛选，得到单车故障、多车故障和未知故障辨识；
第3步则代入第2阶段的卷积网络中，进一步对单车故障和多车故障进行故障分类处理，实现故障诊断。同样，连续数据用以实现实时在线诊断，如图6所示。

图6 制动系统故障诊断算法流程图

卷积神经网络设置过滤器8个，卷积层12层，卷积核大小24，步长2，类别总数16，训练次数30，训练次数不宜过高，否则容易出现模型过拟合现象。将采集数据样本按7∶3的比例分为训练集和测试集，利用训练集的数据搭建模型，通过测试集来测试模型的准确率。表3和表4分别为单车故障和多车故障诊断的结果。表3、表4中，准确率=识别正确数/识别总数，误报率=误报作此故障数/验证总数，漏报率=未报出对应故障数/实际故障总数，可以看出，该制动系统故障诊断算法的单车故障和多车故障诊断准确率均在90%以上。

表3 单车故障诊断的结果 %

表4 多车故障诊断的结果 %

3.1.3制动系统故障预测算法流程

构建基于深度卷积神经网络与长短期记忆网络(LSTM)相结合的算法框架。深度卷积神经网络模型采用梯度下降法中的最小化损失函数对其权重参数逐层进行反向调节，并通过频繁的迭代训练提高网络的精度；
在算法框架内设计深度卷积神经网络隐含层的卷积层和池化采样层，实现对制动系统故障特征的多层表示，并通过多层中的高层次特征来表示制动系统气压数据的抽象语义信息，使铁路货车制动系统故障诊断与预测模型获得更好的特征鲁棒性。长短期记忆网络(LSTM)使用反向传播时间训练并克服预测过程中的消失梯度问题，同时利用内部的记忆来处理任意时序输入的传感器气压数据，处理单元之间既有内部的反馈连接又有前馈连接，这使得铁路货车制动系统故障诊断与预测模型可以更加容易地进行故障的前期预测。

制动系统故障预测算法是根据故障样本的不同损伤程度进行故障等级划分的，参考国内外关于制动故障的全生命周期劣化曲线[6-7]，利用LSTM与卷积网络相结合的预测算法框架，聚类形成该类制动故障的劣化曲线，将故障样本数据代入故障预测模型，该算法会在劣化曲线模型的基础上自主生成相应的坐标点，表示该数据当前处于整个生命周期的对应阶段，实现制动系统故障预测。图7为制动系统故障预测算法流程图。

图7 制动系统故障预测算法流程图

卷积神经网络设置过滤器2个，卷积层4层，卷积核大小64，步长4，类别总数2，训练次数15，训练次数不宜过高，否则容易出现模型过拟合现象。

3.2 轴承

3.2.1建模流程

轴承的PHM算法主要分为3步：数据预处理、故障辨识与分类、故障预测。图8为轴承故障算法建模流程图。

图8 轴承故障算法建模流程图

(1) 第1步：数据预处理。分为数据降噪和数据采样。部分原始数据存在大量异常值，通过统计方法剔除这些噪声数据，并利用三次样条插值补齐缺失数据。采样样本长度为1 000个数据点，支持多通道输入，通过添加数据信号通道标签，如[0,1,2]代表三轴传感器，均纳入训练，采样后的输入数据形式为张量(样本数、样本长度、通道数)，用于输入模型训练。

(2) 第2步：故障辨识与分类。模型输入为张量形式的故障样本，采用卷积神经网络对轴承故障进行辨识与分类，输出为各故障类型，通过采用多层分类器方法，依次区分故障和正常、故障类型、故障部位。

(3) 第3步：故障预测。通过故障程度和分类与轴承劣化曲线相匹配实现故障预测。

此外，模型还可以进行未知故障辨识，依次将故障样本中某一故障类别的数据作为未知数据，在训练模型时跳过该类型数据不读取，最终在测试模型时读取所有类型的数据，以验证模型对未知工况的辨识效果。

3.2.2轴承故障诊断算法流程

经典卷积神经网络学习方法是采用最陡下降算法进行学习，该算法的学习性能受卷积层和全连接层的初始权重设置的影响较大。而采用遗传算法生成的多组初始权重，经过选择、交叉和变异操作可以得到最优权重，将这些权重作为卷积神经网络的初始权重，其学习性能优于最陡下降算法随机选择的初始权重。因此轴承故障诊断算法采用CNN+遗传算法，用遗传算法生成的多组权重训练多个卷积神经网络分类器，细化轴承各故障特征的学习粒度，由其构建联合分类器进行分类，这样可进一步提高轴承故障诊断的正确率。

卷积神经网络对轴承故障识别采用多层二分类器的卷积神经网络结构，分三步实现轴承的故障诊断，第1步区分正常和故障，第2步区分故障类别(剥离、环条、擦伤)，第3步区分故障位置(滚子、内圈、外圈)。图9 为轴承故障诊断算法流程图。

图9 轴承故障诊断算法流程图

卷积神经网络设置过滤器8个，卷积层5层，卷积核大小128，步长16，类别总数16，训练次数50，训练次数不宜过高，否则容易出现模型过拟合现象。同样将采集数据样本按7∶3的比例分为训练集和测试集，利用训练集的数据进行模型搭建，通过测试集来测试模型的准确率等。表5为轴承故障诊断结果，可以看出，轴承故障诊断算法的准确率基本超过90%。

表5 轴承故障诊断结果 %

3.2.3轴承故障预测算法流程

除人为因素外，疲劳损坏是轴承常见的损坏方式，因此轴承故障状态下的数据多具有时间相关性，LSTM是RNN的一个优秀的变种模型，继承了大部分RNN模型的特性，同时解决了梯度反传过程由于逐步缩减而产生的梯度问题，非常适合用于处理与时间序列高度相关的场景。在进行轴承状态预测时采用长短时记忆与卷积相结合的网络进行数据建模，实现不同故障程度的分类，最后用基于聚类SSD网络的故障劣化曲线实现故障程度预测分析[8-10]。

图10为轴承故障预测算法流程图。故障样本数据经数据清洗后，通过时域特征PCA降维筛选出方差贡献率最高的主成分作为模型训练的参数，采用长短时记忆与卷积相结合的网络进行数据建模，按照轻度、中度、重度等伤损程度进行故障程度的分类，参考国内外轴承故障劣化曲线资料，利用基于用聚类SSD网络得到故障劣化曲线，进一步将故障程度的分类结果与劣化曲线相匹配，实现故障程度预测。

图10 轴承故障预测算法流程图

卷积神经网络设置过滤器3个，卷积层5层，卷积核大小32，步长2，总类数3，训练次数25，训练次数不宜过高，否则容易出现模型过拟合现象。

本文以铁路货车制动系统和轴承为研究对象，提出了铁路货车关键零部件的故障诊断及预测研究方法，以关键零部件的典型故障统计及故障表征分析为依据，通过故障模拟试验为算法搭建提供数据样本，利用人工智能学习算法搭建了制动系统和轴承的故障诊断及预测模型，经试验验证，该算法的准确性高。后期通过车辆运行数据的不断训练优化，该算法可识别未知的故障类型，且可适应多种车型，解决铁路货车PHM技术应用的核心问题。铁路货车PHM技术可提高车辆的运行安全性、可靠性、可用性和可维护性，

降低车辆运维成本，促进货车维护体制改革，是实现铁路货车状态修的关键技术之一，是未来铁路货车的重要发展方向之一。

推荐访问:货车 轴承 故障诊断