董 威,王云飛,張曉寧,朱慧龍
(中車青島四方機車車輛股份有限公司,山東 青島 266111)
對于長期處于高速運行環(huán)境中的高速列車,其走行部的連續(xù)穩(wěn)定工作對列車安全運行至關(guān)重要。走行部作為列車的關(guān)鍵部件,承載著列車自重和輪軌橫向力等載荷,是列車最容易發(fā)生故障的部件之一[1-4]。一方面,高速列車運營速度快,在線行駛時容易受到線路不平順因素的激擾,走行部傳動系統(tǒng)間會產(chǎn)生一定的相對運動,導致軸承類部件在服役期間易發(fā)生疲勞損壞,需要對其軸承關(guān)鍵部件進行溫度、振動等信號的監(jiān)測。另一方面,高速列車運行環(huán)境復雜,同一列車橫向區(qū)域可跨越不同海拔,縱向區(qū)域可跨越不同季節(jié),對走行部和監(jiān)測系統(tǒng)本身的可靠性、穩(wěn)定性都提出了較高要求。此外,高速列車運營里程長、途中??空旧?,走行部作為關(guān)鍵部件,在途中需及時發(fā)現(xiàn)和防止其故障的發(fā)生和擴大,以保證列車的安全運行。因此,對高速列車的走行部進行安全、可靠、實時的狀態(tài)監(jiān)測和故障診斷,指導司機、機械師及時應急處理,對保障列車安全運行具有非常重要的現(xiàn)實意義[5-7]。
傳統(tǒng)的監(jiān)測手段多為故障后監(jiān)測,如人工監(jiān)測異常振動或異音、熔斷式繼電器被用于監(jiān)測有無異常情況,卻無法實時有效地進行故障診斷,增加了列車應急處理和檢修維護的難度。目前,列車走行部大多利用對溫度、振動等進行監(jiān)測的手段對其健康狀態(tài)進行評估,許多文獻報道了對走行部監(jiān)測系統(tǒng)的設(shè)計和診斷方法的研究情況[8-10]。文獻[8]提出了一種高速動車組軸承溫度監(jiān)測系統(tǒng)的基本結(jié)構(gòu),其由溫度診斷單元和溫度傳感器組成,并介紹了主機參數(shù)和預警、報警值,但文中未對監(jiān)測系統(tǒng)的冗余架構(gòu)和故障診斷算法展開詳細闡述。文獻[9]提出了基于傳感器雙通道冗余設(shè)計的溫度監(jiān)測系統(tǒng)報警控制邏輯,其在溫度合理的前提下,利用溫差、閾值等診斷來實現(xiàn)對軸承溫度升高、熱軸預警、熱軸報警等狀態(tài)的判斷,但并未提及對兩個冗余通道合理性判斷的邏輯。文獻[10]提出一種基于冗余技術(shù)的溫度跳變監(jiān)測識別算法,其通過實時比較自身監(jiān)測到的兩路溫度值來剔除監(jiān)測到的異常溫度,降低溫度傳感器誤報率。該算法雖能識別跳變導致的誤報,并將傳感器判斷為故障,不再取信其溫度數(shù)據(jù);但實際應用中,由于線路、列車運行等工況復雜,可能會頻繁出現(xiàn)非傳感器自身故障導致的異常溫度跳變,若簡單地將其判斷為故障,會致使該軸承失去溫度監(jiān)測實際效果,存在影響行車秩序和安全的隱患。
本文在傳統(tǒng)列車走行部監(jiān)測系統(tǒng)架構(gòu)的基礎(chǔ)上,以保障走行部可靠診斷和列車安全運營為目標,提出一種全冗余走行部監(jiān)測系統(tǒng)架構(gòu),實現(xiàn)傳感器和監(jiān)測單元的全冗余;基于冗余架構(gòu),針對地面和車載數(shù)據(jù)特點、平臺特點和應用場景,分別提出診斷模型,以最大限度地保證列車穩(wěn)定安全運行。
目前列車走行部監(jiān)測系統(tǒng)大部分為非全冗余設(shè)計,當監(jiān)測單元或傳感器故障時,整節(jié)車或某一位置會出現(xiàn)監(jiān)測盲區(qū),導致走行部軸承等關(guān)鍵部件的工作狀態(tài)無法被獲知,進而無法保證列車處于安全穩(wěn)定的運行狀態(tài),影響運營安全和運營秩序。為此,本文提出一種走行部監(jiān)測系統(tǒng)全冗余架構(gòu),用以解決非冗余和部分冗余導致的監(jiān)測盲區(qū)問題,從而進一步保障列車安全穩(wěn)定運行。
全冗余走行部監(jiān)測系統(tǒng)架構(gòu)由多監(jiān)測單元和多通道傳感器構(gòu)成,綜合考慮列車的經(jīng)濟成本及配電柜安裝空間等實際應用情況,本文采用“雙監(jiān)測單元+雙通道傳感器”架構(gòu),具體如圖1 所示。
列車走行部的關(guān)鍵部件包括軸箱、齒輪箱及牽引電機等,每一個監(jiān)測位置均采用雙通道溫度/振動傳感器進行數(shù)據(jù)采集,實現(xiàn)了監(jiān)測點的冗余(圖2)。
圖2 走行部冗余監(jiān)測點位置Fig. 2 Location of redundant monitoring points of a running gear
監(jiān)測單元由兩臺相同配置、相同功能的主機組成,即走行部監(jiān)測單元1 和走行部監(jiān)測單元2。兩個監(jiān)測單元具備相互獨立的采集模塊、通信模塊、控制模塊和電源模塊,實現(xiàn)了監(jiān)測單元的冗余。
同一監(jiān)測點的兩個冗余傳感器通道(通道1 和通道2)采集的數(shù)據(jù)被分別送至兩個監(jiān)測單元(監(jiān)測單元1 和監(jiān)測單元2);兩個監(jiān)測單元根據(jù)判斷邏輯優(yōu)先進行獨立診斷,之后再通過多功能車輛總線(multifunction vehicle bus, MVB)或以太網(wǎng)總線進行數(shù)據(jù)交互及雙監(jiān)測單元交互判斷,從而實現(xiàn)走行部監(jiān)測系統(tǒng)的全冗余。
該全冗余走行部監(jiān)測系統(tǒng),以最大程度保障列車安全運行為前提,可實時監(jiān)測轉(zhuǎn)向架走形部軸承等關(guān)鍵部件狀態(tài)。當單個監(jiān)測單元故障時,可通過另一冗余監(jiān)測單元實時監(jiān)測,從而避免整節(jié)車走行部軸承關(guān)鍵部件出現(xiàn)監(jiān)測盲區(qū)。當單個傳感器通道故障時,可通過另一冗余通道實時監(jiān)測,進而避免走行部軸承關(guān)鍵部件某個監(jiān)測點出現(xiàn)監(jiān)測盲區(qū)。
列車走行部監(jiān)測系統(tǒng)包括車載和地面兩部分,其中車載部分采用圖1 所示全冗余架構(gòu),通過制定診斷狀態(tài)的互鎖和解鎖機制,給出分層級健康狀態(tài)評估的診斷模型,以降低診斷系統(tǒng)傳感器故障誤報率;地面部分通過車-地無線傳輸系統(tǒng)進行遠程監(jiān)控,并基于海量歷史數(shù)據(jù)提取特征值,構(gòu)建早期故障診斷模型,全冗余走行部監(jiān)測系統(tǒng)車-地一體化架構(gòu)如圖3 所示。
地面診斷通常以歷史正常數(shù)據(jù)的特征為依據(jù),對此類無監(jiān)督條件下的異常檢測和診斷問題進行建模分析,進而診斷系統(tǒng)潛在的故障。按照智能診斷和故障預測的一般流程,可采用基于神經(jīng)網(wǎng)絡(luò)的方法進行檢測和診斷,但需解決早期故障特征的提取以及時序信號特征等關(guān)聯(lián)耦合的問題。對此,本文采用“特征提取+時序信號建模”的模式描述軸承變化趨勢,達到異常檢測的目的。特征提取方法主要是用于從采集的信號中剔除噪聲數(shù)據(jù),從而提取軸承早期故障特征;而時序信號建模則用于對信號變化規(guī)律進行建模,從而以分析系統(tǒng)一段時間內(nèi)的行為變化為依據(jù)來判斷是早期故障的出現(xiàn)還是僅僅是觀測值的浮動。
在這樣的解決思路下,本文以“深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)+循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)”的模型框架(圖4)為基礎(chǔ),提出一種基于深度神經(jīng)網(wǎng)絡(luò)+長短周期記憶網(wǎng)絡(luò)(long short term memory network,LSTM)的早期故障檢測模型(early fault detection with deep architecture,F(xiàn)DDA)。其中DNN 用于提取特征,而LSTM 用來預測被測系統(tǒng)的行為變化。
在模型構(gòu)建階段,特征提取模塊首先從歷史原始數(shù)據(jù)(時間序列)中提取可以有效表達數(shù)據(jù)特點的特征,經(jīng)過數(shù)據(jù)信息化、信息知識化過程后再提取時序特征;然后利用所提取的時序特征建立趨勢預測模型,從而獲得系統(tǒng)正常工作時數(shù)據(jù)隱含的時序特征。
在模型應用階段,首先將實測數(shù)據(jù)輸入至特征提取模塊并提取相應的數(shù)據(jù)特征,然后再將實測數(shù)據(jù)的特征表輸入趨勢預測模型,以判斷該實測數(shù)據(jù)特征是否符合正常數(shù)據(jù)的預測趨勢;最后根據(jù)判定結(jié)果對所監(jiān)測的部位是否預警做出決策。
所提出的FDDA 模型優(yōu)點主要體現(xiàn)在:
(1)LSTM 結(jié)構(gòu)經(jīng)過修改后,其網(wǎng)絡(luò)參數(shù)的調(diào)整只與正常數(shù)據(jù)有關(guān),這樣一方面可以簡化運算,另外一方面也可以使LSTM 變成一個單純的正常時序樣本的序列生成模型,從而可以對出現(xiàn)的異常數(shù)據(jù)有比較敏感的反應;
(2)選用更適合長周期特征模式建模的LSTM 模型代替RNN 模型來構(gòu)建時序信號的關(guān)聯(lián)模型;
圖3 車-地一體化架構(gòu)Fig. 3 Train-ground integration architecture
(3)在保證及時故障預警的前提下,為降低故障誤報率,提出一種循環(huán)間接式故障評估策略(circular indirect alarm assessment strategy, CIAS)來計算故障發(fā)生的置信度。
圖4 “特征提取+趨勢預測模型”架構(gòu)Fig. 4 Architecture of“feature extraction + trend prediction model”
FDDA 模型架構(gòu)及其工作流程如圖 5 所示,其主要包括FDDA 模型的離線構(gòu)建階段及在線監(jiān)測階段。
圖5 FDDA 模型架構(gòu)Fig. 5 Architecture of FDDA model
在離線模型構(gòu)建階段,利用收集到的歷史正常數(shù)據(jù)來構(gòu)建基于DNN 的特征提取器以及對應的基于LSTM 的序列生成器。為了方便表述,記這部分結(jié)構(gòu)為DNNLSTM。DNN-LSTM 將輸入的重構(gòu)誤差記為偏差值,從而來描述系統(tǒng)狀態(tài)的變化。隨后這些偏差值被用來確定CIAS 模塊中的相關(guān)參數(shù)。
在線監(jiān)測階段,對系統(tǒng)運行時產(chǎn)生的實時數(shù)據(jù)進行監(jiān)測,利用DNN-LSTM 部分生成偏差值,并將偏差值輸入CIAS 模塊來進行評估是否為故障的征兆。
2.2.1 車載診斷模型架構(gòu)
海量歷史數(shù)據(jù)依托地面大數(shù)據(jù)中心服務(wù)器進行模型訓練,訓練成熟后的模型經(jīng)輕量化后被部署到車載監(jiān)測單元。車載診斷模型依托全冗余架構(gòu),利用傳感器感知軸承溫度、振動等狀態(tài)信息,并通過對雙通道波形一致性的判斷實現(xiàn)實時數(shù)據(jù)融合、清洗及特征提取,狀態(tài)特征和預處理結(jié)果通過車地數(shù)據(jù)傳輸系統(tǒng)反饋到遠程地面診斷系統(tǒng)。
車載診斷模型架構(gòu)如圖6 所示,車載監(jiān)測單元(即車載智能診斷單元)采用全冗余架構(gòu),分別進行獨立診斷和交互診斷。其中,交互診斷采用雙通道波形檢測模型,實時對雙通道車輛級、列車級的波形一致性進行診斷,診斷狀態(tài)包括正常、臨時故障、故障3 個層級。該狀態(tài)根據(jù)模型診斷結(jié)果實時切換,進而降低傳感器誤報率。而非冗余架構(gòu)下的診斷單元,一般僅包括正常和故障2 個層級,一旦傳感器被診斷為故障,則該傳感器的采集狀態(tài)不可信,監(jiān)測位置將出現(xiàn)盲區(qū)。
該算法在基于地面大量歷史數(shù)據(jù)的基礎(chǔ)上,通過提取特征值,構(gòu)建趨勢預測模型,并輕量化應用于 “雙智能診斷單元+雙通道傳感器”架構(gòu)的列車走行部監(jiān)測系統(tǒng)。其中,診斷狀態(tài)在傳統(tǒng)的正常和故障間,新增臨時故障狀態(tài),通過兩個智能診斷單元的數(shù)據(jù)交互判斷,制定互鎖、解鎖機制,提升了傳感器數(shù)據(jù)的有效監(jiān)測和診斷識別,降低誤報傳感器故障的風險,提高了監(jiān)測系統(tǒng)的可用性,進一步保證了列車穩(wěn)定安全運行。
2.2.2 車載診斷模型方案
針對全冗余架構(gòu)的軸承溫度監(jiān)測診斷算法,詳細流程如下:
(1)兩個溫度監(jiān)測單元分別采集溫度數(shù)據(jù)。
圖6 車載診斷模型架構(gòu)Fig. 6 Architecture of train diagnosis model
(2)單溫度監(jiān)測單元優(yōu)先根據(jù)傳感器故障判斷機制(短路、開路等)進行數(shù)據(jù)處理,濾除溫度跳變的異常情況信息。此處判斷的傳感器故障由單溫度監(jiān)測單元鎖死,即傳感器自鎖。
(3)對單溫度監(jiān)測單元同側(cè)傳感器溫度進行比較,當列車處于靜止狀態(tài)時,該通道溫度與同側(cè)溫度平均值之差超過設(shè)定值,則判定為傳感器故障(此處判斷的傳感器故障由單溫度監(jiān)測單元鎖死,即傳感器自鎖)。
(4)對雙通道溫度進行比較
① 同一位置兩通道溫度差值≤Y(Y為整套溫度監(jiān)測系統(tǒng)精度,其包括溫度傳感器精度和溫度監(jiān)測單元精度),則判定傳感器兩個通道工作正常。
② 同一位置兩通道溫度差值>Y,則根據(jù)故障導向安全原則,設(shè)溫度值高的傳感器為正常;溫度值低的傳感器由溫度監(jiān)測單元判定為傳感器臨時故障,即傳感器互鎖,此時臨時狀態(tài)不鎖死,監(jiān)測單元記錄故障信息并通信傳輸給網(wǎng)絡(luò)。
③ 當高值溫度傳感器被單溫度傳感器監(jiān)測單元判斷為故障狀態(tài)或高值溫度監(jiān)測單元通信故障時,低值溫度傳感器狀態(tài)恢復正常,即傳感器解鎖。
算法流程圖如圖7 所示。
圖7 冗余架構(gòu)軸承溫度監(jiān)測診斷算法流程Fig. 7 Flow chart of bearing temperature monitoring and diagnosis algorithm for the system with redundant architecture
基于冗余算法的列車軸承溫度監(jiān)測系統(tǒng)搭載于某型動車組實際應用,列車時速為350 km,監(jiān)測范圍為軸箱、齒輪箱、電機軸承等36 個監(jiān)測點,本文分別選取兩個監(jiān)測單元一天的正常和異常數(shù)據(jù)進行分析。
列車溫度診斷單元1 和溫度診斷單元2 工作正常時,相同監(jiān)測點溫度曲線趨勢一致,無異常跳變,系統(tǒng)運行穩(wěn)定,溫度曲線如圖8 和圖9 所示。
圖8 溫度診斷單元1 溫度曲線Fig. 8 Temperature curves of the temperature diagnosis unit 1
圖9 溫度診斷單元2 溫度曲線Fig. 9 Temperature curves of the temperature diagnosis unit 2
列車溫度診斷單元出現(xiàn)故障時,由正常單元進行實時溫度監(jiān)測。如圖10 和圖11 所示,溫度診斷單元1 工作正常,溫度曲線一致。溫度診斷單元2 工作異常,各監(jiān)測位置溫度曲線不再變化。列車通過冗余診斷算法,屏蔽溫度診斷單元2 溫度數(shù)據(jù),取信溫度診斷單元1 數(shù)據(jù),保障了列車穩(wěn)定運行。
通過以上測試結(jié)果可知,采用全冗余技術(shù)后,系統(tǒng)能夠通過冗余算法識別高速列車運行過程中的系統(tǒng)異常并進行屏蔽,同時采用冗余機制可以通過另一監(jiān)測單元實時正常監(jiān)測走行部關(guān)鍵部件狀態(tài)信息,保證列車的安全運行。
圖10 溫度診斷單元1 溫度曲線Fig. 10 Temperature curves of temperature diagnosis unit 1
圖11 溫度診斷單元2 溫度曲線Fig. 11 Temperature curves of temperature diagnosis unit 2
本文以保障列車安全穩(wěn)定運行為目標,開展了高速列車走行部的可靠監(jiān)測和診斷技術(shù)研究?;趥鹘y(tǒng)列車走行部監(jiān)測系統(tǒng)架構(gòu),提出了“雙智能診斷單元+雙通道傳感器”的全冗余架構(gòu),解決了單診斷單元或單通道傳感器故障導致的監(jiān)測盲區(qū)問題;并基于全冗余架構(gòu),根據(jù)地面及車載數(shù)據(jù)特點、平臺特點和應用場景的不同,提出相應的診斷模型。采用該診斷模型可以提高診斷系統(tǒng)的可靠性,進一步保證了列車的安全穩(wěn)定運行。未來,隨著大數(shù)據(jù)、人工智能、機器學習等技術(shù)的不斷成熟和深化應用,結(jié)合列車及關(guān)鍵部件的全壽命周期數(shù)據(jù)的全面覆蓋,通過全過程的實時交互和虛實映射,構(gòu)建部件級、系統(tǒng)級數(shù)字孿生模型,刻畫整車數(shù)字畫像,實時評估車輛健康狀態(tài)及部件剩余壽命,實現(xiàn)車輛全壽命周期的自感知、自診斷、自決策、自修復,打造智慧型列車。