基于人工智能的高速動(dòng)車組軸承剩余壽命預(yù)測(cè)方法研究

董緒琪 王西山 李彥林

摘 要：軸承是動(dòng)車組轉(zhuǎn)向架的重要部件之一，其可靠性直接關(guān)乎列車運(yùn)行安全。動(dòng)車組軸承壽命作為衡量軸承性能的重要指標(biāo)，主要受材料內(nèi)因、載荷、潤(rùn)滑液濃度等多重因素影響。為解決動(dòng)車組軸承剩余壽命預(yù)測(cè)實(shí)效性、準(zhǔn)確性問(wèn)題，本文基于大數(shù)據(jù)平臺(tái)進(jìn)行模型部署，通過(guò)神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行模型構(gòu)建，結(jié)合軸承溫度的相對(duì)溫升與行駛里程的關(guān)系，進(jìn)行軸承剩余壽命研究方法探究。

關(guān)鍵詞：動(dòng)車組;軸承溫升特征;神經(jīng)網(wǎng)絡(luò);軸承剩余壽命

0 引言

軸承作為動(dòng)車組轉(zhuǎn)向架的重要部件，該工件的好壞直接影響著動(dòng)車的安全性能和維護(hù)成本。經(jīng)調(diào)查美國(guó)每年有超過(guò)10起與軸承相關(guān)的列車故障發(fā)生[1]，而我國(guó)機(jī)車軸承每年有40%需要下車檢驗(yàn)，33%需要更換[2]。動(dòng)車組長(zhǎng)期工作在沙漠、高鹽、高海拔、高濕度、多涵洞、永凍土、超載等各種復(fù)雜惡劣環(huán)境，對(duì)軸承的健康狀態(tài)有著極大的影響，一旦軸承故障，輕則停運(yùn)救援，重則脫軌。惡劣的環(huán)境及高額的故障成本，進(jìn)一步加劇了軸承壽命預(yù)測(cè)工作的緊迫性，但實(shí)驗(yàn)室通過(guò)工況模擬很難做到與現(xiàn)場(chǎng)復(fù)雜的工況數(shù)據(jù)一致;因此，在大數(shù)據(jù)背景下，應(yīng)用車載傳感器的完整數(shù)據(jù)，對(duì)軸承的剩余壽命進(jìn)行預(yù)測(cè)，可有效降低事故率，為軸承從故障修、計(jì)劃修向預(yù)測(cè)修、狀態(tài)修轉(zhuǎn)變提供重要的技術(shù)支撐;從而有效提高動(dòng)車組安全性、降低運(yùn)維成本。隨著大數(shù)據(jù)、5G等互聯(lián)網(wǎng)技術(shù)逐漸成熟，軸承剩余壽命預(yù)測(cè)將變得更加智能、精準(zhǔn)、高效。

目前，國(guó)內(nèi)外學(xué)者對(duì)于航空、轎車、風(fēng)電、精密機(jī)床主軸配套軸承等高端軸承都有著廣泛而深入的研究，但鐵路軸承及其壽命的研究仍然較少。國(guó)內(nèi)動(dòng)車組運(yùn)行工況較國(guó)外復(fù)雜，國(guó)內(nèi)外各大軸承廠商大多根據(jù)各自的研究結(jié)果及現(xiàn)場(chǎng)經(jīng)驗(yàn)提出各種軸承壽命的計(jì)算方法，針對(duì)軸承壽命預(yù)測(cè)至今沒(méi)有統(tǒng)一的被行業(yè)接受的方法。長(zhǎng)期以來(lái)大都通過(guò)統(tǒng)計(jì)分析或振動(dòng)信號(hào)分析開(kāi)展軸承狀態(tài)監(jiān)測(cè)，過(guò)去的研究主要從力學(xué)或故障診斷的觀點(diǎn)出發(fā)，包括利用力學(xué)公式推導(dǎo)或模糊邏輯方法對(duì)軸承三維受載、軸承狀態(tài)和故障模式進(jìn)行分析，利用統(tǒng)計(jì)參數(shù)（方根值）、峭度系數(shù)或者峰度因子的變化趨勢(shì)對(duì)軸承的缺陷進(jìn)行建模。或基于國(guó)家標(biāo)準(zhǔn)的軸承壽命計(jì)算公式基礎(chǔ)上，提出不同的修正額定壽命計(jì)算方法?，F(xiàn)有文獻(xiàn)，或是基于載荷進(jìn)行軸承壽命預(yù)測(cè)方法[3]，考慮了車輛在低速的情況下載荷等因素對(duì)軸承壽命預(yù)測(cè)，但未對(duì)其它（如潤(rùn)滑）影響軸承壽命因素進(jìn)行考慮。或是通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)軸承壽命的方法[4]，用加速度傳感器測(cè)得軸承振動(dòng)信號(hào)，提取振動(dòng)信號(hào)的峭度指標(biāo)和方均根指標(biāo)作為特征參數(shù)，用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)軸承未來(lái)的振動(dòng)特征，但沒(méi)有估計(jì)出軸承的剩余壽命?；蚧谡駝?dòng)退化信號(hào)和神經(jīng)網(wǎng)絡(luò)的軸承剩余壽命方法[5]，先通過(guò)軸承加速壽命試驗(yàn)獲得反映軸承性能退化的振動(dòng)信號(hào)，建立軸承退化信號(hào)數(shù)據(jù)庫(kù);然后以故障特征頻率及其諧波的振幅為特征參數(shù)，用神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)失效壽命。采用相對(duì)方均根值研究軸承性能退化規(guī)律，利用相關(guān)分析選取敏感特征作為輸入，構(gòu)造多變量支持向量機(jī)用于軸承剩余壽命預(yù)測(cè);然而，由于沒(méi)有充分考慮軸承處實(shí)際運(yùn)行環(huán)境的影響，難以有效的對(duì)動(dòng)車組軸承剩余壽命進(jìn)行預(yù)測(cè)。

1 建立反映軸承性能退化的特征指標(biāo)

根據(jù)目前動(dòng)車組軸承工況復(fù)雜、所處環(huán)境惡劣等因素，通過(guò)構(gòu)建軸承性能退化指標(biāo)描述軸承壽命退化特性、應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)建立一個(gè)泛化度較高的一般軸承壽命預(yù)測(cè)模型，以完成軸承壽命預(yù)測(cè)模型構(gòu)建，技術(shù)路線如圖1所示。

基于軸承溫度監(jiān)測(cè)數(shù)據(jù)，構(gòu)建軸承相對(duì)溫升來(lái)描述軸承性能退化特性，有效避免單一工況對(duì)軸承剩余壽命預(yù)測(cè)結(jié)果值偏高問(wèn)題，智能、精準(zhǔn)預(yù)測(cè)軸承剩余壽命，對(duì)軸承剩余壽命預(yù)測(cè)方法的探索性研究具有重要意義。具體步驟如：（1）計(jì)算列車?yán)塾?jì)里程;（2）計(jì)算每包數(shù)據(jù)的里程;（3）計(jì)算每行數(shù)據(jù)累計(jì)里程。

篩選一年內(nèi)，時(shí)速大于200km/h的數(shù)據(jù)，觀察軸溫工作溫度、環(huán)境溫度、工作溫度-環(huán)境溫度、（工作溫度-環(huán)境溫度）/轉(zhuǎn)速隨時(shí)間的變化關(guān)系;獲取軸承溫度的相對(duì)溫升與軸承行駛里程相關(guān)性。獲取工作溫度-環(huán)境溫度，即軸承溫度的相對(duì)溫升，同列車行駛里程對(duì)應(yīng)關(guān)系。其與軸承行駛里程對(duì)應(yīng)關(guān)系明顯，可作為軸承溫升性能退化指標(biāo)如圖2所示。

2 基于性能退化特征構(gòu)建軸承壽命預(yù)測(cè)模型

模型構(gòu)建以動(dòng)車組軸承全壽命周期內(nèi)數(shù)據(jù)為依托，擬合軸承性能退化指標(biāo)與每萬(wàn)公里行駛里程的對(duì)應(yīng)關(guān)系，構(gòu)建近似工況的軸承性能退化特征與行駛里程的一般性關(guān)系模型。應(yīng)用LSTM預(yù)測(cè)溫差性能退化指標(biāo)，構(gòu)建軸承的具體工況與性能退化特征關(guān)系模型構(gòu)建。后期優(yōu)化基于樣本數(shù)據(jù)逐漸增加、預(yù)測(cè)與實(shí)測(cè)差異計(jì)算，實(shí)現(xiàn)模型模型參數(shù)調(diào)優(yōu)、閾值調(diào)整，進(jìn)一步降低軸承故障誤報(bào)率，軸承剩余壽命預(yù)測(cè)準(zhǔn)確率。

2.1 近似工況下軸承性能退化指標(biāo)與行駛里程的一般性關(guān)系模型

近似工況的軸承性能退化，指的是選取同一條運(yùn)行線路、同型、同列動(dòng)車組，相同的制造工藝、相同部位、相同滑條件、相似工作環(huán)境等工況的軸承，進(jìn)行軸承性能退化研究。模型通過(guò)擬合軸承性能退化指標(biāo)與行駛里程的關(guān)系，完成軸承性能退化溫升特征構(gòu)建如圖3所示。該模型的輸入量為軸承的運(yùn)行里程、輸出量為軸承性能退化溫升特征。首先，構(gòu)建單個(gè)具體軸承生命周期內(nèi)性能退化指標(biāo)隨里程的變化;隨后運(yùn)用此方法對(duì)近似工況下全生命周期的軸承進(jìn)行性能退化指標(biāo)與里程關(guān)系擬合;最后根據(jù)軸承擬合結(jié)果，創(chuàng)建泛化能力較高的趨于一般軸承的特征曲線簇。

軸承全生命周期，可通過(guò)故障的發(fā)生、發(fā)展程度，構(gòu)造故障標(biāo)識(shí)量、性能退化指標(biāo)進(jìn)行數(shù)量化表征。通常故障的發(fā)生一般由一些細(xì)微有害因素不斷累積擴(kuò)大或次生危害性因素的產(chǎn)生與累加，最終使得零部件或系統(tǒng)的性能不能滿足設(shè)計(jì)要求，從而表現(xiàn)為失效或故障。即，其軸承全生命周期運(yùn)行可分為四種時(shí)態(tài)為正常軸承運(yùn)行狀態(tài)、故障萌生和初步發(fā)展的故障初期、故障進(jìn)一步發(fā)展的故障中期、故障持續(xù)惡化導(dǎo)致最終失效的故障晚期如圖4所示。

2.2 軸承的具體工況與性能退化特征關(guān)系模型構(gòu)建

DNN作為全連接的神經(jīng)元結(jié)構(gòu)，目前運(yùn)用于國(guó)內(nèi)外多個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，取得了不錯(cuò)的效果，可惜這些模型仍需較多的軸承試驗(yàn)來(lái)保證預(yù)測(cè)精度。因無(wú)過(guò)多的軸承來(lái)確保試驗(yàn)的準(zhǔn)確性，故其試驗(yàn)結(jié)果缺乏相關(guān)實(shí)際根據(jù)。原始的RNN無(wú)法記住長(zhǎng)期信息，而LSTM（長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)），細(xì)胞狀態(tài)直接在整個(gè)鏈上運(yùn)行，只有一些少量通過(guò)“門”進(jìn)行線性交互，信息在上面流傳保持不變變得容易，保證了信息長(zhǎng)期記憶。從而使動(dòng)車組軸承通過(guò)變化的時(shí)間序列預(yù)測(cè)軸承性能退化指標(biāo)成為了可能。

通過(guò)應(yīng)用LSTM算法預(yù)測(cè)軸承性能退化指標(biāo)，構(gòu)建軸承的具體工況與性能退化特征關(guān)系模型，獲取預(yù)測(cè)軸承性能退化指標(biāo)輸出;以實(shí)現(xiàn)軸承特定工況下，未來(lái)某個(gè)時(shí)刻軸承的性能退化軸承性能退化指標(biāo)的預(yù)測(cè)。該模型的輸入量為某軸承最近5小時(shí)工況數(shù)據(jù)，輸出量為未來(lái)軸承性能退化指標(biāo)，進(jìn)行未來(lái)某時(shí)刻軸承性能退化指標(biāo)的預(yù)測(cè)。

最終，將預(yù)測(cè)的未來(lái)軸承性能退化指標(biāo)代入近似工況的軸承性能退化特征與行駛里程的一般性關(guān)系模型，完成軸承剩余壽命預(yù)測(cè)模型的構(gòu)建，該模型的輸入量為某軸承最近工況數(shù)據(jù)，輸出量為軸承的剩余運(yùn)行里程。

3 剩余壽命預(yù)測(cè)模型驗(yàn)證與應(yīng)用

為檢測(cè)具體工況下軸承剩余壽命模型的一般泛化能力和應(yīng)用效果。以CR400AFXXXX動(dòng)車組為例，通過(guò)輸入當(dāng)前時(shí)間點(diǎn)對(duì)應(yīng)的運(yùn)行時(shí)間、里程、時(shí)速等軸承的工況數(shù)據(jù)如表1所示。

結(jié)果表明，該軸承已進(jìn)入故障初期，將于50400h后徹底失效。并將預(yù)測(cè)結(jié)果存入檢測(cè)中心軸承監(jiān)測(cè)數(shù)據(jù)庫(kù)，經(jīng)后期維護(hù)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)對(duì)比，得知該模型誤差為1.24%，能夠達(dá)到軸承壽命預(yù)測(cè)預(yù)期目標(biāo)。軸承壽命預(yù)測(cè)模型示意圖如圖5所示。

4 結(jié)論

本文以解決動(dòng)車組實(shí)際工況環(huán)境下軸承剩余壽命預(yù)測(cè)為主旨，以動(dòng)車組軸承實(shí)際工況下運(yùn)行數(shù)據(jù)為依托，完成基于大數(shù)據(jù)的高速動(dòng)車組軸承剩余壽命預(yù)測(cè)方法研究。后期經(jīng)大量軸承真實(shí)數(shù)據(jù)進(jìn)行分析、擬合與驗(yàn)證模型，最終形成研究結(jié)論如下：

（1）提出了基于溫度的軸承性能退化指標(biāo)構(gòu)造方法。本實(shí)驗(yàn)采用動(dòng)車組實(shí)際運(yùn)行全生命周期數(shù)據(jù)進(jìn)行試驗(yàn);綜合考量軸承性能退化影響因素后，通過(guò)軸承性能退化機(jī)理及算法擬合軸承溫度、軸承溫度-環(huán)境溫度、（軸承溫度-環(huán)境溫度）/轉(zhuǎn)速與軸承運(yùn)行時(shí)間確立的;該指標(biāo)結(jié)合了軸承工況下的多重因素，且對(duì)早期故障敏感，為剩余壽命預(yù)測(cè)奠定了基礎(chǔ)。（2）形成了基于溫度的性能退化指標(biāo)的軸承壽命預(yù)測(cè)方法。本模型基于大量動(dòng)車組全生命周期內(nèi)的軸承運(yùn)行數(shù)據(jù)，完整的反應(yīng)同類軸承的性能預(yù)測(cè)，相較其他在實(shí)驗(yàn)室中的模型能夠更真實(shí)的展示軸承剩余壽命信息;通過(guò)長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)精準(zhǔn)地預(yù)測(cè)未來(lái)某時(shí)刻溫差性能退化指標(biāo)，實(shí)現(xiàn)對(duì)軸承剩余壽命預(yù)測(cè)。（3）提出了一種全新的軸承故障概率計(jì)算方法。該方法基于LSTM溫差性能退化指標(biāo)，通過(guò)將預(yù)測(cè)溫差性能退化指標(biāo)與里程對(duì)應(yīng)面積與全生命周期軸承性能退化指標(biāo)與里程面積進(jìn)行求比值即可得到軸承的全生命周期中不同階段的故障概率。

參考文獻(xiàn)

[1] Sneed W H，Smith R L.On-board real-time railroad bearing defect detection and Monitoring[C].Railroad Conference，American，April 15-16，1998：149-153.

[2] 李興林.滾動(dòng)軸承故障監(jiān)測(cè)診斷技術(shù)應(yīng)用進(jìn)展[J].工程與試驗(yàn)，2009（4）：1-5.

[3] 劉德昆，李強(qiáng)，王曦，等.動(dòng)車組軸箱軸承基于實(shí)測(cè)載荷的壽命預(yù)測(cè)方法[J].機(jī)械工程學(xué)報(bào)，2016（22）：45-54.

[4] Shao， Y; Nezu， K. Prognosis of Remaining Bearing Life using Neural Networks[J].Proceedings of the Institution of Mechanical Engineers-Part I，2000，214（3）：217.

[5] GEBRAEEL N， LAWLEY M， LIU R.Residual life， predictions from vibra- tion-based degradation signals：a neural network approach[J].IEEE Tran-sactions on Industrial Electronics，2004，51（3）：694-700.