辛民，江亞男

(1.神華鐵路貨車運輸有限責(zé)任公司,北京 100011; 2.西南交通大學(xué) 牽引動力國家重點實驗室，四川 成都 610031)

基于BP神經(jīng)網(wǎng)絡(luò)的鐵路貨車橫向穩(wěn)定性評估

辛民1，江亞男2

(1.神華鐵路貨車運輸有限責(zé)任公司,北京 100011; 2.西南交通大學(xué) 牽引動力國家重點實驗室，四川 成都 610031)

探討了BP神經(jīng)網(wǎng)絡(luò)技術(shù)在鐵路貨車橫向穩(wěn)定性評估中的應(yīng)用：首先通過貨車動力學(xué)模型的單參數(shù)影響分析篩選出了車輛橫向穩(wěn)定性關(guān)鍵影響因素集；然后采用MATLAB的Newff函數(shù)設(shè)計因素集與臨界速度的映射關(guān)系神經(jīng)網(wǎng)絡(luò)模型，通過對比不同設(shè)計參數(shù)下預(yù)測值與期望值的誤差確定合理的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；最后，通過預(yù)測結(jié)果與實際值的對比分析和相關(guān)性分析驗證了該映射關(guān)系模型的有效性.根據(jù)該映射關(guān)系可以實現(xiàn)基于部件狀態(tài)的貨車橫向穩(wěn)定性評估.

鐵路貨車;檢修制度;狀態(tài)修;神經(jīng)網(wǎng)絡(luò);穩(wěn)定性評估

0 引言

鐵路貨車狀態(tài)修通過檢測車輛技術(shù)狀態(tài)來確定最佳維修時機和內(nèi)容，是一種按需維修方式，在經(jīng)濟性、安全性和高效性方面較事后修和預(yù)防性計劃修有較明顯的優(yōu)勢[1].美國、加拿大、澳大利亞等國已基本實現(xiàn)了以狀態(tài)修為主、計劃性預(yù)防修為輔的貨車檢修管理體制[2].近年，我國鐵路貨車在檢修制度、產(chǎn)品質(zhì)量、信息化管理水平和車輛安全監(jiān)測技術(shù)等方面的研究和發(fā)展，為狀態(tài)修的實現(xiàn)提供了一定的基礎(chǔ)，我國鐵路貨車檢修制度正處于向狀態(tài)修過度的階段[3- 4].

實現(xiàn)鐵路貨車狀態(tài)修的關(guān)鍵技術(shù)之一在于車輛技術(shù)狀態(tài)的診斷與評估.神經(jīng)網(wǎng)絡(luò)技術(shù)以人腦工作模式為基礎(chǔ)，研究自適應(yīng)及非程序的信息處理方法，可用來描述認(rèn)知、決策及控制的智能行為[5].神經(jīng)網(wǎng)絡(luò)的功能特性使其在處理鐵道車輛部件參數(shù)識別、故障診斷和健康評估等方面表現(xiàn)出優(yōu)越性.當(dāng)前已有研究者開展相關(guān)的研究：楊紹華等[6]在利用圖像預(yù)處理技術(shù)和Hilditch細(xì)化算法實現(xiàn)表征數(shù)字結(jié)構(gòu)特征向量的基礎(chǔ)上，設(shè)計出能進行貨車車號識別的BP 人工神經(jīng)網(wǎng)絡(luò)模型；寧武龍[7]根據(jù)BP神經(jīng)網(wǎng)絡(luò)理論設(shè)計并編寫了軸承壽命預(yù)測平臺；劉浩[8]建立了一個基于小波包分析與神經(jīng)網(wǎng)絡(luò)識別相結(jié)合的貨車軸承故障診斷方法，通過神經(jīng)網(wǎng)絡(luò)建立軸承狀態(tài)與聲發(fā)射信號特征向量的映射關(guān)系.本文以某型鐵路貨車為例，采用車輛系統(tǒng)動力學(xué)仿真技術(shù)實現(xiàn)貨車懸掛參數(shù)和車輪狀態(tài)參數(shù)對整車橫向穩(wěn)定性的影響分析，構(gòu)建了貨車橫向穩(wěn)定性關(guān)鍵影響參數(shù)集，并探究了以BP神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)的貨車部件參數(shù)與整車橫向穩(wěn)定性的映射關(guān)系模型，從而實現(xiàn)基于部件狀態(tài)的整車橫向穩(wěn)定性評估.

1 BP神經(jīng)網(wǎng)絡(luò)算法

BP( Back Propagation) 神經(jīng)網(wǎng)絡(luò)最早由美國Rumelhart和McCelland為代表的PDP( parallel distributed processing) 科學(xué)家研究小組提出[9]，是一種基于誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò).圖1為3層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖[10]，包括輸入層、隱含層和輸出層，各層神經(jīng)元的個數(shù)分別為n、m和l，wij(1≤i≤n,1≤j≤m)為輸入層與隱含層的連接權(quán)值，vjk(1≤j≤m,1≤k≤l)為隱含層與輸出層的連接權(quán)值，f(x)、g(x)分別為輸入層到隱含層和隱含層到輸出層的傳遞函數(shù).神經(jīng)元節(jié)點的前后值的計算公式如式(1)、(2)：

(1)

(2)

式中，c、y分別表示不隱含層和輸出層神經(jīng)元節(jié)點的值.下標(biāo)1表示輸入側(cè)，2表示輸出側(cè)，θj、tk分別表示各神經(jīng)元的輸出閾值.傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型采用的傳遞函數(shù)通常為Sigmoid型函數(shù)，即

(3)

圖1 3層BP神經(jīng)網(wǎng)絡(luò)拓?fù)?/p>

訓(xùn)練階段模型輸出值與預(yù)期值的全局均方根誤差計算式為

(4)

BP神經(jīng)網(wǎng)絡(luò)在對目標(biāo)對象的預(yù)測過程可歸納為，首先通過模擬和仿真生物大腦的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用式(1)～(3)對輸入的樣本數(shù)據(jù)進行非線性處理和預(yù)測；根據(jù)式(4)計算預(yù)測結(jié)果值與輸入預(yù)期值的誤差，并判斷該值是否符合預(yù)先設(shè)定的目標(biāo)，如果不符合，則按照誤差最速下降法或梯度下降法的學(xué)習(xí)規(guī)則，通過反向傳播來調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，循環(huán)該過程直至均方根誤差滿足要求，從而訓(xùn)練出最優(yōu)神經(jīng)網(wǎng)絡(luò)模型；最后根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對待預(yù)測的數(shù)據(jù)數(shù)據(jù)進行計算.

2 貨車橫向穩(wěn)定性數(shù)值分析方法

整車的橫向穩(wěn)定性與鐵路貨車的安全平穩(wěn)運行息息相關(guān)，蛇形運動加劇輪對、鋼軌損傷，增大列車脫軌風(fēng)險，鐵路貨車的橫向穩(wěn)定性是貨車動力學(xué)性能關(guān)注的熱點問題.車輛橫向穩(wěn)定性理論分析采用的評價指標(biāo)為臨界速度.考慮車輛懸掛和輪軌關(guān)系的非線性特性，本文通過多體動力學(xué)軟件SIMPACK建立某型貨車整車動力學(xué)模型，如圖2所示.車輛蛇形臨界速度計算采用的軌道激擾類型為理想軌道不平順，即假定軌道不平順幅值為0，僅在初始條件下給車輛施加一橫向脈沖激擾；計算方法采用“恒速”法，即給定某一計算速度，觀察在初始激擾下構(gòu)架蛇形運動的收斂情況，若收斂則增大計算速度，反之則降低速度，直至找到列車穩(wěn)定的最大運行速度.

圖2 貨車車輛系統(tǒng)動力學(xué)模型

利用圖2所示的貨車系統(tǒng)動力學(xué)模型，采用控制單參數(shù)變化的方式探究對該型貨車橫向穩(wěn)定性影響顯著的因素，通過對比分析篩選出該型貨車關(guān)鍵影響因素集，如表1所示.

表1 關(guān)鍵影響因素集

3 貨車橫向穩(wěn)定性評估模型

貨車車輛系統(tǒng)為復(fù)雜耦合的大型系統(tǒng)，整體性能影響因素多，影響規(guī)律非線性特性明顯，且各因素間具有一定的相關(guān)性，精確的整車橫向穩(wěn)定性指標(biāo)計算數(shù)學(xué)模型難以構(gòu)建.本節(jié)采用具有強非線性擬合能力的BP神經(jīng)網(wǎng)絡(luò)建立影響因素集參數(shù)與蛇形失穩(wěn)臨界速度的映射關(guān)系，并以此為核心建立貨車橫向穩(wěn)定性評估模型，如圖3所示.具體過程為：

(1)離線狀態(tài)下，采用第2節(jié)介紹的數(shù)值計算方法獲得不同關(guān)鍵因素集參數(shù)組合對應(yīng)的整車臨界速度，如表2所示；

(2)基于Matlab編程功能設(shè)計合理的BP神經(jīng)網(wǎng)絡(luò)，以表2中的數(shù)據(jù)為分析樣本進行模型訓(xùn)練，構(gòu)建因素集與臨界速度的映射關(guān)系模型；

(3)根據(jù)部件狀態(tài)檢測數(shù)據(jù)和映射關(guān)系模型預(yù)測整車當(dāng)前狀態(tài)的臨界速度，并將其與指標(biāo)限值對比實現(xiàn)整車橫向穩(wěn)定性的評估.

圖3 貨車車輛橫向穩(wěn)定性評估

采用Matlab自帶Newff函數(shù)建立BP神經(jīng)網(wǎng)絡(luò)，其形式為：

Net=newff(PR，[S1S2…S(N-1)]，[TF1TF2…TF(N-1)]，BTF，BLF，PF)

其中，PR為R×2的矩陣，定義R個輸入向量的最小值和最大值；Si為第i層神經(jīng)元個數(shù)；TFi為第i層的傳遞函數(shù)，默認(rèn)函數(shù)為tansig函數(shù)；BTF為訓(xùn)練函數(shù)，默認(rèn)函數(shù)為trainlm函數(shù)；BLF：權(quán)值/閾值學(xué)習(xí)函數(shù)，默認(rèn)函數(shù)為learngdm函數(shù)；PF為性能函數(shù)，默認(rèn)函數(shù)為mse函數(shù).本文采用3層BP神經(jīng)網(wǎng)絡(luò)構(gòu)建車輛橫向穩(wěn)定性與影響因素集的映射關(guān)系，其中，隱層神經(jīng)元個數(shù)的設(shè)置善無明確的計算公式，本文通過遍歷法選取出預(yù)測值與期望值絕對誤差均方值(AERMS)最小的神經(jīng)元節(jié)點數(shù)，訓(xùn)練次數(shù)為10 000，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.05.計算得到不同隱層神經(jīng)元數(shù)目下，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)和誤差如表3所示.

表2 因素集參數(shù)組合

表3 不同隱層神經(jīng)元個數(shù)的誤差均方值對比

由表3可見，當(dāng)隱層神經(jīng)元節(jié)點數(shù)為60時，模型訓(xùn)練次數(shù)最少，且訓(xùn)練階段和預(yù)測階段的誤差均方值均為最小.取隱層神經(jīng)元節(jié)點數(shù)為60，計算得到訓(xùn)練階段和預(yù)測階段的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與期望值對比曲線，如圖4所示，圖5為BP神經(jīng)網(wǎng)絡(luò)輸出值與期望值的線性相關(guān)性分析.

(a)訓(xùn)練階段

(b)預(yù)測階段

(a)訓(xùn)練階段

(b)預(yù)測階段

由圖4和圖5可見，BP神經(jīng)網(wǎng)絡(luò)的輸出值與期望值有較好的重合度，訓(xùn)練階段和預(yù)測階段的線性相關(guān)性擬合優(yōu)度分別為0.95和0.89，二者的線性相關(guān)性強.表明本文所建立的BP神經(jīng)網(wǎng)絡(luò)模型能很好的表征車輛部件狀態(tài)參數(shù)與橫向穩(wěn)定性的映射關(guān)系，基于該映射關(guān)系的車輛橫向穩(wěn)定性評估模型是有效的.

4 結(jié)論

(1)本文根據(jù)某型貨車的性能參數(shù)建立了整車動力學(xué)模型，并通過控制單參數(shù)變化篩選出該型車的橫向穩(wěn)定性關(guān)鍵影響因素集，為一系縱、橫向剛度、二系橫向剛度、輪徑差(同軸、同架)、踏面等效錐度和車輪多邊形(階數(shù)、深度)；

(2)通過對比訓(xùn)練期和預(yù)測期的計算誤差，本文確定了表征關(guān)鍵影響因素集參數(shù)與臨界速度映射關(guān)系的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計參數(shù)；

(3)本文所建立的BP神經(jīng)網(wǎng)絡(luò)得到的預(yù)測值與期望值有較好的重合度，且二者的線性相關(guān)性優(yōu)，以該算法為核心的整車橫向穩(wěn)定性評估模型可以有效地應(yīng)用于實際評估；

(4)在評估模型建立過程中，要充分考慮預(yù)測樣本的數(shù)量、可靠性和訓(xùn)練方法的合理性，只有三者全面考慮，才能建立合理有效的分析模型.

[1]肖斌.基于保障運輸秩序的鐵路貨車維修機制優(yōu)化研究[D].北京：中國鐵道科學(xué)研究院,2015.

[2]閆穎.大數(shù)據(jù)技術(shù)在神華鐵路貨車狀態(tài)修研究中的探索[J].神華科技,2015,13(6):79- 83.

[3]陳雷,孫蕾.從鐵路貨車修程設(shè)置談檢修制度的發(fā)展趨勢[J].中國鐵路,2009(9):9- 13.

[4]羅松柏.鐵路貨車由預(yù)防修過渡到狀態(tài)修之我見[J].鐵道技術(shù)監(jiān)督,2006,34(5):12- 15.

[5]吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].哈爾濱：東北農(nóng)業(yè)大學(xué),2007.

[6]楊紹華,李建勇,王恒.基于BP神經(jīng)網(wǎng)絡(luò)的貨車車號識別方法研究[J].鐵路計算機應(yīng)用,2007,16(12):4- 7.

[7]寧武龍.基于BP神經(jīng)網(wǎng)絡(luò)的軸承壽命預(yù)測平臺開發(fā)[D].成都：西南交通大學(xué),2014.

[8]劉浩.基于聲發(fā)射技術(shù)的貨車滾動軸承故障診斷研究[D].長沙：中南大學(xué),2010.

[9]MUELLER D C.Patents, Research and Development,and the Measurement of Inventive Activity[J].Journal of Industrial Economics,1966,15(1):26- 37.

[10]張國翊,胡錚.改進BP神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析[J].中南大學(xué)學(xué)報(自然科學(xué)版),2011,42(1):115- 124.

Study of Lateral Stability Assessment of Railway Freight Wagon based on BP Neural Network

XIN Min1,JIANG Yanan2

(1.Shenhua Railway Wagon Transportation Company Ltd,Beijing 100036,China; 2.State Key Laboratory of Traction Power,Southwest Jiaotong University,Chengdu 610031,China)

The application of BP neural network in lateral stability assessment of railway freight wagon is investigated. Firstly the dynamic model of a vehicle is built, and the key factor set is obtained through the influence analysis of single parameter. According to Newff function in MATLAB, the mapping relationship model between the factors and critical velocity is designed. Comparing the prediction value of BP neural network with the actual one, the effectiveness of the mapping relationship model is verified. The lateral stability assessment of the vehicle based on the state of components is realized by the mapping relationship model.

railway freight wagon;inspection and repair system;state maintenance;neural network;lateral stability assessment

1673- 9590(2017)04- 0060- 04

2017- 01- 05

辛民(1979-)，男，高級工程師，博士，主要從事鐵路貨車可靠性、安全性與維修性的研究E-mail:76907672@qq.com.

A