喬心宏 謝敬玲 黃 鷹

（青島杰瑞工控技術有限公司，山東 青島 266061）

0 引言

近年來，我國的高速列車發(fā)展迅速，已成為人們日常出行必不可少的交通工具。牽引系統(tǒng)、轉向架系統(tǒng)以及制動系統(tǒng)是構成列車運動系統(tǒng)的3 個核心，作為列車“發(fā)動機”的牽引系統(tǒng)，是列車動力傳遞和轉化的重要部分，也是保證列車高速穩(wěn)定運行的關鍵[1]。由于列車長時間運行，牽引系統(tǒng)中的某些關鍵零部件會發(fā)生損耗，導致使用可靠性能降低，容易發(fā)生運行故障，影響列車的安全運行，從而產(chǎn)生極大的安全隱患。因此，在列車高速運行的過程中，實時監(jiān)測牽引系統(tǒng)零部件的關鍵特征參數(shù)，完成參數(shù)的處理，準確判斷系統(tǒng)故障并將信息準確反饋顯示，是提高列車安全性能的關鍵。

目前我國在列車牽引在線監(jiān)測系統(tǒng)方面的研究較一些發(fā)達國家還有一定差距，傳統(tǒng)的人工監(jiān)測不僅過程復雜，而且準確率低。同時，列車牽引系統(tǒng)錯綜復雜，各子系統(tǒng)及主要設備之間存在著相互耦合信息干擾，容易失真的情況，容易出現(xiàn)不能準確提取故障特征、虛假判斷系統(tǒng)故障等情況。城軌、地鐵、高鐵等軌道交通車輛都需要列車牽引在線監(jiān)測系統(tǒng)產(chǎn)品，開展列車牽引系統(tǒng)故障監(jiān)測研究對保障列車安全，降低列車事故發(fā)生概率具有重大意義[2]。該文在研究列車牽引系統(tǒng)的基礎上，提出了一種列車牽引系統(tǒng)在線監(jiān)測單元。該監(jiān)測單元主要對列車牽引系統(tǒng)關鍵狀態(tài)量進行實時獲取并處理，采用SOM（Self Organizing Maps）神經(jīng)網(wǎng)絡進行數(shù)據(jù)判斷，最后通過LAN/CAN 通信模塊進行判斷結果反饋，實踐證明，該文提出的在線監(jiān)測單元能夠對列車牽引系統(tǒng)進行實時監(jiān)測和故障判斷，提高了列車運行的高效性與安全性。

1 在線監(jiān)測單元組成

圖1 為列車牽引系統(tǒng)在線監(jiān)測單元的整體監(jiān)測結構圖。整個監(jiān)測單元由4 個主要部分組成，分別為信號濾波和特征信號提取模塊、PCA 特征降維模塊、SOM 網(wǎng)絡處理模塊以及LAN/CAN 通信模塊。列車牽引系統(tǒng)所安裝的信息檢測傳感器在獲得牽引系統(tǒng)零部件狀態(tài)量后，首先進行信號濾波去噪處理并提取關鍵信息特征，其次將特征信息分為多種狀態(tài)量，最后將網(wǎng)絡判斷結果通過LAN/CAN 通信模塊進行傳輸。監(jiān)測單元的4 個模塊相互配合，從而實現(xiàn)對故障的準確預警。

圖1 列車牽引系統(tǒng)在線監(jiān)測單元整體結構圖

2 在線監(jiān)測單元設計

2.1 濾波與特征提取

一般而言，列車牽引系統(tǒng)中的主要狀態(tài)量有直流單元支撐電容的溫度、電流和電壓，牽引逆變器的電流、電壓、溫度以及PWM 整流器中的輸入和輸出量，包括溫度、電壓和電流等[3]。牽引系統(tǒng)狀態(tài)量監(jiān)測模塊首先通過傳感器獲得以上信息量，信號濾波模塊對這些狀態(tài)量進行濾波處理。在該研究設計的監(jiān)測單元中，濾波采用軟、硬濾波相結合的方法，軟濾波采用限制幅值和窗口滑動獲取信號均值的方式來去除干擾信號，硬濾波采用LC 低通濾波器去除高頻信號干擾。

濾波完成后，需要計算模擬信號的時域與頻域特征，對于牽引系統(tǒng)狀態(tài)量中的數(shù)字信號，需要根據(jù)模糊邏輯推理理論進行信息融合，得到系統(tǒng)的邏輯特征信息，最終對得到的時域、頻域和邏輯特征信息進行融合，從而獲得整個列車牽引系統(tǒng)關鍵部件的特征信息，為后續(xù)故障判斷提供可靠的數(shù)據(jù)支撐。

2.2 PCA降維

PCA（Principal Component Analysis）降維又稱作主成分分析方法，可將高維數(shù)據(jù)壓縮到低維度，同時讓信息損失最小化，從而降低數(shù)據(jù)處理的復雜性，提高監(jiān)測單元后續(xù)信息分析處理的效率?；诖?，我們對提取的牽引系統(tǒng)特征信息進行PCA 降維處理，具體降維處理步驟有4 個。1）采用均值標準差標準化方法處理特征信息樣本數(shù)據(jù)，獲取特征數(shù)據(jù)標準化變量。2）建立標準化變量的協(xié)方差矩陣，計算得到協(xié)方差矩陣的特征向量和特征值。3） 在獲取的特征向量和特征值的基礎上，計算方差累計貢獻率，獲取特征信息主成分。4）建立各主成分值方程。

2.3 SOM神經(jīng)網(wǎng)絡訓練

神經(jīng)網(wǎng)絡作為一種應用廣泛的深度學習與計算結構，正是通過人為模擬生物神經(jīng)網(wǎng)絡的結構、功能和生物過程，并對其進行抽象和簡化而得到的。SOM 神經(jīng)網(wǎng)絡又被稱為自組織競爭學習神經(jīng)網(wǎng)絡，具有結構簡單、訓練簡單、處理數(shù)據(jù)速度快的優(yōu)點。整個網(wǎng)絡主要分為2 層。其中，第1 層為輸入層，第2 層是輸出層又被稱為競爭層。當樣本數(shù)據(jù)輸入網(wǎng)絡時，連接2 個神經(jīng)元的權值隨機給予，輸出層上的各神經(jīng)元競爭取勝的概率相同，但最終會選取1 個最興奮的神經(jīng)元。在網(wǎng)絡權值不斷變化的過程中，最強神經(jīng)元的權值比重變大，其他神經(jīng)元的權值系數(shù)保持不變，SOM神經(jīng)網(wǎng)絡利用競爭性學習，確定樣本數(shù)據(jù)的具體信息分布，每一訓練樣本均對應一個相應興奮的輸出層神經(jīng)元，相當于對應一個固定類別，當新樣本數(shù)據(jù)輸入訓練好的神經(jīng)網(wǎng)絡時，便可依據(jù)興奮的神經(jīng)元進行相應的模式分類，對于該監(jiān)測單元而言，通過訓練獲取的特征信息，可對列出牽引系統(tǒng)的相應故障類別進行判斷。

對于獲取的特征信息，具體采用6 項SOM 神經(jīng)網(wǎng)絡處理方法。1）設定輸入SOM 神經(jīng)網(wǎng)絡中的樣本向量X。2）使用數(shù)值較小的隨機值對網(wǎng)絡權值向量進行初始化處理，并對輸入樣本向量和權值向量進行歸一化處理。3） 對輸入樣本向量與權值向量進行內積運算，計算值較大的競爭神經(jīng)元獲勝。4）采用Kohonen 規(guī)則自動更新網(wǎng)絡中的權值向量。5） 更新神經(jīng)元的學習率和獲勝神經(jīng)元拓撲領域，對訓練后的權值向量重新進行歸一化處理。6） 判斷是否收斂。檢查神經(jīng)網(wǎng)絡是否已經(jīng)達到預設的最大迭代次數(shù)，如果沒達到，返回執(zhí)行步驟3，如果達到則結束神經(jīng)網(wǎng)絡的訓練。

通過以上過程，采用特征信息訓練樣本集來完成整個SOM 神經(jīng)網(wǎng)絡的訓練，而后采用測試樣本判斷故障分類的準確性，便可用于實際的列車牽引系統(tǒng)故障判斷。神經(jīng)網(wǎng)絡訓練的準確性也是后續(xù)牽引系統(tǒng)故障有無及類型判斷的關鍵所在，在訓練時應采集盡可能多的樣本參數(shù)，進行多次重復的訓練，從而保證監(jiān)測單元使用的可靠性。

3 LAN/CAN通信

列車故障信息傳輸，選用LAN/CAN 通信機制。對于LAN 通信模塊而言，它主要采用Pericom 專用網(wǎng)絡通信開關器件對網(wǎng)絡通路進行控制，獨立鏈路控制方式能夠保證系統(tǒng)在需要時，可以通過獨立于網(wǎng)卡驅動的單獨程序，對網(wǎng)絡通信進行有效的物理切斷。對于CAN 數(shù)據(jù)處理模塊，F(xiàn)PGA 通過內部IP 核轉換出CAN 總線，CAN 總線由芯片轉換成發(fā)送、接收單端信號，然后再由芯片將發(fā)送、接收的單端信號轉換為CAN 差分信號。當SOM 神經(jīng)網(wǎng)絡判斷出牽引系統(tǒng)的故障類型后，根據(jù)不同的故障類型，監(jiān)測單元會采用不同的通信方式，將具體的故障信息傳輸?shù)缴衔唤缑嬷校瑫r上位界面會將故障信息反饋到被監(jiān)測的零部件本身進行切斷處理。這種通信方式有效地保證了信息傳輸、顯示和反饋的準確性和快速性，方便后續(xù)的決策與判斷。

4 結論

該文在研究列車牽引系統(tǒng)主要特征量的基礎上，設計了一種列車牽引系統(tǒng)在線監(jiān)測單元。通過對牽引系統(tǒng)特征信息濾波提取、PCA 降維、SOM 神經(jīng)網(wǎng)絡判斷、LAN/CAN通信反饋4 個模塊的處理，實現(xiàn)對多種城市列車牽引系統(tǒng)的故障判斷，并對故障信息進行反饋，以便做出處理決策。通過實驗證明，該文所設計的列車牽引系統(tǒng)在線監(jiān)測單元能有效提取系統(tǒng)運行故障信息，并準確進行故障判斷和信息傳輸，極大地提高了列車的安全性能。