董先鵬 李漢超 孔凡超 劉海全 王浩軒 孫暢勵

(1.濟(jì)南軌道交通集團(tuán)建設(shè)投資有限公司 山東 濟(jì)南 250101；2.中車青島四方機(jī)車車輛股份有限公司 山東 青島 266111；3.南京康尼機(jī)電股份有限公司 江蘇 南京 210038)

0 引言

傳統(tǒng)的城軌車門故障研究方法主要是基于大量故障樣本，運(yùn)用智能算法構(gòu)建故障分類模型。這種方法對故障試驗數(shù)據(jù)需求量較大，但物理臺架試驗存在著受場地條件約束、試驗耗時周期長、投入成本高等缺陷[1-2]，利用虛擬樣機(jī)模擬故障獲得故障分類學(xué)習(xí)樣本有利于縮減試驗成本，豐富試驗研究類型[3-4]。

下面以城軌塞拉門為例，搭建高仿真精度的車門機(jī)電一體化仿真模型[5-6]，模擬車門常見故障，利用模型仿真數(shù)據(jù)構(gòu)建故障診斷模型，并通過試驗驗證其準(zhǔn)確性。

1 機(jī)電聯(lián)合虛擬樣機(jī)建模

城軌塞拉門系統(tǒng)的工作原理如圖1所示。開門過程中，電機(jī)按照預(yù)設(shè)速度曲線驅(qū)動絲桿轉(zhuǎn)動，與絲桿安裝配合的螺母滾動銷轉(zhuǎn)動脫離鎖閉位置完成門扇解鎖動作，隨后帶動門扇在上下導(dǎo)軌和承載機(jī)構(gòu)的約束下完成門扇的擺塞與直線動作。關(guān)門過程與開門過程相似，在門扇到達(dá)關(guān)到位位置后，滾動銷進(jìn)入絲桿鎖閉段實現(xiàn)門系統(tǒng)鎖閉。

圖1 塞拉門工作原理

根據(jù)塞拉門工作原理，基于Simulink-RecurDyn軟件搭建機(jī)電聯(lián)合虛擬樣機(jī)[7-8]，主要結(jié)構(gòu)如圖2所示。

圖2 塞拉門機(jī)電聯(lián)合虛擬樣機(jī)主要結(jié)構(gòu)

塞拉門機(jī)電聯(lián)合模型主要包括門控模型和機(jī)械動力學(xué)模型。門控系統(tǒng)模型采用雙閉環(huán)PI控制，主要是模擬門控器對門扇機(jī)械主體的控制作用，包括供電保護(hù)、開關(guān)門運(yùn)動控制、障礙檢測控制等功能。動力學(xué)模型是車門機(jī)械主體結(jié)構(gòu)，主要包括左右門扇組件、攜門架組件、絲桿-螺母組件等組成部分。門控模型輸出電機(jī)轉(zhuǎn)速作為動力學(xué)模型中絲桿的驅(qū)動轉(zhuǎn)速，動力學(xué)模型輸出絲桿所受扭矩作為門控模型中電機(jī)的輸入負(fù)載?；谠囼灁?shù)據(jù)對模型參數(shù)進(jìn)行調(diào)整以確保模型的仿真精度。

2 基于城軌車門虛擬樣機(jī)的故障模擬

根據(jù)城軌車門系統(tǒng)近幾年內(nèi)故障現(xiàn)象的數(shù)據(jù)統(tǒng)計，開關(guān)門障礙檢測故障在車門常見典型故障中發(fā)生頻率最高，下文以開關(guān)門障礙檢測故障為例，建立車門故障模型，主要包括障礙物的設(shè)置及控制參數(shù)的設(shè)置。

2.1 故障模型建立

(1)障礙物設(shè)置

在塞拉門動力學(xué)模型中添加障礙物模型。根據(jù)開關(guān)門障礙檢測試驗要求，在動力學(xué)模型中添加寬度為400 mm的障礙物，如圖3所示。

圖3 添加障礙物后的動力學(xué)模型

在關(guān)門障礙檢測模型中，門扇護(hù)指膠條與障礙物之間存在擠壓力。在護(hù)指膠條和障礙物之間設(shè)置接觸副，參數(shù)設(shè)置如表1所示。開門障礙檢測障礙物設(shè)置與關(guān)門類似，但障礙物位置處于緩沖頭和機(jī)架體之間。

表1 開門障礙檢測障礙物接觸副參數(shù)

(2)輸入設(shè)置

關(guān)門障礙檢測發(fā)生后，門扇運(yùn)動位移曲線如圖4所示。為實現(xiàn)門扇障礙檢測運(yùn)動，在控制模型中添加門扇障礙檢測功能，主要包括障礙實時判斷功能、故障發(fā)生前后PI控制器調(diào)節(jié)功能等。

圖4 關(guān)門障礙檢測故障觸發(fā)后門扇運(yùn)動示意圖

在門扇與障礙物開始擠壓時，兩者之間的接觸力突然增大，電機(jī)轉(zhuǎn)速、電流隨之產(chǎn)生較大波動，為實現(xiàn)門系統(tǒng)的穩(wěn)定運(yùn)行，修改障礙檢測階段的PI參數(shù)，如表2所示。

表2 防擠壓PI參數(shù)

2.2 故障仿真模擬

運(yùn)行仿真，得到開關(guān)門障礙檢測一次及二次時的絲桿所受扭矩曲線，如圖5所示。

以仿真所得扭矩曲線作為故障分類模型的學(xué)習(xí)樣本，為增加樣本的多樣性，微調(diào)動力學(xué)模型中主要接觸副之間的接觸阻尼等參數(shù)，如表3所示。

表3 模型參數(shù)調(diào)節(jié)

3 基于BP神經(jīng)網(wǎng)絡(luò)的車門故障診斷

3.1 BP神經(jīng)網(wǎng)絡(luò)故障診斷原理

神經(jīng)網(wǎng)絡(luò)是一種基于神經(jīng)系統(tǒng)提出的數(shù)據(jù)計算模型，內(nèi)部神經(jīng)元之間相互連接，對并行信息進(jìn)行處理以提取信息的抽象化特征，逼近目標(biāo)函數(shù)。其中，BP 神經(jīng)網(wǎng)絡(luò)在處理非線性分類問題上具有明顯的優(yōu)勢[9-11]。

假設(shè)神經(jīng)網(wǎng)絡(luò)共有L層隱含層和n個神經(jīng)元節(jié)點(diǎn)，每一個神經(jīng)元節(jié)點(diǎn)均由Sigmoid函數(shù)激發(fā)。隱含層、輸出層之間的神經(jīng)元激活函數(shù)分別為f(x)、g(x)，給定輸入和輸出(xk，yk)(k=1,2,3...,N)；第l層第j個單元輸入第k個樣本時，節(jié)點(diǎn)j的輸入為：

(1)

誤差函數(shù)E：

圖5 車門典型故障仿真扭矩曲線

(2)

(3)

式中：ylk為第l層輸入第k個樣本時的輸出，Ek為輸入第k個樣本的輸出誤差，E為神經(jīng)網(wǎng)絡(luò)總輸出誤差。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，將誤差函數(shù)與預(yù)設(shè)精度比較進(jìn)行判斷，若不滿足精度要求則修正權(quán)重減小誤差，直至精度滿足要求或迭代次數(shù)達(dá)到上限停止訓(xùn)練。

3.2 門系統(tǒng)故障診斷

以仿真得到的塞拉門絲桿扭矩結(jié)果為訓(xùn)練樣本，提取以下10組特征作為故障分類訓(xùn)練的學(xué)習(xí)樣本輸入量。

(1)絲桿扭矩曲線的時域長度；

(2)絲桿扭矩為正值的數(shù)量；

(3)絲桿扭矩為負(fù)值的數(shù)量；

(4)關(guān)門方向車門堵轉(zhuǎn)時長；

(5)開門方向車門堵轉(zhuǎn)時長；

(6)正常關(guān)門時域長度；

(7)正常開門時域長度；

(8)絲桿扭矩最大值；

(9)關(guān)門方向運(yùn)動次數(shù)；

(10)開門方向運(yùn)動次數(shù)。

對輸入樣本數(shù)據(jù)進(jìn)行歸一化處理來消除量級差別，歸一化公式如下：

(4)

其中：p′為歸一化后的樣本數(shù)據(jù)，p為輸入的樣本數(shù)據(jù)。

本文應(yīng)用Matlab軟件訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，對塞拉門正常開關(guān)門和開關(guān)門障礙檢測一次、二次共計6類樣本進(jìn)行故障分類診斷。

設(shè)置訓(xùn)練函數(shù)為traingdm函數(shù)，訓(xùn)練過程誤差變化如圖6所示，圖中橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為均方誤差，由圖可知，在迭代39次時，誤差精度滿足要求。

圖6 訓(xùn)練誤差變化

訓(xùn)練結(jié)果回歸曲線圖如圖7所示，由圖可知，該神經(jīng)網(wǎng)絡(luò)分類器對學(xué)習(xí)樣本訓(xùn)練的回歸系數(shù)趨于1，滿足故障分類功能。

圖7 回歸曲線圖

以臺架試驗驗證故障診斷的正確性，結(jié)果如表4所示，因以上所研究的典型故障類型特征較明顯，所以模型診斷正確率較高。

表4 塞拉門常見典型故障診斷結(jié)果

4 總結(jié)

上文將虛擬樣機(jī)技術(shù)與故障診斷相結(jié)合，以塞拉門為例建立機(jī)電聯(lián)合模型對車門常見典型故障進(jìn)行模擬，提取仿真數(shù)據(jù)的特征值構(gòu)建BP神經(jīng)網(wǎng)絡(luò)故障分類診斷模型，并利用試驗數(shù)據(jù)驗證了故障診斷的準(zhǔn)確性，最終實現(xiàn)以車門虛擬樣機(jī)仿真代替臺架試驗來診斷故障的研究目標(biāo)，為城軌車門故障診斷方向的研究提供參考。