慎超倫，殷劍宏，聶 磊

（中國鐵路鄭州局集團有限公司 科學技術研究所，鄭州 450052）

空氣制動系統(tǒng)作為車輛行車安全的關鍵子系統(tǒng)，承擔著保證列車安全、可靠停車的重要職能。列車的行駛速度減緩、指定地點停車、緊急規(guī)避突發(fā)障礙都需要制動系統(tǒng)來完成，一旦空氣制動系統(tǒng)出現(xiàn)嚴重故障，就可能會發(fā)生追尾、出軌、冒進、抱閘等重大事故［1］。

空氣制動系統(tǒng)包括列車管、工作風缸、副風缸、制動缸和制動閥。鐵路客車常用的104型制動閥由主閥、中間體和緊急閥3大部分組成。在車輛空氣制動系統(tǒng)中，列車管壓力提供制動所需的動力并同時傳遞制動控制信號，控制制動缸的壓力輸出［2］。

目前常用的車輛空氣制動系統(tǒng)檢驗方法包括制動閥試驗臺試驗、單車試驗和列車試驗。TCDS系統(tǒng)可以動態(tài)檢測運行客車的制動系統(tǒng)壓力，但這些方式無法對潛在的制動閥故障進行判斷預警，診斷條件只能等故障影響達到明顯程度后才能發(fā)現(xiàn)。

目前制動閥實施計劃性檢修，即維修周期根據(jù)車輛的走行公里和時間確定，存在著維修不足或維修過剩的現(xiàn)象，無法做到預測性維護。

故障預測與健康管理系統(tǒng)（PHM）是指利用傳感器采集和分析系統(tǒng)運行狀態(tài)數(shù)據(jù)，以提供先進的故障診斷和行為預測，進而能夠預測未來的健康狀況、問題的出現(xiàn)及需要的維修行為［3］。隨著物聯(lián)網(wǎng)和人工智能技術的發(fā)展，建立PHM是車輛空氣制動系統(tǒng)維護的必然趨勢。

在故障預測與健康管理系統(tǒng)研究過程中，我們首先需要準確判斷制動閥每個動作的壓力變化是否符合預期。我們研究的主要問題是建模列車管壓力和制動缸壓力之間的關系，即給定一個動作過程的列車管壓力曲線，在設備狀態(tài)完好的理想情況下，計算出制動缸壓力曲線。結合建模結果，我們再將每一次制動閥的實際動作過程分解為制動、保壓、緩解3個階段，分別給予定量分析的評價打分，并以此評價打分為基礎，建立故障預測與健康管理系統(tǒng)。

綜上所述，建模列車管壓力和制動缸壓力之間的關系是對車輛空氣制動系統(tǒng)運行狀態(tài)分析、預測性維護和建立PHM的重要基礎方法。但列車管壓力和制動缸壓力并非簡單的對應，具有復雜性、模糊性、隨機性等特征，任意2次制動過程甚至相鄰2個車輛在同一次制動過程中的列車管壓力和制動缸壓力曲線都不是完全相同的。一段典型的列車管壓力曲線和對應的制動缸壓力曲線如圖1所示。

圖1 列車管壓力曲線和對應的制動缸壓力曲線實測圖（11∶38—11∶44）

相關壓力變化涉及管路和腔體的幾何形狀、運動部件的慣性、摩擦力、空氣流體力學特性，很難人工寫出映射函數(shù)關系。傳統(tǒng)的統(tǒng)計方法無法適應列車管壓力曲線的多樣性。傳統(tǒng)的計算機物理建模方法存在過度抽象簡化［4］、實施難度大、精度不高的缺點。為了應對上述問題及挑戰(zhàn)，文中采用了深度學習技術建模列車管壓力和制動缸壓力之間的關系，并進行了驗證。通過采集車輛制動壓力大數(shù)據(jù)，利用深度學習技術強大的特征表示和預測能力［5］，達到了較高的預測精度。由于車輛制動領域的專業(yè)性和需求的特殊性，目前在這方面尚未有類似的應用文獻。

1 技術總體框架

車輛制動故障預測與健康管理系統(tǒng)由車上部分和地面部分組成。

車上部分包括傳感器夾片、車輛分機、列車主機。傳感器夾片安裝在104閥主閥和中間體之間，采集列車管、制動缸和副風缸的壓力值。車輛分機安裝在車廂控制柜內，對傳感器采集的數(shù)據(jù)進行初步的濾波降噪處理，并通過CAN總線傳送給列車主機。列車主機匯總整列車的壓力數(shù)據(jù)，通過SD卡離線方式或者4G聯(lián)網(wǎng)方式將數(shù)據(jù)傳送至地面。

地面部分包括數(shù)據(jù)分析處理程序、數(shù)據(jù)庫、Web應用服務器和瀏覽器客戶端。列車數(shù)據(jù)經(jīng)過數(shù)據(jù)分析處理程序后，分析結果保存到數(shù)據(jù)庫，用戶可以通過瀏覽器訪問Web應用服務器，查看每一個制動閥的歷史動作數(shù)據(jù)，每個動作都有5分制的深度學習評價得分，每個制動閥都有一個百分制的當前健康狀態(tài)得分，對亞健康和故障狀態(tài)的制動閥可以及時產生預警提示。

系統(tǒng)總體框架如圖2所示。

圖2 系統(tǒng)總體框架圖

2 深度學習預測算法

2.1 數(shù)據(jù)集設計

原始數(shù)據(jù)是57022/1次通勤列車（新鄉(xiāng)—算王莊）從2020年8月1日到2020年8月31日采集1～5車的列車管壓力PL、制動缸壓力PZ數(shù)據(jù)，傳感器每秒采樣一次，數(shù)據(jù)序列記作PL（t）和PZ（t），單位為kPa。

對 于PL（t）＞580 kPa，并 且PZ（t）=0的 時 間點，我們認為車輛是處于正常運行狀態(tài)，否則車輛是處于制動閥動作狀態(tài)。

為了節(jié)省存儲空間和加快數(shù)據(jù)傳輸和處理速度，我們將連續(xù)的采樣數(shù)據(jù)分段，連續(xù)的處于制動閥動作狀態(tài)的數(shù)據(jù)構成1個動作序列，如果2個動作序列之間的時間間隔不足50 s，我們將其合并為1個動作序列。這樣我們就保證了任意一個動作序列前有50 s的正常運行時間。經(jīng)試驗每輛車在經(jīng)過50 s的正常運行時間后，副風缸壓力基本達到正常值，從而保證了2個動作序列的獨立性。我們只需要對動作序列的數(shù)據(jù)進行分析就會正確得出制動閥的健康狀況。

我們要對2個任務進行數(shù)據(jù)集和模型設計，任務1：從列車管壓力序列預測制動缸壓力序列。任務2：從列車管壓力序列預測制動閥動作類別序列。

任務1：

輸入是PL（t），輸出是PZ（t）。

長度不足480 s的序列補齊到480 s，超過480 s的序列截斷到480 s。

在任務1中，因為PL（t）和PZ（t）都是傳感器獲得的數(shù)據(jù)，不需要進行人工標注，所以可以很方便地獲得海量的訓練數(shù)據(jù)。

任務1的樣本數(shù)據(jù)集有11 262個動作數(shù)據(jù)序列，包括5個制動閥30 d的數(shù)據(jù)。分劈出10%的數(shù)據(jù)作為驗證集，90%的數(shù)據(jù)作為訓練集。

任務2：

輸入是PL（t），輸出是PS（t）。

PS（t）取值是一個整型數(shù)，表示制動機每秒采樣時的動作類別，編碼含義見表1：

表1 動作狀態(tài)分類標簽

PS（t）需要通過人工標注獲得，但由于任務2較為簡單，不需要大量的訓練樣本，人工標注工作量較小，所以我們編寫了一個可視化的輔助標注程序，可以很方便地完成人工標注。

最終獲得任務2的樣本數(shù)據(jù)集有4 196個動作數(shù)據(jù)序列，包括5個制動閥30 d的數(shù)據(jù)。分劈出10%的數(shù)據(jù)作為驗證集，90%的數(shù)據(jù)作為訓練集。

2.2 模型實現(xiàn)

2.2.1 任務1的模型結構和訓練過程

任務1的模型結構如圖3（a）所示，在模型設計中，我們使用了LSTM層［6］、Conv1d層［7］，兼顧了長時的數(shù)據(jù)記憶特征和局部特征。加入Batch Normalization層［8］可以提高精度和加快收斂速度。

圖3 模型結構

模型使用mse損失函數(shù)，通過Adam優(yōu)化器訓練，訓練200 epoch后收斂。使用預測和真實PZ的平均絕對值誤差mae作為評價指標，模型收斂后，驗證集上PZ平均誤差4.57 kPa。試驗表明，使用更多的制動閥壓力數(shù)據(jù)可以有效提高模型的預測精度。

2.2.2 任務2的模型結構和訓練過程

任務2的模型結構如圖3（b）所示，在模型設計中，我們使用了使用Conv1d層，側重于分析局部特征，使用categorical_crossentropy損失函數(shù)，通過Adam優(yōu)化器訓練使用分類準確率作為評價指標，訓練120 epoch后收斂。預測結果需要用Viterbi（維特比）算法解碼。模型收斂后，驗證集上分類準確度達到99.83%。

3 系統(tǒng)部署和實際效果

根據(jù)任務1和任務2的預測模型，我們可以從列車管壓力曲線預測制動缸壓力曲線和制動閥動作狀態(tài)。根據(jù)預測的制動閥動作類別，將每次動作過程切分出制動階段、保壓階段和緩解階段，比對每個階段的預測制動缸壓力曲線和真實制動缸壓力曲線，計算出每個動作的精準程度或者可能的故障類型，并根據(jù)動作的精準程度或故障嚴重程度計算出5分制動作評分和故障詳細信息，融合了專家的領域知識，便于使用者理解和驗證故障信息。

系統(tǒng)能夠識別的故障類型見表2，其中編號1～4的分類是明顯的故障，比較容易判別。30 kPa是克服彈簧彈力產生有效制動作用的制動缸壓力最小值。編號5～9的分類是較為輕微的故障，傳統(tǒng)的方法很難識別。因為我們采用了深度學習預測模型，這些輕微的故障也能得到精準的判斷。評分時，選取合適的時間和百分比閾值，可以讓這些故障報告對制動閥的健康管理起到有效的指導作用。

表2 故障類型及評分標準表

真實制動缸壓力曲線、AI預測制動缸壓力曲線、5分制動作評分、故障詳細信息通過可視化技術整體展示在頁面上，用戶可以隨意拖拽、放大、縮小進行瀏覽。實際效果如圖4所示，圖中可見對于工作正常的制動閥的動作過程，真實制動缸壓力曲線和預測制動缸壓力曲線基本吻合，各階段評分均為5分。

圖4 可視化效果圖（08∶05—08∶50）

以上述預測模型為核心，我們建立了故障預測與健康管理系統(tǒng)（PHM），可以跟蹤每個104閥的歷史動作數(shù)據(jù)和每個歷史動作的評分，查看每個104閥的當前健康狀態(tài)，對故障和亞健康狀態(tài)的制動閥產生預警，同時也為進一步研究預測104閥的剩余壽命提供了數(shù)據(jù)支撐。

該系統(tǒng)實際部署于鄭州車輛段新鄉(xiāng)運用車間57022/1次列車，下面是實際捕捉到的一些故障案例：

例一：5車于2020年09月11日12∶05∶40開始制動過程中發(fā)生的故障，如圖5所示，實際制動缸壓力曲線和深度學習的預測結果比對后，系統(tǒng)在12∶06∶27提示：制動末端壓力小于預期49.9 kPa（17.5%）。經(jīng)分析，這是1個包含2個保壓過程的階段制動，12∶06∶19—12∶06∶27是制動階段，12∶06∶27列車 管 壓力PL為477.2 kPa，預測PZ為284.9 kPa，實際PZ為235 kPa，較預測值低17.5%，大于設定閾值，所以該制動階段5分制得分為4分，扣除了1分。

圖5 57022/1次列車5車壓力曲線（9月11日12∶05—12∶09）

當日11∶30—12∶20發(fā)生了多次制動末端壓力小于預期事件，真實的制動缸壓力曲線和預測制動缸差異較大，列車回庫后，列車試驗發(fā)現(xiàn)該車制動閥存在自然緩解問題，做更換制動閥處理，如圖6所示。

圖6 57022/1次列車5車壓力曲線（9月11日11∶30—12∶20）

例二：1車于2020年11月18日08∶17∶04開始制動過程中發(fā)生的故障，如圖7所示，實際制動缸壓力曲線和深度學習的預測結果比對后，系統(tǒng)在08∶17∶49提示：保壓階段壓力均值小于預期值27.4 kPa（19.3%）。經(jīng)分析，整體來說，這是1個較為復雜有3個保壓過程的階段制動，從08∶17∶27—08∶17∶49是其中的第2個保壓階段，模型準確劃分出了每個階段的分界點，并計算出這個保壓階段每秒的預期PZ值，和實際值PZ比較，實際PZ均值低于預期PZ均值19.3%，大于設定閾值，所以該保壓階段5分制得分為4分，扣除了1分。

圖7 57022/1次列車1車壓力曲線（11月18日08∶00—08∶35）

系統(tǒng)在08∶18∶54秒提示：自然緩解。經(jīng)分析，從08∶17∶52—08∶18∶54為第3個保壓階段，在08∶18∶34秒 時，實 際PZ降 為0，而 預 測PZ為277.4 kPa，這時PL為498 kPa，顯然發(fā)生了自然緩解，所以該保壓階段5分制得分為0分。

當日08∶13—08∶21發(fā)生多次自然緩解、保壓階段壓力均值小于預期值、保壓階段壓力降低和制動末端壓力小于預期事件，進一步確認了該制動閥當時出現(xiàn)了性能退化，如圖8所示。

圖8 57022/1次列車1車壓力曲線（11月18日08∶13—08∶21）

4 結束語

文中將深度學習算法用于車輛空氣制動系統(tǒng)健康狀況分析，建模列車管壓力和制動缸壓力之間的關系。通過車輛制動故障預測與健康管理系統(tǒng)實現(xiàn)了對列車中各車輛的制動機每次動作過程進行精準分析，并對制動機當前狀況進行綜合評價，實時顯示每輛車制動健康狀況，保證每輛車的安全運行。根據(jù)評判的健康狀況可以在保證安全的前提下，大大延長制動系統(tǒng)檢修周期，甚至減少A1級修程，從而節(jié)約車輛運用部門、制動閥檢修部門工作量及檢修制動閥的設備、材料、能源、人力的消耗。

展望技術前景，深度學習算法可以用于分析出列車的實際制動波速、制動閥的衰老過程、制動閥的故障自修復現(xiàn)象、新型號制動閥的研制，不同型號的制動閥的混用評估等方面，可以進一步探索車輛制動，提高制動閥的可靠性。