田興麗 孫環(huán)陽 張紅光* 祁 成

(1.南京地鐵集團有限公司,210008,南京; 2.南京中車浦鎮(zhèn)海泰制動設(shè)備有限公司,211800,南京∥第一作者,高級工程師)

城市軌道交通極大地緩解了城市交通擁堵,有力推動了城市的快速發(fā)展。但與此同時,也給城市軌道交通的運營維護帶來了極大的挑戰(zhàn),如何在充分保障車輛等核心基礎(chǔ)設(shè)備運行安全的條件下,提升運維效率、降低運維成本,已成為各城市的軌道交通運營企業(yè)關(guān)注的焦點[1]。

制動系統(tǒng)作為保障城市軌道交通車輛運行安全的核心子系統(tǒng),其安全性、可靠性直接影響城市軌道交通車輛的可用性和安全性,應(yīng)積極探索車輛制動系統(tǒng)的智能運維。智能運維的關(guān)鍵是基于數(shù)據(jù)挖掘、機器學(xué)習(xí)等工具開發(fā)的各類算法模型[2],而算法模型則需要以地面大數(shù)據(jù)平臺為核心的車輛智能運維系統(tǒng)提供平臺支撐,因此實現(xiàn)制動系統(tǒng)的智能診斷和故障預(yù)警是系統(tǒng)性工程,既要實現(xiàn)核心算法的突破,還需搭建具備數(shù)據(jù)采集、傳輸、分析等功能的平臺[3]。

本文以實現(xiàn)制動系統(tǒng)故障智能診斷、故障預(yù)警為目標,深入研究故障診斷和預(yù)警建模方法,搭建了一套融合算法模型與數(shù)據(jù)平臺的城市軌道交通車輛制動系統(tǒng)的故障智能診斷與故障預(yù)警系統(tǒng),并通過專家診斷系統(tǒng)與基于機器學(xué)習(xí)的兩個故障診斷案例驗證了該系統(tǒng)的功能。

1 系統(tǒng)組成

車輛制動系統(tǒng)的故障智能診斷與故障預(yù)警系統(tǒng)架構(gòu)如圖1所示,包含車載與地面平臺兩大模塊。車載模塊通過列車級PHM(故障預(yù)測與健康管理)單元及車輛維護以太網(wǎng)收集全列車8臺制動控制裝置的運行數(shù)據(jù);地面平臺模塊作為子系統(tǒng)嵌入到車輛級智能運維平臺,通過接收制動系統(tǒng)運行數(shù)據(jù),運行故障診斷預(yù)警模型。

圖1 車輛制動系統(tǒng)故障智能診斷預(yù)警系統(tǒng)架構(gòu)

1.1 車載模塊

車載模塊將整車實時數(shù)據(jù)與制動系統(tǒng)產(chǎn)生的離線數(shù)據(jù)傳輸?shù)降孛嫫脚_。實時數(shù)據(jù)通過控制以太網(wǎng)傳輸?shù)杰囕d無線傳輸主機,再根據(jù)傳輸控制協(xié)議傳輸?shù)降孛嫫脚_;離線數(shù)據(jù)采用文件傳輸協(xié)議經(jīng)維護以太網(wǎng)傳輸?shù)杰囕d無線傳輸主機,再經(jīng)5G等方式在固定時刻進行轉(zhuǎn)存,最后傳輸至地面文件服務(wù)器,供地面智能運維平臺使用。車載模塊數(shù)據(jù)傳輸鏈路如圖2所示。

圖2 車載模塊數(shù)據(jù)傳輸鏈路

1.2 地面平臺模塊

地面平臺模塊由數(shù)據(jù)平臺和制動系統(tǒng)PHM兩部分組成。數(shù)據(jù)平臺是企業(yè)級大數(shù)據(jù)管控平臺,具有統(tǒng)一的數(shù)據(jù)分發(fā)、數(shù)據(jù)存儲、數(shù)據(jù)分析、數(shù)據(jù)可視化等功能;制動系統(tǒng)PHM模塊負責制動系統(tǒng)離線數(shù)據(jù)的解析、算法模型計算、模型結(jié)果可視化等。制動系統(tǒng)地面平臺模塊的PHM平臺架構(gòu)如圖3所示。

圖3 制動系統(tǒng)地面PHM平臺架構(gòu)

制動系統(tǒng)PHM模塊包含多種邏輯類、機器學(xué)習(xí)類的算法模型。通過對關(guān)鍵性能指標的提取,可以對關(guān)鍵部件進行故障預(yù)警、健康評估及壽命預(yù)測。車輛制動系統(tǒng)數(shù)據(jù)經(jīng)數(shù)據(jù)解析處理模塊解析后上傳至數(shù)據(jù)平臺側(cè)的消息隊列,算法模型對消息隊列中的數(shù)據(jù)進行計算處理,并將計算后的預(yù)警預(yù)測結(jié)果存儲到數(shù)據(jù)平臺的關(guān)系型數(shù)據(jù)庫中,用于制動系統(tǒng)界面可視化顯示。

2 故障智能診斷預(yù)警關(guān)鍵技術(shù)

算法模型是整個車輛制動系統(tǒng)的故障智能診斷與故障預(yù)警系統(tǒng)的核心。目前在城市軌道交通現(xiàn)場部署的與制動系統(tǒng)相關(guān)的故障診斷預(yù)警模型已達17種,各類模型根據(jù)不同的應(yīng)用場景及實際呈現(xiàn)的數(shù)據(jù)特征,所采用的數(shù)據(jù)建模方式不盡相同。本文基于兩種典型的數(shù)據(jù)建模方法構(gòu)建故障智能診斷算法模型,一種是基于經(jīng)驗、機理的故障診斷專家系統(tǒng)[4],另一種是基于機器學(xué)習(xí)理論的故障診斷方法。對于機器學(xué)習(xí)類算法,本文以HHT(希爾伯特-黃變換)[5]為例進行描述。

2.1 故障診斷專家系統(tǒng)

城市軌道交通車輛制動系統(tǒng)是復(fù)雜的機電系統(tǒng),故障類型多、故障原因復(fù)雜、故障排查流程繁瑣。從故障發(fā)生、車輛回庫一直到故障消除,全程需要人工操作,且操作人員需具備較高的專業(yè)技能,能夠結(jié)合產(chǎn)品設(shè)計原理及現(xiàn)場運用經(jīng)驗進行故障數(shù)據(jù)分析。

目前國內(nèi)城市軌道交通積累了豐富的現(xiàn)場運用經(jīng)驗和各種類型的故障數(shù)據(jù),已經(jīng)具備開發(fā)城市軌道交通車輛制動系統(tǒng)故障診斷專家系統(tǒng)的條件。本研究在前期運用經(jīng)驗和故障數(shù)據(jù)積累的基礎(chǔ)上,完成了制動系統(tǒng)故障診斷核心技術(shù)攻關(guān)和專家系統(tǒng)開發(fā)。

故障診斷專家系統(tǒng)主要依賴專家的經(jīng)驗知識,需要對系統(tǒng)以及部件的故障機理與故障模式具有深刻的了解,類似于將人腦中大量的專家知識移植成計算機語言。故障診斷專家系統(tǒng)結(jié)構(gòu)如圖4所示。對于每個規(guī)則診斷模型,診斷結(jié)果一般包含多種可能原因,概率最大的原因為最終診斷結(jié)果。當出現(xiàn)實際故障與診斷結(jié)果不一致時,專家對規(guī)則模型的結(jié)構(gòu)及閾值進行優(yōu)化。

2.2 HHT故障特征提取

制動系統(tǒng)中常見的電流信號、壓力信號等一般為非平穩(wěn)信號,且信號擁有多種頻率成分,通過單一的時域與頻域分析都無法獲取理想的信號故障特征。因此,采用了HHT對信號進行特征提取。HHT包含EMD(經(jīng)驗?zāi)B(tài)分解)與希爾伯特譜分析兩部分。

2.2.1 EMD分解

EMD算法是基于信號本身特征的一種分解方法,將復(fù)雜的原始信號x(t)(t為時間)自適應(yīng)地拆分成多個IMF(內(nèi)涵模態(tài)分量)與一個殘余分量的和,步驟如下:

步驟1 提取x(t)局部極大、極小值點,采用3次樣條插值法[6]模擬出信號上下包絡(luò)線。

步驟2 計算上下包絡(luò)線的平均值,記為m1。將x(t)減去m1,其差值記為h1,即:

h1=x(t)-m1

(1)

步驟3 判斷h1是否滿足IMF條件,若滿足,則h1是原始信號的第一個IMF分量,記為f1(t);若不滿足,將h1作為原始數(shù)據(jù)重復(fù)步驟1、步驟2,直至求得h1滿足IMF條件。

步驟4 將原始信號x(t)減去f1(t),得到第一次分解后的殘余分量R1(t),即:

R1(t)=x(t)-f1(t)

(2)

步驟5 將R1(t)重復(fù)以上步驟1至步驟4,直至第n次分解后的Rn(t)無法進行EMD分解。

2.2.2 希爾伯特譜分析

對上述EMD算法分解后的IMF分量f1(t)分別進行希爾伯特變換,可得:

(3)

式中:

H[fi(t)]——第i個IMF分量fi(t)希爾伯特變換;

τ——時間;

fi(τ)——時間為τ的第i個IMF分量。

構(gòu)造fi(t)的解析信號,定義為Zi(t):

Zi(t)=fi(t)+jH[fi(t)]=ai(t)ejθi(t)

(4)

式中:

ai(t)——fi(t)的瞬時幅值;

θi(t)——fi(t)的瞬時相位。

(5)

(6)

因此fi(t)的瞬時頻率ωi(t)為:

(7)

將原始信號殘余分量Rn(t)忽略不計,可得原始信號x(t)表達式,即希爾伯特譜H(t,ω):

(8)

希爾伯特邊際譜h(w)定義為:

(9)

3 典型案例分析

3.1 基于專家系統(tǒng)的連接(Link)閥故障診斷

在架控控制方式的車輛制動系統(tǒng)中,Link閥連接同一轉(zhuǎn)向架兩個軸的制動缸。一般情況下,Link閥為打開狀態(tài),制動施加時制動力同時作用于兩根軸上;當出現(xiàn)滑行時,制動系統(tǒng)控制Link閥斷開,兩軸的制動力分別單獨控制。因此,當Link閥發(fā)生故障時,可能會影響車輛防滑控制,致使車輛出現(xiàn)抱死現(xiàn)象,進而影響行車安全。根據(jù)現(xiàn)場運用經(jīng)驗,Link閥故障屬于相對常見的故障類型。

深入了解Link閥故障機理與故障模式后,將其診斷邏輯集成到專家系統(tǒng)中,專家系統(tǒng)的Link閥故障診斷如圖5所示。

專家系統(tǒng)根據(jù)接入的信號數(shù)據(jù)對工況進行識別。在自檢工況的條件下,捕捉系統(tǒng)的制動施加過程,當Link閥打開的過程中,同一轉(zhuǎn)向架兩側(cè)的制動缸壓力差值較大且持續(xù)一段時間,系統(tǒng)預(yù)測異常并緩存異常結(jié)果;隨后控制Link閥關(guān)閉,判斷兩側(cè)制動缸壓力差是否恢復(fù),若恢復(fù),系統(tǒng)判定為Link閥故障的概率更高,否則認為制動缸壓力傳感器故障可能性更高。通過運行車輛多起故障案列的預(yù)警與分析結(jié)果,該專家系統(tǒng)可以很好地對Link閥故障進行診斷識別。

3.2 基于希爾伯特-黃變換的壓力傳感器故障預(yù)警

壓力傳感器是城市軌道交通車輛制動系統(tǒng)的核心元件。單臺制動系統(tǒng)里一般包含6～7個壓力傳感器,需要壓力傳感器提供精確的壓力信號以實現(xiàn)精準的制動控制。在車輛運行過程中,隨著運行時間的累積和運行工況變得惡劣,壓力傳感器容易出現(xiàn)漂移等異常,會對制動系統(tǒng)的控制產(chǎn)生較大影響,從而影響車輛的安全運行。

正常壓力傳感器與漂移故障壓力傳感器制動缸壓力曲線如圖6所示。圖6中粗實線表示漂移壓力傳感器采集的制動缸2壓力曲線,細虛線表示正常壓力傳感器采集的制動缸1壓力曲線。相比正常壓力傳感器壓力曲線,漂移故障壓力傳感器壓力曲線在壓力突變狀態(tài)下存在明顯的漂移現(xiàn)象。

由于壓力傳感器輸出信號一般為非平穩(wěn)信號,因此采用EMD對其進行分解,使分解后的模態(tài)分量滿足平穩(wěn)性要求。以壓力傳感器漂移信號某一區(qū)段為例,原始信號、EMD分解后的殘余分量R8以及各IMF分量(f1,…,f8)如圖7所示。由圖7可知,EMD分解具有光滑去噪的效果,殘余分量保留了原始信號的趨勢特征,IMF分量包含了原始信號的高頻特征與細節(jié)特征。

圖7 漂移信號EMD分解后的IMF分量與殘余分量

采用本文方法分別對EMD分解后的正常壓力傳感器IMF分量及漂移故障壓力傳感器IMF分量進行希爾伯特變換,并進一步求取HHT邊際譜。兩種信號的HHT邊際譜圖分別如圖8和圖9所示。

圖8 正常壓力傳感器的邊際譜

圖9 漂移故障壓力傳感器的邊際譜

如圖9所示,漂移故障壓力傳感器的邊際譜在0.5 Hz頻率附近有幅值較大的譜線,表示原始信號在整個時間范圍內(nèi),擁有該頻率的概率較大。與漂移故障壓力傳感器相比,正常壓力傳感器的邊際譜在0.5 Hz頻率附近無明顯的信號幅值。因此,通過邊際譜特征的提取可以正確區(qū)分正常壓力傳感器與漂移故障壓力傳感器,進而實現(xiàn)對壓力傳感器的故障診斷。

4 結(jié)語

為實現(xiàn)城市軌道交通車輛智能運維,通過對車輛制動系統(tǒng)車載數(shù)據(jù)處理單元、故障機理、算法模型以及數(shù)據(jù)平臺進行研究,構(gòu)建了一套城市軌道交通車輛制動系統(tǒng)的故障智能診斷與故障預(yù)警系統(tǒng)。該系統(tǒng)建立了有效的車地數(shù)據(jù)傳輸鏈路,并將開發(fā)的算法模型與地面數(shù)據(jù)平臺進行深入融合,實現(xiàn)了制動系統(tǒng)核心部件的故障智能診斷及實時預(yù)警。該系統(tǒng)在某城市軌道交通線路的實際應(yīng)用結(jié)果驗證了該系統(tǒng)可以實現(xiàn)城市軌道交通車輛制動系統(tǒng)關(guān)鍵性能及部件的故障診斷與故障預(yù)警功能。