針對軌道車輛走行部關鍵部件故障的智能識別研究

周宏祥 堯輝明

摘 要：針對軌道車輛走行部關鍵部件的故障識別問題，本文提出了利用蟻群算法對彈簧的狀態參數進行估計。通過對軌道車輛橫向動力學方程建立的多元線性回歸模型進行處理，得到約束模型。利用蟻群算法的尋優特性，在彈簧的正常、輕微故障和斷裂的情況下對約束模型進行尋優計算，驗證該算法的有效性。結果表明：該方法可以有效準確地估計軌道車輛走行部關鍵部件彈簧的實際參數值。通過比較估計值和正常值，可及時判斷彈簧的狀態，該參數估計方法可為軌道車輛懸掛系統關鍵部件狀態監測提供重要的理論依據。

關鍵詞：軌道車輪;動力學模型;蟻群算法;參數估計;尋優處理

中圖分類號：TP391 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2021.03.024

本文著錄格式：周宏祥，堯輝明.針對軌道車輛走行部關鍵部件故障的智能識別研究[J].軟件，2021，42（03）：086-089+102

Research on Intelligent Recognition of Failures of Key Components of Rail Vehicle Running Parts

ZHOU Hongxiang， YAO Huiming

（School of Urban Rail Transit， Shanghai University of Engineering Science， Shanghai? 201620）

【Abstract】：Aiming at the problem of fault identification of the key components of the running part of rail vehicles， this paper proposes the use of ant colony algorithm to estimate the state parameters of the spring. By processing the multiple linear regression model established by the rail vehicle lateral dynamics equation， the constraint model is obtained. Using the optimization characteristics of the ant colony algorithm， the constraint model is optimized under the condition of normal， minor failure and breakage of the spring to verify the effectiveness of the algorithm. The results show that the method can effectively and accurately estimate the actual parameter values of the springs of the key components of the running gear of rail vehicles. By comparing the estimated value with the normal value， the state of the spring can be judged in time. This parameter estimation method can provide an important theoretical basis for the state monitoring of the key components of the rail vehicle suspension system.

【Key words】：rail wheel;dynamic model;ant colony algorithm;parameter estimation;optimization processing

0引言

目前，信號分析的方法是懸掛系統在線監測主要使用的方法，軌道車輛懸掛系統關鍵部件的幅值、頻率特性以及對動力學參數的統計特征等關鍵部件的檢測信號特性的突變是信號分析方法的主要研究對象，同時需要將較多的傳感器安裝在軌道車輛走行部的指定位置處。但是監測結果精度較低，有一定的局限性[1]。

相對于信號分析方法而言，參數估計以可操作性強等優點逐漸被廣泛應用于故障狀態監測領域中，為了達到估計軌道車輛關鍵部件的實際參數值的目的，僅需要通過安裝在軌道車輛上的傳感器獲取車輛振動的信息，通過運算處理即可。文獻[2]提等人通過采用粒子濾波算法對城市軌道交通車輛走行部關鍵部件參數進行仿真分析，驗證了粒子濾波的參數估計算法能有有效的對車輛參數進行預測，有一定的工程應用價值。文獻[3]利用率振動加速度的評判方法在對車輪缺陷的頻率特征進行分析時，針對車輪的缺陷搭建車輪信息的數據采集裝置進行分析但是工程可用性低。在利用算法進行參數估計時，算法自身的缺陷也會導致參數估計的結果精度低等問題，它們不能收斂到全局最優解，并且與初始值具有相關性。

針對上述問題，本文建立軌道車輛系統橫向狀態空間模型，針對對算法初始值要求過高以及因參數優化不能收斂到全局最優解的問題，提出利用蟻群算法為研究軌道車輛走行部關鍵部件彈簧的參數估計提供了一種較為理想的解決方案。

1 軌道車輛系統橫向狀態空間模型

1.1 參數估計模型

如圖1所示的軌道車輛參數估計模型示意圖[4]，針對模型中示出的部分車體模型主要包括：軌道車輛走行部輪對，1個橫向運動的自由度和構架均有橫向和搖頭運動的2個自由度。

圖中：參數yw1和yw2分別為2個輪對的橫向位移;參數yb表示為構架的橫向位移;參數ybd表示為車體的橫向位移;參數kx是一系縱向剛度;參數和分別為2個輪對的搖頭角;參數表示為構架的搖頭角;參數ky表示為橫向剛度;參數kyb表示為二系橫向剛度;參數l0表示為軌距的一半;參數la表示為轉向架軸距的一半;參數lb為一系懸掛橫向跨距的一半[5];參數δyb表示為二系橫向阻尼;參數分別為和抗蛇行阻尼。

該參數估計模型的振動方程包括

（1）

（2）

（3）

（4）

（5）

（6）

（7）

（8）

（9）

式中：2個輪對處的軌道橫向不平順用yt1和yt2分別進行表示;2個輪對在輪軌接觸點處的橫向位移yd1和yd2分別進行表示;mw1和mw2分別為2個輪對的質量;構架和車體的質量用mb和mbd分別進行表示;縱向和橫向蠕滑系數用f11和f22分別進行表示;2個輪對的轉到慣量用Iw1和Iw2分別進行表示;構架轉動慣量用Ib進行表示;輪對等效錐度用λ進行表示;車輪滾動半徑用r0進行表示。

1.2 軌道車輛系統橫向狀態空間模型

把軌道車輛系統的橫向參數估計模型中的振動方程變化為動態空間的方程如下。

（10）

（11）

其中，

w=，。

式中：參數w表示為信息反饋狀態噪聲，也就是軌道橫向不平順;參數為16×16型的矩陣;參數為16×2型的矩陣;參數H為5×16型的矩陣，可以由矩陣得到。

因式（10）為時間t的連續函數，因此使其離散后可得[6]

（12）

設Ts為采樣時間間隔，在初始時刻t0=kTs的狀態為x（kTs），則t=（k+1）Ts時刻的狀態可以表示為

（13）

其中，

（14）

在時間區間[kTs，（k+1）Ts]，當Ts足夠小，w（τ）可以近似為常數w（kTs），則式（14）變換為

（15）

式中：I為16×16型的單位矩陣。

將式（15）代入式（13）可得

（16）

令，，，由上可得系統的橫向動態空間模型為

（17）

（18）

2 蟻群算法在參數估計中的應用

蟻群算法的基本思路是在蟻群算法中，將單只螞蟻理解為待估計的參數組合，是模型參數估計問題中的一個最優候選解，個體的維數就代表著待估計的參數個數p+1，設蟻群數為m，那么蟻群中第i個螞蟻個體的位置可以表示為：

另外，求適值函數最小值的優化問題，通過蟻群算法進行處理[7]。

（19）

首先，將單只螞蟻理解為待估計的參數組合，是模型參數估計問題中的一個最優候選解，個體的維數就代表著待估計的參數個數p+1，設蟻群數為n，那么蟻群中第i個螞蟻個體的位置可以表示為：

。

選取適當的，使得最小。

基本實現步驟如下所示：

（1）初始化蟻群算法中的各項參數，對蟻群中螞蟻的位置進行初始化;

（2）根據路徑信息和初始參數信息，計算狀態轉移概率，增加隨機性和遍歷性，避免陷入局部最優，計算適應度函數值，設為初始信息素，計算狀態轉移概率;

（3）螞蟻向最優解轉移，單次行程結束后更新信息素;

（4）記錄當前螞蟻的最優位置;

（5）不斷迭代，最終找到最優路徑。

3 仿真計算

采用蟻群計算法對內容進行了詳細的研究。本文將經過處理后的美國六級軌道譜的時域信號作為外部激勵，輸送到軌道車輛的參數估計模型之中。與此同時會得到振動響應數據，然后利用軌道車輛的動力學方程對彈簧剛度K和阻尼C進行求解，將獲取的彈簧剛度K的值和阻尼C的值與參數估計模型的設定值進行比較，根據兩者的差值大小來判斷此時參數估計模型中，對應參數的關鍵部件的狀態。由于一些因素的影響，需要對獲取的數據進行處理，去除一些不符合實際的數據，本文采取200個正常狀態下彈簧剛度和阻尼的結果數據如圖2、圖3所示：

當在仿真實驗中獲取到一些正常狀態下的彈簧的橫向剛度時，需要通過蟻群算法對抽選的數據進行優化處理，對軌道車輛的參數模型中的關鍵部件參數進行估計計算的本質上是探究最小解的過程。通過利用蟻群算法所得到的估計值和真實設定值之間的誤差大小，來判斷對應參數的關鍵部件的故障程度。其中在軌道車輛的參數估計模型中，將參數估計模型中關鍵部件Ky設置成368MN/m，Cy設置成12000N·s/m，軌道車輛走行部關鍵部件處于正常使用的狀態下，利用蟻群算法對彈簧剛度進行尋優計算后，橫向懸掛彈簧剛度Ky的參數值為385.44MN/m，如圖4所示。橫向阻尼Cy的值為11519.4N·s/m，如圖5所示。

當彈簧處于輕微故障時，此時相關的性能參數就會衰減0%～25%，因此我們設置彈簧剛度的參數性能衰退20%，當彈簧處于輕微故障時，彈簧剛度參數的估計值分布曲線如圖6所示：

利用蟻群算法對關鍵部件參數進行估計。在軌道車輛轉向架彈簧在輕微故障下運行時，利用蟻群算法對彈簧剛度進行尋優計算后，其橫向懸掛彈簧剛度Ky的參數值為315.93MN/m，如圖7所示。

4結論

本文通過建立的參數估計模型，引入蟻群算法對軌道車輛走行部關鍵部件彈簧在正常狀態、輕微故障兩種不同狀態下，對彈簧的狀態參數進行估計，結果表明：該方法對算法的初始值的要求不高，但是由于全局搜索能力強、收斂性好，對軌道車輛走行部關鍵部件彈簧的實際參數值能夠進行有效估計，并且精度較高。

參考文獻

[1] 漆瑾.高速機車走行部實時在線監測與診斷方法的研究[D].成都：西南交通大學，2006.

[2] LI P，GOODALL R，WESTON P.Estimation of Railway Vehicle Suspension Parameters for Condition Monitoring[J].Control Engineering Practice，2007，15（1）： 43-55.

[3] 楊凱.車輪踏面擦傷檢測系統研究[D].成都：西南交通大學，2005.

[4] 王福天.車輛系統動力學[M].北京：中國鐵道出版社，1994.

[5] 方宇，陳龍，李曉斌，等.基于再次均勻采樣策略改進軌道車輛二系懸掛系統參數估計方法[J].中國鐵道科學，2013，34（3）：72-78.

[6] 謝克明.現代控制理論[M].北京：清華大學出版社，2007.

[7] 李朝輝.連續域蟻群算法的改進研究及在參數估計中的應用[D].長沙：中南大學，2011.