基于PCA-MSSA-BP神經網絡的列車車輪踏面磨耗預測模型

王冬 楊鈺鑫

基金項目：國能鐵路裝備有限責任公司包頭車輛維修分公司研究項目（TZKY-21-45）

第一作者簡介：王冬（1984-），男，工程師。研究方向為車輛檢修運用。

*通信作者：楊鈺鑫（1998-），男，碩士研究生。研究方向為機車車輛測控技術及故障診斷。

DOI：10.19981/j.CN23-1581/G3.2024.12.012

摘? 要：分析列車車輪踏面磨耗，預測車輪剩余壽命，對降低車輛運營成本、提高運行安全品質具有重要意義。該文以某公司某型車為例，分析輪對歷史檢修數據，建立基于PCA-MSSA-BP神經網絡的車輪踏面磨耗模型，與傳統方法相比，預測精度更高、速度更快。該文首先用主成分分析法從眾多磨耗影響因素中提取4個主成分因子，接著建立BP神經網絡模型，并針對麻雀優化算法進行改進，驗證改進效果，將改進后麻雀算法對網絡權值和閾值進行優化，實驗結果表明，輪徑磨耗、輪緣厚磨耗預測的平均絕對誤差分別為0.193 5、0.121 5 mm。

關鍵詞：車輪；磨耗預測；主成分分析；麻雀算法；BP神經網絡

中圖分類號：U270.33? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）12-0049-06

Abstract： It is of great significance to reduce vehicle operation cost and improve operation safety quality to analyze train wheel tread wear and predict wheel residual life. Taking a certain type of car in a company as an example， the historical maintenance data of wheel sets are analyzed， and the wheel tread wear model based on PCA-MSSA-BP neural network is established. Compared with the traditional method， the prediction accuracy is higher and the speed is faster. In this paper， four principal component factors are extracted from many wear influencing factors by principal component analysis， and then the BP neural network model is established. The improved sparrow optimization algorithm is improved and the improved effect is verified. The improved sparrow algorithm is used to optimize the network weight and threshold. The experimental results show that the mean absolute errors of wheel diameter wear and flange thickness wear are 0.193 5 mm and 0.121 5 mm respectively.

Keywords： wheel; wear prediction; principal component analysis; sparrow algorithm; BP neural network

輪對是軌道列車安全運行的重要部件之一，在車輛承載、導向、牽引和制動過程中均發揮著關鍵作用，其狀態好壞會直接影響列車的安全可靠服役。同時輪對也是列車重要的易耗品，數量多、消耗大、檢修和更換頻繁。列車運行時，車輪與軌道直接接觸，兩者相互作用產生輪軌力，造成車輪的磨耗和損傷。隨著運行時間的增長，輪軌間動態作用會逐步加劇，車輪的磨耗和損傷情況會愈加嚴重，若沒有及時發現處理容易引起尺寸超限，進而影響安全性和平穩性能[1-3]。

目前，車輪踏面磨耗預測方法主要有2種。其一是基于動力學仿真模型，研究列車動力學與相關物理量，采用仿真軟件建立模型，模擬列車的真實運行狀況進而得到磨耗數據，并與實際磨耗數據對比計算其準確率[4-6]。2012年，Ignesti等[7]提出一種聯合模型，該模型包括仿真車輛模型和輪對磨耗模型2部分，通過2個模型交替工作，模擬輪對磨耗的演變過程。2014年，Innocenti等[8]對線路狀況進行全面考慮，在FASTSIM程序和磨耗模型基礎上，利用SIMPACK軟件建立輪對模型，實現對復雜線路下車輪踏面的磨耗預測。2021年，王紅兵等[9]利用UM和MATLAB建立了一種更為全面的車輪踏面磨耗預測模型，該模型涵蓋了磨耗計算模型、輪軌局部接觸模型與車-軌系統耦合動力學模型3部分。其二是基于歷史檢修數據，利用大數據分析磨耗規律[10-11]，隨著數據挖掘、機器學習、深度學習等技術的興起，該方法逐漸被廣泛使用。2014年，邢宗義等[12]針對支持向量機參數優化問題，采用粒子群算法，構造出粒子群優化支持向量機（PSO-SVW）輪對尺寸預測模型，該模型在輪徑值預測方面相關度達到0.94，其在輪對尺寸預測方面具有可行性。2020年，張佳文[13]將自適應進化差分算法與最小二乘反向傳播神經網絡相結合，建立了一種新的用于車輪尺寸數據的預測模型ADE-LMBP，通過與BP神經網絡、LMBP神經網絡等進行對比實驗，驗證了該模型在輪對踏面磨耗預測方面的準確性。2022年，王美琪等[14]提出一種基于恒等映射多層極限學習機（I-ML-ELM）的高速列車車輪踏面磨耗測量方法，利用I-ML-ELM模型對車輪踏面磨耗量進行學習及預測，并與真實測量進行對比驗證，結果表明，基于I-ML-ELM的預測模型能很好地反映不同參數對車輪踏面磨耗值的影響規律。

受過往檢修過程中輪對磨耗數據缺失、豐富程度不足等影響，現階段基于大數據驅動方法的車輪踏面磨耗預測研究仍相對較少，還是以傳統的車輛動力學理論和模型為主，且車體數據越完善，模型準確度越高，但計算量也相對較大。同時目前被廣泛用于輪對踏面磨耗預測研究的神經網絡模型如多層感知機、BP神經網絡等，其模型本身的泛化能力差，訓練速度慢，需進一步開展優化列車輪對踏面磨耗預測的神經網絡算法研究，提高預測精度和效率。文章構建了基于PCA-MSSA-BP神經網絡的列車車輪踏面磨耗預測模型，對輪徑磨耗、輪緣厚磨耗2個參數進行擬合預測，有助于更好地監測掌握車輪狀態，幫助工作人員合理制定維修計劃，對提高檢修效率，降低運營成本也具有重要意義。

1? 傳統方法

本傳統方法往往根據檢修時測得的輪徑數據和檢修經驗，計算車輪輪徑和輪緣厚度磨耗率[15]。車輪輪徑磨耗率和車輪輪緣厚磨耗率計算公式分別為

式中：Ｄ１為車輪輪徑磨耗率，mm/10 000 km；d1為上次鏇后輪徑值，mm；d2為下次鏇前輪徑值，mm；Ｄ2為車輪輪緣厚磨耗率，mm/10 000 km；r1為上次鏇后輪緣厚值，mm；r2為下次鏇前輪緣厚值，mm；L為運行里程，10 000 km。

根據公式（1）、（2）計算出某公司某型車車輪直徑和輪緣厚磨耗速率，具體計算結果如圖1、圖2所示。

圖1輪徑磨耗速率

圖2輪緣厚磨耗速率

2? 基于PCA-MSSA-BP神經網絡的預測模型

2.1? 主成分分析及BP神經網絡

主成分分析法（Principal Component Analysis，PCA）[16]是一種常用的降維方法，可將多種變量數據轉化為少數幾個彼此互不相關的主成分[17-18]。

PCA的計算步驟如下。

步驟一，初始樣本矩陣標準化。

步驟二，計算標準化后樣本相關陣。

步驟三，求取特征向量和特征值。

步驟四，計算貢獻率與累積貢獻率。

步驟五，選擇m個主成分，綜合評估。

初始樣本數據在經過變換之后，新的數據樣本通常與初始樣本數據存在某種線性組合關系。本文在進行主成分提取時的標準為主成分因子累積貢獻率大于80%。

BP神經網絡是一種常用神經網絡模型[19-20]，其模型結構如圖3所示。

BP神經網絡結構主要含輸入層、輸出層、隱含層3部分，其中隱含層的層數可以根據模型要求而調整。

圖3BP神經網絡模型結構

2.2? 改進麻雀搜索算法

麻雀搜索算法（Sparrow Search Algorithm，SSA）是一種模擬群體動物行為的群智能優化算法，其核心思想與人工蜂群算法、POS算法、蟻群算法等類似[21]。SSA的提出受麻雀覓食行為和反捕食行為的啟發，其將麻雀的群體行為分為發現者、加入者、偵察者[22-23]，具體行為導則如下。

步驟1：在SSA中，適應度值高的麻雀是發現者，其負責更大的覓食搜索區域，在搜索時會優先獲取食物，而加入者為尋找覓食方向會向發現者靠攏。

步驟2：在覓食過程中，發現者附近的加入者可能會與其爭奪食物，這是加入者為提高自身捕食率而產生的行為，因此發現者和加入者的身份可能會隨時轉變，但是兩者在種群內的比重是保持一定的。為了獲得更多的能量和找到更好的發現者，部分饑餓的加入者會前往其他區域進行覓食。當預警值超過預先設定上限值時，表示麻雀種群意識到危險，此時種群中間的麻雀會隨機行走，以靠近鄰近麻雀，而處于邊緣的麻雀會迅速移動調整以獲得更安全的位置，上述過程即為麻雀種群的反捕食行為。

文章針對麻雀算法中存在的部分不足進行優化，具體改進如下。

2.2.1? 改進二維Logistic混沌映射策略

麻雀搜索算法中初始參數的均勻性程度會顯著影響最終結果。原始麻雀搜索算法參數初始化采用隨機函數進行，初始值的均勻性和多樣性無法很好地得到保證。本文提出利用改進二維Logistic混沌映射策略進行初始化[24]，其映射公式如下

式中：xn、yn為混沌序列值；sin（x）為正弦函數。當a∈[0，1]時，該系統處于混沌狀態。

確定上述映射策略后，再通過下式將序列值賦給種群初始化個體

x（i）=lb+（ub-lb）×y（i） ， （5）

式中：[lb，ub]為個體搜索區間；x（i）為個體位置；y（i）為混沌序列。

此時生成的種群初始化值將具有均勻、遍歷的特點。

2.2.2? 多向學習策略

原麻雀搜索算法中，加入者位置更新時，每次只選擇一個最佳個體進行學習，這種方式對快速搜索最佳位置有利，卻在一定程度上降低搜索的多樣性，使得最終結果易陷入局部最優。針對此，采用多向學習策略對加入者位置更新公式進行優化[25]，新的加入者位置更新公式如下

，? ? （6）

式中：pa、pb、pc分別為a、b、c三個個體權重；a為最優解；b、c分別為與a不同的隨機解。

計算公式如下

（7）

式中：Fa為個體a的適應度值；Fb為個體b的適應度值；Fc為個體c的適應度值。

根據適應度值來計算權重，針對適應度值更小的個體給予更大的權重，適應度值較大的個體分配較小的權重，這樣綜合考慮3個麻雀個體的信息，以擴大搜索空間。

2.2.3? 遺傳算子變異操作

為避免算法陷入局部最優，引入遺傳優化算法中的變異算子，對麻雀種群中的最優個體進行變異操作，從而提升全局搜索能力。

對最優個體xi隨機產生p∈[0，1]進行變異，變異公式如下

式中：wi為區間[lb-xi，ub-xi]上的隨機數，從而使得xi變異后仍在搜索區間上；pm為變異概率，變異概率計算公式如下

pm=0.03+0.51-■，（9）

式中：tmax為最大迭代次數；t為本次迭代次數。

以上為針對SSA算法的改進。驗證改進后算法的尋優效果與改進前作比較，結果如圖4所示，不難看出，200次的迭代次數下，改進算法展現出了優于原始算法的性能。

2.3? PCA-MSSA-BP神經網絡

正BP神經網絡存在初始化參數影響大、學習效率低、易過度擬合和收斂慢等問題。采用改進麻雀算法優化BP神經網絡的初始權值和閾值。

整個預測模型流程如圖5所示。

實驗步驟如下。

步驟1，數據處理。對車組數據進行預篩選，選擇有效數據作為初始樣本數據，利用主成分分析法進行數據降維處理。

步驟2，建立BP神經網絡初始模型。根據數據降維處理結果去確定網絡的輸入量和輸出量，選擇各網絡層層數，初始化網絡參數。

步驟3，種群初始化。確定網絡參數個數，依次對個體編碼，本文適應度函數為絕對誤差，每個個體的適應度值計算如式（10）

式中：n為總預測數據；yi為實際輸出；hi為預測輸出；F為個體適應度。

步驟4，劃分發現者、加入者并更新位置，選擇偵察者并更新位置。

步驟5，參數優化。在允許迭代次數內且預測值與真實值之差滿足誤差閾值時，輸出最優個體。

步驟6，網絡優化。在進行網絡訓練和預測前，將麻雀算法優化后的權重與閾值重新分配給BP神經網絡，進一步優化模型。

圖5? PCA-MSSA-BP算法流程

3? 實驗與分析

本文以某公司某車型為例，整理篩選檢修數據9 472組，得到上次鏇后輪徑值、上次鏇后輪緣厚、同軸輪徑差和運行里程等8個影響參數，利用PCA進行降維，得到4個主成分因子，作為網絡模型輸入。設置MSSA-BP神經網絡的結構為4-10-2，即4個輸入層、10個隱含層、2個輸出層，輸出層分別為輪徑、輪緣厚的磨耗值。本文網絡模型含12個閾值，各層連接為全連接則共有60個權值。分別選擇tansig和purelin作為MSSA-BP神經網絡的隱含層和輸出層激勵函數，選用traingd作為訓練函數，最小目標誤差閾值為0.1，學習率為0.01。種群數目與進化代數分別為20個、200次，發現者占比20%，加入者占比80%。

對MSSA-BP神經網絡進行訓練、預測，結果如圖6、圖7所示。

圖8為PCA-MSSA-BP神經網絡預測模型中麻雀算法迭代200次的適應度變化圖，從圖8中可以看出，該模型的誤差隨著算法的優化顯著降低；模型的最優參數出現在適應度降至最小值時，此時模型迭代了約80次。

圖6輪徑磨耗預測誤差

圖7? 輪緣厚磨耗預測誤差

圖8? PCA-MSSA-BP神經網絡模型適應度變化曲線

為驗證模型作用，選取傳統方法和BP神經網絡模型的預測結果與其作比較，用均方根誤差（RMSE）及平均絕對誤差（AE）衡量預測效果，AE公式為式（10），RMSE計算公式如下

RMSE=■，（11）

式中：n為預測數據量；hi為預測值；yi為實際值。

根據公式（10）、（11）及模型預測結果，計算結果對比見表1。

表1? 不同方法的預測結果

由表1可知，相對傳統算法，PCA-BP神經網絡在輪徑磨耗預測方面誤差沒有明顯降低，但輪緣厚磨耗預測精度得到明顯提升，RMSE下降明顯、AE略低于傳統方法；經過麻雀算法對模型進行優化，PCA-MSSA-BP神經網絡預測模型在輪徑磨耗預測和輪緣厚磨耗預測的誤差均明顯降低，最終2個參數預測的平均絕對誤差分別為0.193 5、0.121 5 mm。

改變訓練和預測數集，對最終模型進行重復訓練、預測，結果見表2。

表2? PCA-MSSA-BP神經網絡穩定性檢驗

由表1、2可知，將改進麻雀算法引入BP神經網絡有明顯的優化作用，且該算法自身穩定性較高。該輪對踏面磨耗預測模型能對踏面磨耗實現較準確的預測，可進一步用于車輪剩余壽命預測及鏇修計劃編排，具有現實意義。

4? 結論

本傳統車輪磨耗分析方法，只考慮了踏面參數變化，未考慮到其他因素對踏面磨耗的影響。本文利用某型車檢修數據，對車輪踏面磨耗進行研究，最終建立PCA-MSSA-BP神經網絡模型，實現踏面磨耗預測，對延長車輪使用壽命、進行車輪全壽命周期監控、降低輪對運維成本具有重要意義。

參考文獻：

[1] 曾元辰，唐旭，張衛華，等.車輪尺寸對車輪磨耗的影響規律研究[J].鐵道學報，2022，44（4）：27-35.

[2] 張衛華，李權福，宋冬利.關于鐵路機車車輛健康管理與狀態修的思考[J].中國機械工程，2021，32（4）：379-389.

[3] WANG X P， MA H， ZHANG J. A Prediction Method for Wheel Tread Wear[J].Industrial Lubrication and Tribology， 2019，71（6）：819-825．

[4] 顧正隆，葛亦凡.基于輪對磨耗數據數理統計的輪對鏇修策略多目標優化[J].城市軌道交通研究，2021，24（S1）：21-25，30.

[5] 張渝，王松，邱春蓉.基于輪對磨耗數據的CRH2A型動車經濟鏇修策略研究[J].鐵路計算機應用，2021，30（4）：6-10.

[6] SHI H M， YANG J S， SI J. Centralized maintenance time prediction algorithm for freight train wheels based on remaining useful life prediction[J].Mathematical Problems in Engineering， 2020（2020）：1-12.

[7] IGNESTI M， MARINI L， MELI E， et al. Development of a wear model for the prediction of wheel and rail profile evolution in railway systems[J]. Wear， 2012，284-285（1）：1-17.

[8] INNOCENTI A， MARINI L， MELI E， et al. Development of a wear model for the analysis of complex railway networks[J]. Wear， 2014，309（1-2）：174-191.

[9] 王紅兵，李藝，李國芳，等.高速車輛車輪踏面磨耗預測及系統參數影響分析[J].機械科學與技術，2022，41（5）：786-794.

[10] 吳健，葉正君，邢宗義.城市軌道交通列車輪對磨耗模型研究[J].鐵路計算機應用，2020，29（2）：62-67.

[11] 韓鵬，張衛華.高速列車輪對磨耗統計規律及預測模型[J].機械工程學報，2016，52（2）：144-149.

[12] 邢宗義，冒玲麗，廖貴玲，等.基于PSO-SVM模型的城軌列車輪對尺寸預測[J].沈陽工業大學學報，2014，36（4）：411-415.

[13] 張佳文.基于神經網絡的高速列車輪對尺寸預測及鏇修策略研究[D].成都：西南交通大學，2020.

[14] 王美琪，王藝，陳恩利，等.基于恒等映射多層極限學習機的高速列車踏面磨耗預測模型[J].力學學報，2022，54（6）：1720-1731.

[15] 田麗，劉森.基于數據擬合的地鐵車輛車輪磨耗分析與壽命預測[J].鐵道技術監督，2022，50（2）：65-68.

[16] JOLLIFFE I T， CADIMA J. Principal component analysis： a review and recent developments[J]. Philosophical Transactions of the Royal Society A：Mathematical， Physical and Engineering Sciences， 2016（13）：374.

[17] 喬守旭，鐘文義，譚思超，等.基于PCA-GA-SVM的豎直下降兩相流流型預測[J].核動力工程，2022，43（3）：85-93.

[18] 徐雄，林海軍，劉悠勇，等.融合PCA與自適應K-Means聚類的水電機組故障檢測在線方法[J].電子測量與儀器學報，2022，36（3）：260-267.

[19] 周永長，黃亞宇.基于BP神經網絡建立二次潤葉工藝參數的預測模型[J].電子科技，2022，35（9）：79-86.

[20] YAO G X， CHEN G G， PU Z W， et al. Research on vibration fatigue damage locations of offshore oil and gas pipelines based on the GA-Improved BP neural network[J]. Shock and Vibration，2023：18.

[21] 劉美辰，薛河儒，劉江平，等.牛奶蛋白質含量的SSA-SVM高光譜預測模型[J].光譜學與光譜分析，2022，42（5）：1601-1606.

[22] XUE J K， SHEN B. A novel swarm intelligence optimization approach： sparrow search algorithm[J]. Systems Science & Control Engineering， 2020，8（1）：22-34.

[23] TANG A D， HUAN Z， TONG H， et al. A chaos sparrow search algorithm with logarithmic spiral and adaptive step for engineering problems[J].Computer Modeling in Engineering & Sciences， 2022，130（1）：331-364.

[24] 方鵬飛，黃陸光，婁苗苗，等.基于二維Logistic混沌映射與DNA序列運算的圖像加密算法[J].中國科技論文，2021，16（3）：247-252.

[25] 柴巖，孫笑笑，任生.融合多向學習的混沌麻雀搜索算法[J].計算機工程與應用，2023，59（6）：81-91.