金志浩， 遲 展， 于寶剛

(沈陽化工大學(xué) 機械與動力工程學(xué)院， 遼寧 沈陽 110142)

減速頂是在鐵路系統(tǒng)中安裝在鋼軌上對車廂進行減速的一種重要調(diào)速設(shè)備[1]，其廣泛應(yīng)用于各種鐵路編組站.在經(jīng)過長時間軋制后，減速頂內(nèi)部的活塞組件容易破裂，使油缸難以下沉，造成“冒頂”現(xiàn)象，從而造成脫線事故.長期以來主要是通過人力進行日常巡檢，采用腳踩的方式進行故障檢測，憑經(jīng)驗判斷減速頂?shù)氖欠窆ぷ髡?該方法的效率和準確性不高，受外界影響較大，浪費了人力物力資源[2].

減速頂有3個主要技術(shù)參數(shù)：制動功、阻力功和臨界速度.我國從1980年開始使用簡單的儀器檢測減速頂這3個主要技術(shù)參數(shù).1985年從國外引進了計算機及其它檢測設(shè)備，用動能差法來進行檢測[3].目前國內(nèi)關(guān)于減速頂在線故障診斷方面的研究較少.史惠中等[4]討論了紅外測溫技術(shù)在減速頂上的應(yīng)用.李赟喆等[5]設(shè)計了減速頂自動檢測小車，其通過壓力大小判斷減速頂工況.20世紀50年代，聲發(fā)射檢測技術(shù)起步于德國，并于20世紀60年代在美國的原子能和航天技術(shù)領(lǐng)域迅速興起，應(yīng)用于玻璃鋼固體發(fā)動機殼體檢測.但因當時的技術(shù)和經(jīng)驗所限，聲發(fā)射技術(shù)僅有少量應(yīng)用[6].20世紀80年代，聲發(fā)射技術(shù)在理論研究、實驗研究和工業(yè)應(yīng)用方面取得了相當大的進展[7].20世紀80年代末至20世紀90年代初，隨著聲發(fā)射基礎(chǔ)理論研究的深入開展，以及現(xiàn)場、實驗數(shù)據(jù)和經(jīng)驗的大量積累，計算機技術(shù)、集成電路、人工神經(jīng)網(wǎng)絡(luò)等信號處理技術(shù)(尤其是數(shù)字信號處理技術(shù))及模式識別技術(shù)在聲發(fā)射領(lǐng)域中的廣泛應(yīng)用，加之日益擴大的應(yīng)用領(lǐng)域?qū)β暟l(fā)射技術(shù)的發(fā)展提出的新要求等，促進了聲發(fā)射技術(shù)高速發(fā)展[8-10].本文采用聲發(fā)射(AE)技術(shù)對火車減速頂聲發(fā)射信號進行采集，將所測得的信號數(shù)據(jù)發(fā)送到計算機中，選取信號中時域、頻域及小波能量作為特征參數(shù)，使用BP神經(jīng)網(wǎng)絡(luò)判斷減速頂是否需要進行維修，以此提高檢測效率并減輕工人的勞動強度.

1 小波變換原理及BP神經(jīng)網(wǎng)絡(luò)簡介

1.1 小波變換基本原理

使用某一系列函數(shù)表示或者逼近任意函數(shù)或信號是小波分析的核心思想，通常稱這一系列函數(shù)為小波函數(shù)系.

(1)

將ψ(t)經(jīng)過伸縮平移之后，可得到小波基函數(shù)ψa,b(t)，表達式如下：

(2)

式中：a、τ分別為尺度因子與平移因子.

則小波基ψ的連續(xù)小波函數(shù)可表示為

(Wψf)(a,b)=〈f,Ψa,b〉=

(3)

小波離散化是針對ψa,τ(t)中的連續(xù)變量a和b的離散.尺度因子a和平移因子τ的離散化可改寫為如下形式：

(4)

則ψa(t)可表示為

(5)

則相應(yīng)的連續(xù)小波變換可表示為離散小波變換

Wj,k=〈f(t),ψj,k(t)〉=

(6)

該函數(shù)的變量為頻率指標j與平移指標k.則逆變換為

(7)

1.2 BP神經(jīng)網(wǎng)絡(luò)簡介

神經(jīng)網(wǎng)絡(luò)的全稱是人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks，ANN)，其采用實際中可實現(xiàn)的組件或直接使用信息技術(shù)來實現(xiàn)在自然界中已存在的神經(jīng)系統(tǒng)中的某些功能，神經(jīng)網(wǎng)絡(luò)是一種非線性的數(shù)學(xué)模型.神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點是能夠通過反復(fù)訓(xùn)練、測試網(wǎng)絡(luò)結(jié)構(gòu)，最終來逼近任意復(fù)雜度的非線性函數(shù).BP(back propagation)人工神經(jīng)網(wǎng)絡(luò)是基于誤差來進行逆向傳播訓(xùn)練算法的多層神經(jīng)網(wǎng)絡(luò)類型.BP神經(jīng)網(wǎng)絡(luò)使用最速下降法進行學(xué)習(xí)，通過不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值從而使網(wǎng)絡(luò)的輸出誤差盡可能最小.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點是在隱藏層數(shù)目足夠多的條件下具有較好的泛化能力，是自神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用以來使用最廣泛的一種網(wǎng)絡(luò)類型.BP神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層和輸出層，每層中都包含有一些神經(jīng)元.輸入層、隱含層、輸出層中的神經(jīng)元被稱作輸入單元、隱含層單元和輸出單元，其網(wǎng)絡(luò)結(jié)構(gòu)與神經(jīng)元結(jié)構(gòu)如圖1所示.

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與神經(jīng)元模型

2 實驗研究

2.1 實驗布置

采集地點為沈陽裕國站，減速頂為TDW94A型減速頂，位于軌道外側(cè)，每個減速頂之間的間距約為3 m，火車速度約為6 km/h，此速度為鐵路車輛經(jīng)過減速頂帶時的常見速度，其他測試條件要求滿足國家鐵道行業(yè)標準TB/T 2460—2016《鐵道車輛減速頂》對于室外減速頂檢測試驗條件的有關(guān)規(guī)定.聲發(fā)射儀采用北京聲華興業(yè)公司的SDAEA聲發(fā)射檢測儀，傳感器型號為SR150A，設(shè)置參數(shù)如表1所示，現(xiàn)場傳感器的布置情況如圖2所示.

表1 實驗參數(shù)設(shè)置一覽表

1 聲發(fā)射傳感器 2 減速頂 3 前置放大器4 鐵軌 5 聲發(fā)射檢測儀

火車減速頂震動產(chǎn)生的聲發(fā)射信號是一種典型的非平穩(wěn)隨機信號，其中包含著豐富的信息[11].對采集到的信號進行頻譜分析，發(fā)現(xiàn)其有著明顯的類別區(qū)分.推測其原因是由于只有在火車車輪經(jīng)過時減速頂才會工作，對車廂整體起制動減速作用，而在其他時間段減速頂處于自然狀態(tài).圖3為采集到的典型的減速頂信號及其頻譜圖.

圖3 減速頂聲發(fā)射信號波形圖和頻域圖

由圖3可知兩類信號在時域與頻域上差別巨大.時域上，類型Ⅰ信號波動規(guī)律，類型Ⅱ信號無明顯特征；頻域上，類型Ⅰ信號頻率集中在50 kHz附近，類型Ⅱ信號在20～120 kHz范圍內(nèi)均有分布，且頻率組成復(fù)雜.綜上，推測類型Ⅰ信號可能是火車車輪在鐵軌上行駛時所采集到的聲發(fā)射信號，類型Ⅱ信號為火車車輪經(jīng)過減速頂時，減速頂進行制動減速時所采集到的聲發(fā)射信號.所以，可通過類型Ⅱ信號的特征參數(shù)來判斷減速頂故障與否.類型Ⅱ信號波形復(fù)雜，直觀上無明顯可分辨特征，因此難以用單一特征表征聲發(fā)射信號，故需從時域、頻域和小波能量中提取減速頂聲發(fā)射信號的特征參數(shù).

2.2 信號的時域特征參數(shù)

聲發(fā)射信號的時域中有豐富的特征信息.如信號的最大值與最小值反映了信號在時域范圍內(nèi)的波動范圍，方根幅值反映了信號的能量大小等.對于任意聲發(fā)射信號，其時域特征參數(shù)的表達式如表2[12]所示，其中n表示信號中采樣的點數(shù)，var為信號的方差，RMS為均方根值.

表2 時域特征參數(shù)

2.3 信號的頻域特征參數(shù)

頻域特征參數(shù)的表達式如表3[12]所示.

表3 頻域特征參數(shù)

2.4 小波能量特征參數(shù)

根據(jù)小波函數(shù)和小波尺度的選擇原則以及實際分析下選擇dB10小波函數(shù)對聲發(fā)射信號進行分解，分解層數(shù)為5.每層的能量分別為

(8)

其中i=1，2，…，5，其總能量E為

(9)

這5個頻段可以根據(jù)其能量值構(gòu)建特征向量[13]

(10)

綜上所述，對聲發(fā)射信號的時域、頻域和小波能量共提取了23個特征參數(shù)，其中時域特征共計13個，頻域特征5個，小波能量特征5個.

3 基于BP神經(jīng)網(wǎng)絡(luò)的信號識別方法

3.1 BP神經(jīng)網(wǎng)絡(luò)的識別流程

利用BP神經(jīng)網(wǎng)絡(luò)進行減速頂聲發(fā)射信號故障診斷的實現(xiàn)步驟如下[14]:

(1) 對正常工作減速頂Ⅱ類信號、故障減速頂Ⅱ類信號與Ⅰ類信號進行特征參數(shù)分析，提取其特征參數(shù).

(2) 根據(jù)輸入矩陣及期望輸出矩陣，確定BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)參數(shù).

(3) 將訓(xùn)練樣本的特征參數(shù)矩陣輸入到BP神經(jīng)網(wǎng)絡(luò)分類器中進行訓(xùn)練，獲得神經(jīng)網(wǎng)絡(luò)分類模型.

(4) 將待檢驗樣本的特征矩陣輸入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，并進行分類識別，輸出最終識別結(jié)果.

3.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

根據(jù)相關(guān)經(jīng)驗公式，隱含層神經(jīng)元數(shù)目m=2n+1，其中m為隱含層的神經(jīng)元數(shù)目，n為輸入層的神經(jīng)元數(shù)目，輸入神經(jīng)元數(shù)目由特征參數(shù)確定[15].這里n=23，m=47.設(shè)定訓(xùn)練步數(shù)為2 000，訓(xùn)練目標誤差為0.001，學(xué)習(xí)速率為0.1，選用tansig與logsig函數(shù)分別作為神經(jīng)網(wǎng)絡(luò)隱含層與輸出層的傳遞函數(shù).輸出層節(jié)點數(shù)為3，對應(yīng)減速頂?shù)?種信號模式[16]，如表4所示.

表4 減速頂信號模式

3.3 網(wǎng)絡(luò)的訓(xùn)練與檢驗

選取正常工作減速頂Ⅱ類信號、故障減速頂Ⅱ類信號、Ⅰ類信號各24組進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練.從圖4中可以看到，訓(xùn)練誤差經(jīng)過1401步迭代后達到要求.結(jié)束訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)即是減速頂聲發(fā)射的故障識別網(wǎng)絡(luò).

圖4 BP網(wǎng)絡(luò)訓(xùn)練誤差曲線

為檢驗網(wǎng)絡(luò)的實際應(yīng)用性能，隨機提取正常與故障減速頂聲發(fā)射信號各100組作為樣本進行檢驗，部分輸出結(jié)果見表5.

從表5中可以看到：不論減速頂正常工作與否，神經(jīng)網(wǎng)絡(luò)特征值3的輸出值有相當一部分接近1，結(jié)合表4，說明在采集的信號中Ⅰ類信號占有很大比例，這也間接驗證了之前的猜測.由于Ⅰ類信號不能作為判斷根據(jù)，故忽略Ⅰ類信號，將神經(jīng)網(wǎng)絡(luò)輸出是否大于0.8作為判斷標準，統(tǒng)計了神經(jīng)網(wǎng)絡(luò)輸出的驗證錯誤率，結(jié)果如表6所示.

表6 BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果統(tǒng)計

由表6可以看出：對于正常與故障減速頂?shù)臋z驗錯誤率分別為12.5 %與16.1 %，能夠初步滿足預(yù)測要求.如果需要獲得更低的檢驗錯誤率，則需要增大學(xué)習(xí)樣本數(shù)目，或者優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)整隱含層單元數(shù)來建立更好的預(yù)測模型.

4 結(jié) 論

針對長期以來只能通過人工經(jīng)驗判斷火車減速頂工作狀態(tài)的問題，應(yīng)用了聲發(fā)射檢測技術(shù)對減速頂進行故障診斷分析.故障與正常減速頂兩類聲發(fā)射信號在時域與頻域上差別巨大，提取了相關(guān)特征值使用BP神經(jīng)網(wǎng)絡(luò)進行故障判斷，正常與故障減速頂?shù)臋z驗錯誤率分別為12.5 %與16.1 %，可以滿足實際診斷需要.進一步優(yōu)化算法，縮短故障診斷時間、提高識別準確率是今后努力的方向.