賈 剛，傅霖煌，賴遠橋

(1.國家能源集團鐵路裝備有限責任公司陜西分公司，陜西 神木 719316)(2.深圳市遠望谷信息技術(shù)股份有限公司，廣東 深圳 518052)

軸承作為列車的重要零件，受列車本身運行速度快、負荷大以及外部工作環(huán)境的影響，容易出現(xiàn)開裂、磨損甚至損壞等問題，而軸承溫度過高是造成部件損壞的直接和首要因素[1]。近年來，在列車車軸運行狀態(tài)與軸溫關(guān)系的研究中，將軸溫分為中溫提示和高溫預(yù)警兩類，并應(yīng)用專家模型算法實現(xiàn)預(yù)警[2]。曹源等[3]提出了時間動態(tài)調(diào)整算法，結(jié)合紅外線軸溫探測設(shè)備，重點監(jiān)測發(fā)動機軸承的溫度；Vilares等[4]提出了優(yōu)化統(tǒng)計算法，并結(jié)合內(nèi)外部環(huán)境變化進行車軸溫度預(yù)測；Sharma等[5]基于最小二乘法以及無線傳感器對風力發(fā)電設(shè)備電機軸溫進行監(jiān)測。目前，基于特殊工況下列車軸溫監(jiān)測和預(yù)警的研究甚少，而列車軸溫一旦超出警戒值后，能夠用來處理的時間較短，因此需要在列車軸溫出現(xiàn)異常、車軸或軸承劣化前采取積極的應(yīng)對措施，避免安全事故的發(fā)生[5]。

本文設(shè)計了一種基于智能傳感器技術(shù)的鐵路軸溫監(jiān)測系統(tǒng)，通過實時采集軸溫，引入灰度模型算法并結(jié)合最小二乘法偏移原理，進行列車軸溫分析及預(yù)警。本文提出的算法延續(xù)了灰度模型小樣本高效率的優(yōu)勢，并通過改進算法解決了極值點大概率誤差過大的問題，提高了短時間內(nèi)故障預(yù)測的準確度。

1 軸溫監(jiān)測系統(tǒng)

以往的列車軸溫監(jiān)測系統(tǒng)通過傳感器采集軸溫，當軸溫超過設(shè)定的閾值后，即判斷其為狀態(tài)異常。但該方法存在的問題在于事后進行處理，不能對軸溫變化進行動態(tài)跟蹤和對設(shè)備的狀態(tài)進行預(yù)判。本文設(shè)計的軸溫監(jiān)測系統(tǒng)通過采集動態(tài)的軸溫數(shù)據(jù)進行軸溫變化趨勢預(yù)測，為故障處理留有足夠的時間，避免更嚴重的事故發(fā)生?？紤]到列車軸溫變化受列車運行狀態(tài)的影響較大，經(jīng)過反復(fù)對實際的數(shù)據(jù)進行對比發(fā)現(xiàn)，重載加速工況下的列車軸溫變化較大，因此本文主要針對重載加速工況下的軸溫預(yù)測進行研究，后續(xù)再將預(yù)測模型、算法推廣至勻速及減速等工況下的研究中。

1.1 軸溫監(jiān)測系統(tǒng)總體設(shè)計

本文提出的基于智能傳感器的軸溫監(jiān)測系統(tǒng)由上位機與采集終端兩部分組成。上位機采用界面友好的HMI人機界面進行軸溫數(shù)據(jù)的展示、監(jiān)測、存儲以及遠程控制。采集終端前置協(xié)調(diào)器節(jié)點，監(jiān)測部位加裝無線傳感器對軸溫、轉(zhuǎn)速等進行采集，由無線傳輸網(wǎng)實現(xiàn)信息傳輸及交互。系統(tǒng)具體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)總體設(shè)計圖

列車主動力系統(tǒng)的軸承溫度通過傳感器實時采集，在對傳感器的時間序列進行初始化后，傳感器采集的溫度數(shù)據(jù)由中樞協(xié)調(diào)器實時上傳至系統(tǒng)。中樞協(xié)調(diào)器收到各個傳感器單元發(fā)送的溫度數(shù)據(jù)后，由集成在主控器芯片中的算法進行處理，中樞協(xié)調(diào)器通過TCP/IP通信協(xié)議將處理結(jié)果傳送到中控室的顯示器，若溫度達到閾值，啟動控制程序觸發(fā)聲光報警。

1.2 中樞協(xié)調(diào)器及采集終端硬件設(shè)計

中樞協(xié)調(diào)器是本文提出的軸溫監(jiān)測系統(tǒng)的核心裝置，主要負責窄帶無線網(wǎng)的組網(wǎng)工作及數(shù)據(jù)傳輸，并收集車頭及車廂中車軸位置傳感器采集的溫度數(shù)據(jù)，發(fā)送至上位機。其硬件結(jié)構(gòu)設(shè)計如圖2所示。

圖2 中樞協(xié)調(diào)器硬件設(shè)計圖

協(xié)調(diào)器的主要部件為MT2625芯片[6]，其負責數(shù)據(jù)的獲取、傳輸與處理。芯片包含了功放電路、串口通信模塊以及電源和報警模塊，并配置了液晶顯示屏。其中功放電路的主要功能是增大信號發(fā)射的功率，延長傳輸距離。硬件協(xié)調(diào)器采用3.3 V串口供電，并將電源模塊的輸出電壓變壓以滿足要求。報警模塊的主要作用是監(jiān)測溫度的實時變化曲線，當超過閾值時觸發(fā)劣化趨勢預(yù)測算法，實現(xiàn)溫度監(jiān)測及預(yù)警。串口通信模塊用于信息的接收和發(fā)送，所采用協(xié)議為TCP/IP協(xié)議。

車軸溫度數(shù)據(jù)采集采用智能傳感器，其核心部件為MT2625芯片和QTIBBZO溫度采集單元。具體的硬件設(shè)計如圖3所示。溫度采集單元采集軸承溫度，并將模擬的溫度數(shù)據(jù)轉(zhuǎn)化為數(shù)字量溫度數(shù)據(jù)后，使用中樞協(xié)調(diào)器傳送到處理器芯片。電源模塊配置了電壓轉(zhuǎn)換器，輸出3.3 V的直流電壓。數(shù)據(jù)采集終端還配備了外接天線用于數(shù)據(jù)傳輸。

圖3 溫度采集模塊硬件設(shè)計圖

智能傳感器安裝在列車的牽引電機主軸承、車軸箱、齒輪箱等地方，車頭安裝了28個傳感器，拖車安裝了6個傳感器，安裝位置如圖4所示。

圖4 核心位置傳感器

2 二乘灰度模型軸溫預(yù)測算法

本文基于灰色理論建立貨運列車軸溫預(yù)測模型GM(1,1)[7-8]，并結(jié)合最小二乘法的二次多項式對軸溫模型進行重構(gòu)，在此基礎(chǔ)上進一步分析軸溫預(yù)測模型的時序溫度變化特征，對該特征使用均權(quán)組合加權(quán)，生成組合的軸溫時序預(yù)測算法，以提高預(yù)測的精確度。

C3(i-1)+C4

(1)

式中：C1～C4為回歸因子；v為發(fā)展因子；i為時間主變量。參數(shù)v為應(yīng)用灰度理論計算的a值，通過a值實現(xiàn)v=-a，應(yīng)用最小二乘法獲得回歸系數(shù)，計算式為：

(2)

其中:

式中：A是回歸因子矩陣。

獲得回歸系數(shù)對應(yīng)的預(yù)測序列后，將該序列引入灰色理論軸溫時序模型，即可獲得列車軸溫預(yù)測模型，實現(xiàn)軸溫預(yù)測，具體流程如圖5所示。

圖5 軸溫預(yù)測算法流程圖

列車的軸溫變化同時存在呈單調(diào)變化與呈波形曲線變化兩種情況，GM(1,1)灰度模型對呈單調(diào)變化的軸溫預(yù)測能力較強，而對呈波形曲線變化的軸溫變化趨勢的預(yù)測不穩(wěn)定，因此本文引入權(quán)值參數(shù)，對灰色理論模型與最小二乘法回歸模型進行權(quán)值分配。經(jīng)過反復(fù)實驗，獲得最佳的權(quán)重分配比為2∶3，具體的權(quán)值分配公式為：c=0.4α+0.6β，其中c為預(yù)測值，α為灰色理論模型，β為最小二次法回歸模型。

3 實證結(jié)果與分析

3.1 硬件測試

測試設(shè)備包括用作上位機的筆記本電腦、中樞協(xié)調(diào)器以及6個采集終端，采集終端采用了防水效果好、質(zhì)地堅硬不易破壞的銅質(zhì)貼片，且與軸箱有足夠大的接觸面積。實物如圖6所示。

圖6 協(xié)調(diào)器和車軸溫度采集終端實物圖

上位機監(jiān)測界面采用.NET語言開發(fā)。溫度信息采集過程為：初始化系統(tǒng)采集節(jié)點，溫度信息傳輸?shù)缴衔粰C監(jiān)測程序后，設(shè)置6個軸溫監(jiān)測采集終端的節(jié)點編號，全部采集節(jié)點編號完成，依次對軸溫采集終端充電、啟動串口按鈕后，中樞協(xié)調(diào)器進行組網(wǎng)，上位機識別端口信息，延遲55 s后，系統(tǒng)提示組網(wǎng)成功，上位機讀取溫度信息，生成軸溫實時曲線。測試顯示，上位機可實時獲取軸溫數(shù)據(jù)，具體畫面如圖7所示。

圖7 軸溫監(jiān)測界面圖

測試結(jié)果顯示，軸溫數(shù)據(jù)可以實現(xiàn)秒級實時刷新，同時可以顯示歷史數(shù)據(jù)。硬件測試可以滿足數(shù)據(jù)采集、信息存儲的基本要求。

3.2 預(yù)測算法測試

測試采用了運行時長為130 min的貨運列車的軸溫數(shù)據(jù)進行實驗，對比本文提出的均值權(quán)重二次回歸預(yù)測模型與單一的基于溫度預(yù)測模型(灰度模型、二次回歸灰度模型)的預(yù)測效果，結(jié)果見表1。

表1 不同模型預(yù)測結(jié)果統(tǒng)計表

表1和圖8數(shù)據(jù)顯示，灰度預(yù)測模型預(yù)測結(jié)果比實際值偏大，結(jié)果過于開放，二次回歸灰度模型預(yù)測結(jié)果比實際結(jié)果偏小，稍顯保守，本文模型實現(xiàn)了二者的優(yōu)勢互補，預(yù)測結(jié)果更精確，如圖9所示，故障預(yù)警準確率提高了7%左右，誤差平均值僅為2%。

圖8 不同預(yù)測模型精度對比圖

圖9 不同預(yù)測模型誤差對比圖

4 結(jié)束語

為了解決列車軸溫監(jiān)測及故障預(yù)測存在的不足，本文設(shè)計了一種基于智能傳感器技術(shù)的軸溫監(jiān)測系統(tǒng)，通過引入灰度模型算法結(jié)合最小二乘法偏移原理，實現(xiàn)了使用二乘灰度模型結(jié)合權(quán)重參數(shù)的列車軸溫分析及預(yù)警，本文提出的算法保留了灰度模型小樣本、高效率的優(yōu)勢，并通過改進解決了算法本身對于極值點大概率誤差過大的問題，提高了短時間軸溫預(yù)測的準確度，降低預(yù)測誤差，使預(yù)測結(jié)果穩(wěn)定性更高，具備較高的工程研究及應(yīng)用推廣價值。