机车牵引电机声音检测与故障诊断系统应用研究

王新杰　董志学　潘颖辉

(内蒙古工业大学信息工程学院　内蒙古 呼和浩特 010080)



机车牵引电机声音检测与故障诊断系统应用研究

王新杰董志学潘颖辉

(内蒙古工业大学信息工程学院内蒙古 呼和浩特 010080)

由于目前机务段检修车间牵引电机故障检测存在不足，提出基于小波包分析与BP神经网络相结合的故障诊断方法。以HXD3型电力机车YJ85A型牵引电机为例，利用Android为嵌入式开发平台，设计完成一款具有一定便携性、可行性和工程实用价值机车牵引电机声音检测与故障诊断系统。为机务段检测人员判断牵引电机故障与否提供相关参考，在一定程度上起到辅助诊断的作用。

故障检测小波包分解特征提取神经网络机车牵引电机

0　引　言

随着我国铁路日趋高速化、重载化的发展，机车的设备运行安全一直备受关注[1]。同时，在诸多铁路局尚未经过系统的牵引运行实验和运行考核[6]。特别是机车上的最重要组成部分牵引电机，其质量的好坏对于整个机车的安全行走起着至关重要的作用。因此，对牵引电机进行故障诊断具有十分重要的现实意义[4]。

由于机车牵引电机在运行过程中会产生各种故障信息，通过对故障信息安全、快速采集，可以较早采取措施，这对保障铁路运输安全有着十分重要的意义。目前的故障诊断技术有小波分析法、分析理论、混沌理论等，其中，小波分析法对信号的时频分析特性较好，但对信号的高频部分分辨率较差，小波包分解法弥补了小波分析方法的高频部分分辨率的不足，能够有效地检测出机车牵引电机故障与否。

此外，由于目前机务段采用的顶轮检测技术也存在诸多局限性[5]。首先是在故障诊断时需多人同步操作，且检测设备复杂、仅仅机车顶轮电源就相当笨重。通常检测一台机车的六组牵引电机，少则几小时，多则一天。而且机务人员需经过专门的培训，相应的检测成本也非常高[7]。

为了克服当前应用中存在的这些问题，同时使故障检测能够更加精确的识别并分类，本文提出了基于Android为平台下的机车牵引电机声音检测与故障诊断系统。利用Android平台突出优势以及声音在故障诊断中的某些优点[1]，并将小波包分解与重构算法、BP算法等与传统故障声音诊断技术相结合，这样既可实现对机车牵引电机故障诊断的功能，又可满足便携式故障检测应用的需求。

1　系统总体方案设计

系统的总体设计方案主要包括机车牵引电机声音信号的采集、处理以及故障识别三大模块。

在声音采集的过程中具体通过MIC传感器采集机车牵引电机在故障和正常状态下产生的声音信息。在声音处理方面主要包括声音信号的预处理操作以及特征值提取计算，在此过程分析了小波阈值去噪算法在去噪过程中以及三层小波包分解与重构算法在特征值提取中的突出优势。最后对提取到的能量特征值通过归一化转化为能量特征向量输入到系统下故障识别模块中的BP神经网络检测模型中，通过与保存训练好的BP神经网络模型进行对比分析，最终实现故障类型判断。并利用MATLAB工具对上述算法的选用的可行性和有效性进行了仿真分析。系统流程设计如图1所示。

图1　系统流程设计

2　系统方案实现

2.1声音采集

声音采集在声音的故障检测过程中是需要首先解决的问题。本文在声音传感器的选择上采用的是MIC传感器，传感器结构内部存在一个由振膜、垫片和极板组成的电容器。在其工作时MIC膜片上充有电荷，因此当膜片受到声压强的作用，膜片要产生振动，从而改变了膜片与极板之间的距离，最终完成对声信号到电信号的转换。本课题采集的声音数据为集宁机务段呼和车间HXD3型电力机车YJ85A型牵引电机工作时声音信号[3]。

在声音信号采集参数的设定上：采样频率采用标准的44.1KHz的采样率、单声道以及16位量化精度。通过前期实地采集，共整理369组声音信号，其中86组故障、283组正常。随机选取66组故障263组正常的声音信号用于BP神经网络的自学习与训练，另外20组用于系统的测试工作。

2.2声音处理

声音处理主要包括声音去噪和特征提取两大模块。由于机车牵引电机在声音信号传输过程中，总不可避免地含有噪声，对声音信号处理和分析的准确度有很大影响。因此前期有必要先进行去噪处理。

随着小波理论的发展与实际应用中的不断检验，小波去噪的方法受到了广泛的关注。

目前，小波去噪方法主要有小波模极大值去噪、小波空域相关去噪和小波阈值去噪。

三种方法都各有优缺点，事实上小波阈值去噪是目前应用最广泛的一种方法，它具有方法简单、计算量小、去噪效果好的特点。此外，对于前期消噪来说，要求计算量越小越好，因此，本文采用小波阈值去噪的方法。

在信号特征提取算法选择上本文应用的是小波包分解与重构算法。小波包分析是小波分析的改进，将小波分析中没有细分的高频部分进一步分解[2]。

小波包分解实质上是对信号的多带通滤波，一般来说，正常状态与故障状态下机车牵引电机输出信号的各频带成分是不同的。在这种情况下，通过分析系统结构和故障机理找出系统故障与否的特征频率，从而依据这些频率分量的变化确定故障存在与否[6]。

在小波母函数的选择上[17]，考虑到特征提取需要在任意尺度上进行，因此母函数的时频域紧支撑性尤为关键。其次，重构的精确性也十分重要，因此母函数的正交性也应着重考虑。基于上述两点本文选取了db6小波进行信号分析。

小波包分解与重构算法[17]如下：

(1)

由上式可知，小波包分解过程实质上是通过一组高、低通组合的共轭正交滤波器h、g，将信号分解到不同的频带上。表1为db6小波滤波器系数hk。

表1　db6小波滤波器系数hk

(2)

对小波包分解系数重构，提取各频带上的信号，求各个频带信号的总能量，以三层小波包分解为例第3层从低频到高频8频段的能量为：

(3)

其中，Ej(j=0,1,…,7)为S3j对应的能量特征值；xjk(j=0,1,…，7;k=1,2,…，n)表示重构信号离散点的幅值，n为采样点数。

通常情况下，系统出现故障时，各频带内信号特征会有较大变化，以频带能量谱构造一个特征向量：

T=[E1,E2,E3,E4,E5,E6,E7,E8]

(4)

2.3故障识别

机车牵引电机故障状态识别的现代分析方法主要有四种[9，10]，对比如表2所示。

表2　故障识别方法对比

通过综合考虑，本课题诊断方法选用BP神经网络法。

2.3.1BP神经网络模型建立

BP神经网络是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统。本文以双隐含层为例对神经网络模型加以介绍。图2为双隐含层神经网络结构示意图。

图2　双隐含层神经网络结构示意图

定义各神经元的输入为u，输出为v ，上标表示神经元所处层，下标表示层中的序号。其中任意一个训练样本Xk都是一个M维矢量，即：

训练样本为：Xk=[Xk1,Xk2,…,XkM] k=1,2,…,N

期望输出为：dk=[dk1,dk2,…,dkp]T

实际输出为：Yk=[Yk1,Yk2,…,YkP]T

当网络输入训练样本为：Xk=[Xk1,Xk2,…,XkM]

各层输入输出表达式如下：

第一隐含层神经元的输入记为：

(5)

第一隐含层神经元的输出记为：

(6)

同理，以此类推第二隐含层神经元的输出如式(7)所示、输出层神经元的输入、输出如式(8)、式(9)。

(7)

(8)

(9)

2.3.2BP神经网络系统设计1) 网络层数的选择

BP神经网络层数是对隐含层而言[13]，通常情况下增加隐含层数可以降低误差、提高网络精度，与之同时也使网络复杂化，增加了网络的训练时间和过度拟合的倾向[14]。对于实际问题中相对复杂的对应关系时，通常会考虑使用双层或多隐含层网络。本课题实验结果表明采用单隐含层训练结束参数为0.00276，采用双隐含层时训练结束参数为0.000998，明显优于单层训练效果。因此，本文选择双隐含层。

2) 输入层、输出层和隐含层的设计

输入和输出层在神经元个数的选取上与实际问题的输入、输出变量有关。对于输入层神经元个数取决于数据的向量维数，输出层神经元个数则取决于输出的状态类型数[15]。

本文机车牵引电机声音信号，依次经过小波去噪和三层小波包变换后，归一化得到的8个不同频带内的特征向量信号，因此，输入层神经元个数为M=8。对于输出的状态类型选取上，本课题基于客观的实际情况，仅选取了2种工作状态，即将牵引电机工作状态统归为故障和正常两种，因此输出层神经元个数为P=2[12]。

隐含层神经元个数的选取是一个非常困难的问题，但通常情况下与输入和输出神经元的个数有着间接的关系。隐含层单元数目选择不恰当将会导致学习时间过长、容错性差、误差不一定最佳等问题，从而也会影响故障诊断的效果[16]。然而目前还没有一个理想的表达式来确定隐含层单元数目，往往需要根据经验或多次实验验证来确定[9]。

本课题通过对比实验验证，并且参考公式s=2m+1，其中，m为输入层神经元个数，p为输出层神经元个数，s为隐含层神经元个数。最终确定了隐含层神经元个数为14个。

3) 传递函数的选择

传递函数也称为激活函数，作用于各连接层之间用以实现神经元输入到输出的转换[8]，是神经网络又一重要的组成部分。在传递函数的选择上本课题选用了目前应用最为广泛的sigmod传递函数。

f(x)=[1+exp(-ax)]-1a>0

(10)

从公式可以看出，f(x)为定义域内连续可微函数。其中，a为倾斜变量，a的取值不同对应函数的形状也将有相应的差异[10]，图3为a取1、2、3时对应的函数曲线图。其中，函数的斜率随着a的增大而降低。

图3　a取1、2、3时对应的函数曲线图

Sigmod函数相较于其他连续函数，有其众多优点[10]：

① 首先，Sigmod函数本身兼顾了敏感性和稳定性，即在在中间细微部分变化敏感，而两端部分逐渐趋于稳定，这一点使得网络对于特征识别尤为关键。

② 其次，在误差反向传播时，传递函数必须连续可导，若是一般的连续函数，对于计算机的存储以及神经网络训练的速度都有影响。因此基于这一点倾斜变量a取1。

故障判断过程如图4所示。当采集到新的牵引电机声音数据时，经过声音信号预处理数据输入到系统故障识别模块下，通过与已经建立好的BP神经网络模型进行比对，从而获得相应的牵引电机工作正常或故障状态。

图4　故障识别过程

3　实验结果分析

本课题实际采集的原始数据为集宁机务段呼和车间HXD3型电力机车YJ85A型牵引电机的声音信号。由于数据量巨大，本文选取了牵引电机正常与故障状态下的一组数据中的320个采样点的数据进行测试与分析。

应用程序的安装文件导入并安装到安卓移动端后，系统登录界面、运行主界面如图5、图6所示。

图5　系统登录界面

图6　系统运行主界面

为更加直观地表征信号特征，本系统依次进行了正常与故障状态下去噪前后波形的显示。图7-图10分别为两种状态下的原始波形与去噪之后波形，其中，横坐标代表信号的采样点数，纵坐标代表每个信号采样点所对应的幅值大小。

图7　正常状态下原始波形

图8　故障状态下原始波形

通过图7、图8对两种状态下的原始波形对比可以看出：正常状态下的原始波形各采样点相对紧凑，波形表征平。但故障状态下的原始波形中在采样点在180至210波形出现很大的稀疏、波形跳跃性降低。

图9　正常状态下去噪波形

图10　故障状态下去噪波形

通过图9、图10对两种状态下的去噪波形对比可以看出：正常状态下的去噪波形各采样点相对稀疏，但采样点在240至270之间时，波形幅度值跳跃性明显比其他采样点较低；故障状态下的去噪波形中各采样点幅度值相对平缓，少量波形幅度值出现明显抖动，采样点幅度值无明显差异。

通过两种状态下去噪前后波形对比可以直观看出：正常状态下声音信号波形相比于故障状态下的声音信号波形较稳定。此外，也验证了选用小波包阈值去噪算法的良好去噪性。因此，在一定程度上可以根据牵引电机两种状态下的时域信息对电机状态做前期初步判断。

在机车牵引电机声音的故障检测中，时域波形分析只能对电机状况进行直观的定性分析，且准确性不高，仅仅可以作为一个参考[18]。因此，有必要对电机状况进行定量分析。因此本文主要采用的特征值提取算法，即通过小波包分解后得到的能量系数进行重构。图11为特征值显示界面。

图11　特征值显示界面

本文由于篇幅的原因对牵引电机两种状态各选取了十组特征值用于本文数据分析。表3、表4分别为牵引电机在两种状态下10组特征值。

表3　牵引电机正常状态下的10组特征值

表4　牵引电机故障状态下的10组特征值

表3、表4是从369组声音样本中随机选取的牵引电机在两种状态下10组特征值。是牵引电机声音信号经三层小波包分解与重构后所得到的8个频带内包含的能量特征值。通过统计可以发现，两种状态下的特征值具有显著的差异性，即使同一状态下的各频段内信号包含的能量特征值也有差异。统计结果显示牵引电机故障状态下第七带内特征值普遍在170到200之间。而牵引电机正常工作状态下第七带内的特征值普遍在105到180之间。此外，统计结果显示信号在第一个频带内的能量值相对于其他七个频带内的特征值明显偏低。由于两种状态下特征值存在的显著差异，一定程度上验证了能量作为特征值对牵引电机进行故障检测是可行的。也为后续的神经网络的判断分析奠定了基础。

将所得的特征值作归一化处理。得到相应的特征向量。将特征向量输入到BP神经网络模型中，利用系统中保存好的故障数据库进行牵引电机故障状态的判断测试。判断测试结果如图12、图13所示。

图12　正常信号判断结果

图13　故障信号判断结果

其中，后缀-*.wav中用0、1分别表示为采集到的牵引电机状态类型为正常、故障，前缀*-.wav表示测试数据序号。此外，输出结果类型表示BP神经网络训练时，所设定的期望输出，其中0、1分别表示正常、故障，牵引电机状态表示计算测试结果。

4　结　语

通过20组样本的系统性能测试，结果显示17组分析结果正确。即10组正常状态下声音样本和7组故障状态声音样本，即正确率为85%。此外，前期在集宁机务段呼和车间调研了解到，目前该车间采用的定轮检测技术的检测率也只是80%。

因此本系统完全可以用于实际的机车牵引电机的检测中。在一定程度上能够满足机车检修的实际需要，为机务段检测人员判断牵引电机故障与否提供相关参考，能够起到一定辅助诊断的作用。但也有些模块功能需要进一步完善，比如要提高故障检测系统的精度还需在以后进一步建立一个完善的、大型的、全面的机车牵引电机声音故障特征库[11]。

[1] 李甜甜.电力机车交流牵引电机故障诊断研究[D].成都：西南交通大学,2014:1-2.

[2] 韦力强.基于小波变换的信号去噪研究[D].长沙：湖南大学,2008(4):34-35.

[3] 张曙光.HXD3 型电力机车[M].北京：中国铁道出版社，2010:1-2.

[4] 唐军军，王艳菲.简论我国铁路发展历史及现状[J].才智,2010(14):207.

[5] 郑珊，宋严.顶轮检测技术在我段机车检修中的运用分析[J].铁道机车车辆,2002(S1):280-281,289.

[6] 许瑞利.我国电力机车的现状及发展趋势[J].中国校外教育,2012(33):178-179.

[7] 徐宗祥.我国电力机车的发展回顾[J].中国铁路,2001(2):12-14.

[8] 周品.MATLAB神经网络设计与应用[M].北京：清华大学出版社,2013:89-90.

[9] 沈花玉，王兆霞，高成耀，等.BP神经网络隐含层单元数的确定[J].天津理工大学学报,2008,24(5):13-15.

[10] 张雨浓，曲璐，陈俊维，等.多输入Sigmoid激励函数神经网络权值与结构确定法[J].计算机应用研究,2012,29(11):113-116.

[11] 邵晓非，宁媛，刘耀文，等.电力系统故障诊断方法综述与展望[J].工业控制计算,2012,25(12):4-7.

[12] 孙士慧. 基于小波神经网络的设备故障诊断方法研究[D].青岛：中国石油大学(华东),2008:34-35.[13] 叶斌，雷燕.关于BP网中隐含层层数及其节点数选取方法浅析[J]. 商丘职业技术学院学报,2004,3(6):52-53.

[14] 张德丰. MATLAB神经网络编程[M].北京：化学工业出版社,2011:136-137.

[15] 赵树兵. HXD3型电力机车电传动系统分析与检修工艺设计[D].山东大学,2011:6-7.

[16] 高隽. 人工神经网络原理及仿真实例[M].机械工业出版社,2010:13-14.

[17] 张国华，袁中凡，李彬彬.心音信号特征提取小波包算法的研究[J].振动与冲击,2008,27(7):47-50.

[18] 史月俊，柏俊峰.电力系统故障诊断方法的综合分析[J].机电信息,2013(3):89-90.

RESEARCHONLOCOMOTIVETRACTIONMOTORSOUNDDETECTIONANDFAULTDIAGNOSISSYSTEM

WangXinjieDongZhixuePanYinghui

(CollegeofInformationEngineering,InnerMongoliaUniversityofTechnology,Hohhot010080,InnerMongolia,China)

Consideringthedefectoftractionmotorfailuredetectionindepotrepairshop,inthisarticlewepresentafaultdiagnosismethod,whichisbasedonthecombinationofwaveletpacketanalysisandBPneuralnetwork.TakingtypeYJ85AtractionmotoroftypeHXD3electriclocomotiveastheexample,weusedAndroidastheembeddeddevelopmentplatform,completedthedesignofalocomotivetractionmotorsounddetectionandfaultdiagnosissystemwithcertainportability,feasibilityandpracticalvalue.Itisavaluablesourceofreferenceindeterminingthetractionmotorfailurefortheinspectors,andplaysaroleofauxiliarydiagnosistosomeextent.

FaultdetectionWaveletpacketdecompositionFeatureextractionBPneuralnetworkLocomotivetractionmotor

2015-07-30。王新杰，硕士生，主研领域：嵌入式技术声音故障检测方向。董志学，副教授。潘颖辉，讲师。

TP

ADOI:10.3969/j.issn.1000-386x.2016.10.023