动车组牵引电机轴承BPNN模型研究

高明亮 于闯 张丽杰 张海峰 邵俊捷

摘 要：随着计算机技术的发展，非线性辨识方法在高铁关键模型构建中扮演越来越重要的角色。BP神经网络（Back Propagation Neural Networks，BPNN）算法以其奇特的记忆训练能力、逼近能力在非线性建模中应用最为普遍，具有很好的应用效果和实际价值。高寒动车组的关键模型内在机理极其复杂，是典型的非线性关系模型。传统的数据方法通常是将非线性模型进行线性化分解，必然导致部分有效数据的丢失，通过传统的数学物理方法构建真实物理模型理论难度较大。针对高寒动车组模型的非线性问题，可利用非线性方法来构建机理模型深入挖掘模型内在非线性关系。为有效提高模型的预测精度与准确度，本文提出将具有高度非线性能力的BPNN对牵引电机轴承进行建模，通过仿真实验模型验证，BP神经网络模型方法，具有明显的建模优势，并取得了较好的预测结果。

关键词：高寒动车组；BP神经网络；牵引电机；轴承；模型精度；

在高速铁路与日俱增的客运需求下，对运力的需求不断增加，高铁设备日益复杂造成维护成本的剧增，运输系统日益复杂对运营协同优化的压力不断增加，设备长期服役导致车辆零部件故障率逐渐增加，例如轮对多边形、轴箱及电机轴承温度过高等故障率明显攀升。在此情况下，为提高轨道交通运输效率，降低设备运营维护成本，提高车辆及关键部件维修效率，轨道交通装备故障预测与健康管理（PHM）系统研究的开展迫在眉睫。通过搭建系统关键预测模型，实现智能诊断与故障趋势预测，使车辆能够更早、更全面地发现影响行车安全的故障信息，可有效减少安全隐患，提高轨道车辆运行的安全性。目前针对高寒动车组关键部件的预测诊断问题，应用较为广泛的是利用数学物理方法来构建理论模型，即由观测数据反推出机理模型的参数，然而这个反推的物理过程是一个完全非线性的问题。传统的数学物理方法将非线性的多维参数方程进行线性拟合处理，模型的准确度与初始模型的选择、线性化处理方式密切相关，解释精度与结果大都差强人意。BP神经网络以其非线性逼近能力和记忆学习能力在在非线性建模中效果显著[1-10]。本文针对高寒动车组关键部件之一牵引电机轴承进行研究，利用BP神经网络算法高度非线性逼近能力构建轴承预测模型，实现故障模型的诊断与预测，有效地提高诊断效率和预测精度。

1 高寒动车组牵引电机轴承机理研究

牵引电机系统作为高寒动车组关键设备系统之一，其运行状况、健康状态与整车的健康管理息息相关。对牵引电机系统的关键系统模型进行故障预测及诊断，能够提高其有效使用寿命，降低在线故障率，降低车辆维保费用，增强牵引电机安全性、经济性及可用性。并通过优化产品设计，实现预维修和预诊断，保障车辆安全运行。

1.1 牵引电机关键系统研究

通过对机车及CRH1系列、CRH2系列、CRH3系列、CRH5系列动车牵引电机在线故障统计，故障次数按序排列前四位的部件如表1所示。

由表1可知，牵引电机轴承故障频次最高，故本文选择将轴承作为关键研究对象，对其进行故障机理建模与研究，实现提前预警，排除隐患，从而提高产品在线可靠性，安全性。

1.2 牵引电机轴承机理

牵引电机轴承主要由轴承外圈、轴承内圈、轴承滚子、轴颈、保持架等组成，其关键部件可用于分析轴承失效性，轴承模型如图1所示。牵引电机轴承的生命周期曲线是一个渐变平稳的曲线，其中牵引速度、振动、环境状态、噪声等与轴承失效机理有着密切不可分的关系。本文通过分析牵引电机轴承失效机理，建立轴承预测诊断模型及预测诊断机制，通过实验仿真平台获取大量仿真样本测试与训练数据集，利用实验仿真与模型验证，建立不同环境下牵引电机轴承失效模型并分析影響其关键特征向量，为牵引电机轴承故障预测及健康评估提供依据。

1.2.1 轴承故障/退化机理研究

轴承在长时间的工作负荷下，随着车辆速度等级、振动频率、轴温的变化，其性能也随之变化。为提升轴承使用性能，本文首先建立正常工作状态下的轴承动力学模型，并分别对轴承关键子原件（外圈、内圈、滚动体、保持架）的退化机理进行建模，来获得故障轴承的数学模型。综合数据处理方法，同时考虑轴承的成本、生命履历等因素，利用收集的温度、速度和振动等参数对轴承模型进行分析，来诊断轴承的工作状态，进行电机轴承故障的预测和状态评估。

（1）正常状态下的牵引电机轴承动力学模型

在牵引电机的结构中，轴承配合是关键的数学模型构建对象，轴承配合是指轴承的内外圈分别采用基孔制基轴制与轴颈、座孔的配合；故轴承系统可简化为两个方向的弹簧-质量单元，根据Lagrange方程，得到两自由度动力学微分方程，即可得到正常滚动轴承系统学微分方程为：

其中，Fx、Fy为x和y两个方向受到的载荷，m、c、k分别为滚动轴承的质量、刚度和阻尼。

（2）故障状态下的轴承动力学模型

滚动轴承主要是由内圈、外圈、滚动体和保持架四个部件组成。本文在正常轴承动力学模型的基础上从如下两方面考虑：一方面，当轴承表面出现断裂、剥离等缺陷时，轴承非线性接触力随着轴承滚动体通过缺陷区域时滚动体与内外滚道间的间隙发生改变；另一方面，当轴承表面出现局部损伤等缺陷时，产生脉冲冲击力，冲击力的强度和时间与轴承元件的相对运动速度、所承受的载荷等因素有关。该冲击力随着局部损伤会在轴承旋转过程中周期性地碰撞其他元件表面周期性变化，从而对故障轴承进行动力学建模。

1.2.2 轴承数据样本集建立

针对高寒标准动车牵引电机的轴承故障性能实验，其故障主要包括轴承外圈、滚动体、内圈和保持架故障。按损坏的严重程度可分为微弱、中等，严重三个级别故障，因此基本故障类型可分为12种：外圈微弱故障、外圈中等故障、外圈严重故障、内圈微弱故障、内圈中等故障、内圈严重故障、滚动体微弱故障、滚动体中等故障、滚动体严重故障、保持架微弱故障、保持架中等故障、保持架严重故障，在以上状态下进行轴承性能试验，以其获得实验数据来构建故障预测模型数据样本集，共建立轴承故障样本集个数为320个，其中20个为轴承模型的测试样本集。

2 基于BPNN的轴承故障诊断预测模型

2.1 基于BP神经网络轴承故障预测模型

BP神经网络（Back Propagation Network，BP）作为神经网络组里目前应用最为广泛的反馈式多层神经网络，通过构建非线性函数关系实现人工智能、模型预测反演等功能。BPNN的学习与训练过程分为两个方向：正向传输和反向传输。通过反向传输迭代计算模型输出值与期望值之间的均方误差，直至达到模型设置的初值，停止迭代计算[12]。

式（2）中 为BPNN的真实输出， 为第k个输入样本的期望输出，通过计算全部模型样本的期望值与实际值的误差平方和目标函数E。

其中q为模型样本的总数，本文选择梯度下降法作为BPNN的训练方法，即

其中 为学习率， 为权值的增量， 为学习动量， 为网络权阈值，

3 BP神经网络模型算法的应用

3.1 BP神经网络模型预测

3.1.1 数据集的确定

根据轴承故障的性能特性和故障机理，设计1.22节的12种故障诊断类型作为训练学习样本集，数据集总共320个，训练数据集300个，测试集20个，其中测试数据集不参与诊断预测模型的训练。

3.1.2 隐含层的选择

BPNN模型的训练成功率很大程度取决于隐含层数的选择。隐含层数越多，愈有利于提高算法模型的诊断率。但是过多的隐含层容易造成网络结构臃肿，算法收敛速度慢，诊断时间变长。综合考虑诊断时间与运行效率等因素，本文分别选取单隐含层、双隐含层和三隐含层的三种神经网络进行对比试验验证，

3.1.3 模型输入输出参数的确定

经测试与验证分析，本文选择双隐含层的BPNN模型，输入层神经元个数为35，隐含层神经元数量为40，输出层为35。本文将轴承特征向量（温度、速度、振动频率）作为神经网络的输入参数，以故障类型作为神经网络的输出参数。

3.2 BP神经网络预测经典算例

BP神经网络预测模型仍然使用2.2节的轴承样本数据集进行训练和学习。利用已经建立的训练样本集来训练BPNN模型，经过245次的迭代优化，获得最佳的诊断预测模型。最后通过测试样本集对获得的最优模型进行验证与分析。

3.3 BP神经网络预测结果分析

从表2的模型预测算法试验结果不难得出如下结论：

（1）从预测时间上看，BP算法由于在算法初始化前，首先优化了BPNN的初始化权重，使得模型参数最优的寻优时间减少，诊断预测模型训练时间缩短，故而降低了预测时间，提高了诊断效率。

（2）从迭代次数上看，BPNN算法选用的是双隐含层的四层神经网络模型，单隐含层的三层BPNN模型，由于层级结构的优势，使得训练步数减少，迭代次数减少，缩短了模型训练时间，提高了预测效率。

（3）从预测误差上看，从多次预测最大绝对值误差上看，双层的BP预测模型的诊断预测误差要远远小于单隐含层的BPNN诊断模型。从多次预测最小绝对值误差上看，双层的BP预测模型的诊断预测最大绝对值误差略微大于BPNN诊断模型，但是从整体平均绝对值误差上，双层的BP诊断预测的效果要明显好于单层的BPNN模型，前者仅为9.74。综上所述，双层的BP算法模型是BPNN诊断预测模型的改进，可有效降低算法运行时间、提高诊断效果。

4 结语

本文利用BP神经网络算法实现了对高寒动车组牵引电机轴承关键系统进行非线性混合参数辨识建模，通过仿真实验验证，新型BP神经网络诊断模型具有良好的应用价值。至于这种算法在高寒动车组复杂部件模型能否有更好的应用，还要深入研究。应从以下方面做进一步深入研究：

本文仅仅考虑部分故障样本数据集，合理的样本集数据关乎神经网络模型的预测质量和精度，因此对训练学习样本集的合理性和充分性应做进一步深入的研究探讨。

本文将列车牵引速度、温度和振动特征频率作为神经网络模型的输入，实际上影响故障模型输出结果的因素众多，例如周围环境，恶劣天气等均对其有相关性影响，对于模型的输入参数还应进一步研究，对于相关性影响比较大的因素全面考量，从而提高模型诊断预测精度。

参考文献

[1]王家映.地球物理资料非线性预测方法讲座（五）人工神经网络预测法[J].工程地球物理学报，2008，5（3）：255-265.

[2]赵丁选，崔功杰，陈宁，等.基于BP神经网络的工程车辆四参数自动变速控制[J].吉林大学学报（工学版），2008，38（5）：1091-1094.

[3]司建波，杨芳，郭蔚莹，等.基于BP神经网络两阶段疾病预测模型[J].吉林大学学报（工学版），2013，45（2）：613-618

[4]刘杰，孙吉贵，李红建，等.基于BP神经网络的气囊点火算法模型[J].吉林大学学报（工学版），2008，38（2）：414-418.

[5]冷欣，朱齐丹.基于径向基函数神经网络动态补偿的船用增压锅炉汽包水位多模型预测控制[J].吉林大学学报（工学版），2011，41（5）：1450-1455.

[6]R.Eberhart，J.Kennedy.A new optimizer using particle swarm theory[C].In：Proceedings of the Sixth International Symposium on Source：IEEE Xplore，1995：39-43.

[7]J.Kennedy，R.C.Eberhart.A discrete binary version of the particle swarm algorithm[C].In：Proceeding of the World Multiconference on Systemics，Cyberneticsand Informatics，NJ：Piscatawary：1997：4104-4109.

[8]程声烽，程小华，杨露.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系控制，2014，42（19）：37-42.

[9]杨锡运，关文渊，刘玉奇，肖运启.基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J].中国电机工程学报，2015，35（S1）：146-153.

[10]高明亮，于生宝，郑建波，徐畅，张堃，栾卉.PSBP在高密度电阻率法二维反演中的应用[J/OL].吉林大学学报（工学版），2015，45（06）：2026-2033.

作者简介

高明亮（1987-），男，吉林省長春市人，民族：汉，职称：工程师，学历：博士，研究方向：轨道车辆数据分析与研究。单位：中车长春轨道客车股份有限公司。

（作者单位：中车长春轨道客车股份有限公司）