基于城轨车门虚拟样机的故障模拟及诊断

董先鹏 李汉超 孔凡超 刘海全 王浩轩 孙畅励

(1.济南轨道交通集团建设投资有限公司 山东 济南 250101；2.中车青岛四方机车车辆股份有限公司 山东 青岛 266111；3.南京康尼机电股份有限公司 江苏 南京 210038)

0 引言

传统的城轨车门故障研究方法主要是基于大量故障样本，运用智能算法构建故障分类模型。这种方法对故障试验数据需求量较大，但物理台架试验存在着受场地条件约束、试验耗时周期长、投入成本高等缺陷[1-2]，利用虚拟样机模拟故障获得故障分类学习样本有利于缩减试验成本，丰富试验研究类型[3-4]。

下面以城轨塞拉门为例，搭建高仿真精度的车门机电一体化仿真模型[5-6]，模拟车门常见故障，利用模型仿真数据构建故障诊断模型，并通过试验验证其准确性。

1 机电联合虚拟样机建模

城轨塞拉门系统的工作原理如图1所示。开门过程中，电机按照预设速度曲线驱动丝杆转动，与丝杆安装配合的螺母滚动销转动脱离锁闭位置完成门扇解锁动作，随后带动门扇在上下导轨和承载机构的约束下完成门扇的摆塞与直线动作。关门过程与开门过程相似，在门扇到达关到位位置后，滚动销进入丝杆锁闭段实现门系统锁闭。

图1 塞拉门工作原理

根据塞拉门工作原理，基于Simulink-RecurDyn软件搭建机电联合虚拟样机[7-8]，主要结构如图2所示。

图2 塞拉门机电联合虚拟样机主要结构

塞拉门机电联合模型主要包括门控模型和机械动力学模型。门控系统模型采用双闭环PI控制，主要是模拟门控器对门扇机械主体的控制作用，包括供电保护、开关门运动控制、障碍检测控制等功能。动力学模型是车门机械主体结构，主要包括左右门扇组件、携门架组件、丝杆-螺母组件等组成部分。门控模型输出电机转速作为动力学模型中丝杆的驱动转速，动力学模型输出丝杆所受扭矩作为门控模型中电机的输入负载。基于试验数据对模型参数进行调整以确保模型的仿真精度。

2 基于城轨车门虚拟样机的故障模拟

根据城轨车门系统近几年内故障现象的数据统计，开关门障碍检测故障在车门常见典型故障中发生频率最高，下文以开关门障碍检测故障为例，建立车门故障模型，主要包括障碍物的设置及控制参数的设置。

2.1 故障模型建立

(1)障碍物设置

在塞拉门动力学模型中添加障碍物模型。根据开关门障碍检测试验要求，在动力学模型中添加宽度为400 mm的障碍物，如图3所示。

图3 添加障碍物后的动力学模型

在关门障碍检测模型中，门扇护指胶条与障碍物之间存在挤压力。在护指胶条和障碍物之间设置接触副，参数设置如表1所示。开门障碍检测障碍物设置与关门类似，但障碍物位置处于缓冲头和机架体之间。

表1 开门障碍检测障碍物接触副参数

(2)输入设置

关门障碍检测发生后，门扇运动位移曲线如图4所示。为实现门扇障碍检测运动，在控制模型中添加门扇障碍检测功能，主要包括障碍实时判断功能、故障发生前后PI控制器调节功能等。

图4 关门障碍检测故障触发后门扇运动示意图

在门扇与障碍物开始挤压时，两者之间的接触力突然增大，电机转速、电流随之产生较大波动，为实现门系统的稳定运行，修改障碍检测阶段的PI参数，如表2所示。

表2 防挤压PI参数

2.2 故障仿真模拟

运行仿真，得到开关门障碍检测一次及二次时的丝杆所受扭矩曲线，如图5所示。

以仿真所得扭矩曲线作为故障分类模型的学习样本，为增加样本的多样性，微调动力学模型中主要接触副之间的接触阻尼等参数，如表3所示。

表3 模型参数调节

3 基于BP神经网络的车门故障诊断

3.1 BP神经网络故障诊断原理

神经网络是一种基于神经系统提出的数据计算模型，内部神经元之间相互连接，对并行信息进行处理以提取信息的抽象化特征，逼近目标函数。其中，BP 神经网络在处理非线性分类问题上具有明显的优势[9-11]。

假设神经网络共有L层隐含层和n个神经元节点，每一个神经元节点均由Sigmoid函数激发。隐含层、输出层之间的神经元激活函数分别为f(x)、g(x)，给定输入和输出(xk，yk)(k=1,2,3...,N)；第l层第j个单元输入第k个样本时，节点j的输入为：

(1)

误差函数E：

图5 车门典型故障仿真扭矩曲线

(2)

(3)

式中：ylk为第l层输入第k个样本时的输出，Ek为输入第k个样本的输出误差，E为神经网络总输出误差。

神经网络训练过程中，将误差函数与预设精度比较进行判断，若不满足精度要求则修正权重减小误差，直至精度满足要求或迭代次数达到上限停止训练。

3.2 门系统故障诊断

以仿真得到的塞拉门丝杆扭矩结果为训练样本，提取以下10组特征作为故障分类训练的学习样本输入量。

(1)丝杆扭矩曲线的时域长度；

(2)丝杆扭矩为正值的数量；

(3)丝杆扭矩为负值的数量；

(4)关门方向车门堵转时长；

(5)开门方向车门堵转时长；

(6)正常关门时域长度；

(7)正常开门时域长度；

(8)丝杆扭矩最大值；

(9)关门方向运动次数；

(10)开门方向运动次数。

对输入样本数据进行归一化处理来消除量级差别，归一化公式如下：

(4)

其中：p′为归一化后的样本数据，p为输入的样本数据。

本文应用Matlab软件训练BP神经网络，对塞拉门正常开关门和开关门障碍检测一次、二次共计6类样本进行故障分类诊断。

设置训练函数为traingdm函数，训练过程误差变化如图6所示，图中横坐标为迭代次数，纵坐标为均方误差，由图可知，在迭代39次时，误差精度满足要求。

图6 训练误差变化

训练结果回归曲线图如图7所示，由图可知，该神经网络分类器对学习样本训练的回归系数趋于1，满足故障分类功能。

图7 回归曲线图

以台架试验验证故障诊断的正确性，结果如表4所示，因以上所研究的典型故障类型特征较明显，所以模型诊断正确率较高。

表4 塞拉门常见典型故障诊断结果

4 总结

上文将虚拟样机技术与故障诊断相结合，以塞拉门为例建立机电联合模型对车门常见典型故障进行模拟，提取仿真数据的特征值构建BP神经网络故障分类诊断模型，并利用试验数据验证了故障诊断的准确性，最终实现以车门虚拟样机仿真代替台架试验来诊断故障的研究目标，为城轨车门故障诊断方向的研究提供参考。