基于智能传感器技术的列车轴温监测系统的研究

贾 刚，傅霖煌，赖远桥

(1.国家能源集团铁路装备有限责任公司陕西分公司，陕西 神木 719316)(2.深圳市远望谷信息技术股份有限公司，广东 深圳 518052)

轴承作为列车的重要零件，受列车本身运行速度快、负荷大以及外部工作环境的影响，容易出现开裂、磨损甚至损坏等问题，而轴承温度过高是造成部件损坏的直接和首要因素[1]。近年来，在列车车轴运行状态与轴温关系的研究中，将轴温分为中温提示和高温预警两类，并应用专家模型算法实现预警[2]。曹源等[3]提出了时间动态调整算法，结合红外线轴温探测设备，重点监测发动机轴承的温度；Vilares等[4]提出了优化统计算法，并结合内外部环境变化进行车轴温度预测；Sharma等[5]基于最小二乘法以及无线传感器对风力发电设备电机轴温进行监测。目前，基于特殊工况下列车轴温监测和预警的研究甚少，而列车轴温一旦超出警戒值后，能够用来处理的时间较短，因此需要在列车轴温出现异常、车轴或轴承劣化前采取积极的应对措施，避免安全事故的发生[5]。

本文设计了一种基于智能传感器技术的铁路轴温监测系统，通过实时采集轴温，引入灰度模型算法并结合最小二乘法偏移原理，进行列车轴温分析及预警。本文提出的算法延续了灰度模型小样本高效率的优势，并通过改进算法解决了极值点大概率误差过大的问题，提高了短时间内故障预测的准确度。

1 轴温监测系统

以往的列车轴温监测系统通过传感器采集轴温，当轴温超过设定的阈值后，即判断其为状态异常。但该方法存在的问题在于事后进行处理，不能对轴温变化进行动态跟踪和对设备的状态进行预判。本文设计的轴温监测系统通过采集动态的轴温数据进行轴温变化趋势预测，为故障处理留有足够的时间，避免更严重的事故发生。考虑到列车轴温变化受列车运行状态的影响较大，经过反复对实际的数据进行对比发现，重载加速工况下的列车轴温变化较大，因此本文主要针对重载加速工况下的轴温预测进行研究，后续再将预测模型、算法推广至匀速及减速等工况下的研究中。

1.1 轴温监测系统总体设计

本文提出的基于智能传感器的轴温监测系统由上位机与采集终端两部分组成。上位机采用界面友好的HMI人机界面进行轴温数据的展示、监测、存储以及远程控制。采集终端前置协调器节点，监测部位加装无线传感器对轴温、转速等进行采集，由无线传输网实现信息传输及交互。系统具体结构如图1所示。

图1 系统总体设计图

列车主动力系统的轴承温度通过传感器实时采集，在对传感器的时间序列进行初始化后，传感器采集的温度数据由中枢协调器实时上传至系统。中枢协调器收到各个传感器单元发送的温度数据后，由集成在主控器芯片中的算法进行处理，中枢协调器通过TCP/IP通信协议将处理结果传送到中控室的显示器，若温度达到阈值，启动控制程序触发声光报警。

1.2 中枢协调器及采集终端硬件设计

中枢协调器是本文提出的轴温监测系统的核心装置，主要负责窄带无线网的组网工作及数据传输，并收集车头及车厢中车轴位置传感器采集的温度数据，发送至上位机。其硬件结构设计如图2所示。

图2 中枢协调器硬件设计图

协调器的主要部件为MT2625芯片[6]，其负责数据的获取、传输与处理。芯片包含了功放电路、串口通信模块以及电源和报警模块，并配置了液晶显示屏。其中功放电路的主要功能是增大信号发射的功率，延长传输距离。硬件协调器采用3.3 V串口供电，并将电源模块的输出电压变压以满足要求。报警模块的主要作用是监测温度的实时变化曲线，当超过阈值时触发劣化趋势预测算法，实现温度监测及预警。串口通信模块用于信息的接收和发送，所采用协议为TCP/IP协议。

车轴温度数据采集采用智能传感器，其核心部件为MT2625芯片和QTIBBZO温度采集单元。具体的硬件设计如图3所示。温度采集单元采集轴承温度，并将模拟的温度数据转化为数字量温度数据后，使用中枢协调器传送到处理器芯片。电源模块配置了电压转换器，输出3.3 V的直流电压。数据采集终端还配备了外接天线用于数据传输。

图3 温度采集模块硬件设计图

智能传感器安装在列车的牵引电机主轴承、车轴箱、齿轮箱等地方，车头安装了28个传感器，拖车安装了6个传感器，安装位置如图4所示。

图4 核心位置传感器

2 二乘灰度模型轴温预测算法

本文基于灰色理论建立货运列车轴温预测模型GM(1,1)[7-8]，并结合最小二乘法的二次多项式对轴温模型进行重构，在此基础上进一步分析轴温预测模型的时序温度变化特征，对该特征使用均权组合加权，生成组合的轴温时序预测算法，以提高预测的精确度。

C3(i-1)+C4

(1)

式中：C1～C4为回归因子；v为发展因子；i为时间主变量。参数v为应用灰度理论计算的a值，通过a值实现v=-a，应用最小二乘法获得回归系数，计算式为：

(2)

其中:

式中：A是回归因子矩阵。

获得回归系数对应的预测序列后，将该序列引入灰色理论轴温时序模型，即可获得列车轴温预测模型，实现轴温预测，具体流程如图5所示。

图5 轴温预测算法流程图

列车的轴温变化同时存在呈单调变化与呈波形曲线变化两种情况，GM(1,1)灰度模型对呈单调变化的轴温预测能力较强，而对呈波形曲线变化的轴温变化趋势的预测不稳定，因此本文引入权值参数，对灰色理论模型与最小二乘法回归模型进行权值分配。经过反复实验，获得最佳的权重分配比为2∶3，具体的权值分配公式为：c=0.4α+0.6β，其中c为预测值，α为灰色理论模型，β为最小二次法回归模型。

3 实证结果与分析

3.1 硬件测试

测试设备包括用作上位机的笔记本电脑、中枢协调器以及6个采集终端，采集终端采用了防水效果好、质地坚硬不易破坏的铜质贴片，且与轴箱有足够大的接触面积。实物如图6所示。

图6 协调器和车轴温度采集终端实物图

上位机监测界面采用.NET语言开发。温度信息采集过程为：初始化系统采集节点，温度信息传输到上位机监测程序后，设置6个轴温监测采集终端的节点编号，全部采集节点编号完成，依次对轴温采集终端充电、启动串口按钮后，中枢协调器进行组网，上位机识别端口信息，延迟55 s后，系统提示组网成功，上位机读取温度信息，生成轴温实时曲线。测试显示，上位机可实时获取轴温数据，具体画面如图7所示。

图7 轴温监测界面图

测试结果显示，轴温数据可以实现秒级实时刷新，同时可以显示历史数据。硬件测试可以满足数据采集、信息存储的基本要求。

3.2 预测算法测试

测试采用了运行时长为130 min的货运列车的轴温数据进行实验，对比本文提出的均值权重二次回归预测模型与单一的基于温度预测模型(灰度模型、二次回归灰度模型)的预测效果，结果见表1。

表1 不同模型预测结果统计表

表1和图8数据显示，灰度预测模型预测结果比实际值偏大，结果过于开放，二次回归灰度模型预测结果比实际结果偏小，稍显保守，本文模型实现了二者的优势互补，预测结果更精确，如图9所示，故障预警准确率提高了7%左右，误差平均值仅为2%。

图8 不同预测模型精度对比图

图9 不同预测模型误差对比图

4 结束语

为了解决列车轴温监测及故障预测存在的不足，本文设计了一种基于智能传感器技术的轴温监测系统，通过引入灰度模型算法结合最小二乘法偏移原理，实现了使用二乘灰度模型结合权重参数的列车轴温分析及预警，本文提出的算法保留了灰度模型小样本、高效率的优势，并通过改进解决了算法本身对于极值点大概率误差过大的问题，提高了短时间轴温预测的准确度，降低预测误差，使预测结果稳定性更高，具备较高的工程研究及应用推广价值。