城市轨道交通地铁车辆MVB连接器电阻故障诊断方法

任 涛

（宁波中车轨道交通装备有限公司，浙江 宁波 315113）

0 引 言

随着列车通信网络发展，城市轨道交通地铁车辆车辆多功能数据（Multifunction Vehicle Bus，MVB）连接器电阻故障是经常发生的问题，因此针对车辆多功能数据连接器的检测，设计一种诊断速度快、方法使用简单的十分必要[1]。传统的MVB连接器电阻故障诊断一般依赖MVB自身机制进行自查自诊，或者通过机器学习法建立MVB故障诊断模型进行诊断，根据傅里叶变化将故障的特征参数转化为连续谱图作为神经网络的数据，基于神经网络建设城市轨道交通车辆MVB连接器电阻故障诊断模型[2，3]。城市轨道交通地铁车辆智能化发展，增加了车辆信息传输数据任务，而城市通信网络实现对城市交通状态的监视利用。因此，MVB连接器各个点位之间的电阻出现问题时，导致电阻测定发生错误，影响城市轨道交通地铁车辆之间的数据传输。为了保证列车通信的正常运行，研发了一种快速便捷的连接器电阻故障诊断方法。

1 交通地铁车辆MVB连接器电阻故障诊断方法设计

1.1 MVB连接器电阻故障数据特征提取

一般情况下，MVB连接器电阻是相互关联的，在通信方式和分布方式上也相关联，这就会造成常规故障的传播性，容易引发多个节点的故障，增加故障位置定位的难度，对后续诊断有一定的影响。因此本节采用了具有波形功能的MVB协议分析仪，针对车辆多功能通信数据进行信号处理。阻抗不匹配情况下，MVB信号一般呈现多种传递方式，其中反射方式是造成故障的有效因素[4]。因此需要采集MVB连接器电阻的网络波形信号，确定正常和故障工况。以临近信号分析仪的MVB节点为例，发出的有效信号帧可简单的看做数据源，定义该源节点位置为x=0。通常多种的因素故障以及不同的故障源，数据传输的距离会有所不同，数据信号从数据源出发传输至x=L2位置时，会产生一定的函数关联，其传递函数呈现递增的趋势。当MVB连接器电阻故障发生于源节点左侧线路时，设故障点位于x=-L1。MVB连接器电阻故障会造成一定的网络紊乱，网络阻抗会产生新的紊乱阻抗出现不匹配问题，将使得信号波在传递的过程发生反射。入射信号以U+表示，反射信号以U-表示，当负载与特征阻抗相匹配时，U=U+(0)e-yl，U+(0)表示入射信号的源节点位置；l表示特征长度；则入射信号传播至故障点x=L1时的信号电压为

式中：e-y表示信号阻抗。当阻抗不匹配时，信号将发生反射，反射系数Γ在对应的故障点处，其有效信号反射强度为

反射信号转而从左至右传输，到达MVB信号分析仪处后为

因此在x=L2处，通过协议分析仪检测到的数据是故障点位置的信号反射道检测点的信号叠加，大小为U-(L2)，叠加从源节点就已经发生，并随着传递信号逐渐增强为U+(L2)，U+(L2)=U+(0)e-yL2。由此可得x=L2处信号为

确定信号后通过协议分析仪处理信号幅度频率特性，将波形振幅程度不同、故障位置不同以及阻抗不匹配问题导致的波形变化通过图的形式显示出来。设定L2=2，不同工况下x=L2信号的传递幅频特性不同，阻抗不匹配问题越严重，信号波形的衰减越是明显。当加以负载时，信号波形呈现正弦波形发生正向反射，从源点传递至检测点，波形叠加从源节点开始，当遇到协议分析仪发出的信号后，发生共振反应波形极值叠加变大；当减去负载时，波形变为余弦发生的是反向反射，从源节点开始，当遇到协议分析仪发出的信号后，发生波减反应波形极值相减变小。在波形振幅程度不同和故障类型不同时，传递信号的相应频率特性发生变化。在振幅特性变化中，信号的不断衰减造成波形特性的不同，信号传递的位置也会发生变化，最终导致不同工况下，信号波形由原来的正弦波形畸变成不同衍生波形[5]。因此，在协议分析仪中采集到信号为网络物理层波形信号，还需要从中提取分离出网络特征，才能作为MVB电阻故障诊断、故障定位的依据。使用MVB网络协议分析仪采样波形过程中，一般设定采样速率为200 MSa/s，在MVB1.5M时，分析仪的通信速率是1个定值，即每个通信位置采集样点为80个，MVB网络波形特征提取如图1所示。

图1 MVB网络脉冲波形特征提取

在使用仪器测量程中，波形的幅值底部Ubase与幅值顶部Utop会发生一定程度的畸变，但是传输过程中需要稳定的波形信号，即波形为稳态或者满足传递函数的幅值。因此，本文提取特征过程中使用函数关系，得到满足传递函数的幅值，选择稳态区域内，波形频率最高的数据点Umax作为特征提取最终结果。

1.2 数据标准化处理

故障线路连接器始端和终端，MVB线路主线与线芯相通，MVB协议分析仪的数据采集板卡，通常具有链路状态显示功能以及数据指标统计功能，可以通过这2项功能将始端和终端的解码器信号进行采集，显示出链路状态发生变化的信号。数据指标统计模块可以随意选择数据，并根据解码器说解码的结果，统计触发状态信号的有效数量，然后统计波形数据，将状态统计量暂存至存储区。数据指标统计的状态统计量有：连接器始端和终端2路起始位个数、连接器始端和终端2路完整数据帧个数、连接器始端和终端2路帧头错误个数、连接器始端和终端2路编码错误个数、连接器始端和终端2路校验错误个数[6]。为避免不同位置的MVB连接器电阻故障特征存在的相似差异性，可以先将模型训练计算次数提高，再进行故障特征的高精度分类。数据统计前，对故障特征数据标准化处理。针对城市轨道交通地铁车辆MVB连接器电阻故障数据标准化选择了最小值最大值（minmax）标准化，将波形数据映射为最小值为0、最大值为1的线性变换，转换函数为

式中：X为原始交通地铁车辆MVB连接器电阻故障样本数据值；Xmin为交通地铁车辆MVB连接器电阻故障样本数据最小值；Xmax为交通地铁车辆MVB连接器电阻故障样本数据最大值。但这种方法的缺点是当样本更新时，Xmin和Xmax的值随之发生变化，因此再测量还需要对其重新定义。原始交通地铁车辆MVB连接器电阻故障波形数据包括正稳态幅值、负稳态幅值、超调、上升斜率等特征，样本数据经过标准化后可以提升数据分类准确率平均值。

1.3 数据集分类进行连接器电阻的故障诊断

城市轨道交通地铁车辆MVB间接器在正常通信情境下，各节点物理波形数据呈现规律变化，提取的特征信息经过数据处理后，形成故障数据集。数据集为D={x1,x2,x3,…,xn}，候选样本作为异常值筛选出来，即完成城市轨道交通地铁车辆电阻故障诊断。利用密度相连的概念，在故障数据集中搜索出位于数据集内部不同的样本集，形成训练子集，将原有的样本约减到所选子集，具体的公式为

式中：v表示在所有训练子集中可约减的范围，用以约减样本得到所选训练子集；n表示故障数据集样本个数；dist(xi,xj)为样本xi和样本xj在故障数据集中的欧氏距离。计算筛选出边缘稀疏点，δ邻域中的样本点个数记为Nδ，找出所有与xj密度一致、密度相关、密度相连的训练子集，并标记为约减样本，直到所有样本点都被标记为异常值或者内部样本。输出样本子集，密度越小的样本被识别出故障的概率越大，对MVB连接器电阻节点进行函数周期性的扫描，标定出每个节点传输信号的占用率，并按照每个节点传输信号占整个网络的带宽占比作为权重，加权获取整个MVB连接器电阻的故障诊断结果，并根据诊断结果辅助做出维护决策。

2 测试实验

为了验证本文设计的城市轨道交通地铁车辆MVB连接器方法的电阻故障诊断处理能力，采用本文设计的方法和传统MVB自查自检的处理方法以及机器学习MVB连接器故障诊断的处理方法同时进行城市轨道交通地铁车辆连接器电阻故障诊断。3种方法进行对比实验，模拟城市轨道MVB网络情况，在相同的故障源中对比故障诊断的效果，哪种方法所耗时间最少，证明哪种方法更适合城市轨道交通地铁车辆MVB连接器的电阻故障诊断。

2.1 实验准备

为了还原城市轨道交通地铁车辆连接情况，实验的基础设备模拟了MVB网络。其中，地铁列车车辆的现地控制单元（Local Control Unit，LCU）分别设置了2个网关，地址为网关215和网关250。MVB连接器网络中接入协议分析仪，实时采集MVB网络连接器通信数据波形特征。随机将MVB连接器故障数据划分为6组，每组样本容量为2 000个，以3∶7的比例形成测试集，实验模拟了正常工况N1和MVB网络故障工况，MVB网络故障工况包括电路的性能退化将会导致总线的串联阻抗增加电阻故障（N2）和并联阻抗的减小的电阻故障（N3）；节点由于机械振动等原因导致的电阻故障（N4）；列车通信网络端接口电阻缺失故障（N5）。

2.2 实验结果与分析

将3种方法应用到同批次MVB连接器电阻进行故障诊断，得到的具体时间如表1所示。

表1 实验对比结果 （单位：s）

由表1的实验数据可知，3种方法监测正常情况的时间相同，但遇到故障区域本文设计的方法所耗时间明显少于其他2种方法，因此可以证明本文设计的城市轨道交通地铁车辆MVB电阻故障诊断方法的有效性。

3 结 论

本文设计一种MVB连接器电阻故障诊断方法，希望为故障检修人员提供数据依据，但是研究过程是在实验室完成的，只能模拟较少的故障类型，因此仍存在待完善之处。希望在今后的研究中，可重新加强实验处理的能力。本文能够为城市轨道交通地铁车辆MVB电阻故障诊断方向的研究提供参考。