城轨车辆轮对故障预测关键技术研究

黄世明

（中铁第四勘察设计院集团有限公司，武汉 430063）

城市轨道交通车辆在轨道上运行时，列车钢轮与钢轨表面直接接触，发生摩擦，车轮踏面会出现磨损磨耗现象。城轨车辆在曲线线路行驶过程中，车轮轮缘与钢轨侧面挤压接触，发生摩擦，因此产生急剧磨损磨耗，导致轮缘参数改变。轮对产生的磨损磨耗进一步造成轮对不圆度增大，踏面损伤、轮辋断裂等问题，轮对的各方面损伤直接影响城轨车辆运行的安全性和稳定性。

国内外相关研究表明，轮对故障是城轨车辆故障率较高、对行车安全影响较大的问题。冯舒通过分析车辆走行部长期的运用和检修数据发现了走行部的常见故障。通过数据统计并研究分析，课题组发现城轨车辆走行部故障主要有轮对踏面、电机齿轮及轴承等旋转类零部件，这些故障极大地影响城轨车辆行车安全，其发生频率相对较高，且定期检修时难以被发现，其中最频繁出现的故障是轮对踏面故障。许艳华和黄贵发等人通过对北京2号线的故障研究，得出了类似的结论，城轨车辆走行部发生故障的部位主要包括轴承（包括轴箱，齿轮箱和牵引电机轴承）、传动齿轮及车轮踏面等旋转部件。因此，研究城轨车辆轮对故障诊断及预测技术对提高城轨车辆运行安全性具有重要意义。

1 城轨车辆轮对损伤机理

随着车辆轮对使用时间的延长，车轮轮辋中央应力增量较轮辋表面应力的增量高。车轮使用过程中，在热负荷和机械负荷的作用下轮辋应力状态发生改变，车轮沿圆周向的压缩应力逐步变成扩张应力（图1）。

图1 车轮的应力分布和变化趋势

踏面微小的缺陷一般出现在轮对踏面的表面，在应力影响下会逐渐扩大而引起轮对的问题。特别是由于材料具有极限应力，当应力达到材料所能容忍的极限应力时，裂纹就会出现，踏面表层缺陷主要集中在踏面以下2~6 mm区域。

车轮踏面剥离：根据产生的形式分类，车轮踏面剥离可分为4类，分别是接触疲劳剥离、制动剥离、局部擦伤剥离和局部接触疲劳剥离。当闸瓦制动时，车轮踏面产生的剥离称为制动剥离，制动剥离又分为2种表现形式，第一种是踏面整圈出现刻度状热裂纹，第二种是踏面整圈出现层片状剥离掉块。因车轮与钢轨之间的强烈摩擦产生的剥离称为擦伤剥离，主要有2种表现形式，第一种是车轮踏面局部擦伤，第二种是因轮轨接触应力导致的剥离掉块。根据材料失效机理分类，车轮踏面剥离可分为2类，分别是接触疲劳损伤和热疲劳损伤，前者是由交变接触应力引起的，后者是由摩擦热循环引起的。

车轮疲劳缺陷：车轮高速运转时，会承受各种周期性荷载，造成轮对踏面裂纹、剥离、掉块，内部裂纹，轮辋、轮毂裂纹等现象，称为车轮疲劳缺陷。踏面裂纹、剥离及掉块等现象有一定的发展规律，首先沿着圆周方向扩展，然后再沿径向扩展（也有直接沿径向扩展的）。据统计，车轮内部裂纹一般有周向和径向2种，轮辋裂纹方向主要是沿周向延伸，轮毂裂纹的主要方向是与径向呈45°夹角。在城轨车辆运用检修过程中，及时可靠检测出这些缺陷，对提高轮对安全性有重大意义。

车轮内部疲劳裂纹及裂损简称为“辋裂”，轮辋内部只有“贝纹状”疲劳弧线及疲劳裂纹源，裂纹源通常位于踏面下约15 mm处，当车轮踏面发生辋裂时，通过超声波探伤可以大致判断其内部裂纹扩展区域及深度（图2）。

图2 车轮损伤示意图

裂纹产生的原因除特殊情况外，裂纹源处一般存在较大颗粒的非金属夹杂物，属于冶金制造缺陷。如不及时发现，在列车运行时发生轮辋裂损，很可能造成切轴事故。

在轮辋及辐板过渡区存在周向疲劳裂纹（辐板裂纹）和在车轮辐板工艺孔边缘向两侧发展为周向疲劳裂纹（辐板孔裂纹）（图3—图5）。

图3 轮辋内部疲劳缺陷

图4 轮辋辋裂

图5 车轮轮辐缺陷

结合车轮的缺陷及应力分布规律，轮对的安全质量控制应重点关注车轮的轮缘、轮辋、轮辐等区域，对于应力集中区域，需要进行疲劳缺陷探伤；对于轮对踏面表层缺陷，可采用动态检测技术及图像识别技术进行实时监测；对于轮辋轮辐内部缺陷，可通过超声波等探伤技术进行定期检测，全面探测车轮表面和内部缺陷。

2 轮对智能检测技术

2.1 硬件体系

针对城轨车辆轮对故障检测需求，如轮对内部伤损，轮对表面伤损，轮对磨耗等病害均会导致城轨安全受到威胁；轮辋破裂将导致脱轨等严重安全事故的潜在风险；城轨车辆轮对多边形的产生，会产生持续性的轮轨冲击力，城轨车辆的车轮多边形产生较多，车底关键零部件遗失或损坏现象频发。本研究从列车运营正线、入段线、列车库内定期在线检测、定期落轮检测4个层次构造了一个综合立体的走行部智能检测体系，如图6所示。

图6 轮对智能检测硬件体系

其中，城轨车辆运营正线的车辆运行品质在线监测系统采用激光-位移测量技术，可在车速为30～160 km/h时，动态测量车辆的车轮不圆度、轮轨接触位置产生的踏面损伤、车辆超偏载和车辆晃动，动态测量轮轨作用力，通过多参数综合计算可有效在线检测车辆走行部状态，从而评估运行品质因素（图7）。

图7 车辆运行品质在线监测系统

入段线的车轮故障在线检测系统采用多光截图像测量技术，对轮对尺寸参数，踏面缺陷损害进行每日自动检测，通过大量的轮对尺寸数据检测分析，可对车轮廓形状态进行准确跟踪。同时及时尽早发现针对踏面表面伤损，保障车辆轮对运行安全（图8）。

图8 轨旁轮对动态智能检测

城轨车辆智能巡检机器人基于深度学习技术，设计了基于孪生网络的异常检测网络、基于目标检测的一系簧断裂检测网络及基于深度学习的双目视差重构网络等。系统可高效解决车底检修人工作业存在的高风险、易疲劳和效率低等问题，系统适用于各型城轨车辆的车底检查作业，解决了传统机器视觉检测类设备故障检出率低、虚警率高的问题，提升设备可用性，为机检代替人检迈出了关键的一步。

在检修库内配的固定式车轮车轴超声波探伤系统，该系统结合城轨车辆车轮运用特点设计研发，利用相控阵超声探伤技术自动检测车轴内部缺陷和疲劳裂纹，满足城轨车辆架大修期间车轮车轴内部缺陷超声波探伤（图9）。

图9 固定式车轮车轴超声波探伤系统

2.2 软件体系

车辆走行部关键部件的大数据分析具体流程可以分为3部分：一是多维度的数据采集及融合，包括实时的走行部正线检测、走行部入段线轨旁综合检测、检修库库内智能巡检机器人检测和走行部架大修关键部件探伤检测的故障分析数据；二是数据关联分析，结合故障数据采集时刻的车辆运用数据、维修数据和历史数据进行数据的分析与挖掘；三是数据分析的应用包括轮对状态预警，以及修程修制的调整。数据信息流如图10所示。

图10 走行部智能检测体系数据信息流

数据采集与分析。采集的数据，形式多样，有数值类数据，有诊断结论性数据。经过数据的汇总、清理及转换过程，建立标准化数据集合，通过多类型数据算法挖掘故障发生规律，预测部件使用寿命。

数据分析方法。数据分析包括2类，一是对车辆运行时状态，轨旁检测进行实时的分析，给出关键部件的状态诊断结果，包括故障的类型及级别。二是根据历史检测数据，预测故障发生的趋势，给出未来故障发生时间，例如：轮对踏面镟修、换轮及受电弓磨耗到限更换的时机。

数据应用。车辆及部件健康状态，来自各检测系统。检测系统上报的故障信息，需要进行分类与分级。对于不同的故障类型与故障等级，给出不同的维修策略。针对车辆走行部关键部件，根据“故障的影响及严重程度”给出相应的维修建议，严重时需要立即停运维修，相对不严重的问题择机进行维修即可。

3 轮对故障预测及镟修建议

3.1 构建智能诊断专家系统

通过加装在走行部上的车载监测传感器、轨旁检测工艺设备及库内检修作业设备，采集轮对实时运行数据、轴温、轮对外形尺寸、镟轮和探伤数据等进行融合处理故障统计分析，确定故障预测与状态管理的特征量。并利用故障数据采集时刻的车辆运用数据、维修数据和历史数据进行大数据深入分析及挖掘，建立关键部件故障预测与健康管理模型，结合先进的推理算法(神经网络、模糊逻辑)等，实现关键部件的故障预测，并生成对应的检修策略，从而实现节约维修成本，降低故障率的目的。

3.1.1 采集子系统

采集子系统应该包括正线检测系统，入段线检测系统，库内的检测检修设备及系统。包括4部分数据：一是预留从车载系统读取的车辆关键部件传感器数据；二是轨旁检测数据，诸如轮对外形尺寸、车轮表面缺陷、轴箱齿轮箱温度、车轮不圆度及车底走行部部件外观缺陷识别等数据；三是在库内利用智能机器人系统采集车底走行部关键部件的外观缺陷数据、库内镟轮机的轮对尺寸廓形数据、走行部构架涡流探伤数据及车轮车轴超声波探伤设备进行的内部伤损检测数据；四是为建立走行部健康状态评估模型，还需采集车辆运用走行公里数，用于评估分析随车辆运用走行公里的增长走行部关键部件健康状态变化的趋势。

3.1.2 数据分析子系统

数据分析子系统，需实现实时故障诊断分析，预报警；关键部件的健康状态评估与寿命预测，还需利用历史数据实现离线模型建模，以及模型管理。数据分析包括3部分。

1）故障诊断分析。分析子系统应该建立故障诊断体系，建立故障预报警标准，进行分级报警，如三级预报警，可分为正常（健康）、跟踪预报（亚健康）、复查判断（预警）和故障（正报）。分析系统使用规则引擎对各设备或系统上报的数据进行综合诊断，给出预报级别。

2）故障预测分析。搭建大数据分析平台，利用历史数据建立预测模型，可建立的模型包括利用工况数据建立在线走行部故障预测模型和轮对磨耗寿命预测模型。

3）智能诊断技术。利用机器视觉技术，采集车底走行部部件图像数据，搭建AI分析平台，利用机器学习智能识别部件缺陷。

3.1.3 决策支持子系统

决策支持子系统可以为用户提供所需的数据、背景资料等信息，帮助用户正确决策并识别问题，通过人机交互功能进行分析、比较和判断，为正确的决策提供必要地支持。轮对检修应该建立基于统计的决策系统及基于知识的决策系统。

1）进行多维的、更为复杂的综合分析和计算，从中发现各种趋势，发现异常情况，得到重要细节；找出内在规律，为各级领导的决策业务提供切实有效的帮助。走行部故障可按车型、按线路、按部件、按故障类型和按时间周期进行分类统计分析。

2）知识驱动的维修决策，通过数据挖掘，对大量数据进行筛选，找寻数据之间的关联，构建知识驱动的维修决策。如通过专业知识与仿真技术，构建轮轨接触耦合动力学模型，对轮轨关系进行分析，以期改善线路状态；利用车轮踏面廓形磨损规律，标准廓形的匹配关系，车厢轮径差要求，进行镟修磨耗量分析，选择最佳镟修廓形以实现经济镟修。

3）构建与故障部件，故障类型与级别匹配的维修决策知识库，根据预报警故障，自动生成走行部或线路轨道维修的计划及方案。

3.1.4 自学习模块

构建机器学习平台，实现离线的模型训练，用以提升故障诊断能力，入段线安装的车底走行部图像检测系统，库内智能巡检机器人均采用了机器学习技术，使用Tensorflow，Torch等机器学习框架，搭建自学习平台。人工对系统的误报警进行标注后，加入样本库，通过平台自学习，构建新版本模型，随着系统运用时间的增长，从而提升报警准确率。

3.2 轮对镟修及寿命预测

随着运营走行公里的增长，车轮踏面受轮轨接触时各力影响而磨损，车轮外形尺寸发生变化反映在轮缘高度变深、轮缘厚度变薄，影响行车安全。当尺寸磨损达到一定限度时，通过镟修恢复踏面外形尺寸。当多次镟修后，因车轮直径达到限度则无法再修复，必须进行更换，一定程度会造成部分车轮的过渡镟修，从而形成浪费。通过精细地监测线路车轮磨损状况建立磨耗规律模型，使其与实际磨损过程相符，从而预测镟修，推算车轮使用寿命，可合理安排镟修，节省车轮使用成本。建立车轮全寿命周期的磨耗规律与镟修规律模型需要较长的周期，长期运营后才会积累相关镟修记录。因此，考虑分为3个阶段开展磨耗到限预测以及寿命预测，包括短期预测，中期预测及长期预测，如图11所示。

图11 轮对镟修预测流程图

建立智能诊断专家系统，实现基于风险的主动性维修策略，需要研究应用故障预测技术。常用的故障预测技术包括基于可靠性分析理论的预测技术，基于失效物理模型的预测技术，基于数据驱动的预测技术，本研究选择基于数据驱动的预测技术对车轮磨耗趋势进行了预测分析研究。

通常车轮踏面磨损一是非线性的，轮缘高度的磨损加剧轮缘厚度的磨损，不同轮径时，轮缘高度的磨损率也会有所变化；二是受轨道不平顺，钢轨轨距、高低和左右方面几何尺寸偏差影响左右车轮偏磨从而加剧磨损。因此通过精细的监测线路车轮磨损状况，建立磨耗规律模型，使其与实际磨损过程相符，从而预测镟修，推算车轮使用寿命（图12）。

图12 车轮全寿命周期磨耗率规律

4 结束语

本研究提出了一种采用基于激光位移测量技术、高精度图像测量技术、机器视觉图像分析技术、智能机器人和超声波无损探伤等技术，构造的城轨车辆轮对智能检测体系、城轨车辆轮对的异常状态进行实时在线监测，将监测数据自行分析诊断，实现轮对故障的早期预警和分级报警，及时发现车轮问题，暴露安全隐患，为城轨车辆的安全运行提供保障。在该体系基础上综合多源检测数据，运用智能诊断专家系统实现轮对故障检测及诊断，同时分析轮对磨耗规律，提出轮对镟修建议，并预测轮对寿命。通过城轨车辆实际运用现场诊断结果验证了轮对故障预测技术的可靠性，该研究为城轨列车的运行安全提供了保障，具有较好的社会效益。