基于GA-BP神经网络的列车轮对振动信号研究

云善起,薛鑫,牟茂源,刘媛媛

(青岛杰瑞工控技术有限公司,山东 青岛 266520)

0 引言

随着我国铁路运输行业的迅速发展,列车运行经历了多次提速,运行中的安全性愈发受到重视[1]。轮对作为与轨道直接接触的走行部件,其工作环境恶劣,在列车高速行驶过程中极易受到冲击造成损伤[2],从而影响列车运行的安全性。

列车在高速运行过程中,轮对不仅会因为正常行驶产生振动,还会由于道岔、钢轨不平等影响而受到冲击,轮对的踏面损伤现象比较普遍。因此,对轮对故障监测和诊断关键性技术进行研究,及时准确地对轮对故障做出预报,对列车的安全运行意义重大[3]。

本文针对轮对振动信号复杂、故障难以准确诊断的问题,对轮对故障信号进行特征分析,以此为基础,建立相应的故障诊断模型,以满足列车运行过程中及时、准确地诊断轮对故障的要求。

1 小波包分解原理

轮对与钢轨发生冲击时产生的振动为非稳态振动,将振动信号进行小波包分解可以对其频域特征与时域特征进行同步分析[3],从而提取出相应的轮对故障特征。

小波分析具有多分辨率分析的特点,且在时频两域都能够表征信号局部特征[4]。但此种方法只能对信号低频进行再分解,对高频部分不做任何处理。小波包分解在小波分析的基础上,能够对信号进行更加精细的分析,第一次分解后得到信号的高频部分和低频部分[5],再次分解时可以将两个部分同时进行再分解。

令轮对振动信号为S,可将信号进行分解得S=T(1,0)⨁T(1,1)=T(2,0)⨁T(2,1)⨁T(2,2)⨁T(2,3)=…=T(I,J),其中,I=1,2,3,…,J=2I-1。

2 轮对振动信号处理

2.1 故障信号的小波包分解

使用一个正常轮对与一个踏面故障轮对进行模拟实验,选择1 000个采样点进行振动信号的采集。两组轮对振动信号如图1所示,对比可观察到踏面故障轮对的振动幅度更大。

图1 正常轮对信号与故障轮对信号

将2组信号分别使用小波包算法进行3层分解,得到不同频域信号特征如图2、图3所示。

图2 正常轮对信号分解结果

图3 故障轮对信号分解结果

2.2 故障信号特征提取

轮对振动信号经过小波包3层分解之后,将不同分解尺度上的信号能量计算出来,即得到了分解后的信号空间能量特征[6]。具体过程如下:

1)将各节点的小波包系数进行重构,重构系数为Mjk;

2)计算分解后各子信号的能量:

(1)

3)计算信号总能量:

(2)

4)计算子信号能量在整个信号总能量中所占的比重:

(3)

根据上述步骤将故障信号进行3层小波包分解后,计算出各子信号能量所占信号总能量比值,并绘制柱状图如图4所示。

图4 分解故障信号能量分布柱状图

分析图4可知整个信号的能量主要分布在1—5层,所占比重达到91.5%左右,6—8层占比不足10%,所以可将1—5层作为故障信号的特征向量,可表示为

P=[Q31,Q32,Q33,Q34,Q35]

(4)

经过小波包分解得到的故障信号特征向量可以为下一步的轮对故障诊断提供理论依据。

3 轮对故障诊断算法

3.1 GA-BP算法原理

BP神经网络是解决非线性问题的一种常见方法,其本质是求解函数的最优解问题,根据误差改变下次迭代的权值和阈值,使得实际输出不断趋近期望输出。但这种方法存在收敛性慢、易陷入局部极值的缺点[7],难以实现轮对故障的精确诊断。

遗传算法模拟生物遗传的方式,通过对编码群体进行一定的遗传操作,评估适应度保留最优个体,具有较好的收敛性和较高的鲁棒性。因此,考虑采用遗传算法对BP神经网络的权值和阈值进行优化,避免陷入局部最优。同时,优化过程不会影响神经网络的拓扑结构[8]。改进的GA-BP神经网络算法流程如图5所示。

图5 GA-BP神经网络算法流程图

初始化BP神经网络的权值阈值长度作为遗传算法的输入,通过遗传算法适应度函数计算个体适应度,循环执行交叉变异操作直到获得最优权值阈值[9],进行神经网络训练,从而建立轮对故障神经网络诊断模型。

3.2 基于GA-BP的轮对故障诊断模型

将故障信号的特征向量P作为输入构建神经网络,其拓扑结构为5-3-1,即输入层神经元数目为5,隐含层神经元数目为3,输出层神经元数目为1。

遗传算法的基本步骤如下[10]。

1)个体编码

本文利用遗传算法求BP神经网络最优权值阈值,采用实数编码,其编码方式为

L=n×h+h×m+h+m

(5)

式中:L为编码长度;n为输入层神经元数目;h为隐含层神经元数目;m为输出层神经元数目。易知编码长度为22。

2)初始群体的产生

遗传算法通过对初始群体数据的进化获得最优解。一般来说群体规模越大,最优解越容易获得。遗传迭代次数表示算法满足结束标志的参数。本文将群体规模设为50,迭代次数为100。

3)适应度计算

遗传算法中通过个体适应度值评定其优劣程度,决定个体遗传概率,以此得到最优解。适应度决定了群体的进化方向。本文选择适应度函数为

(6)

式中:m为BP神经网络输出层节点数量;dk、yk分别为输出层第k个节点的期望输出和实际输出。

4)选择运算

选择运算通过某种规律筛选出进化群体中适应度较高的个体将其遗传至下一代群体中。选择公式为

(7)

式中fi表示个体i的适应度。

5)交叉运算

交叉运算选择适当的交叉概率以相互交换某两个体之间的部分染色体,以产生新个体。算法收敛速度随交叉概率提高而提高。本文选择交叉概率为0.6。

6)变异运算

变异运算是指对个体的某个或某些基因座上的基因值按照一较小的概率进行改变,从而产生新个体。本文选择变异概率为0.1。

4 轮对故障诊断实验

4.1 仿真实验结果

将轮对故障诊断模型的各个参数确定后,即可以信号特征向量作为输入,对诊断模型进行训练。实验采集300组正常振动信号、300组踏面擦伤振动信号以及300组踏面剥离振动信号,对其进行小波包分解后得到特征向量。选取部分特征向量如表1所示。

表1 3组信号部分特征向量

3种信号分别取200组作为训练样本输入故障诊断模型,正常信号编码为0,踏面擦伤信号编码为1,踏面剥离信号编码为2,设置改进后的BP神经网络学习速率为0.01,迭代次数为5 000,期望误差为0.000 01。遗传算法适应度曲线如图6所示。

图6 遗传算法适应度曲线

由图6可以看出,在开始的位置种群的平均适应度很低,遗传代数达到80代左右,最优适应度与平均适应度趋于稳定且较高的位置,约为0.38。

GA-BP故障诊断模型训练好之后,为了验证其诊断效果,选取20组正常振动信号、15组踏面擦伤振动信号以及15组踏面剥离振动信号,分别采用未优化的BP神经网络模型与优化后的GA-BP神经网络模型进行诊断实验,结果如图7、图8所示。

图7 BP神经网络模型诊断结果

图8 GA-BP神经网络模型诊断结果

由图7和图8对比可以看出,采用未优化的BP神经网络进行故障诊断准确率为90%,采用GA-BP神经网络模型进行故障诊断准确率达到了100%。试验结果表明:经遗传算法优化的BP神经网络故障诊断模型准确率更高,诊断结果更加准确,为振动监控系统提供了诊断算法理论基础,可以更好地应用于列车轮对故障诊断之中。

4.2 轮对故障监控系统软件设计

针对轮对故障诊断系统的需要,设计了上位机监控软件。软件的主要开发环境为Visual Studio 2019,在.Net平台下采用C#语言编程来实现,核心诊断算法采用MATLAB编程封装成库函数,嵌入到系统中,二者混合编程实现系统全部功能的开发。软件的主要功能包括轮对信息的采集、数据的传输、数据的存储和分析、故障的诊断、结果的实时展示等。软件主界面如图9所示。

图9 监控软件工作界面

进入系统后将读写器参数以及振动信号采样参数设置完成,点击“开始系统识别”按钮,系统自动开始识别经过监测区域的列车轮对信息和振动信号,页面开始实时显示左、右两侧车轮传感器振动信号,并存入到系统数据库中,通过调用诊断算法判断轮对状态,并将结果显示到页面上的轮对信息中。

通过实验对识别系统软件的各项功能进行测试,结果表明上位机软件可以实现轮对振动信号的实时监控与轮对故障的准确判断,能够实现轮对信息的有效管理与追溯。

5 结语

本文针对列车轮对故障诊断问题,采用小波包算法对轮对振动信号进行分解与重构,得到轮对振动信号特征向量,以此作为输入建立GA-BP神经网络诊断模型,采集不同故障下的轮对振动信号,对诊断模型进行训练和测试,验证了GA-BP神经网络诊断模型故障识别准确率更高,并设计了上位机监控软件,实现轮对信息监测的实时化与可视化,对于实现列车轮对状态的动态监测具有重要意义。