一种基于数据驱动的机车机械部件性能演变辨识方法与流程

本发明涉及一种铁路运输安全监控技术领域，具体涉及一种基于数据驱动的机车机械部件性能演变辨识方法。

背景技术：

动力学仿真计算数据及长期的线路实测数据表明，在车辆踏面出现磨耗后，车辆稳定性、车体振动加速度和平稳性指标均出现较恶劣变化；当踏面磨损严重时，车轮和钢轨间的接触关系随之恶化，而轮轨突发性破坏导致的列车脱轨对行车安全产生重大威胁。故此，踏面性能状态的监测是保障列车安全运行的重要举措之一，是机车安全监测领域中的必行之举。

目前在铁路运输安全监控技术领域中，大多数产品是对机械部件有故障识别功能。故障识别的关键技术在于，提取出的数据特征与设定的故障特征相匹配时，系统会根据设定的故障等级来进行报警。由于线路运行环境的复杂性及机车自身状态的不确定性，仅靠故障特征识别并不能充分保证判断结果的准确性及可靠性。

技术实现要素：

本发明所要解决的技术问题是：由于线路运行环境的复杂性及机车自身状态的不确定性，仅靠故障特征识别并不能充分保证判断结果的准确性及可靠性的问题，本发明提供了解决上述问题的一种基于数据驱动的机车机械部件性能演变辨识方法。

本发明通过下述技术方案实现：

一种基于数据驱动的机车机械部件性能演变辨识方法，包括以下步骤:

s1、建立机车车辆动力学仿真模型，建立机车机械部件性能演变理论，模拟机车车辆运行状态；

s2、根据部件运行性能的测点位置，提取动力学仿真结果中的参数信息；

s3、在机车车辆上相应的运行性能测点位置布置传感器，获取测试点数据，提取机械部件运行性能演变的趋势线；

s4、结合动力学仿真结果，由实际测试得到的趋势线对机械部件性能演变作相应描述，并根据趋势特征提出监测、识别并预测该机械部件运行性能。

通过机械部件动力学仿真，对机械部件监测点位置提取车辆运行状态参数信息，由该测点处的真实数据描绘机械部件性能演变趋势，并与仿真结果及形成机理相匹配，通过算法模型使得真实监测数据能够区分机械部件性能处于故障发展的不同阶段，设置相应的变点和安全阈值，一旦故障发生，则可准确、快速报警，从而将保障人身安全、减少财产损失。

进一步的，步骤s1中建立机车机械部件性能演变理论是在动力学仿真中采用hertz理论计算法向接触，fastsim算法计算切向接触。

进一步的，所述hertz理论计算法向接触的方法如下：

基于hertz接触的假设，对于轮轨接触问题，轮轨垂向间隙可以写为：

z(x,y)＝ax²+by²

式中,a和b分别为纵向和横向相对曲率；

当轮轨的主曲率面重合时，即轮对没有摇头角，a和b的表达式如下：

式中，rwx为车轮沿纵向的曲率半径，即车轮滚动半径；rrx为钢轨沿纵向的曲率半径，通常为+∞；rwy为车轮接触点处横向曲率半径；rry为钢轨接触点处横向曲率半径；

根据hertz接触理论，接触斑长半轴a和短半轴b的表达式可写为：

式中，m和n为hertz接触参数；p为轮轨法向力；g^*为材料参数；

所述m和n的值是根据中间变量η值决定，根据η值对hertz接触参数表进行查表，

所述所述

式中，vw和ew分别为车轮材料的泊松比和弹性模量；vr和er分别为钢轨材料的泊松比和弹性模量；

轮轨接触时的刚性接近量δ0为：

式中，r为hertz接触参数，其中

接触压力分布pz为半椭球形：

进一步的，在步骤s1中模拟机车车辆运行状态包括设置轮轨摩擦系数，并且施加美国六级谱模拟现实运行状态；还包括设置轮对形状成18～22阶多边形，粗糙度幅值从0.01mm每隔0.01mm增加到0.5mm；结合实际激励点所获取的数据，驱动机车机械部件性能变化。通过对机车车辆机械部件进行多种工况下动力学仿真计算，提取不同多边形幅值的轮对工况下不同粗糙度，使得仿真更加有效。

进一步的，在步骤s2中提取动力学仿真结果中的参数信息方法如下：

提取不同粗糙度幅值下的轮轨垂向力数据，得到轮轨垂向力随时间变化的关系m1；

再根据轮轨垂向力随时间变化的关系得到不同粗糙度幅值下的轮轨垂向力最大值随粗糙度幅值变化关系m2；

根据不同粗糙度幅值下的轮轨垂向力最大值随粗糙度幅值变化关系m2得到部件运行性能变化信息。

进一步的，步骤s4中由实际测试得到的趋势线对机械部件性能演变作相应描述，并根据趋势特征提出监测、识别并预测该机械部件运行性能的方法如下：

对测点位置传感器的振动信号进行特征提取，去除奇异点后，利用时间序列加法模型进行周期分解和趋势线提取，对于采样的振动信号：

yt＝tt+st+ct+it

其中tt是t时间点内分解出来的趋势值，是数据对时间相对稳定的一部分，也是本次试验中需要提取得到的特征值部分；st数据中周期性波动的数据；ct是循环变动；it随机波动；

首先利用移动平均分离出显性的周期性波动，以车轮每转动一圈的点数作为周期，对于时间序列y1，y2…yn，若k为奇数，求取对应中心移动平均：

其中，t代表移动平均中间项的时间，mt⁽¹⁾表示一次中心移动平均；

若k为偶数，则中心移动平均的结果：

mt⁽¹⁾表示一次中心移动平均，但是此时t为(k+1)/2，(k+1)/2+1，…代表两个时间项的中为得到的对应移动平均值，需要进行二次移动平均：

其中t为t为(k+1)/2，(k+1)/2+1，…k位周期；

建立故障发展阶段预测模型，采用指数增长法进行故障状态期间预测，建立指数函数：

x(t)＝a·b^t/r

满足线性微分方程，其中常数a是x的初始值，x(0)＝a，并且，常数b是正的增长率，τ为x增长b倍所需时间：

x(t+τ)＝x(t)·b

若τ>0且b>1，则x为指数增长；若τ<0且b>1，或τ>0且0<b<1，则x为指数衰减；在指数增长的前提下，当b>b0，其中b0为突变阈值，判断轮对运行状态急剧恶化期。

本发明具有如下的优点和有益效果：

1、本发明通过机械部件动力学仿真，对机械部件监测点位置提取车辆运行状态参数信息，由该测点处的真实数据描绘机械部件性能演变趋势，并与仿真结果及形成机理相匹配，通过算法模型使得真实监测数据能够区分机械部件性能处于故障发展的不同阶段，设置相应的变点和安全阈值，一旦故障发生，则可准确、快速报警，从而将保障人身安全、减少财产损失；

2、本发明通过对机车车辆机械部件进行多种工况下动力学仿真计算，提取不同多边形幅值的轮对工况下不同粗糙度，使得仿真更加有效。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的轮轨垂向力时域图。

图2为本发明的轮轨垂向力最大值随粗糙度幅值变化图。

图3为本发明的实际测量中振动传感器的安装点位。

图4为本发明实施例判断报警流程图。

图5为本发明传感器输出的特征值随公里数的变化曲线图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

一种基于数据驱动的机车机械部件性能演变辨识方法，s1、建立机车车辆动力学仿真模型，建立机车机械部件性能演变理论，模拟机车车辆运行状态；

s2、根据部件运行性能的测点位置，提取动力学仿真结果中的参数信息；

s3、在机车车辆上相应的运行性能测点位置布置传感器，获取测试点数据，提取机械部件运行性能演变的趋势线；

s4、结合动力学仿真结果，由实际测试得到的趋势线对机械部件性能演变作相应描述，并根据趋势特征提出监测、识别并预测该机械部件运行性能。

实施时，在多体系统动力学软件um中建立了hxd2的动力学模型。

第一步，在um软件前处理部分选择轮对类型，输入车轮半径，轨距，轮径内测距等参数，生成轮对。

第二步，复制轮对，添加构架、轴箱、一系弹簧等部件，搭建转向架。

第三步，复制转向架，添加车体和空气弹簧等部件，搭建整车模型。

一系悬挂：一系悬挂将轮对和构架连接在一起，由钢簧、转臂和垂向减振器组成。最高运行速度为120km/h，这要求该车辆具有较高的一系纵向定位刚度以保证车辆在直线轨道上高速运行时的稳定性。一系定位刚度主要由转臂节点提供。

二系悬挂：二系悬挂将构架和车体连接在一起，由两个空气弹簧、两个横向减振器、两根牵引拉杆和横向止挡组成。

一系和二系所有的悬挂元件均采用弹簧阻尼单元模拟，并且考虑了所有的非线性特性。

轮轨型面分别为jm3和60kg/m。轨距为1435mm，轮对内侧距为1353mm，车轮半径为625mm，轨底坡为1/40。

步骤s1中建立机车机械部件性能演变理论是在动力学仿真中采用hertz理论计算法向接触，fastsim算法计算切向接触。

所述hertz理论计算法向接触的方法如下：

基于hertz接触的假设，对于轮轨接触问题，轮轨垂向间隙可以写为：

z(x,y)＝ax²+by²

式中,a和b分别为纵向和横向相对曲率；

当轮轨的主曲率面重合时，即轮对没有摇头角，a和b的表达式如下：

式中，rwx为车轮沿纵向的曲率半径，即车轮滚动半径；rrx为钢轨沿纵向的曲率半径，通常为+∞；rwy为车轮接触点处横向曲率半径；rry为钢轨接触点处横向曲率半径；

根据hertz接触理论，接触斑长半轴a和短半轴b的表达式可写为：

式中，m和n为hertz接触参数；p为轮轨法向力；g^*为材料参数；

所述m和n的值是根据中间变量η值决定，根据η值对hertz接触参数表进行查表，

所述所述

式中，vw和ew分别为车轮材料的泊松比和弹性模量；vr和er分别为钢轨材料的泊松比和弹性模量；

轮轨接触时的刚性接近量δ0为：

式中，r为hertz接触参数，其中

接触压力分布pz为半椭球形：

在步骤s1中模拟机车车辆运行状态包括设置轮轨摩擦系数，并且施加美国六级谱模拟现实运行状态；还包括设置轮对形状成18～22阶多边形，粗糙度幅值从0.01mm每隔0.01mm增加到0.5mm；结合实际激励点所获取的数据，驱动机车机械部件性能变化。

在步骤s2中提取动力学仿真结果中的参数信息方法如下：

如图1所示，提取不同粗糙度幅值下的轮轨垂向力数据，得到轮轨垂向力随时间变化的关系m1；实施时，取横坐标为时间，得到轮轨垂向力时域图；

再根据轮轨垂向力随时间变化的关系得到不同粗糙度幅值下的轮轨垂向力最大值随粗糙度幅值变化关系m2；

根据不同粗糙度幅值下的轮轨垂向力最大值随粗糙度幅值变化关系m2得到部件运行性能变化信息；实施时，取横坐标为粗糙度幅值，得到轮轨垂向力最大值随粗糙度幅值变化图，如图2所示；

从图2可以看出，整个故障发展阶段可以分成三个部分，分别为故障形成期、缓慢发展期、急剧恶化期；

再根据齿端轴箱处安装的振动传感器，如图3所示，图中1～6的标号代表振动传感器安装点位，其中，1号点位是齿端轴向，2号点位是齿端电机，3号点位齿端抱轴，4号点位刷端抱轴，5号点位刷端电机，6号点位刷端轴向；通过监测点获取表征踏面运行状态的实时监测数据；传感器数据传输并保存于主机模块中，设置采样频率，采样间隔，列车运行时间，转速，运行公里数。选取hxd1c机车2017年11月至2018年8月的运行数据，从主机程序中导入数据至数据库。

如图4所示，对踏面的运行状态振动数据进行特征提取，对踏面故障状态进行评估。

由实际测试得到的趋势线对机械部件性能演变作相应描述，并根据趋势特征提出监测、识别并预测该机械部件运行性能的方法如下：

对测点位置传感器的振动信号进行特征提取，去除奇异点后，得到图5所示传感器输出的特征值随公里数的变化曲线图；利用时间序列加法模型进行周期分解和趋势线提取，对于采样的振动信号：

yt＝tt+st+ct+it

其中tt是t时间点内分解出来的趋势值，是数据对时间相对稳定的一部分，也是本次试验中需要提取得到的特征值部分；st数据中周期性波动的数据；ct是循环变动；it随机波动；

首先利用移动平均分离出显性的周期性波动，以车轮每转动一圈的点数作为周期，对于时间序列y1，y2…yn，若k为奇数，求取对应中心移动平均：

其中，t代表移动平均中间项的时间，mt⁽¹⁾表示一次中心移动平均；

若k为偶数，则中心移动平均的结果：

mt⁽¹⁾表示一次中心移动平均，但是此时t为(k+1)/2，(k+1)/2+1，…代表两个时间项的中为得到的对应移动平均值，需要进行二次移动平均：

其中t为t为(k+1)/2，(k+1)/2+1，…k位周期；

建立踏面故障发展阶段预测模型：采用指数增长法进行故障状态期间预测，建立指数函数：

x(t)＝a·b^t/r

满足线性微分方程，其中常数a是x的初始值，x(0)＝a，并且，常数b是正的增长率，τ为x增长b倍所需时间：

x(t+τ)＝x(t)·b

若τ>0且b>1，则x为指数增长；若τ<0且b>1，或τ>0且0<b<1，则x为指数衰减；在指数增长的前提下，当b>b0，其中b0为突变阈值，判断轮对运行状态急剧恶化期。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。