金志浩， 迟 展， 于宝刚

(沈阳化工大学 机械与动力工程学院， 辽宁 沈阳 110142)

减速顶是在铁路系统中安装在钢轨上对车厢进行减速的一种重要调速设备[1]，其广泛应用于各种铁路编组站.在经过长时间轧制后，减速顶内部的活塞组件容易破裂，使油缸难以下沉，造成“冒顶”现象，从而造成脱线事故.长期以来主要是通过人力进行日常巡检，采用脚踩的方式进行故障检测，凭经验判断减速顶的是否工作正常.该方法的效率和准确性不高，受外界影响较大，浪费了人力物力资源[2].

减速顶有3个主要技术参数：制动功、阻力功和临界速度.我国从1980年开始使用简单的仪器检测减速顶这3个主要技术参数.1985年从国外引进了计算机及其它检测设备，用动能差法来进行检测[3].目前国内关于减速顶在线故障诊断方面的研究较少.史惠中等[4]讨论了红外测温技术在减速顶上的应用.李赟喆等[5]设计了减速顶自动检测小车，其通过压力大小判断减速顶工况.20世纪50年代，声发射检测技术起步于德国，并于20世纪60年代在美国的原子能和航天技术领域迅速兴起，应用于玻璃钢固体发动机壳体检测.但因当时的技术和经验所限，声发射技术仅有少量应用[6].20世纪80年代，声发射技术在理论研究、实验研究和工业应用方面取得了相当大的进展[7].20世纪80年代末至20世纪90年代初，随着声发射基础理论研究的深入开展，以及现场、实验数据和经验的大量积累，计算机技术、集成电路、人工神经网络等信号处理技术(尤其是数字信号处理技术)及模式识别技术在声发射领域中的广泛应用，加之日益扩大的应用领域对声发射技术的发展提出的新要求等，促进了声发射技术高速发展[8-10].本文采用声发射(AE)技术对火车减速顶声发射信号进行采集，将所测得的信号数据发送到计算机中，选取信号中时域、频域及小波能量作为特征参数，使用BP神经网络判断减速顶是否需要进行维修，以此提高检测效率并减轻工人的劳动强度.

1 小波变换原理及BP神经网络简介

1.1 小波变换基本原理

使用某一系列函数表示或者逼近任意函数或信号是小波分析的核心思想，通常称这一系列函数为小波函数系.

(1)

将ψ(t)经过伸缩平移之后，可得到小波基函数ψa,b(t)，表达式如下：

(2)

式中：a、τ分别为尺度因子与平移因子.

则小波基ψ的连续小波函数可表示为

(Wψf)(a,b)=〈f,Ψa,b〉=

(3)

小波离散化是针对ψa,τ(t)中的连续变量a和b的离散.尺度因子a和平移因子τ的离散化可改写为如下形式：

(4)

则ψa(t)可表示为

(5)

则相应的连续小波变换可表示为离散小波变换

Wj,k=〈f(t),ψj,k(t)〉=

(6)

该函数的变量为频率指标j与平移指标k.则逆变换为

(7)

1.2 BP神经网络简介

神经网络的全称是人工神经网络(artificial neural networks，ANN)，其采用实际中可实现的组件或直接使用信息技术来实现在自然界中已存在的神经系统中的某些功能，神经网络是一种非线性的数学模型.神经网络最大的优点是能够通过反复训练、测试网络结构，最终来逼近任意复杂度的非线性函数.BP(back propagation)人工神经网络是基于误差来进行逆向传播训练算法的多层神经网络类型.BP神经网络使用最速下降法进行学习，通过不断调整网络的权值和阈值从而使网络的输出误差尽可能最小.BP神经网络的优点是在隐藏层数目足够多的条件下具有较好的泛化能力，是自神经网络技术应用以来使用最广泛的一种网络类型.BP神经网络一般包括输入层、隐含层和输出层，每层中都包含有一些神经元.输入层、隐含层、输出层中的神经元被称作输入单元、隐含层单元和输出单元，其网络结构与神经元结构如图1所示.

图1 BP神经网络结构与神经元模型

2 实验研究

2.1 实验布置

采集地点为沈阳裕国站，减速顶为TDW94A型减速顶，位于轨道外侧，每个减速顶之间的间距约为3 m，火车速度约为6 km/h，此速度为铁路车辆经过减速顶带时的常见速度，其他测试条件要求满足国家铁道行业标准TB/T 2460—2016《铁道车辆减速顶》对于室外减速顶检测试验条件的有关规定.声发射仪采用北京声华兴业公司的SDAEA声发射检测仪，传感器型号为SR150A，设置参数如表1所示，现场传感器的布置情况如图2所示.

表1 实验参数设置一览表

1 声发射传感器 2 减速顶 3 前置放大器4 铁轨 5 声发射检测仪

火车减速顶震动产生的声发射信号是一种典型的非平稳随机信号，其中包含着丰富的信息[11].对采集到的信号进行频谱分析，发现其有着明显的类别区分.推测其原因是由于只有在火车车轮经过时减速顶才会工作，对车厢整体起制动减速作用，而在其他时间段减速顶处于自然状态.图3为采集到的典型的减速顶信号及其频谱图.

图3 减速顶声发射信号波形图和频域图

由图3可知两类信号在时域与频域上差别巨大.时域上，类型Ⅰ信号波动规律，类型Ⅱ信号无明显特征；频域上，类型Ⅰ信号频率集中在50 kHz附近，类型Ⅱ信号在20～120 kHz范围内均有分布，且频率组成复杂.综上，推测类型Ⅰ信号可能是火车车轮在铁轨上行驶时所采集到的声发射信号，类型Ⅱ信号为火车车轮经过减速顶时，减速顶进行制动减速时所采集到的声发射信号.所以，可通过类型Ⅱ信号的特征参数来判断减速顶故障与否.类型Ⅱ信号波形复杂，直观上无明显可分辨特征，因此难以用单一特征表征声发射信号，故需从时域、频域和小波能量中提取减速顶声发射信号的特征参数.

2.2 信号的时域特征参数

声发射信号的时域中有丰富的特征信息.如信号的最大值与最小值反映了信号在时域范围内的波动范围，方根幅值反映了信号的能量大小等.对于任意声发射信号，其时域特征参数的表达式如表2[12]所示，其中n表示信号中采样的点数，var为信号的方差，RMS为均方根值.

表2 时域特征参数

2.3 信号的频域特征参数

频域特征参数的表达式如表3[12]所示.

表3 频域特征参数

2.4 小波能量特征参数

根据小波函数和小波尺度的选择原则以及实际分析下选择dB10小波函数对声发射信号进行分解，分解层数为5.每层的能量分别为

(8)

其中i=1，2，…，5，其总能量E为

(9)

这5个频段可以根据其能量值构建特征向量[13]

(10)

综上所述，对声发射信号的时域、频域和小波能量共提取了23个特征参数，其中时域特征共计13个，频域特征5个，小波能量特征5个.

3 基于BP神经网络的信号识别方法

3.1 BP神经网络的识别流程

利用BP神经网络进行减速顶声发射信号故障诊断的实现步骤如下[14]:

(1) 对正常工作减速顶Ⅱ类信号、故障减速顶Ⅱ类信号与Ⅰ类信号进行特征参数分析，提取其特征参数.

(2) 根据输入矩阵及期望输出矩阵，确定BP神经网络的系统参数.

(3) 将训练样本的特征参数矩阵输入到BP神经网络分类器中进行训练，获得神经网络分类模型.

(4) 将待检验样本的特征矩阵输入到已经训练好的神经网络中，并进行分类识别，输出最终识别结果.

3.2 BP神经网络设计

根据相关经验公式，隐含层神经元数目m=2n+1，其中m为隐含层的神经元数目，n为输入层的神经元数目，输入神经元数目由特征参数确定[15].这里n=23，m=47.设定训练步数为2 000，训练目标误差为0.001，学习速率为0.1，选用tansig与logsig函数分别作为神经网络隐含层与输出层的传递函数.输出层节点数为3，对应减速顶的3种信号模式[16]，如表4所示.

表4 减速顶信号模式

3.3 网络的训练与检验

选取正常工作减速顶Ⅱ类信号、故障减速顶Ⅱ类信号、Ⅰ类信号各24组进行神经网络训练.从图4中可以看到，训练误差经过1401步迭代后达到要求.结束训练后的神经网络即是减速顶声发射的故障识别网络.

图4 BP网络训练误差曲线

为检验网络的实际应用性能，随机提取正常与故障减速顶声发射信号各100组作为样本进行检验，部分输出结果见表5.

从表5中可以看到：不论减速顶正常工作与否，神经网络特征值3的输出值有相当一部分接近1，结合表4，说明在采集的信号中Ⅰ类信号占有很大比例，这也间接验证了之前的猜测.由于Ⅰ类信号不能作为判断根据，故忽略Ⅰ类信号，将神经网络输出是否大于0.8作为判断标准，统计了神经网络输出的验证错误率，结果如表6所示.

表6 BP神经网络输出结果统计

由表6可以看出：对于正常与故障减速顶的检验错误率分别为12.5 %与16.1 %，能够初步满足预测要求.如果需要获得更低的检验错误率，则需要增大学习样本数目，或者优化网络结构，调整隐含层单元数来建立更好的预测模型.

4 结 论

针对长期以来只能通过人工经验判断火车减速顶工作状态的问题，应用了声发射检测技术对减速顶进行故障诊断分析.故障与正常减速顶两类声发射信号在时域与频域上差别巨大，提取了相关特征值使用BP神经网络进行故障判断，正常与故障减速顶的检验错误率分别为12.5 %与16.1 %，可以满足实际诊断需要.进一步优化算法，缩短故障诊断时间、提高识别准确率是今后努力的方向.