基于城軌車門虛擬樣機的故障模擬及診斷

董先鵬 李漢超 孔凡超 劉海全 王浩軒 孫暢勵

(1.濟南軌道交通集團建設投資有限公司 山東 濟南 250101；2.中車青島四方機車車輛股份有限公司 山東 青島 266111；3.南京康尼機電股份有限公司 江蘇 南京 210038)

0 引言

傳統的城軌車門故障研究方法主要是基于大量故障樣本，運用智能算法構建故障分類模型。這種方法對故障試驗數據需求量較大，但物理臺架試驗存在著受場地條件約束、試驗耗時周期長、投入成本高等缺陷[1-2]，利用虛擬樣機模擬故障獲得故障分類學習樣本有利于縮減試驗成本，豐富試驗研究類型[3-4]。

下面以城軌塞拉門為例，搭建高仿真精度的車門機電一體化仿真模型[5-6]，模擬車門常見故障，利用模型仿真數據構建故障診斷模型，并通過試驗驗證其準確性。

1 機電聯合虛擬樣機建模

城軌塞拉門系統的工作原理如圖1所示。開門過程中，電機按照預設速度曲線驅動絲桿轉動，與絲桿安裝配合的螺母滾動銷轉動脫離鎖閉位置完成門扇解鎖動作，隨后帶動門扇在上下導軌和承載機構的約束下完成門扇的擺塞與直線動作。關門過程與開門過程相似，在門扇到達關到位位置后，滾動銷進入絲桿鎖閉段實現門系統鎖閉。

圖1 塞拉門工作原理

根據塞拉門工作原理，基于Simulink-RecurDyn軟件搭建機電聯合虛擬樣機[7-8]，主要結構如圖2所示。

圖2 塞拉門機電聯合虛擬樣機主要結構

塞拉門機電聯合模型主要包括門控模型和機械動力學模型。門控系統模型采用雙閉環PI控制，主要是模擬門控器對門扇機械主體的控制作用，包括供電保護、開關門運動控制、障礙檢測控制等功能。動力學模型是車門機械主體結構，主要包括左右門扇組件、攜門架組件、絲桿-螺母組件等組成部分。門控模型輸出電機轉速作為動力學模型中絲桿的驅動轉速，動力學模型輸出絲桿所受扭矩作為門控模型中電機的輸入負載。基于試驗數據對模型參數進行調整以確保模型的仿真精度。

2 基于城軌車門虛擬樣機的故障模擬

根據城軌車門系統近幾年內故障現象的數據統計，開關門障礙檢測故障在車門常見典型故障中發生頻率最高，下文以開關門障礙檢測故障為例，建立車門故障模型，主要包括障礙物的設置及控制參數的設置。

2.1 故障模型建立

(1)障礙物設置

在塞拉門動力學模型中添加障礙物模型。根據開關門障礙檢測試驗要求，在動力學模型中添加寬度為400 mm的障礙物，如圖3所示。

圖3 添加障礙物后的動力學模型

在關門障礙檢測模型中，門扇護指膠條與障礙物之間存在擠壓力。在護指膠條和障礙物之間設置接觸副，參數設置如表1所示。開門障礙檢測障礙物設置與關門類似，但障礙物位置處于緩沖頭和機架體之間。

表1 開門障礙檢測障礙物接觸副參數

(2)輸入設置

關門障礙檢測發生后，門扇運動位移曲線如圖4所示。為實現門扇障礙檢測運動，在控制模型中添加門扇障礙檢測功能，主要包括障礙實時判斷功能、故障發生前后PI控制器調節功能等。

圖4 關門障礙檢測故障觸發后門扇運動示意圖

在門扇與障礙物開始擠壓時，兩者之間的接觸力突然增大，電機轉速、電流隨之產生較大波動，為實現門系統的穩定運行，修改障礙檢測階段的PI參數，如表2所示。

表2 防擠壓PI參數

2.2 故障仿真模擬

運行仿真，得到開關門障礙檢測一次及二次時的絲桿所受扭矩曲線，如圖5所示。

以仿真所得扭矩曲線作為故障分類模型的學習樣本，為增加樣本的多樣性，微調動力學模型中主要接觸副之間的接觸阻尼等參數，如表3所示。

表3 模型參數調節

3 基于BP神經網絡的車門故障診斷

3.1 BP神經網絡故障診斷原理

神經網絡是一種基于神經系統提出的數據計算模型，內部神經元之間相互連接，對并行信息進行處理以提取信息的抽象化特征，逼近目標函數。其中，BP 神經網絡在處理非線性分類問題上具有明顯的優勢[9-11]。

假設神經網絡共有L層隱含層和n個神經元節點，每一個神經元節點均由Sigmoid函數激發。隱含層、輸出層之間的神經元激活函數分別為f(x)、g(x)，給定輸入和輸出(xk，yk)(k=1,2,3...,N)；第l層第j個單元輸入第k個樣本時，節點j的輸入為：

(1)

誤差函數E：

圖5 車門典型故障仿真扭矩曲線

(2)

(3)

式中：ylk為第l層輸入第k個樣本時的輸出，Ek為輸入第k個樣本的輸出誤差，E為神經網絡總輸出誤差。

神經網絡訓練過程中，將誤差函數與預設精度比較進行判斷，若不滿足精度要求則修正權重減小誤差，直至精度滿足要求或迭代次數達到上限停止訓練。

3.2 門系統故障診斷

以仿真得到的塞拉門絲桿扭矩結果為訓練樣本，提取以下10組特征作為故障分類訓練的學習樣本輸入量。

(1)絲桿扭矩曲線的時域長度；

(2)絲桿扭矩為正值的數量；

(3)絲桿扭矩為負值的數量；

(4)關門方向車門堵轉時長；

(5)開門方向車門堵轉時長；

(6)正常關門時域長度；

(7)正常開門時域長度；

(8)絲桿扭矩最大值；

(9)關門方向運動次數；

(10)開門方向運動次數。

對輸入樣本數據進行歸一化處理來消除量級差別，歸一化公式如下：

(4)

其中：p′為歸一化后的樣本數據，p為輸入的樣本數據。

本文應用Matlab軟件訓練BP神經網絡，對塞拉門正常開關門和開關門障礙檢測一次、二次共計6類樣本進行故障分類診斷。

設置訓練函數為traingdm函數，訓練過程誤差變化如圖6所示，圖中橫坐標為迭代次數，縱坐標為均方誤差，由圖可知，在迭代39次時，誤差精度滿足要求。

圖6 訓練誤差變化

訓練結果回歸曲線圖如圖7所示，由圖可知，該神經網絡分類器對學習樣本訓練的回歸系數趨于1，滿足故障分類功能。

圖7 回歸曲線圖

以臺架試驗驗證故障診斷的正確性，結果如表4所示，因以上所研究的典型故障類型特征較明顯，所以模型診斷正確率較高。

表4 塞拉門常見典型故障診斷結果

4 總結

上文將虛擬樣機技術與故障診斷相結合，以塞拉門為例建立機電聯合模型對車門常見典型故障進行模擬，提取仿真數據的特征值構建BP神經網絡故障分類診斷模型，并利用試驗數據驗證了故障診斷的準確性，最終實現以車門虛擬樣機仿真代替臺架試驗來診斷故障的研究目標，為城軌車門故障診斷方向的研究提供參考。