高速动车组转向架综合智能检测技术研究

张志波，张振先，冯永华，董 威，梁海啸，王 旭

(中车青岛四方机车车辆股份有限公司 技术中心，山东 青岛 266111)

转向架是高速动车组的重要组成部分，转向架故障所引起的部件功能失效、部件脱落等严重危及行车安全，因此，需构建转向架故障诊断系统，实时监测转向架关键部件状态，并据此对转向架安全状态进行综合评估。高速动车组转向架综合智能检测技术是在此基础上，充分利用物联网技术及地面数据中心强大的数据处理能力，实现车载安全监测系统和地面远程监控系统的车地一体检测，对可能出现的故障进行诊断、预警和预测，可避免发生影响车辆运行安全的重大问题，提高车辆运行安全性。

1 故障诊断

高速动车组转向架综合智能检测技术是充分利用故障诊断与健康管理(PHM)技术，采用多种故障诊断方法，包括阈值法、机理模型法、数据驱动法等，实现转向架综合故障诊断。故障预测与健康管理 (PHM)技术，通过传感器拾取系统的状态实时信息，采用智能算法进行系统状态分析、故障诊断及预测，并提出维修维护建议，支持使用者进行决策[1-2]。PHM 技术主要关注系统的状态感知、数据分析、健康状况监控、故障频发位置与时间、故障发生与演化预测，至少应该实现数据采集、数据处理、状态监测、健康评估、故障预测、决策支持六方面的功能。

故障诊断主要包含故障检测、故障类型判断、故障定位及故障恢复等。其中故障检测是指与系统建立连接后，周期性地向主机发送数据，并进行数据分析，与阈值比较以判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因判断出系统的故障类型；故障定位是在前两步的基础之上细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中的最终步骤，也是最重要的一个环节，需要根据故障原因采取不同的措施，对系统故障进行恢复。目前故障诊断的方式有3种，分别为基于解析模型的故障诊断、基于信号处理的故障诊断和基于知识的故障诊断。

1.1 基于解析模型的故障诊断

基于解析模型的故障诊断方法主要是通过构造观测器估计系统输出，然后将其与真实系统输出的测量值作比较从中取得故障信息。该方法还可进一步分为基于状态估计和基于参数估计的方法，前者从真实系统的输出与状态观测器或者卡尔曼滤波器的输出比较形成残差，然后从残差中提取故障特征进而实行故障诊断；后者由机理分析确定系统的模型参数和物理元器件之间的关系方程，由实时辨识求得系统的实际模型参数，然后求解实际的物理元器件参数，与标称值比较而确定系统是否发生故障及故障程度。基于解析模型的故障诊断方法都要求建立系统精确的数学模型，但随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了该方法的推广和应用。

1.2 基于信号处理的故障诊断

基于信号处理的故障诊断方法是一种传统的故障诊断技术，通常利用信号模型(如相关函数、频谱、自回归滑动平均、小波变换等)直接分析可测信号，提取诸如方差、幅值、频率等特征值，以识别和评价机械设备所处的状态。该方法又分为基于可测值或其变化趋势值检查和基于可测信号处理的故障诊断方法等。前一种方法根据系统的直接可测的输入输出信号及其变化趋势来进行故障诊断，当系统的输入输出信号或者变化超出允许的范围时，即认为系统发生了故障，可根据异常的信号来判定故障的性质和发生的部位；后一种方法利用系统的输出信号状态与一定故障源之间的相关性来判定和定位故障，具体有频谱分析方法等。

1.3 基于知识的故障诊断

对于一个结构复杂的系统，当其运行过程发生故障时，人们容易获得的往往是一些涉及故障征兆的描述性知识以及各故障源与故障征兆之间关联性的知识。基于知识的故障诊断方法是利用这些知识，通过符号推理进行故障诊断。尽管这些知识大多是定性的而非定量的，但对准确分析故障能起到重要的作用。经验丰富的专家就是使用长期积累起来的这类经验知识快速直接对系统故障诊断。基于知识的故障诊断是目前研究和应用的热点，国内外学者提出了很多方法。由于领域专家在基于知识的故障诊断中扮演重要角色，因此基于知识的故障诊断系统又称为故障诊断专家系统。

2 转向架车载安全监测系统

2.1 系统架构

车载PHM系统采用分布式结构，用于感知从零部件级到子系统级及整车级不同层次的状态信息，完成实时数据融合、清洗、特征提取及存储等工作。车载系统根据数据处理后的状态特征对列车状态进行预处理，包括故障诊断、健康评估和智能决策，并通过车地数据传输系统将状态特征和预处理结果反馈到地面PHM系统[3]。

高速动车组转向架车载安全监测系统包括实时轴温检测系统、失稳检测系统和振动温度检测系统，可实现轴承状态监测、列车运行稳定性监测及轮轨状态监测。图1为高速动车组转向架车载安全监测系统架构图。根据高速动车组转向架主要部件故障失效机理及试验研究，采用可靠性分析方法识别列车运营过程中转向架故障的主要失效形式。本文采用测点配置方案及相应的检测方法，分别在轴箱、齿轮箱及电机上设置振动温度复合传感器，在构架上加装振动传感器。

图1 高速动车组转向架车载安全监测系统架构

2.2 轴承状态监测

针对轴承故障发展的不同阶段，实施的轴承状态监测有温度监测、油液分析、振动监测及声学监测等。目前主要实施温度监测及振动监测。

2.2.1 温度监测

对轴承温度进行数据采集、数据清洗、数据分析、逻辑诊断，实现基于温度监测下的车辆旋转部件轴承的运用状态实时监控。采用基于规则的故障诊断专家系统，其诊断方法是根据以往专家诊断的经验，将其归纳成规则，通过专家经验知识制定的规则进行故障诊断。产生式规则的基本形式为：if(条件),then(结论)。例如温度高于140 ℃，则诊断结论为轴承出现异常。理论上，只要规则能制定得足够细致、足够准确，规则推理能实现高精度的故障定位。 如图2(a)为温度故障诊断流程，图2(b)为故障样本和正常样本的温度曲线，可以看出故障时的温度明显区别于正常样本，提取温度特征与阈值比较，进行故障识别，实现基于绝对温度、温差及温度变化梯度的轴温综合监测。

图2 转向架温度故障诊断

2.2.2 振动监测

当滚动轴承出现局部损伤时，在运转中轴承的其他零件会周期性地撞击损伤点，产生冲击力激励轴箱及其支撑结构形成一系列减幅振荡，减幅振荡发生的频率称为故障特征频率，由轴的转速、轴承几何尺寸及损伤点的位置(外圈、内圈、滚动体、保持架)确定，根据故障特征频率可以判定轴承是否出现故障并确定故障位置，根据故障特征频率下的振动能量大小(幅值)可以判断轴承损伤的严重程度。

滚动轴承在运转中，除典型故障所引起的振动冲击外，还受到轮轨间的正常振动冲击以及传感器零漂和抖动引起的干扰。这些非故障振动冲击和噪声信号的能量往往比典型故障所引起的振动信号能量大得多。因而对于动车组来说，旋转机械故障诊断的关键是如何在杂乱的信号中，准确挖掘出故障的本征信息。

选取故障轴承开展台架验证试验，采用信息采集、滤波处理、共振解调、包络分析、故障频率识别及严重程度评价等方法，实现轴承故障的诊断，试验结果如图3所示。由图3可以看到明显的故障频率特征及倍频，据此可有效识别故障位置及故障程度。

图3 轴承故障诊断试验结果

2.3 稳定性监测

动车组转向架的横向稳定性是指车辆以较高的速度在平直线路上运行时，某一振型的振幅随着时间的延续而不断地扩大而出现蛇行运动失稳的情况。在线实时监测其失稳是保障高速动车组安全运行的手段之一。横向稳定性监测采用基于信号处理的故障诊断方法。当系统的输出信号变化超出允许的范围时，即认为系统发生了故障，根据异常的信号来判定故障的性质和发生的部位。图4为转向架横向稳定性诊断流程图。

图4 转向架横向稳定性诊断流程

根据GB/T 5599—2019 《机车车辆动力学性能评定及试验鉴定规范》规定的横向稳定性评定方法，对轴箱上方构架振动加速度进行实时连续采样，横向稳定性在最高试验速度范围内进行评定。采用0.5～10 Hz频率范围进行带通滤波，加速度峰值在连续6次以上达到或超过8 m/s2时，则判定转向架横向失稳。列车在线运营时，检测主机实时进行计算，当出现失稳谐波特征并达到报警条件时触发报警，此时列车会自动限速，报出失稳警报，保证车辆的运行安全。

构架横向加速度的特征值可作为转向架横向稳定性的实时评价指标。图5(a)所示为某高速动车组的实测构架滤波后的横向加速度数据时域图形，图5(b)为构架横向加速度特征值，可以看出特征值可以有效反映出横向稳定性特征。

图5 高速动车组转向架蛇行失稳特征识别

2.4 轮轨状态监测

2.4.1 车轮多边形监测

列车高速运营过程中，因车轮多边形会引起列车和轨道关键零部件疲劳断裂，不仅增加了铁路运输成本，还对列车行车安全构成了威胁[6]。车轮多边形会产生周期性激励，时域波形显示轴箱振动水平增加，且频域中存在明显多边形的通过频率。通过对轴箱振动数据进行滤波降噪、傅里叶变换、频率自动捕捉、阶次跟踪等操作，可实现动车组服役过程中车轮多边形的在线实时故障诊断。当存在车轮多边形时，诊断逻辑自动捕捉车轮多边形的频率特征，并识别其幅值水平，进行车轮多边形的定性分析及定量评价。

2.4.2 钢轨波磨监测

波磨是指钢轨沿纵向表面出现的周期性的类似波浪形状的一种不平顺现象[6]。波磨的出现使机车车辆和轨道产生剧烈振动，钢轨表面的不平顺引起轮轨作用力的急剧增大，从而缩短了轨道和机车车辆相关部件的使用寿命[6]。本文采用一种基于多维数据的诊断方法来识别钢轨波磨。通过在线监测系统数据采集设备获得各测点各时间点的振动数据，通过信号处理从各测点各时间点的振动数据中提取敏感参数，当不同测点的敏感参数在相同时间段内都发生异常时，则判断该区段轨道存在异常。如果轨道存在波磨，多个车轮通过该区段时轴箱振动特征中均体现出波磨特征，通过该方法可以有效地进行钢轨波磨的识别。由图6(a)可以看出，频谱中有明显的波磨通过频率且幅值较高；图6(b)无明显波磨通过频率。因此，通过频谱特征可以有效识别钢轨波磨，指导轨道的检修维护。

图6 钢轨有无波磨频谱特征

2.5 系统优势

通过使用高速动车组转向架车载安全监测系统，使高速动车组的竞争力得到质的提升，该应用主要具有以下三大优势：

(1) 转向架实时监控，提升故障诊断能力。以往的转向架状态监测系统项点少、实时性差，而转向架车载安全监测系统具备了监测项点多、实时性高、评价指标全面等特点，涵盖了影响运营安全的转向架关键部件工作状态的在线监测，故障诊断数据信息丰富。

(2) 精准定位故障，提高检修效率。转向架车载安全监测系统能够准确定位转向架故障，并通过远程终端给出维护方案，方便维护人员及时快速维修，提高了检修效率。同时减少了对转向架维保技术人员的需求，降低了检修运维成本，可更好地适应未来高速铁路规模的扩大及速度的提高。

(3) 支撑高速动车组转向架修程修制优化。通过转向架车载安全监测系统及地面远程监控系统，提早识别及处理轴承、轮对等故障，以减少重大事故的发生，为高速动车组检修周期延长及修程修制优化提供了一定的监测验证手段。

3 地面远程监控系统

在地面建立远程监控系统，对接收的车载安全监测系统诊断结果及数据进行分析，同时结合历史数据情况及专家诊断，综合诊断当前列车转向架运行状态是否发生异常及发生异常的部件。对于已经诊断并经现场确认的转向架故障，通过人机交互系统进行标注，并将相关数据输入故障样本数据库，以对故障诊断功能进行强化学习，提高诊断准确性。地面远程监控系统除进行列车状态参数及故障情况等同步监控外，还具备历史数据、故障查询等一系列其他功能。

4 技术发展展望

对于高速动车组转向架综合智能监测技术，未来发展主要有以下3个方向。

(1) 车载多源数据融合故障诊断技术。一般情况下是基于单一数据源开发故障诊断模型进行故障诊断。随着检测参量的增多，结合高速动车组转向架车载安全监测系统，进一步探究多源监测融合数据的故障诊断技术，提高整车安全监测的能力。

(2) 车地多源数据融合故障诊断技术。对高速动车组转向架进行监测时，地面轨旁TADS系统可声学监测轴箱轴承故障，TPDS系统可监测车轮多边形，TEDS系统可图形检测部件脱落等。未来可开展车地多源数据的故障诊断研究，提升故障诊断准确性，为推进精准维修提供更充分的车地一体综合监控手段。

(3) 5G技术应用。目前是基于2G/4G远程将车载数据落地至地面系统，未来随着通信技术发展及5G的推广，可实现对于高密度大数据量的数据的实时落地，基于地面集群服务器可开展复杂的故障诊断算法的研究及应用工作，进一步提升故障诊断能力。

5 结束语

为提升高速动车组转向架故障诊断能力，同时满足车辆运行安全性的迫切需求，采用转向架车载安全监测系统可实现轴承状态监测、列车运行稳定性监测及轮轨状态监测。转向架故障诊断技术的应用为动车组的安全运行及优良性能提供保障，对转向架实时监控可提升故障诊断能力，精准定位故障，提高检修效率，同时支撑动车组检修周期延长，降低检修成本，提高了产品可靠性及竞争力。