列车牵引系统在线监测单元研究

乔心宏 谢敬玲 黄 鹰

（青岛杰瑞工控技术有限公司，山东 青岛 266061）

0 引言

近年来，我国的高速列车发展迅速，已成为人们日常出行必不可少的交通工具。牵引系统、转向架系统以及制动系统是构成列车运动系统的3 个核心，作为列车“发动机”的牵引系统，是列车动力传递和转化的重要部分，也是保证列车高速稳定运行的关键[1]。由于列车长时间运行，牵引系统中的某些关键零部件会发生损耗，导致使用可靠性能降低，容易发生运行故障，影响列车的安全运行，从而产生极大的安全隐患。因此，在列车高速运行的过程中，实时监测牵引系统零部件的关键特征参数，完成参数的处理，准确判断系统故障并将信息准确反馈显示，是提高列车安全性能的关键。

目前我国在列车牵引在线监测系统方面的研究较一些发达国家还有一定差距，传统的人工监测不仅过程复杂，而且准确率低。同时，列车牵引系统错综复杂，各子系统及主要设备之间存在着相互耦合信息干扰，容易失真的情况，容易出现不能准确提取故障特征、虚假判断系统故障等情况。城轨、地铁、高铁等轨道交通车辆都需要列车牵引在线监测系统产品，开展列车牵引系统故障监测研究对保障列车安全，降低列车事故发生概率具有重大意义[2]。该文在研究列车牵引系统的基础上，提出了一种列车牵引系统在线监测单元。该监测单元主要对列车牵引系统关键状态量进行实时获取并处理，采用SOM（Self Organizing Maps）神经网络进行数据判断，最后通过LAN/CAN 通信模块进行判断结果反馈，实践证明，该文提出的在线监测单元能够对列车牵引系统进行实时监测和故障判断，提高了列车运行的高效性与安全性。

1 在线监测单元组成

图1 为列车牵引系统在线监测单元的整体监测结构图。整个监测单元由4 个主要部分组成，分别为信号滤波和特征信号提取模块、PCA 特征降维模块、SOM 网络处理模块以及LAN/CAN 通信模块。列车牵引系统所安装的信息检测传感器在获得牵引系统零部件状态量后，首先进行信号滤波去噪处理并提取关键信息特征，其次将特征信息分为多种状态量，最后将网络判断结果通过LAN/CAN 通信模块进行传输。监测单元的4 个模块相互配合，从而实现对故障的准确预警。

图1 列车牵引系统在线监测单元整体结构图

2 在线监测单元设计

2.1 滤波与特征提取

一般而言，列车牵引系统中的主要状态量有直流单元支撑电容的温度、电流和电压，牵引逆变器的电流、电压、温度以及PWM 整流器中的输入和输出量，包括温度、电压和电流等[3]。牵引系统状态量监测模块首先通过传感器获得以上信息量，信号滤波模块对这些状态量进行滤波处理。在该研究设计的监测单元中，滤波采用软、硬滤波相结合的方法，软滤波采用限制幅值和窗口滑动获取信号均值的方式来去除干扰信号，硬滤波采用LC 低通滤波器去除高频信号干扰。

滤波完成后，需要计算模拟信号的时域与频域特征，对于牵引系统状态量中的数字信号，需要根据模糊逻辑推理理论进行信息融合，得到系统的逻辑特征信息，最终对得到的时域、频域和逻辑特征信息进行融合，从而获得整个列车牵引系统关键部件的特征信息，为后续故障判断提供可靠的数据支撑。

2.2 PCA降维

PCA（Principal Component Analysis）降维又称作主成分分析方法，可将高维数据压缩到低维度，同时让信息损失最小化，从而降低数据处理的复杂性，提高监测单元后续信息分析处理的效率。基于此，我们对提取的牵引系统特征信息进行PCA 降维处理，具体降维处理步骤有4 个。1）采用均值标准差标准化方法处理特征信息样本数据，获取特征数据标准化变量。2）建立标准化变量的协方差矩阵，计算得到协方差矩阵的特征向量和特征值。3） 在获取的特征向量和特征值的基础上，计算方差累计贡献率，获取特征信息主成分。4）建立各主成分值方程。

2.3 SOM神经网络训练

神经网络作为一种应用广泛的深度学习与计算结构，正是通过人为模拟生物神经网络的结构、功能和生物过程，并对其进行抽象和简化而得到的。SOM 神经网络又被称为自组织竞争学习神经网络，具有结构简单、训练简单、处理数据速度快的优点。整个网络主要分为2 层。其中，第1 层为输入层，第2 层是输出层又被称为竞争层。当样本数据输入网络时，连接2 个神经元的权值随机给予，输出层上的各神经元竞争取胜的概率相同，但最终会选取1 个最兴奋的神经元。在网络权值不断变化的过程中，最强神经元的权值比重变大，其他神经元的权值系数保持不变，SOM神经网络利用竞争性学习，确定样本数据的具体信息分布，每一训练样本均对应一个相应兴奋的输出层神经元，相当于对应一个固定类别，当新样本数据输入训练好的神经网络时，便可依据兴奋的神经元进行相应的模式分类，对于该监测单元而言，通过训练获取的特征信息，可对列出牵引系统的相应故障类别进行判断。

对于获取的特征信息，具体采用6 项SOM 神经网络处理方法。1）设定输入SOM 神经网络中的样本向量X。2）使用数值较小的随机值对网络权值向量进行初始化处理，并对输入样本向量和权值向量进行归一化处理。3） 对输入样本向量与权值向量进行内积运算，计算值较大的竞争神经元获胜。4）采用Kohonen 规则自动更新网络中的权值向量。5） 更新神经元的学习率和获胜神经元拓扑领域，对训练后的权值向量重新进行归一化处理。6） 判断是否收敛。检查神经网络是否已经达到预设的最大迭代次数，如果没达到，返回执行步骤3，如果达到则结束神经网络的训练。

通过以上过程，采用特征信息训练样本集来完成整个SOM 神经网络的训练，而后采用测试样本判断故障分类的准确性，便可用于实际的列车牵引系统故障判断。神经网络训练的准确性也是后续牵引系统故障有无及类型判断的关键所在，在训练时应采集尽可能多的样本参数，进行多次重复的训练，从而保证监测单元使用的可靠性。

3 LAN/CAN通信

列车故障信息传输，选用LAN/CAN 通信机制。对于LAN 通信模块而言，它主要采用Pericom 专用网络通信开关器件对网络通路进行控制，独立链路控制方式能够保证系统在需要时，可以通过独立于网卡驱动的单独程序，对网络通信进行有效的物理切断。对于CAN 数据处理模块，FPGA 通过内部IP 核转换出CAN 总线，CAN 总线由芯片转换成发送、接收单端信号，然后再由芯片将发送、接收的单端信号转换为CAN 差分信号。当SOM 神经网络判断出牵引系统的故障类型后，根据不同的故障类型，监测单元会采用不同的通信方式，将具体的故障信息传输到上位界面中，同时上位界面会将故障信息反馈到被监测的零部件本身进行切断处理。这种通信方式有效地保证了信息传输、显示和反馈的准确性和快速性，方便后续的决策与判断。

4 结论

该文在研究列车牵引系统主要特征量的基础上，设计了一种列车牵引系统在线监测单元。通过对牵引系统特征信息滤波提取、PCA 降维、SOM 神经网络判断、LAN/CAN通信反馈4 个模块的处理，实现对多种城市列车牵引系统的故障判断，并对故障信息进行反馈，以便做出处理决策。通过实验证明，该文所设计的列车牵引系统在线监测单元能有效提取系统运行故障信息，并准确进行故障判断和信息传输，极大地提高了列车的安全性能。