基于宽度学习的高铁制动系统实时异常检测

基于宽度学习的高铁制动系统实时异常检测

李智浩

中车唐山机车车辆有限公司  河北省唐山市   063000

摘要：制动系统是高铁的重要组成部分，是列车减速或停车的设备，保证行车安全。列车制动装置由供气系统、制动控制单元、机车上安装的基本制动装置以及贯穿整个列车的主要管路组成。现代列车制动控制单元采用计算机控制，通过网络传输到列车基本制动装置。制动系统根据制动功率需求分配功率，控制列车应用空气制动功率。由于高铁组件种类繁多，发生的故障也各不相同。故障可能相同，也可能不同，由于突然故障、交叉故障和链条故障，很难判断和检测高速列车故障。因此，必须准确了解高速列车的故障特征，分析其故障特征，并建立相应的诊断系统。基于此，本篇文章对基于宽度学习的高铁制动系统实时异常检测进行研究，以供参考。

关键词：基于宽度学习；高铁制动系统；实时异常检测

引言

制动系统是列车安全运行的重要保障，制动系统故障将给列车的安全运行埋下严重的安全隐患。实时掌握制动系统的性能状态，及时发现并排除制动系统故障是保证列车运行安全的有效手段。近年来，智能监测在各行各业迅速发展，监测的关键技术除了数据的采集以外，就是数据的可靠传输。根据监测对象、监测群体数量、监测系统应用环境的不同，数据传输方案也有各自的特性。由于铁路既无通信电缆，也无供电电缆等原因，运行线路存在隧道、桥梁等特殊运用环境，沿线网络建设困难、维护成本高等原因，目前，铁路制动还没有成熟的监测方案。基于铁路现状和当今的技术背景，本文介绍了一种铁路制动系统监测数据传输方案，通过一系列的网络稳定技术手段和低功耗传输技术，成功实现货物列车制动故障监测数据传输到应用终端，为铁路制动监测技术提供了一种思路和选择。

1制动系统

目前，铁路制动系统均采用纯空气制动，主要包括制动阀、制动缸、闸调器、副风缸、制动管系、空重车调整阀及拉杆等，系统组成的零部件多，引起制动系统故障的原因也很多。例如，车辆制动系统管系泄漏或制动力不足，会因截断塞门关闭而成为关门车，关门车超过一定数量将影响列车制动，产生安全隐患；制动抱闸会导致车轮温度迅速上升，这将加速闸瓦、车轮和钢轨的磨耗，减少其使用寿命，增加维修成本，严重时会造成车辆脱线等安全事故。制动系统的故障类型多样，其中典型故障中的制动阀作用不良、制动阀泄漏和制动管系泄漏及裂折丢失等占总故障数量的９５％。制动阀内部结构复杂，对于引起制动阀作用不良的原因，可通过综合分析主管压力、副风缸压力和制动缸压力的变化判断；制动缸、副风缸泄漏故障可分别通过监测制动缸、副风缸的压力变化来判断；对于制动管系泄漏故障，可在相应管系接头处加装压力传感器，根据监测情况来判断。

2列车制动装置中可能出现的故障检测方法

2.1列车的折角塞门故障

弯角水龙头是用来切断列车通风管道上的空气流通的配件。右手柄造型操纵柄是折叠阀门的操纵柄。它的结构非常简单，可靠性相对较高，但有一个问题:它不能在开放状态下自我锁定。因此，发生了大量意外关闭角塞的事件。列车产生由空压机提供的压缩空气制动，由列车的主管路输送到每节车厢的制动控制装置，此时压缩空气只有在折叠角度水龙头打开时才能传输到车厢制动单元，列车制动才能正常进行。可能有几个原因导致折角水龙头意外关闭:原来列车站的工作人员没有连接到管道；有意或无意地封闭行人上车；人为的故意伤害；钓鱼线缠在一起合上，上面的原因可能会引起事故，例如火车的入口或尾部。

2.2列车的风缸故障

一般火车上有主气缸体、空弹簧气缸体和制动气缸体主气缸体存放空气压缩机产生的压缩空气，在车辆需要压缩空气的所有地方必须使用主气缸体的空气。一般来说，气缸体失效的概率很低，但并不排除失效的可能性。列车制动系统故障时，在解决列车管、管件等阀门故障后，可以检查气缸体是否故障。目前气缸体的大部分问题是气缸体内部隔板破裂造成泄漏因此，它对气缸体制造商的技术焊接技术进行了检验，气缸体技术制造商必须加大焊接技术创新力度，保证气缸体的质量，满足气缸体的质量要求。

3基于宽度学习的高铁制动系统实时异常检测

3.1数据传输方案选用

在通信技术领域，有多种数据传输方案供选用。如有线列车网络、每辆车都采用GPRS独立传输、无线自组网等。有线列车网络的优点是信号稳定，数据传输能力强。其缺点是每辆车必须有贯通的通信电缆，既有车辆的改造成本高，编组的列车中不能有断点，贯通的电缆出现断点，断点后部的车辆数据无法传输到服务器。如果每辆车都采用GPRS独立传输数据，从技术上来说是一个很好的解决方案，但使用成本较高。无线自组网方案既能解决数据传输问题，使用维护成本也比较低。综合考虑，最终选用无线自组网用于空气制动智能监测的数据传输方案。

3.2实验设计及结果

高速铁路制动系统是一个典型复杂的系统，结构复杂，制动平面冗馀。对每个组件的健康状况进行监测和分析往往不切实际，也不可能实现。因此，关键部件的关键指标经常被用作监测特征，以影响高速铁路制动系统的状况。本文首先根据制动系统子系统(即牵引系统、电路系统、通风系统、控制系统等)观察到的指标对关键部件的运行状况进行了分析。随后，在电路系统的关键位置建立了监测工具，以收集电压、电流、温度等信息。并在机械系统的关键部件中安装了传感器，以收集振动信号、温度、功率等。不同的组成部分。它还收集软件系统显示的制动模式、牵引类、速度、位置和列车运行时间等状态变量，以及外部温度、湿度和时间等环境变量。其中振动信号特性由16通道数据记录器采集，采样频率为12kHz，其他特性通过实时记录得到。

首先，比较原始小麦与C-BLS、cdmBLS和cdmbls的效果，并观察增加成本敏感性、优化特征提取和滴灌层对bls模型的影响，如表1所示。

可以看出，成本效益高的学习可以大大提高后勤基地推广的准确性，而不会增加多少信息技术工作量；c-mbs可进一步提高计算效率和模型推广的准确性；虽然cd-r om会增加计算量，但它们在可接受的范围内，可提供更好的模型预测和更稳定的结果。如表2所示，cd-r om的影响随后与ANN和CNN的影响进行了比较。

由此可见，通过优化签名提取机制，本文提出的CD-mbs型号的预测精度比ANN型号高出6.1%，比CNN型号高出4%。与此同时，裁谈会的培训时间与ANN相比减少了98.5%，与CNN相比减少了99.3%。经验证实，基于宽度学习系统的异常监测模式符合实时更新和准确预测的要求。此外，经验完全依赖于一段时间内高速列车的监测数据，在数据量非常大的情况下，即监测数据的起点很远的情况下，预期小麦的效率会得到更好的反映。

结束语

总而言之，本文以铁路制动系统和轴承为研究对象，提出了铁路关键零部件的故障诊断及预测研究方法，以关键零部件的典型故障统计及故障表征分析为依据，通过故障模拟试验为算法搭建提供数据样本，利用人工智能学习算法搭建了制动系统和轴承的故障诊断及预测模型，经试验验证，该算法的准确性高。后期通过车辆运行数据的不断训练优化，该算法可识别未知的故障类型，且可适应多种车型，解决铁路PHM技术应用的核心问题。铁路PHM技术可提高车辆的运行安全性、可靠性、可用性和可维护性，降低车辆运维成本，促进维护体制改革，是实现铁路状态修的关键技术之一，是未来铁路的重要发展方向之一。

参考文献

[1]李和壁.高速铁路列车群运行仿真系统技术研究[D].中国铁道科学研究院,2021.000003.

[2]臧钰.高铁列控车载系统设备剩余有效寿命预测与健康管理方法[D].北京交通大学,2020.000030.

[3]熊六一,朱伟,胡美华.高铁用高性能制动盘的生产技术[J].铸造技术,2020,41(04):350-353.

[4]张蕾.高铁制动毂运行状态动力学模型及应力分析[D].北京交通大学,2019.

[5]郭金信.高铁列控地面系统验收及维护研究[D].中国铁道科学研究院,2018.