发表中国建设信息化-1版-1本-近期

发表中国建设信息化-1版-1本-近期

城市轨道交通车辆故障诊断方法

王洋、李宝泉、晏志飞、唐立国、潘硕

中车唐山机车车辆有限公司

单位省市： 河北省唐山市

单位邮编： 063000

摘要：城市轨道交通作为现代城市中重要的公共交通方式，在保证城市交通运行的安全和高效性方面扮演着重要角色。然而，车辆故障对轨道交通系统的正常运营造成了严重的影响。因此，开发有效的车辆故障诊断方法具有重要的实际意义。本文旨在探索城市轨道交通车辆故障诊断方法，以提高轨道交通系统的可靠性和安全性。

关键词：城市轨道交通；车辆故障诊断；方法

随着轨道交通车辆技术的发展，轨道交通车辆的系统组成越来越复杂，运营环境的多样性需求，车辆技术正朝着智能化和自动化方向飞速发展。在城市轨道交通系统中，车辆故障的诊断是确保系统正常运行的核心环节。故障诊断方法的研究和应用对于保证轨道交通车辆的安全性、可靠性和运营效率至关重要。首先，故障诊断方法能够提前发现车辆潜在的故障问题，及时采取修复措施，避免故障进一步恶化，确保运营的连续性。其次，合理有效的故障诊断方法能够准确判断故障类型和位置，为维修人员提供必要的参考和指导。这将有助于提高维修效率，减少维修时间，降低人力和物力资源的浪费。

1.轨道交通车辆故障系统架构

在进行城市轨道交通车辆故障诊断方法的研究之前，首先需要对轨道交通车辆故障系统架构进行了解。轨道交通车辆由车体、内装、转向架、牵引系统、制动系统、车门、列车控制系统、空调系统、乘客信息系统等组成，其中牵引系统、制动系统、车门、空调系统、乘客信息系统都具有独立的诊断控制单元。车辆故障诊断系统采用分布式控制技术，利用多功能车辆总线（MVB）与各子控制系统进行数据交换，完成诊断数据的分析、汇总、报警和应急处理。车辆网络拓扑结构如图1所示。

图1 车辆网络拓扑结构

车辆故障诊断系统依托满足IEC 61375标准的MVB网络建立整列车的控制和诊断网络，故障诊断分为系统级和列车级。系统级故障诊断为各系统内部进行自诊断，将诊断的故障通过列车网络发送给HMI进行显示，并在EDRM中存储。列车级故障诊断是各部位将运行状态数据通过MVB网络发送给EGWM中央控制单元进行分析判断。

列车控制和车载故障诊断系统根据故障对列车的运行性能、安全性能或子系统的影响对故障划分为不同的三个等级：

●1级故障，严重影响列车运行的故障，有可能导致乘客和车辆出现危险，司机需对故障进行确认和立即处理。如果故障不能及时排除，列车需要在运行的下一站进行清客，空车回库以解决故障。

●2级故障，影响列车运行的故障，司机需对故障进行确认和立即处理。如果故障不能及时排除，列车则需在完成本次单程运营后退出运行图，空车回库以解决故障。

●3级故障，不影响运行的故障，可以在列车运营结束后回库再处理。

2. 城市轨道交通车辆故障诊断方法

2.1机器学习算法

机器学习算法在城市轨道交通车辆故障诊断中扮演着重要的角色。通过对大量的历史数据进行分析和训练，机器学习算法能够帮助我们准确地识别和预测车辆故障。

首先，机器学习算法能够从历史数据中提取特征，并对这些特征进行分析和处理。例如，可以利用机器学习算法对车辆的振动、温度、电流等传感器数据进行监测和分析，从而提取出与故障相关的特征。这些特征包括但不限于频率变化、幅值变化、时序变化等，通过对这些特征进行深入挖掘，机器学习算法能够准确地识别出车辆故障的类型和程度。

其次，机器学习算法能够根据历史数据对故障进行预测。通过建立适当的模型和训练算法，机器学习可以根据车辆的使用状态、环境条件等因素，对车辆的故障进行预测。例如，当车辆在特定的工况下出现过故障时，机器学习算法可以根据历史数据预测出在相似工况下车辆可能出现的故障类型。

在实际的故障诊断中，机器学习算法还可以与人工智能技术相结合，实现自动化的故障诊断。例如，可以利用机器学习算法对车辆的传感器数据进行实时分析和监测，并与事先训练好的模型进行对比，从而判断出车辆是否存在故障。这种自动化的诊断方式能够极大地提高诊断的效率和准确性。

需要指出的是，在应用机器学习算法进行故障诊断时，数据的质量和数量非常重要。只有具备充足的高质量数据，并且通过合适的数据预处理和特征提取，才能得到准确可靠的诊断结果。因此，在进行故障诊断前，我们需要充分准备并收集相关数据，并对数据进行预处理和特征提取的工作。

2.2深度学习算法

深度学习算法作为一种新兴的机器学习技术，在故障诊断中展现出了巨大的潜力。它通过模拟人脑神经网络的结构和工作机制，能够从大量的数据中自动学习到复杂的特征和模式。因此，它在城市轨道交通车辆故障诊断中的应用也逐渐得到了广泛的关注与应用。

首先，深度学习算法可以有效地处理复杂的非线性关系。在城市轨道交通系统中，车辆故障往往由多种因素引起，而这些因素之间往往存在复杂的非线性关系。传统的故障诊断方法往往需要人工对各种输入特征进行组合和选择，但是这种方法难以准确地捕捉到非线性关系。而深度学习算法可以自动地从大量的数据中学习到这种非线性关系，从而能够更好地对车辆故障进行诊断。

其次，深度学习算法具有良好的泛化能力。在城市轨道交通系统中，由于车辆类型众多、工况复杂多变等因素，不同车辆故障之间往往存在着一定的差异。传统的故障诊断方法往往需要针对不同故障类型进行特定的建模和训练，导致模型无法泛化到其他故障类型中。而深度学习算法能够通过大规模的训练数据学习到更加通用的特征和模式，从而能够更好地泛化到不同类型的故障诊断中。

此外，深度学习算法具有自适应性强和适应性广的特点。在城市轨道交通系统中，车辆的运行状态往往会随着时间的推移而变化，传统的故障诊断方法往往需要进行手动的参数调节和模型更新。而深度学习算法能够通过自适应的更新机制不断优化模型，并在不同时期和不同车辆状态下进行精确的故障诊断。

2.3其他先进算法

（1）遗传算法。遗传算法是模仿生物进化过程中的选择、交叉和变异等操作，通过优化搜索策略来解决问题。在故障诊断方面，遗传算法可以用来优化故障特征的选择和提取，从大量的数据中找出最具代表性的特征，以实现高效准确的故障诊断。

（2）模糊逻辑算法。模糊逻辑算法通过建立模糊规则库来进行不确定和模糊推理，可以处理系统的复杂性和不确定性。在故障诊断中，模糊逻辑算法可以根据模糊规则库中的规则和输入信息进行推理，得出具体的故障诊断结果。

（3）粒子群优化算法。粒子群优化算法模拟了鸟群觅食的行为，通过不断迭代寻找全局最优解。在城市轨道交通车辆故障诊断中，粒子群优化算法可以用来寻找最佳的故障检测和诊断模型参数，提高故障诊断的准确性和效率。

（4）蚁群算法。蚁群算法是模拟蚂蚁觅食行为中的信息沟通和合作，通过蚁群中个体的相互作用来寻找最优解。在故障诊断中，蚁群算法可以用来优化故障特征的选择，从而提高故障诊断的性能。

结 语：

综上所述，城市轨道交通车辆的故障诊断方法具有重大意义。针对城市轨道交通车辆故障诊断，我们需要综合考虑各种算法的特点和适用性，在实践中灵活选择合适的算法。机器学习算法具有快速准确的特点，深度学习算法具有较强的自动学习和泛化能力，其他先进算法也能提供一定的优化效果。在具体应用中，我们可以通过实验和比较来确定最佳算法或者采用多种算法的组合，以提高故障诊断的准确性和效果。

参考文献：

[1]龚超成.城市轨道交通车辆故障诊断技术综述[J].中文科技期刊数据库(文摘版)工程技术,2023

[2]杜亚林,李小英,何劲辉.城轨车辆车门故障诊断技术研究[J].中国设备工程,2018