机车速度传感器的检测与故障诊断

. .. .题目：基于神经网络的机车速度传感器检测与故障诊断院系：电气工程系班级：电力机车班学号：2010姓名：指导教师：2013年6月5日基于神经网络的机车速度传感器的检测与故障诊断[****，***** 2010电车**班，****]摘要建立了RBF神经网络预测器模型，将其应用到机车双速度传感器的故障诊断中，并提出了诊断决策方法。

利用MATLAB实现了RBF神经网络预测器的仿真，并模拟了机车速度传感器输出的3种故障模式进行了故障诊断辨识。

仿真结果表明文中提出的方法能够准确地进行速度传感器在线故障诊断。

关键字：机车；RBF神经网络；速度传感器；故障诊断AbstractFor fault diagnosis of locomotive speed sensor, a predictor method based on RBF neural network is established, and diagnostic decision method is also proposed. The RBF neural network predictor and three kinds of fault mode of locomotive speed sensor are simulated by MATLAB. The simulation results indicate that this method can diagnose faults of the speed sensor online exactly, and provides a new idea for locomotive speed sensor fault diagnosis.Key words: locomotive; RBF neural network; speed sensor; fault diagnosis1.引言机车速度传感器是通过测量机车车辆的主轮轴转速来实现列车控制功能的基础设备之一，其性能指标直接影响机车运行监控装置的正常功能，是整个控制系统的关键。

但由于其工作环境复杂、恶劣，在列车控制系统中，测速传感器较薄弱，是机车车载设备故障的主要根源。

目前，人工检测和定期维修校准是诊断测速传感器故障的最基本的方法，但其工作效率低、工作强度大、实时性差，已不能满足现代铁路系统的发展要求。

近年来，为了提高对典型的复杂、多目标、大滞后、非线性系统的故障诊断能力，同时提高故障诊断效率及降低误报率，采用现代故障诊断技术已成为目前故障诊断领域的研究热点。

BP（Back Propagation，简称BP）神经网络是故障诊断中研究最广泛的一种，它采用多层感知器，并采用反向传播算法进行网络训练。

但由于BP 算法涉及到非线性优化问题，同时调节权值采用的负梯度下降法存在局部极小点、收敛速度慢等，因而它就很难应用于实际系统当中。

径向基函数RBF（Radial Basis Function，简称RBF）神经网络克服了BP神经网络的缺陷，相比BP神经网络，RBF神经网络具有更容易逼近函数的局部、训练时间短、更适合在线诊断等优点。

本文以光电式脉冲测速传感器系统为基础，在分析常见故障模式及故障特征的基础上，采用RBF 神经网络的预测方法，建立速度传感器的故障诊断模型，实现对传感器系统的故障诊断和数据重构。

2.关于神经网络的故障诊断方法人工神经网络是由大量神经元以某种拓扑方式相互连接而成的，利用网络拓扑结构和权值分布实现非线性的映射，通过全局并行处理实现从输入空间到输出空间的信息变换，由于能够高精度地模拟人脑神经网络的实现过程，因此在故障诊断领域中得到广泛的应用。

RBF神经网络是一种前馈型网络，一般为3层结构，其结构如图1所示。

该网络有n个输入、h个隐节点、m 个输出。

其中12(,,,)T n n X x x x R =∈为网络输入矢量，h mW R⨯∈为输出权值矩阵，01,,,m b b b 为输出单元偏移，12(,,,)Tm Y y y y =为输出向量，(*)i Φ为第个隐节点的激活函数，∑表示输出层的线性激活函数，||*||则表示欧式数。

径向基函数Φ式中：i σ称为该函数的扩展常数或宽度。

i σ越小，径向基函数的宽度就越小，其函数越具有选择性。

于是，k 个输出可表示为1k i i i i =式中：i w 为输出层的调节权值；i c 为隐含层的中心向量；||||i x c -为向量i x c -的欧几里德数（即x 与c i 之间的径向距离）。

3. 机车速度传感器的结构与常见故障国的燃机车、电力机车和动车组广泛使用光电式速度传感器，传感器将机车运行的速度量对应转换为光电脉冲，并提供给机车运行监控装置。

因而，速度传感器的性能指标直接影响机车运行监控装置的工作，是整个机车速度监控系统的关键。

3.1 光电式速度传感器的结构这里以NTQG15D 光电式速度传感器为例，由支承结构、光电转换电路、转轴及万向节传动机构三部分组成。

光栅盘固定在转轴万向节的后端，转轴由2x46204支承在底座上，轴承润滑采用锂基4号润滑脂。

光栅转动与静止部分采用可逆密封胶圈密封以防止灰尘及油污侵入，转轴为万向联轴节的单叉节，万向节共设有8个滚针轴承，确保转动的灵活性。

光电转换模块固定在底座上位于光栅片两端，电缆引出线固定在底座上并采用耐油的橡胶管防护，护管与底座采用冲压紧箍帽密封，采用插针接触可靠的JL5型的机车电连接器，为防止连接器出进水，传感器引出电缆与底座的连接器注胶密封后再封装固定。

3.2 工作原理及技术参数NTQG15D 光电式速度传感器利用一个光电耦合器件经随机车轮转动的光栅片变为断续的光，使光电耦合器中的光敏接收管输出通断的脉冲信号，经电路放大整形后，输出与转速成比例的方波脉冲序列，经计算机处理变为监控所需的机车运行速度信号。

工作直流电源:15V ，功耗电流小于50 mA ，输出脉冲幅值（负载电阻R L =3K Ω）高电平9V ，低电平-2 V ，相位差:900±50%，转速围:0～x xx 1y m y (||||)h h x c Φ-1500 r/min，每圈的脉冲数:200，输出方波波形占空比:(50±20)%。

3.3常见故障(1)光电耦合器件损坏主要是光电器件底座的固定角与器件的封装体断裂导致光电耦合器件与光栅片的相对位置发生变化，产生的主要原因：光电耦合器件封装材质本身较脆，安装时由于螺丝拧的松、紧度不同，使光电耦合器件固定脚材质形变，经过一段时间的使用固定角与器件的封装体发生断裂。

建议使用可调整扭力的扭矩安装工具以保证固定螺丝安装时的松紧适度，减少此类故障的发生。

(2)停车起速度机车在停车状态下，监控显示有5Km/h以下的速度，此类现象多为传感器引出电缆线屏蔽不良，抗干扰差造成，近来动车组使用的NTQG15B速度传感器发生此类故障的也较多。

采取的措施是加强屏蔽、可靠接地，针对动车组更换抗干扰强的新型速度传感器。

(3)占空比超标在日常的检修过程中，经常出现占空比超标、或处于临界值而造成监控速度不准，主要原因是光电耦合器件封装上的问题，经过一段时间的运用，参数发生变化，要对相应通道的光电耦合模块进行更换。

(4)传动轴折断造成这一现象的主要原因：速度传感器安装座即机车轴箱外盖安装开孔尺寸及车轮轴端方孔套尺寸不合适或使用的速度传感器轴长尺寸不对，机车在运行时传感器传动轴滑出方孔套而无法归位、或传感器传动方轴与机车轴端面顶死造成传动轴折断现象。

避免此类现象的发生主要是在安装时要确认好安装尺寸和正确使用长短轴传感器。

(5)两通道间的相位差超标光电耦合模块沿光栅圆周方向及径向的安装位置发生微小的变化都将引发两通道之间相位差的变化，当出现相位超标时要仔细检查光电模块安装螺丝是否松动，同时也要检查光栅片是否发生形变，因为光栅片发生形变后将使将使光电耦合器件收、发位置发生变化。

(6)丢脉冲运用一段时间后出现丢脉冲现象，一是光电耦合器件本身的材质问题，主要是光接收电路的材料感光度降低，造成电路转换过程中丢脉冲。

尽管有多种故障原因，但故障造成的情况归结起来可以有3种：空转、滑行、不可自行恢复的机械故障。

因此下文对速度传感器的故障诊断主要从这三个方面来讨论。

4.基于神经网络方法的机车速度传感器故障诊断4.1.机车速度传感器故障诊断的模型建立机车速度传感器利用光电转换原理将机车轮轴转速转换成电脉冲信号输出，即机车主轴转动一周, 传感器就会产生出n个（n为码盘齿数）电脉冲输出信号。

对于架控方式的机车，一个基本控制单元中一般至少有2个速度传感器，基于神经网络的双速度传感器故障诊断原理如图2所示。

图2 机车双速度传感器故障诊断原理图分别对2个速度传感器建立RBF 神经网络预测器。

假设刚开始2个速度传感器都正常工作，将传感器1前k+2个时刻的输出数据x 1(1)~x 1(k+2)和传感器2前k+2个时刻的输出数据x 2(1)~x 2(k+2)通过采样获得并保存，分别作为2 个传感器神经网络预测器的初始学习样本数据，2个神经网络预测器经过在线训练以后开始工作。

因2个神经网络预测器工作原理相同，下面以神经网络预测器1为例说明其工作原理，预测器结构如图3所示。

图3 RBF 神经网络预测期结构示意图取速度传感器1的前k 个输出数据x 1(1)~x 1(k)作为 RBF 神经网络预测器1的输入，x 1(k+1)作为RBF 神经网络预测器1输出，组成第一组训练样本，x 1(2)~x 1(k+1)作为RBF 神经网络预测器1的输入，x 1(k+2)作为RBF 神经网络预测器1输出，组成第二组训练样本，即训练样本表示为：11111111(1)(2)()(1),(2)(2)(3)(1)T Tx x x k x k X Y x k x x x k +⎡⎤⎡⎤==⎢⎥⎢⎥++⎣⎦⎣⎦以X 为输入、Y 为输出在线训练RBF 神经网络预测器1，按梯度下降法调整权值矩阵，当达到一定精度后，RBF 神经网络预测器开始工作，此时，将x 1(3)~x 1(k+2)作为新的输入，RBF 神经网络预测器1将预测传感器在下一时刻即k+3时刻的输出 ，将预测值与这一时刻实际采样值x 1(k+3)相减，得到误差e 1。

若e 1小于给定某一阈值e*，则认为此时传感器1工作正常，并将当前采样值加入到学习样本中，覆盖掉先前的第一组样本，对网络预测器重新进行训练，则新的学习样本变为：11111111(2)(3)(1)(2),(3)(3)(4)(2)T Tx x x k x k X Y x k x x x k ++⎡⎤⎡⎤==⎢⎥⎢⎥++⎣⎦⎣⎦若e 1大于给定某一阈值e*，则认为此时传感器1工作不正常，依次类推，RBF 神经网络预测器一边不断在线学习新的样本，一边对传感器下一时刻输出值进行预测。