地铁车辆建模
开篇：润墨网以专业的文秘视角，为您筛选了一篇地铁车辆建模范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要:绘制了地铁牵引控制单元TCU的故障机理图,并对其进行分析。根据分析结果与TCU系统的特性,建立了以多重复合函数为基础的故障诊断数学模型。运用模糊数学知识对故障诊断过程进行优化,提高了诊断效率。根据该模型建立的专家系统在实际应用中起到了良好的效果。
关键词:牵引控制单元;故障诊断;数学模型;相对隶属度
前言
TCU(牵引控制单元)是一种用于铁路机车的模块化微处理器控制单元。它是SIBAS32系统(Siemens32位微型处理器的列车自动系统)的重要组成部分。TCU被用来控制电力驱动设备,其作用是实现合理有效的牵引和制动。作为机车控制的重要组成部分,TCU必须长期保持安全平稳的工作状态。因此,对TCU进行实时维护、迅速排除故障是铁路机车公司的重要任务。这其中,最关键的环节是进行故障诊断,即在故障发生之后迅速找到故障症结之所在,这样才能迅速排除故障。
现有的故障诊断方法,概括起来主要分为三大类:
(1)基于数学模型的诊断方法[1],指在建立诊断对象数学模型的基础上,按一定的数学方法对被测信息进行处理诊断,文献[1]对系统建模并作结构分解,将对系统的诊断置于对子系统的诊断之上;
(2)基于信号处理的诊断方法。通常是利用信号模型,如相关函数、频谱、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,从而检测出故障;
(3)基于人工智能的诊断方法[3-6]。计算机技术的飞速发展,使得基于知识的故障诊断方法应运而生,文献[3]提出了综合模糊数学和神经网络技术的智能化方法,用以故障诊断和监测。文献[4]运用遗传算法构造分类学习器以进行电力传输网络故障的在线诊断。
文章以牵引控制单元TCU故障机理图为出发点,建立其故障诊断的数学模型,运用模糊数学进行诊断优化,最后用专家系统的形式把知识集成地表达出来。
1系统分析
TCU系统由软件部分和硬件部分组成,一般运行情况下,软件部分具有极高的可靠性,所以整个故障诊断的工作主要集中于硬件部分。SIBAS32系统TCU硬件结构如图1所示。
图1TCU系统硬件结构图
2状态监测
SIBAS32系统自带一个状态监测单元,在系统发生故障时,状态监测单元提示系统出错,给出故障代码(数值在1～317之间,表示某个故障事件的发生)。同时监测单元提供7个逻辑字、2个控制字和2个状态字,每个信号字由4位16进制数表示,表示故障发生时机车的软硬件输入输出的状态。故障代码只能描述故障现象,它和信号字一样,对于故障诊断起到很好的辅助作用,但凭借系统自带的状态监测单元远远达不到提供故障诊断所需要的全部信息的要求。
3建立数学模型
通过绘制TCU系统的故障机理图,我们可以完整地分析所有可能引起某个故障事件发生的全部故障原因,并且可以归纳得到进行故障诊断的数学模型。下面以代码为118的故障事件机理图为例,分析故障产生的原因并根据分析建立应用于整个系统的诊断数学模型。
整张机理图由信号和对信号的处理两部分组成,其中信号分为原始信号、中间信号和最终信号。原始信号与硬件直接联系,是不可再分割和细化的。原始信号的错误会导致中间信号的错误,逐层传递,导致最终信号错误,错误的最终信号传入诊断模块,输出故障代码。原始信号发生错误意味着特定的传感器失效或者与之联系的硬件发生故障,这就是我们想搜寻的故障原因,找寻到错误的原始信号就意味着故障诊断过程的结束。
图2是故障118机理图的一部分,分析如下:
＄BFNOTBR信号代表数字量,意思为是否执行紧急制动,1代表是,0代表不是,设为x1;＄HBRANF信号代表数字量,意思为系统是否支持制动请求,1代表是,0代表不是,设为x2;＄MBRGEL信号代表数字量,意思为是否释放所有制动,1代表是,0代表不是,设为x3;＄VI-ERSX代表模拟量,意思为最大默认速度,设为x4,输入到信号处理模块中与阀值比较后,根据逻辑结果输出数字量;x1,x2,x3,x4就是前面所说的原始信号。信号FG-WEI与FG-SCH为中间信号量,代表系统模块化状态,分别设为y1和y2。x1,x2,x3经过处理过程P1,输出y1,即y1=P1(x1,x2,x3)。x4经过处理过程P2,输出y2,即y2=p2(x4)。信号FG-NKL为中间信号,代表该块子系统是否发生故障,设为z1。中间信号z1可表示为y1,y2的函数,即z1=P′(y1,y2)。＄UWDN1-A代表电机1速度监测(dn/dtmonitoringN1-A),设为x5,UWN1A-KL为中间信号,设为z2,z2可表示z1和x5的函数,即z2=2P′(z1,x5)。将前述各式代入其中,有:z2=p3(x1,x2,x3,x4,x5)。从机理图中可知,如果x1,?,x5发生故障且故障在015s内不能消失,系统将把故障信号传递到。根据以上对故障机理图的分析,我们把原始信号看作自变量,把信号处理模块看作函数,把中间信号和最终信号看作应变量。对于某个确定的故障,分析其故障机理图,设最终信号为K,与系统硬件直接联系的初始信号为(x1,x2,x3,?,xn),它们之间的关系用函数表示如下:K=F(x1,x2,x3,xn)。由于引起系统故障的原因众多,故障机理极其复杂,事实上,求得这样的函数F既不必要也不现实。根据故障的传递性和故障机理图具有分支结构的特点,借助中间信号就可以比较容易地解决这个问题。为此构造多重复合函数,设存在中间变量f1,f2,f3,f4,fm,使得K=F′(f1,f2,f3,f4,?,fm),其中fi(i=1,2,,m)代表第一级中间信号,而fi=Li(li,1,li,2,li,3,li,j),li,1,li,2,li,3,li4,j代表第二级中间信号。依次类推,直到中间信号全部用初始信号表示为止,即:Pi=(xi,1,xi,2,?,xi,k)。由于系统分支结构的不确定性,有的时候中间信号与原始信号在同一个函数中作为自变量。在这样的分支结构中,原始信号的错误(物理故障的发生)导致各层中间信号的错误,层层传递,最终导致故障事件的发生。故障诊断的过程是层层逆推的过程,由于故障事件发生,最终信号K的值发生错误,则在中间信号中f1,f2,f3,f4,?fm必然存在fi产生错误,进一步考虑通中间信号fi所在的分支,进行信号检测与比较,最终可推断出由于某初始信号xi的错误导致了故障事件的发生。中间信号可通过函数分析的方法得到其在安全无故障状态时的参考值。有些情况下,完全从数学方面
3解释某信号处理模块的作用比较困难,可通过检测正常状态下的输出信号,作为故障检测室的参考量,与发生故障时的值进行比较,中间信号没有错误则可排除整个该分支发生故障的可能,中间信号发生错误说明该分支必然有故障。
4故障事件的相对隶属度
很多时候,故障事件之间存在着内在机理上的图2118故障机理图截取示意图联系,初始信号的错误会导致不止一个故障事件的发生。所以,综合考察同一时候一起发生的多个故障事件,优先考虑能同时引起多个故障事件发生的故障原因,可以提高诊断效率,起到很好的诊断效果。这里我们运用模糊数学中的相对隶属度的概念来说明故障事件之间的联系。假设产生故障a的故障原因事件为:x1,x2,x3,?,xj,?,xm-1,xm,产生故障b的故障原因事件为:x1,x2,x3,?,xj,xm+1?,xn-1,xn,设故障a与故障b的相对隶属度为ρab,令a=mj,b=j+nj-m,取ρab=max(a,b),当故障a与故障b同时发生的时候,首先考察是否因为共同的故障原因事件xi∈(x1,x2,x3,?xj)(i=1,2,?j)导致了故障a与故障b发生。在多个故障事件同时发生的时候,两两比较故障之间的相对隶属度,选择其中最大的ρ,优先进行故障诊断。下面以实际运行中经常同时发生的故障225(线路接触器关闭监控)和228(运行中线路接触器无法断开)为例,说明考虑相对隶属度进行综合诊断的优点。通过对故障逻辑图的分析,我们发现,故障225与故障228同时发生时,主要是因为以下传感器故障或传感器监控对象故障产生的:＄RMANNSA(Checkbacksignallinecontactor),代表信号线路接触器状态核对;＄QTNS-A(Acknowledgelinecontactor),代表应答线路接触器状态检测。由此得知,在故障225和故障228同时产生的时候,最有可能的故障原因是线路接触器的主触头或者辅助触头烧结。
5专家系统
根据上面建立的数学模型和对各个故障事件触发机理的分析,我们可以用专家系统的形式把归纳总结得到的知识储存起来。根据故障代码和信号检测情况,通过专家系统,一步步缩小可能的故障范围,引导维修人员找到故障原因。以机车一运行故障为例,进一步说明SIBAS32系统牵引控制单元利用以上数学模型和专家系统进行故障诊断的情况。机车发生故障,获得故障代码为245,状态字为0208H、000BH,控制字为0980H、2000H,逻辑字为0302H、1842H、F309H、0200H、1A00H、0000H、0003H。诊断结果为车辆总线传输故障,模块RS485C039不能输送信号,从而有效地排除了故障。
6结论
(1)通过绘制并分析牵引控制单元TCU的故障机理图,说明了故障信号的传输方法,分析了引发某个故障事件的可能的故障原因。
(2)根据分析结果,建立了以多重复合函数为基础的故障诊断数学模型,将实际的故障诊断问题数学化、抽象化。根据数学模型,建立了故障诊断专家系统,具备可扩展性和自适应性。
(3)运用模糊数学的有关理论对故障诊断过程进行优化,提高了诊断效率。
参考文献:.
[1]TsybenkoYV.Methodofdecompositionfordiagnosingmalfunctionsinassumption-based
model[A].IntelligentSystemsEngineering,SecondInternationalConference[C].1994:286-291.
.[2]KohdAT.AbiruKI.Arecursiveprocedureforoptimallydesign2ingahybridfaultdiagnosablesystem[A].Fault-TolerantComput2ing,EighteenthInternationalSymposium[C].1988:272-277.
[3]TangT,ZhuY,LiJ,etal.Afuzzyandneuralnetworkintegrat2edintelligenceapproachforfaultdiagnosingandmonitoringcontrol[A].UKACCInternationalConference[C].1998,(2):975980.
.[4]KiernanL,WarwickK.Adaptivealarmprocessorforfaultdiagnosisonpowertransmissionnetworks[J].IntelligentSystemsEngineer2ing,1993,2(1):25-37.
.[5]McduffRJ,SimpsonPK,GunningD.AninvestigationofneuralnetworksforF-16faultdiagnosis[A].SystemdescriptionAU2TOTESTCON’IEEEAutomaticTestingConference[C].1989:351-357.
[6]张代胜,王悦,陈朝阳.融合实例与规则推理的车辆故障诊断专家系统[J].机械工程学报,2002,(07).