地鐵車輛牽引控制單元TCU 故障診斷建模與應(yīng)用

摘要: 繪制了地鐵牽引控制單元TCU 的故障機(jī)理圖, 并對其進(jìn)行分析。根據(jù)分析結(jié)果與TCU 系統(tǒng)的特性, 建立了以多重復(fù)合函數(shù)為基礎(chǔ)的故障診斷數(shù)學(xué)模型。運(yùn)用模糊數(shù)學(xué)知識對故障診斷過程進(jìn)行優(yōu)化, 提高了診斷效率。根據(jù)該模型建立的專家系統(tǒng)在實(shí)際應(yīng)用中起到了良好的效果。
關(guān)鍵詞: 牽引控制單元; 故障診斷; 數(shù)學(xué)模型; 相對隸屬度
前言
TCU (牽引控制單元) 是一種用于鐵路機(jī)車的模塊化微處理器控制單元。它是SIBAS32 系統(tǒng)( Siemens 32 位微型處理器的列車自動系統(tǒng)) 的重要組成部分。TCU 被用來控制電力驅(qū)動設(shè)備, 其作用是實(shí)現(xiàn)合理有效的牽引和制動。作為機(jī)車控制的重要組成部分, TCU 必須長期保持安全平穩(wěn)的工作狀態(tài)。因此, 對TCU 進(jìn)行實(shí)時維護(hù)、迅速排除故障是鐵路機(jī)車公司的重要任務(wù)。這其中, 最關(guān)鍵的環(huán)節(jié)是進(jìn)行故障診斷, 即在故障發(fā)生之后迅速找到故障癥結(jié)之所在, 這樣才能迅速排除故障。
現(xiàn)有的故障診斷方法, 概括起來主要分為三大類:
(1) 基于數(shù)學(xué)模型的診斷方法[ 1 ] , 指在建立診斷對象數(shù)學(xué)模型的基礎(chǔ)上, 按一定的數(shù)學(xué)方法對被測信息進(jìn)行處理診斷, 文獻(xiàn)[ 1 ] 對系統(tǒng)建模并作結(jié)構(gòu)分解, 將對系統(tǒng)的診斷置于對子系統(tǒng)的診斷之上;
(2) 基于信號處理的診斷方法。通常是利用信號模型, 如相關(guān)函數(shù)、頻譜、小波變換等, 直接分析可測信號, 提取諸如方差、幅值、頻率等特征值, 從而檢測出故障;
(3) 基于人工智能的診斷方法[ 3 -6 ] 。計算機(jī)技術(shù)的飛速發(fā)展, 使得基于知識的故障診斷方法應(yīng)運(yùn)而生, 文獻(xiàn)[ 3 ] 提出了綜合模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)技術(shù)的智能化方法, 用以故障診斷和監(jiān)測。文獻(xiàn)[ 4 ] 運(yùn)用遺傳算法構(gòu)造分類學(xué)習(xí)器以進(jìn)行電力傳輸網(wǎng)絡(luò)故障的在線診斷。
文章以牽引控制單元TCU 故障機(jī)理圖為出發(fā)點(diǎn), 建立其故障診斷的數(shù)學(xué)模型, 運(yùn)用模糊數(shù)學(xué)進(jìn)行診斷優(yōu)化, 最后用專家系統(tǒng)的形式把知識集成地表達(dá)出來。
1 　系統(tǒng)分析
TCU 系統(tǒng)由軟件部分和硬件部分組成, 一般運(yùn)行情況下, 軟件部分具有極高的可靠性, 所以整個故障診斷的工作主要集中于硬件部分。SIBAS32 系統(tǒng)TCU 硬件結(jié)構(gòu)如圖1 所示。

圖1 　TCU 系統(tǒng)硬件結(jié)構(gòu)圖

2 　狀態(tài)監(jiān)測
SIBAS32 系統(tǒng)自帶一個狀態(tài)監(jiān)測單元, 在系統(tǒng)發(fā)生故障時, 狀態(tài)監(jiān)測單元提示系統(tǒng)出錯, 給出故障代碼(數(shù)值在1～317 之間, 表示某個故障事件的發(fā)生) 。同時監(jiān)測單元提供7 個邏輯字、2 個控制字和2 個狀態(tài)字, 每個信號字由4 位16 進(jìn)制數(shù)表示, 表示故障發(fā)生時機(jī)車的軟硬件輸入輸出的狀態(tài)。故障代碼只能描述故障現(xiàn)象, 它和信號字一樣, 對于故障診斷起到很好的輔助作用, 但憑借系統(tǒng)自帶的狀態(tài)監(jiān)測單元遠(yuǎn)遠(yuǎn)達(dá)不到提供故障診斷所需要的全部信息的要求。
3 　建立數(shù)學(xué)模型
通過繪制TCU 系統(tǒng)的故障機(jī)理圖, 我們可以完整地分析所有可能引起某個故障事件發(fā)生的全部故障原因, 并且可以歸納得到進(jìn)行故障診斷的數(shù)學(xué)模型。下面以代碼為118 的故障事件機(jī)理圖為例, 分析故障產(chǎn)生的原因并根據(jù)分析建立應(yīng)用于整個系統(tǒng)的診斷數(shù)學(xué)模型。
整張機(jī)理圖由信號和對信號的處理兩部分組成, 其中信號分為原始信號、中間信號和最終信號。原始信號與硬件直接聯(lián)系, 是不可再分割和細(xì)化的。原始信號的錯誤會導(dǎo)致中間信號的錯誤, 逐層傳遞, 導(dǎo)致最終信號錯誤, 錯誤的最終信號傳入診斷模塊, 輸出故障代碼。原始信號發(fā)生錯誤意味著特定的傳感器失效或者與之聯(lián)系的硬件發(fā)生故障, 這就是我們想搜尋的故障原因, 找尋到錯誤的原始信號就意味著故障診斷過程的結(jié)束。
圖2 是故障118 機(jī)理圖的一部分, 分析如下:

＄BFNOTBR 信號代表數(shù)字量, 意思為是否執(zhí)行緊急制動, 1 代表是, 0 代表不是, 設(shè)為x1; ＄HBRANF 信號代表數(shù)字量, 意思為系統(tǒng)是否支持制動請求, 1 代表是, 0 代表不是, 設(shè)為x2; ＄MBRGEL 信號代表數(shù)字量, 意思為是否釋放所有制動,1 代表是,0 代表不是, 設(shè)為x3; ＄VI -ERSX 代表模擬量, 意思為最大默認(rèn)速度, 設(shè)為x4, 輸入到信號處理模塊中與閥值比較后, 根據(jù)邏輯結(jié)果輸出數(shù)字量; x1 ,x2 ,x3 ,x4 就是前面所說的原始信號。信號FG-WEI 與FG-SCH 為中間信號量, 代表系統(tǒng)模塊化狀態(tài), 分別設(shè)為y1 和y2 。x1 ,x2 ,x3 經(jīng)過處理過程P1 , 輸出y1 , 即y1= P1 (x1 ,x2 ,x3 ) 。x4 經(jīng)過處理過程P2 , 輸出y2 , 即y2= p2 (x4 ) 。信號FG-NKL 為中間信號, 代表該塊子系統(tǒng)是否發(fā)生故障, 設(shè)為z1 。中間信號z1 可表示為y1 ,y2 的函數(shù), 即z1= P′ (y1 ,y2 ) 。＄UWDN1 -A 代表電機(jī)1 速度監(jiān)測(dn/ dt monitoring N1 -A) , 設(shè)為x5 , UWN1A -KL 為中間信號, 設(shè)為z2 ,z2 可表示z1 和x5 的函數(shù), 即z2= 2 P′ (z1 ,x5 ) 。將前述各式代入其中, 有:z2= p3 (x1 ,x2 ,x3 ,x4 ,x5 ) 。從機(jī)理圖中可知, 如果x1 , ?,x5 發(fā)生故障且故障在015 s 內(nèi)不能消失, 系統(tǒng)將把故障信號傳遞到。根據(jù)以上對故障機(jī)理圖的分析, 我們把原始信號看作自變量, 把信號處理模塊看作函數(shù), 把中間信號和最終信號看作應(yīng)變量。對于某個確定的故障, 分析其故障機(jī)理圖, 設(shè)最終信號為K, 與系統(tǒng)硬件直接聯(lián)系的初始信號為(x1 ,x2 ,x3 , ?,xn) , 它們之間的關(guān)系用函數(shù)表示如下:K= F(x1 , x2 , x3 , xn) 。由于引起系統(tǒng)故障的原因眾多, 故障機(jī)理極其復(fù)雜, 事實(shí)上, 求得這樣的函數(shù)F既不必要也不現(xiàn)實(shí)。根據(jù)故障的傳遞性和故障機(jī)理圖具有分支結(jié)構(gòu)的特點(diǎn), 借助中間信號就可以比較容易地解決這個問題。為此構(gòu)造多重復(fù)合函數(shù), 設(shè)存在中間變量f1 ,f2 ,f3 ,f4 , fm , 使得K= F′ (f1 ,f2 ,f3 ,f4 , ?,fm) ,其中fi(i = 1 ,2 , ,m)代表第一級中間信號, 而fi = Li(li,1 ,li,2 ,li,3 , li,j) ,li,1 ,li,2 ,li,3 , li4,j代表第二級中間信號。依次類推, 直到中間信號全部用初始信號表示為止, 即: Pi = ( xi,1 , xi,2 , ?, xi,k) 。由于系統(tǒng)分支結(jié)構(gòu)的不確定性, 有的時候中間信號與原始信號在同一個函數(shù)中作為自變量。在這樣的分支結(jié)構(gòu)中, 原始信號的錯誤(物理故障的發(fā)生) 導(dǎo)致各層中間信號的錯誤, 層層傳遞, 最終導(dǎo)致故障事件的發(fā)生。故障診斷的過程是層層逆推的過程, 由于故障事件發(fā)生, 最終信號K的值發(fā)生錯誤, 則在中間信號中f1 ,f2 ,f3 ,f4 , ?fm 必然存在fi 產(chǎn)生錯誤, 進(jìn)一步考慮通中間信號fi 所在的分支, 進(jìn)行信號檢測與比較, 最終可推斷出由于某初始信號xi 的錯誤導(dǎo)致了故障事件的發(fā)生。中間信號可通過函數(shù)分析的方法得到其在安全無故障狀態(tài)時的參考值。有些情況下, 完全從數(shù)學(xué)方面
3 解釋某信號處理模塊的作用比較困難, 可通過檢測正常狀態(tài)下的輸出信號, 作為故障檢測室的參考量, 與發(fā)生故障時的值進(jìn)行比較, 中間信號沒有錯誤則可排除整個該分支發(fā)生故障的可能, 中間信號發(fā)生錯誤說明該分支必然有故障。
4 　故障事件的相對隸屬度
很多時候, 故障事件之間存在著內(nèi)在機(jī)理上的圖2 　118 故障機(jī)理圖截取示意圖聯(lián)系, 初始信號的錯誤會導(dǎo)致不止一個故障事件的發(fā)生。所以, 綜合考察同一時候一起發(fā)生的多個故障事件, 優(yōu)先考慮能同時引起多個故障事件發(fā)生的故障原因, 可以提高診斷效率, 起到很好的診斷效果。這里我們運(yùn)用模糊數(shù)學(xué)中的相對隸屬度的概念來說明故障事件之間的聯(lián)系。假設(shè)產(chǎn)生故障a的故障原因事件為:x1 ,x2 ,x3 , ?, xj, ?, xm-1 , xm, 產(chǎn)生故障b 的故障原因事件為:x1 ,x2 ,x3 , ?, xj, xm+ 1 ?, xn-1 , xn, 設(shè)故障 a 與故障b 的相對隸屬度為ρa(bǔ)b , 令a = mj, b = j+ nj -m, 取ρa(bǔ)b = max (a, b), 當(dāng)故障a與故障b同時發(fā)生的時候, 首先考察是否因?yàn)楣餐墓收显蚴录i ∈ (x1 ,x2 ,x3 , ?xj) (i = 1 , 2 , ?j) 導(dǎo)致了故障a與故障b發(fā)生。在多個故障事件同時發(fā)生的時候, 兩兩比較故障之間的相對隸屬度, 選擇其中最大的ρ, 優(yōu)先進(jìn)行故障診斷。下面以實(shí)際運(yùn)行中經(jīng)常同時發(fā)生的故障225 (線路接觸器關(guān)閉監(jiān)控) 和228 (運(yùn)行中線路接觸器無法斷開) 為例, 說明考慮相對隸屬度進(jìn)行綜合診斷的優(yōu)點(diǎn)。通過對故障邏輯圖的分析, 我們發(fā)現(xiàn), 故障225 與故障228 同時發(fā)生時, 主要是因?yàn)橐韵聜鞲衅鞴收匣騻鞲衅鞅O(jiān)控對象故障產(chǎn)生的: ＄RMANNSA ( Check back signal line contactor) , 代表信號線路接觸器狀態(tài)核對; ＄QTNS -A (Acknowledge line contactor) , 代表應(yīng)答線路接觸器狀態(tài)檢測。由此得知, 在故障225 和故障228 同時產(chǎn)生的時候, 最有可能的故障原因是線路接觸器的主觸頭或者輔助觸頭燒結(jié)。
5 　專家系統(tǒng)
根據(jù)上面建立的數(shù)學(xué)模型和對各個故障事件觸發(fā)機(jī)理的分析, 我們可以用專家系統(tǒng)的形式把歸納總結(jié)得到的知識儲存起來。根據(jù)故障代碼和信號檢測情況, 通過專家系統(tǒng), 一步步縮小可能的故障范圍, 引導(dǎo)維修人員找到故障原因。以機(jī)車一運(yùn)行故障為例, 進(jìn)一步說明SIBAS 32 系統(tǒng)牽引控制單元利用以上數(shù)學(xué)模型和專家系統(tǒng)進(jìn)行故障診斷的情況。機(jī)車發(fā)生故障, 獲得故障代碼為245 , 狀態(tài)字為0208H 、000BH , 控制字為0980H 、2000H , 邏輯字為0302H 、1842H 、F309H 、0200H 、1A00H 、0000H 、0003H 。診斷結(jié)果為車輛總線傳輸故障, 模塊RS485 C039 不能輸送信號, 從而有效地排除了故障。
6 　結(jié)論
(1) 通過繪制并分析牽引控制單元TCU 的故障機(jī)理圖, 說明了故障信號的傳輸方法, 分析了引發(fā)某個故障事件的可能的故障原因。
(2) 根據(jù)分析結(jié)果, 建立了以多重復(fù)合函數(shù)為基礎(chǔ)的故障診斷數(shù)學(xué)模型, 將實(shí)際的故障診斷問題數(shù)學(xué)化、抽象化。根據(jù)數(shù)學(xué)模型, 建立了故障診斷專家系統(tǒng), 具備可擴(kuò)展性和自適應(yīng)性。
(3) 運(yùn)用模糊數(shù)學(xué)的有關(guān)理論對故障診斷過程進(jìn)行優(yōu)化, 提高了診斷效率。
參考文獻(xiàn): .[ 1 ] Tsybenko Y V. Method of decomposition for diagnosing malfunctions in assumption -based
model [A ] . Intelligent Systems Engineering , Second International Conference [ C] . 1994 : 286 -291.
.[ 2 ] Kohd A T. Abiru K I. A recursive procedure for optimally design2 ing a hybrid fault diagnosable system [ A ] . Fault -Tolerant Comput2 ing , Eighteenth International Symposium [ C] . 1988 : 272 -277.
[ 3 ] Tang T , Zhu Y , Li J , et al. A fuzzy and neural network integrat2 ed intelligence approach for fault diagnosing and monitoring control [A ] . UKACC International Conference [ C ] . 1998 , (2) : 975 980.
.[ 4 ] Kiernan L , Warwick K. Adaptive alarm processor for fault diagnosis on power transmission networks [J ] . Intelligent Systems Engineer2 ing , 1993 ,2 (1): 25 -37.
.[ 5 ] Mcduff R J , Simpson P K , Gunning D. An investigation of neural networks for F -16 fault diagnosis [ A ] . System description AU2 TOTESTCON ’IEEE Automatic Testing Conference [ C ] . 1989 : 351 -357.
[6 ] 張代勝, 王悅, 陳朝陽. 融合實(shí)例與規(guī)則推理的車輛故障診斷專家系統(tǒng)[J ] . 機(jī)械工程學(xué)報, 2002 , (07) .