前言：本站為你精心整理了地鐵車輛建模范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要:繪制了地鐵牽引控制單元TCU的故障機理圖,并對其進行分析。根據分析結果與TCU系統的特性,建立了以多重復合函數為基礎的故障診斷數學模型。運用模糊數學知識對故障診斷過程進行優化,提高了診斷效率。根據該模型建立的專家系統在實際應用中起到了良好的效果。

關鍵詞:牽引控制單元;故障診斷;數學模型;相對隸屬度

前言

TCU(牽引控制單元)是一種用于鐵路機車的模塊化微處理器控制單元。它是SIBAS32系統(Siemens32位微型處理器的列車自動系統)的重要組成部分。TCU被用來控制電力驅動設備,其作用是實現合理有效的牽引和制動。作為機車控制的重要組成部分,TCU必須長期保持安全平穩的工作狀態。因此,對TCU進行實時維護、迅速排除故障是鐵路機車公司的重要任務。這其中,最關鍵的環節是進行故障診斷,即在故障發生之后迅速找到故障癥結之所在,這樣才能迅速排除故障。

現有的故障診斷方法,概括起來主要分為三大類:

(1)基于數學模型的診斷方法[1],指在建立診斷對象數學模型的基礎上,按一定的數學方法對被測信息進行處理診斷,文獻[1]對系統建模并作結構分解,將對系統的診斷置于對子系統的診斷之上;

(2)基于信號處理的診斷方法。通常是利用信號模型,如相關函數、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]。計算機技術的飛速發展,使得基于知識的故障診斷方法應運而生,文獻[3]提出了綜合模糊數學和神經網絡技術的智能化方法,用以故障診斷和監測。文獻[4]運用遺傳算法構造分類學習器以進行電力傳輸網絡故障的在線診斷。

文章以牽引控制單元TCU故障機理圖為出發點,建立其故障診斷的數學模型,運用模糊數學進行診斷優化,最后用專家系統的形式把知識集成地表達出來。

1系統分析

TCU系統由軟件部分和硬件部分組成,一般運行情況下,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TCU硬件結構如圖1所示。

圖1TCU系統硬件結構圖

2狀態監測

SIBAS32系統自帶一個狀態監測單元,在系統發生故障時,狀態監測單元提示系統出錯,給出故障代碼(數值在1～317之間,表示某個故障事件的發生)。同時監測單元提供7個邏輯字、2個控制字和2個狀態字,每個信號字由4位16進制數表示,表示故障發生時機車的軟硬件輸入輸出的狀態。故障代碼只能描述故障現象,它和信號字一樣,對于故障診斷起到很好的輔助作用,但憑借系統自帶的狀態監測單元遠遠達不到提供故障診斷所需要的全部信息的要求。

3建立數學模型

通過繪制TCU系統的故障機理圖,我們可以完整地分析所有可能引起某個故障事件發生的全部故障原因,并且可以歸納得到進行故障診斷的數學模型。下面以代碼為118的故障事件機理圖為例,分析故障產生的原因并根據分析建立應用于整個系統的診斷數學模型。

整張機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系,是不可再分割和細化的。原始信號的錯誤會導致中間信號的錯誤,逐層傳遞,導致最終信號錯誤,錯誤的最終信號傳入診斷模塊,輸出故障代碼。原始信號發生錯誤意味著特定的傳感器失效或者與之聯系的硬件發生故障,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束。

圖2是故障118機理圖的一部分,分析如下:

＄BFNOTBR信號代表數字量,意思為是否執行緊急制動,1代表是,0代表不是,設為x1;＄HBRANF信號代表數字量,意思為系統是否支持制動請求,1代表是,0代表不是,設為x2;＄MBRGEL信號代表數字量,意思為是否釋放所有制動,1代表是,0代表不是,設為x3;＄VI-ERSX代表模擬量,意思為最大默認速度,設為x4,輸入到信號處理模塊中與閥值比較后,根據邏輯結果輸出數字量;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,代表系統模塊化狀態,分別設為y1和y2。x1,x2,x3經過處理過程P1,輸出y1,即y1=P1(x1,x2,x3)。x4經過處理過程P2,輸出y2,即y2=p2(x4)。信號FG-NKL為中間信號,代表該塊子系統是否發生故障,設為z1。中間信號z1可表示為y1,y2的函數,即z1=P′(y1,y2)。＄UWDN1-A代表電機1速度監測(dn/dtmonitoringN1-A),設為x5,UWN1A-KL為中間信號,設為z2,z2可表示z1和x5的函數,即z2=2P′(z1,x5)。將前述各式代入其中,有:z2=p3(x1,x2,x3,x4,x5)。從機理圖中可知,如果x1,?,x5發生故障且故障在015s內不能消失,系統將把故障信號傳遞到。根據以上對故障機理圖的分析,我們把原始信號看作自變量,把信號處理模塊看作函數,把中間信號和最終信號看作應變量。對于某個確定的故障,分析其故障機理圖,設最終信號為K,與系統硬件直接聯系的初始信號為(x1,x2,x3,?,xn),它們之間的關系用函數表示如下:K=F(x1,x2,x3,xn)。由于引起系統故障的原因眾多,故障機理極其復雜,事實上,求得這樣的函數F既不必要也不現實。根據故障的傳遞性和故障機理圖具有分支結構的特點,借助中間信號就可以比較容易地解決這個問題。為此構造多重復合函數,設存在中間變量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)。由于系統分支結構的不確定性,有的時候中間信號與原始信號在同一個函數中作為自變量。在這樣的分支結構中,原始信號的錯誤(物理故障的發生)導致各層中間信號的錯誤,層層傳遞,最終導致故障事件的發生。故障診斷的過程是層層逆推的過程,由于故障事件發生,最終信號K的值發生錯誤,則在中間信號中f1,f2,f3,f4,?fm必然存在fi產生錯誤,進一步考慮通中間信號fi所在的分支,進行信號檢測與比較,最終可推斷出由于某初始信號xi的錯誤導致了故障事件的發生。中間信號可通過函數分析的方法得到其在安全無故障狀態時的參考值。有些情況下,完全從數學方面

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下的輸出信號,作為故障檢測室的參考量,與發生故障時的值進行比較,中間信號沒有錯誤則可排除整個該分支發生故障的可能,中間信號發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在機理上的圖2118故障機理圖截取示意圖聯系,初始信號的錯誤會導致不止一個故障事件的發生。所以,綜合考察同一時候一起發生的多個故障事件,優先考慮能同時引起多個故障事件發生的故障原因,可以提高診斷效率,起到很好的診斷效果。這里我們運用模糊數學中的相對隸屬度的概念來說明故障事件之間的聯系。假設產生故障a的故障原因事件為:x1,x2,x3,?,xj,?,xm-1,xm,產生故障b的故障原因事件為:x1,x2,x3,?,xj,xm+1?,xn-1,xn,設故障a與故障b的相對隸屬度為ρab,令a=mj,b=j+nj-m,取ρab=max(a,b),當故障a與故障b同時發生的時候,首先考察是否因為共同的故障原因事件xi∈(x1,x2,x3,?xj)(i=1,2,?j)導致了故障a與故障b發生。在多個故障事件同時發生的時候,兩兩比較故障之間的相對隸屬度,選擇其中最大的ρ,優先進行故障診斷。下面以實際運行中經常同時發生的故障225(線路接觸器關閉監控)和228(運行中線路接觸器無法斷開)為例,說明考慮相對隸屬度進行綜合診斷的優點。通過對故障邏輯圖的分析,我們發現,故障225與故障228同時發生時,主要是因為以下傳感器故障或傳感器監控對象故障產生的:＄RMANNSA(Checkbacksignallinecontactor),代表信號線路接觸器狀態核對;＄QTNS-A(Acknowledgelinecontactor),代表應答線路接觸器狀態檢測。由此得知,在故障225和故障228同時產生的時候,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。

5專家系統

根據上面建立的數學模型和對各個故障事件觸發機理的分析,我們可以用專家系統的形式把歸納總結得到的知識儲存起來。根據故障代碼和信號檢測情況,通過專家系統,一步步縮小可能的故障范圍,引導維修人員找到故障原因。以機車一運行故障為例,進一步說明SIBAS32系統牽引控制單元利用以上數學模型和專家系統進行故障診斷的情況。機車發生故障,獲得故障代碼為245,狀態字為0208H、000BH,控制字為0980H、2000H,邏輯字為0302H、1842H、F309H、0200H、1A00H、0000H、0003H。診斷結果為車輛總線傳輸故障,模塊RS485C039不能輸送信號,從而有效地排除了故障。

6結論

(1)通過繪制并分析牽引控制單元TCU的故障機理圖,說明了故障信號的傳輸方法,分析了引發某個故障事件的可能的故障原因。

(2)根據分析結果,建立了以多重復合函數為基礎的故障診斷數學模型,將實際的故障診斷問題數學化、抽象化。根據數學模型,建立了故障診斷專家系統,具備可擴展性和自適應性。

(3)運用模糊數學的有關理論對故障診斷過程進行優化,提高了診斷效率。

參考文獻:.

[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]張代勝,王悅,陳朝陽.融合實例與規則推理的車輛故障診斷專家系統[J].機械工程學報,2002,(07).