一种基于数字孪生模型的轮对轴箱装置状态监测方法与流程

本发明涉及轨道交通优化运行技术领域，尤其是涉及一种基于数字孪生模型的轮对轴箱装置状态监测方法。

背景技术：

随着轨道交通行业的跨越式发展，围绕轨道交通车辆运维的相关技术研究逐渐成为热点，主要目的是为了保证其安全有效的运行，提高服务质量、降低运营成本。轨道车辆具有运行状态复杂多变、噪声干扰大、故障模式复杂，对安全可靠性要求高等特点。轮对轴箱装置作为保证轨道交通车辆持续稳定运行的关键部件，其运行的可靠性、稳定性、安全性将直接影响整车安全稳定的运行。轮对轴箱装置位于车辆下部，在车辆正常行驶过程中，承载全部钢轨的冲击与载荷，工作环境十分恶劣。因此快速、准确地对列车轮对轴箱装置进行状态监测及预测，可达到预测故障、制定最佳维修策略、降低维修费用的目的。设备管理人员也可基于此制定一系列的轮对轴箱装置健康管理策略，这对确保轨道交通系统安全、可靠、稳定的运行具有重要意义。

目前，已有的方法都是被动的对轮对轴箱装置实现运维。这种传统运维方式，工作效率低，易造成不及时现象且无法早期预警一些潜在危险。已远远不能达到现在提倡的精细化、智能化的高标准控制要求，维修人员不能主动的对其生命状态进行健康管理，因此，需要一种全方位管理控制轮对轴箱装置的有效方法。

近年来数字孪生技术备受学术界、工业界、金融界以及政府部门的关注。其能将物理实体和系统的属性、结构、状态、性能、功能和行为映射到虚拟世界，形成高保真的动态多维、多尺度、多物理量模型，为观察、认识、理解、控制和改造物理世界提供一种有效的手段，但目前在轨道交通方面的应用极为有限，所以必将有很大的应用前景。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数字孪生模型的轮对轴箱装置状态监测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于数字孪生模型的轮对轴箱装置状态监测方法，包括以下步骤：

1)实时获取轨道车辆走行部关联数据，并进行数据预处理，包括降噪降维和特征提取；

2)采用轮对轴箱相关的物理模型进行仿真获取在极端工况下或故障情况下轮对轴箱装置的状态特征；

3)将物理模型仿真得到的状态特征与走行部关联数据提取的特征进行特征融合，并将融合后的特征映射到走行部关联特征空间中；

4)从走行部关联特征空间中提取轮对轴箱装置相关特征及其他部件关联特征，并进行最大信息系数法的耦合性分析，基于提取的轮对轴箱关联特征及耦合性分析结果构建轮对轴箱装置的状态模型；

5)根据物理模型和状态模型建立轮对轴箱装置的数字孪生模型；

6)根据走行部关联特征空间预测轮对轴箱装置状态特征，以预测结果动态修正数字孪生模型的对应参数；

7)应用数字孪生模型对轮对轴箱装置的状态特征进行实时表征及预测，并根据预测结果指导更新轮对轴箱装置的运维策略；

8)重复步骤1)-7)，获得最优的轮对轴箱装置数字孪生模型。

所述的步骤1)中，轨道车辆走行部关联数据包括车辆在线监测数据、轨道检测数据、轨旁检测数据、车辆检测数据、车辆及线路基本信息、列车运维记录和环境历史信息。

所述的步骤1)中，降噪方法采用时间序列方法和基于密度的聚类方法。

所述的步骤1)中，在降噪降维后采用多层卷积神经网络进行特征提取得到的特征包括振动加速度、位移、轴温、转速、轮对变形参数和载荷。

所述的步骤2)中，轮对轴箱相关的物理模型包括轮对轴箱装置的动力学模型、热力耦合模型、应力分析模型和损伤演化模型。

所述的步骤3)中，采用多层卷积神经网络进行特征融合，融合后的特征与由轨道车辆走行部关联数据提取得到的特征相同。

所述的步骤4)中，状态模型由描述系统动态特性行为的状态方程和描述系统输出变量与状态变量间的变换关系的输出方程组成。

所述的步骤6)中，轮对轴箱装置状态特征预测内容包括轮对轴箱装置的机械应力、热应力状况以及运行疲劳损伤状况。

所述的步骤6)中，根据预测结果采用扩展卡尔曼滤波算法动态修正数字孪生模型的对应参数。

所述的步骤7)中，轮对轴箱装置的运维策略包括轮对轴箱装置维修规程的制定以及更换周期的确定。

与现有技术相比，本发明具有以下优点：

一、高保真：体现在当轮对装置的工况和性能发生变化时，数字孪生模型能够进行同步的变化，从而准确的反映轮对轴箱装置实际的工作状态；

二、多尺度：体现在结构上能够反映从部件到轨道车辆整体的信息，因为数字孪生模型不仅考虑了轮对轴箱装置本身的因素，还融合了车辆走行部和环境等诸多的因素，在信息上能够反映轮对轴箱装置从传感数据到性能参数等不同层次的状态。

三、实时性高：本发明能够对轨道车辆轮对轴箱状态进行实时表征及预测，以此制定相应的维修策略、达到预测性维修的目的。

附图说明

图1为本发明的方法流程图。

图2为本发明的系统功能框图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

现有的轮对轴箱装置建模方法基本是对单一物理模型的优化，但轮对轴箱装置长期工作于高速、高温、重载的环境下及动力学、热力学等多物理场耦合的复杂工况，此时的单一物理模型的计算结果准确性不高。此外，在轨道车辆行驶过程中，车辆的运行工况、性能参数也会随之不断变化，现有的检测方法对轮对轴箱装置运行状态实时变化考虑不足。采用固定不变的模型对工况不断改变的轮对轴箱装置进行仿真计算，同样会使得计算结果准确性不高。针对上述现有方法的两个不足，本发明提出一种基于数字孪生模型的轮对轴箱装置状态监测方法，实现物理实体到虚拟世界的动态数据交互，完成物理实体到虚拟世界的切实映射。

如图1和图2所示，本发明提供的一种基于数字孪生模型的轮对轴箱装置状态监测方法，具体包括以下步骤：

s1，获取轨道车辆走行部关联数据，并进行数据预处理；走行部关联数据包括：车辆在线监测数据、轨道检测数据、轨旁检测数据、车辆检测数据、车辆及线路基本信息、列车运维记录和环境历史信息；

数据预处理步骤包括：

(1)降噪，本例中采用时间序列方法和基于密度的聚类方法，步骤如下：

11)首先，对需要处理的多源数据按时间先后顺序的标准展开形成序列，并对其平稳化处理；

12)根据得到的平稳时间序列，分别求取序列的自相关系数，以及偏自相关系数；

13)通过对自相关、偏自相关函数的分析，求取最优的阶层和阶数，由以上得到的参数建立自回归积分平滑模型；

14)判断拟合残差是否符合正态性检验，当符合时，则当前数据不存在明显噪声数据，当不符合时，则可以断定包含噪声数据；

15)最后，对于包含噪声数据的序列，采用密度聚类的方法，达到将噪声数据剔除的目的。

(2)特征提取，本例中采用多层卷积神经网络方法：

构建的卷积神经网络由5个卷积层和一个globalaverage-pooling层组成，每个卷积层后都紧跟一个max-pooling层和一个batchnormalization层，卷积神经网络的训练方法采用的是adam梯度下降方法，批量大小为128。

提取出的特征包括振动加速度、位移、轴温、转速、轮对变形参数、载荷等。

(3)降维，本例中采用主成分分析方法，步骤如下：

31)初始化矩阵xmn，代表m个n维的属性，将数据进行去均值、归一化；

32)求解协方差矩阵，以及该矩阵的特征值、对应的特征向量；

33)按照特征值从大到小的顺序，将对应的特征向量排列，选择前k个特征向量，由此组成投影矩阵n；

34)由y＝px就可以获得降到k维后的数据。

s2，使用轮对轴箱相关物理模型仿真某些极端工况下或故障情况下轮对轴箱装置的状态特征；轮对轴箱装置的物理模型包括轮对轴箱装置的动力学模型、热力耦合模型、应力分析模型和损伤演化模型。

s3，将物理模型仿真输出与走行部关联数据采用多层卷积神经网络的特征融合算法进行特征融合，并将此特征映射到走行部状态关联高维特征空间中。

s4，进一步，从步骤s3建立的特征空间中提取轮对轴箱装置相关特征及其他部件关联特征，并进行耦合性分析，基于提取的轮对轴箱关联特征及耦合性分析结果构建轮对轴箱装置的状态模型；本例中，从特征空间中提取轮对轴箱装置的相关特征和其他部件关联特征的算法采用小波包特征熵；小波包特征熵特征提取理论及步骤如下：

41)小波包理论：轮对轴箱装置的相关特征和其他部件关联特征信号u(t)采用递归式(1)进行小波包分解。

其中，h(k)为高通滤波器组，g(k)为低通滤波器组。从多分辨分析的角度看，小波包分解的实质是让信号u(t)通过高低通组合滤波器组，每次分解总是把原信号分解到高低两个频率通道内，接着对高低频部分分别进行同样的分解直到满足需要为止。

42)小波包特征熵：对特征信号u(t)进行j层小波包分解得到小波包分解序列s(j，k),(k＝0，1，···，2^j-1)，在此可以把信号u(t)的小波包分解看成对信号的一种划分，定义这种划分的测度：

式中，为s(j，k)，(k＝0，1，…，2^j-1)的傅里叶变换列的第i个值；n为原始信号长度。

根据信息熵的基本理论，定义小波包特征熵：

式中：i＝0,1，···，2^j-1；hj，k为温度信号u(t)第j层的第k个小波包特征熵。

43)小波包特征熵算法步骤如下：

431)设u代表温度信号，用uij表示小波包分解树中第i层的第j个结点的小波包分解系数，其中i＝0，1，2，…，m；j＝0，1，2，···，2^m－1；

432)重构最后一层小波包分解系数，得到各频带范围的信号um,j；

433)计算各频带信号um,j的小波包特征熵hm,j；

434)构造特征向量，并归一化，得到一个特征向量t，即：

步骤s4中，耦合性分析的方法采用最大信息系数法(mic)，分为三个步骤：

(1)给定i、j，对x、y构成的散点图进行i列j行网格化，并求出最大的互信息值；

(2)将得到的最大互信息除以log(min(x，y))，进行归一化处理；

(3)选择不同尺度下互信息的最大值作为mic值。

步骤s4中，状态模型在matlab中构建，其由描述系统动态特性行为的状态方程和描述系统输出变量与状态变量间的变换关系的输出方程所组成。

s5，基于物理模型和状态模型融合建立轮对轴箱装置的数字孪生模型，本例中，数字孪生模型在matlab的simulink中建立。

s6，根据步骤s3中的走行部关联特征空间预测轮对轴箱装置状态特征，以预测结果动态修正数字孪生模型对应参数；状态特征预测内容包括轮对轴箱装置的机械应力、热应力状况、运行疲劳损伤状况等，具体步骤为：

运用现代控制理论中的状态空间分析法，列出反应轮对轴箱装置变化特征的状态空间表达式，根据此表达式预测系统轮对轴箱装置未来状态。

步骤s6中，参数修正的方法采用扩展卡尔曼滤波算法，首先基于扩展卡尔曼滤波算法对数据进行去噪处理，同时得到修正系数，修正数字孪生模型对应参数。

具体滤波过程如下：

61)滤波的初值选择：

62)预测方程：

tk-1到tk时刻，状态值与方差的预测：

式中，为k-1到k时刻的转移矩阵，rk为系统误差矩阵，在滤波更新时间内，通过数值积分的方法进行预测状态变量估计值与方差的分析。此处选用数值积分方法为四阶龙格库塔方法；定义为积分后的状态值，pk/k-1为方差。

63)滤波方程：

pk＝(i-kkhk)pk/k-1(12)

式中，为测量矩阵，qk为测量误差矩阵，kk为校正增益矩阵，pk为获得的方差矩阵，yk为tk时刻获得的测量信息。

s7，应用数字孪生模型对轮对轴箱装置的状态特征进行实时表征及预测，并根据预测结果指导更新轮对轴箱装置的运维策略；轮对轴箱装置相关运维策略包括轮对轴箱装置维修规程的制定、更换周期的确定。

s8，重复上述步骤，以获得最优的轮对轴箱装置数字孪生模型。

最后有必要在此指出的是：以上仅为本发明专利较佳的具体实施方式，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明专利的保护范围之内。