基于CNN-LSTM 的車輛懸掛系統故障識別方法研究

梁君海，李智強，葛 天，鄭志偉

（1.中車成都機車車輛有限公司 技術中心，成都 610511；2.西南交通大學 軌道交通運載系統全國重點實驗室，成都 610031）

高速鐵路車輛（簡稱：車輛）運行在復雜多變的線路環境下，其行駛速度的提高伴隨著激擾頻帶的加寬，使其懸掛系統的負擔越來越大。隨著車輛在軌運行時間的增長，其懸掛系統中的一些部件（螺旋彈簧、減振器、空氣彈簧等）會產生一定程度的性能衰退，誘發諸如螺旋彈簧細微開裂、減振器輕微漏油/漏液、空氣彈簧輕度漏氣等早期故障，給行車安全帶來潛在的危險[1]。因此，為保障車輛安全、穩定、可靠地運行，有必要對車輛懸掛系統早期故障進行及時診斷。

已有學者針對車輛懸掛系統故障對車輛動力學性能的影響進行了大量研究，研究結果表明，車輛懸掛系統早期故障的影響程度有限，人為進行故障判別較為困難[2-4]。此外，由于車輛懸掛系統模型的非線性，無法直接將故障類型與動力學性能表現聯系起來，因此，有學者通過提取車輛動力學性能參數特征來進行懸掛系統故障識別。蘇宇婷等人[5]通過提取車體加速度信號時頻域特征，結合流形學習特征降維，成功實現了抗蛇行減振器故障、懸掛系統空氣彈簧失氣和橫向減振器故障的識別；李曉[6]使用SIMPACK 平臺建立高速列車動力學模型，提取仿真得到的構架加速度信號的信息熵、信息?等特征，結合支持向量機（SVM，Support Vector Machine）訓練得到了故障識別及定位模型，實現了對空氣彈簧、橫向減振器等轉向架關鍵部件的故障識別及定位；李昌喜[7]使用參數優化變分模態分解對轉向架關鍵部件的故障振動信號進行預處理，提取最優分量的多尺度樣本熵特征，構成特征向量，結合SVM 實現了轉向架關鍵部件故障識別；為彌補單通道輸入故障特征有限的不足，劉佳龍[8]采用多通道特征向量作為輸入，結合參數優化SVM，實現了高速列車轉向架的故障診斷。

雖有不少學者結合人工智能提出較有效的車輛懸掛系統故障診斷模型，但是由于這些方法大多采用基于特征工程的數據驅動模型，較依賴專家知識。為此，本文提出一種結合卷積神經網絡（CNN，Convolutional Neural Network）和長短時記憶（LSTM，Long Short Term Memory）模型的車輛懸掛系統故障識別方法，在不依賴人工經驗的情況下實現端到端的智能故障識別。

1 相關技術

1.1 CNN

CNN 是一種具有卷積結構的深度神經網絡，它的基本結構包括輸入層、卷積層、池化層、全連接層與輸出層[9]。CNN 中的數據處理主要分為過濾階段和分類階段。數據過濾階段由卷積層和池化層完成，這一階段的目的是特征學習和提??；數據分類階段由全連接層完成，這一階段的目的是數據對應類別判定。分類階段的全連接層與輸出層通常采用Softmax 函數，用于計算多分類問題的概率輸出。

1.2 LSTM 模型

LSTM 模型的基礎結構是循環神經網絡（RNN，Recurrent Neural Network）模型，可解決RNN 模型的長依賴問題[10]。由于時序數據的增多，RNN 模型無法有效利用之前時刻的歷史信息，導致發生梯度消失與梯度爆炸，即當網絡層數增加、時間序列數據距離增大時，后面神經單元對前面神經單元的感知能力降低，導致遺忘前面信息的問題，無法有效利用歷史信息。在RNN 的基礎上，LSTM 模型通過增加新的記憶單元c，解決RNN 模型存在的梯度消失與梯度爆炸問題，提高模型可靠性，同時，LSTM模型具有反饋結構，可在歷史信息中挖掘數據的特征，擅于處理時序數據的預測問題。

LSTM 模型由多個存儲塊組成，每個存儲塊都有遺忘門、輸入門和輸出門。所謂的“門”結構是一個全連接神經網絡，使用Sigmoid 函數作為激活函數，并輸出0 到1 之間的值?？蓪⒋鎯K作為一個細胞，LSTM 模型依賴于這些“門”，允許輸入特征在每個時刻選擇性地影響細胞狀態，從而實現對當前時刻神經網絡輸出的控制。具體來講，遺忘門決定細胞狀態中哪些信息應該被刪除，哪些信息應該被保留；輸入門的作用是向細胞狀態加入新內容；輸出門的作用是從當前的細胞狀態中選擇有用信息并將其顯示為輸出。傳統的LSTM 模型的反向傳播思路和RNN 模型的反向傳播思路一致，均采用梯度下降法對網絡參數進行更新，主要步驟是對所有參數基于損失函數的偏導數進行計算。

2 車輛懸掛系統故障識別方法

2.1 CNN-LSTM 模型

本文針對車輛懸掛系統的故障振動信號，設計一種CNN-LSTM 模型，其模型架構如圖1 所示，具體參數設定如表1 所示。該模型將CNN 和LSTM 模型結合成一個統一的網絡結構，使之兼具CNN 和LSTM 模型的優勢；利用3 層卷積和1 層池化結構來提取數據的空間特征，再采用1 層LSTM 模型提取數據的時間特征；采用全連接層對CNN 和LSTM 模型提取的局部時空特征進行全局學習；最后利用Softmax 激活函數實現對不同故障的分類識別。

表1 CNN-LSTM 模型參數設定

圖1 CNN-LSTM 模型架構

2.2 方法流程

車輛懸掛系統故障識別模型的具體流程如下。

（1）數據采集：建立車輛-軌道耦合動力學數值仿真模型，并基于該動力學模型模擬不同工況下車輛懸掛系統故障，獲取大量的懸掛元件故障數據。

（2）數據標準化：考慮到輸入數據來自車輛的不同部件，應對數據進行標準化，將原始振動加速度信號進行標準差標準化，計算公式為

式（1）中，xi是原始序列的i個數據點；yi是經過標準化轉換后的新序列的數據點；是原始序列的平均值；s是原始序列的標準差；n是原始序列的采樣點數。經標準化后的新序列的平均值為0，標準差為1。

（3）模型訓練：通過數據采集獲取的故障數據，訓練CNN-LSTM 模型，采用準確率（Accuracy）作為評價指標來考察模型的精度，計算公式為

式（2）中，f(xk) 是模型的預測值；yk是模型的真實值；I是判定預測值是否等于真實值的函數，若相等則函數值為1，否則為0。

（4）預測評估：將標準化后的一維仿真振動信號輸入到訓練好的CNN-LSTM 模型中，實現對車輛懸掛系統故障類型的識別，并用于指導車輛運行和維護。

3 試驗搭建與結果分析

3.1 數據采集

基于SIMPACK 平臺，建立CRH2 型動車組的車輛-軌道耦合動力學模型，根據研究目的對其進行適當簡化，將車體、構架、輪對等均視為剛體，忽略各部件的彈性變形，同時不考慮車輛牽引和制動2 種運行工況。CRH2 型動車組的車輛-軌道耦合動力學模型，如圖2 所示，由1 個車體、2 個構架、4個輪對、8 個軸箱，共計15 個剛體組成。振動加速度計安裝位置，如圖3 所示，前、后構架均設置1 個加速度計，收集構架橫向和垂向加速度信號；分別在1 位軸和4 位軸每個軸箱處設置1 個加速度計，收集軸箱橫向和垂向加速度信號；在車體的前、后心盤處各設置一個加速度計，收集車體的三向加速度信號。

圖2 CRH2 型動車組的車輛-軌道耦合動力學模型

圖3 加速度計安裝位置及設置

仿真試驗共設置3 種類型的車輛懸掛系統故障，分別為鋼彈簧斷裂、減振器漏油及空氣彈簧失氣。其中，鋼彈簧為一系懸掛系統的元件之一，當彈簧外圈斷裂時，由彈簧內圈提供承載作用；減振器包括一系垂向減振器、二系垂向減振器及二系橫向減振器，當減振器漏油時，其阻尼接近完全失效；空氣彈簧是二系懸掛系統的元件之一，當空氣彈簧失氣時，應急橡膠堆提供承載。因本文研究的是車輛懸掛系統早期故障診斷，因此，仿真時鋼彈簧斷裂故障程度設置為0.5，減振器故障設置為0.01。

3.2 試驗搭建

訓練數據來源于車輛軸箱、構架和車體上安裝的加速度計收集到的振動加速度信號，采樣頻率為300 Hz。此外，基于車輛-軌道耦合動力學模型分別模擬在150 km/h、200 km/h 和250 km/h 等3 種不同恒定速度下的運行，仿真時間歷程始終為50 s。將不同工況條件下每1 s 的時間序列作為一個訓練樣本，并按照8∶2 劃分為訓練數據集和測試數據集。使用交叉熵損失函數和Softmax 分類器，超參數設置為：學習率為0.001，隨機失活率為0.2。

3.3 試驗結果分析

3.3.1 同一速度等級下車輛懸掛系統故障識別

在200 km/h 速度等級下對車輛懸掛系統進行3類試驗。試驗1：一系懸掛系統垂向故障訓練識別，包括健康、鋼彈簧故障和一系垂向減振器故障等3種狀態；試驗2：二系垂向懸掛系統故障訓練識別，包括健康、空氣彈簧故障和二系垂向減振器故障等3 種狀態；試驗3：二系懸掛系統橫向故障訓練識別，包括健康、空氣彈簧故障和二系橫向減振器故障等3 種狀態。以上3 類實驗中，每類實驗每種狀態都包含160 個訓練樣本和30 個測試樣本，訓練樣本數量共計480 個，測試樣本數量共計90 個。

3 類試驗的分類準確率和損失函數如圖4 和圖5所示。經過250 次迭代計算后，試驗1 的故障識別準確率為73%，訓練損失值為0.816；試驗2 的故障識別準確率為84%，訓練損失為0.709；試驗3 的故障識別準確率明顯提高，為98%，損失值也降至0.561。實驗結果表明，本文的故障識別方法在同一速度等級下具有較高的準確率，能夠有效地進行車輛懸掛系統故障診斷。其中，二系懸掛系統的故障識別準確率高于一系懸掛系統，造成這一現象的原因，主要是由于一系懸掛系統受力更加復雜，當一系懸掛系統發生故障時，故障信號更易被淹沒。另外，車輛懸掛系統橫向故障的識別準確率遠高于垂向故障，主要原因在于橫向故障時，對車輛構架橫向振動影響較大，引起的信號波動更為明顯。

圖4 準確率變化曲線

圖5 損失函數變化曲線

3.3.2 不同速度等級下車輛懸掛系統故障識別

為進一步驗證所提模型在不同速度等級下的有效性，考慮3 種速度等級，進行以下實驗。

試驗4：在150 km/h、200 km/h、250 km/h 速度等級下進行一系懸掛系統垂向故障訓練識別，分別選取健康、鋼彈簧故障和一系垂向減振器故障等3種狀態；試驗5：在150 km/h、200 km/h、250 km/h速度等級下進行二系懸掛系統垂向故障訓練識別，分別選取健康、空氣彈簧故障和二系垂向減振器故障等3 種狀態；試驗6：在150 km/h、200 km/h、250 km/h 速度等級下進行二系懸掛系統橫向故障訓練識別，分別選取健康、空氣彈簧故障和二系橫向減振器故障等3 種狀態。以上3 類試驗，由于考慮了3 種速度等級的情況，每類試驗每種狀態都包含160 個訓練樣本和30 個測試樣本，訓練樣本數量共計1 440 個，測試樣本數量共計270 個。

3 類試驗的分類準確率和損失函數如圖6、圖7所示，經過250 次迭代計算后，在不同速度等級下，試驗4 的故障識別準確率為76%，訓練損失為0.784；試驗5 的故障識別準確率為87%，訓練損失為0.665；試驗6 的故障識別準確率為99%，損失值為0.575。試驗結果表明，本文的故障識別方法針對不同速度等級下的車輛懸掛系統故障識別仍保持較高的準確率，具有良好的魯棒性。

圖6 準確率變化曲線

圖7 損失函數變化曲線

綜上，相對于傳統的主流方法，本文提出的方法基于原始數據驅動，不需要通過人工經驗對數據進行特征提取，在簡化診斷流程的基礎上，仍能夠保持較高的故障識別率，為車輛懸掛系統智能故障診斷的研究提供新的思路。

4 結束語

本文在建立了車輛-軌道耦合動力學模型的基礎上，利用仿真數據提出了基于CNN-LSTM 模型的車輛懸掛系統故障識別方法，結合了CNN 和LSTM 模型的優勢，能夠提取原始振動信號中的故障特征，有效減少人工特征提取過程中帶來的不確定性。通過試驗得出以下結論：

（1）在同一速度等級下，本文方法可直接從原始振動信號中識別故障類型，且準確率較高；

（2）在不同速度等級下，本文方法仍能保證較高的準確率，具有良好的魯棒性。

（3）由于一系懸掛系統受力較復雜，二系懸掛系統的故障識別準確率一般高于一系懸掛系統。