黃世明

（中鐵第四勘察設(shè)計院集團有限公司，武漢 430063）

城市軌道交通車輛在軌道上運行時，列車鋼輪與鋼軌表面直接接觸，發(fā)生摩擦，車輪踏面會出現(xiàn)磨損磨耗現(xiàn)象。城軌車輛在曲線線路行駛過程中，車輪輪緣與鋼軌側(cè)面擠壓接觸，發(fā)生摩擦，因此產(chǎn)生急劇磨損磨耗，導致輪緣參數(shù)改變。輪對產(chǎn)生的磨損磨耗進一步造成輪對不圓度增大，踏面損傷、輪輞斷裂等問題，輪對的各方面損傷直接影響城軌車輛運行的安全性和穩(wěn)定性。

國內(nèi)外相關(guān)研究表明，輪對故障是城軌車輛故障率較高、對行車安全影響較大的問題。馮舒通過分析車輛走行部長期的運用和檢修數(shù)據(jù)發(fā)現(xiàn)了走行部的常見故障。通過數(shù)據(jù)統(tǒng)計并研究分析，課題組發(fā)現(xiàn)城軌車輛走行部故障主要有輪對踏面、電機齒輪及軸承等旋轉(zhuǎn)類零部件，這些故障極大地影響城軌車輛行車安全，其發(fā)生頻率相對較高，且定期檢修時難以被發(fā)現(xiàn)，其中最頻繁出現(xiàn)的故障是輪對踏面故障。許艷華和黃貴發(fā)等人通過對北京2號線的故障研究，得出了類似的結(jié)論，城軌車輛走行部發(fā)生故障的部位主要包括軸承（包括軸箱，齒輪箱和牽引電機軸承）、傳動齒輪及車輪踏面等旋轉(zhuǎn)部件。因此，研究城軌車輛輪對故障診斷及預測技術(shù)對提高城軌車輛運行安全性具有重要意義。

1 城軌車輛輪對損傷機理

隨著車輛輪對使用時間的延長，車輪輪輞中央應力增量較輪輞表面應力的增量高。車輪使用過程中，在熱負荷和機械負荷的作用下輪輞應力狀態(tài)發(fā)生改變，車輪沿圓周向的壓縮應力逐步變成擴張應力（圖1）。

圖1 車輪的應力分布和變化趨勢

踏面微小的缺陷一般出現(xiàn)在輪對踏面的表面，在應力影響下會逐漸擴大而引起輪對的問題。特別是由于材料具有極限應力，當應力達到材料所能容忍的極限應力時，裂紋就會出現(xiàn)，踏面表層缺陷主要集中在踏面以下2~6 mm區(qū)域。

車輪踏面剝離：根據(jù)產(chǎn)生的形式分類，車輪踏面剝離可分為4類，分別是接觸疲勞剝離、制動剝離、局部擦傷剝離和局部接觸疲勞剝離。當閘瓦制動時，車輪踏面產(chǎn)生的剝離稱為制動剝離，制動剝離又分為2種表現(xiàn)形式，第一種是踏面整圈出現(xiàn)刻度狀熱裂紋，第二種是踏面整圈出現(xiàn)層片狀剝離掉塊。因車輪與鋼軌之間的強烈摩擦產(chǎn)生的剝離稱為擦傷剝離，主要有2種表現(xiàn)形式，第一種是車輪踏面局部擦傷，第二種是因輪軌接觸應力導致的剝離掉塊。根據(jù)材料失效機理分類，車輪踏面剝離可分為2類，分別是接觸疲勞損傷和熱疲勞損傷，前者是由交變接觸應力引起的，后者是由摩擦熱循環(huán)引起的。

車輪疲勞缺陷：車輪高速運轉(zhuǎn)時，會承受各種周期性荷載，造成輪對踏面裂紋、剝離、掉塊，內(nèi)部裂紋，輪輞、輪轂裂紋等現(xiàn)象，稱為車輪疲勞缺陷。踏面裂紋、剝離及掉塊等現(xiàn)象有一定的發(fā)展規(guī)律，首先沿著圓周方向擴展，然后再沿徑向擴展（也有直接沿徑向擴展的）。據(jù)統(tǒng)計，車輪內(nèi)部裂紋一般有周向和徑向2種，輪輞裂紋方向主要是沿周向延伸，輪轂裂紋的主要方向是與徑向呈45°夾角。在城軌車輛運用檢修過程中，及時可靠檢測出這些缺陷，對提高輪對安全性有重大意義。

車輪內(nèi)部疲勞裂紋及裂損簡稱為“輞裂”，輪輞內(nèi)部只有“貝紋狀”疲勞弧線及疲勞裂紋源，裂紋源通常位于踏面下約15 mm處，當車輪踏面發(fā)生輞裂時，通過超聲波探傷可以大致判斷其內(nèi)部裂紋擴展區(qū)域及深度（圖2）。

圖2 車輪損傷示意圖

裂紋產(chǎn)生的原因除特殊情況外，裂紋源處一般存在較大顆粒的非金屬夾雜物，屬于冶金制造缺陷。如不及時發(fā)現(xiàn)，在列車運行時發(fā)生輪輞裂損，很可能造成切軸事故。

在輪輞及輻板過渡區(qū)存在周向疲勞裂紋（輻板裂紋）和在車輪輻板工藝孔邊緣向兩側(cè)發(fā)展為周向疲勞裂紋（輻板孔裂紋）（圖3—圖5）。

圖3 輪輞內(nèi)部疲勞缺陷

圖4 輪輞輞裂

圖5 車輪輪輻缺陷

結(jié)合車輪的缺陷及應力分布規(guī)律，輪對的安全質(zhì)量控制應重點關(guān)注車輪的輪緣、輪輞、輪輻等區(qū)域，對于應力集中區(qū)域，需要進行疲勞缺陷探傷；對于輪對踏面表層缺陷，可采用動態(tài)檢測技術(shù)及圖像識別技術(shù)進行實時監(jiān)測；對于輪輞輪輻內(nèi)部缺陷，可通過超聲波等探傷技術(shù)進行定期檢測，全面探測車輪表面和內(nèi)部缺陷。

2 輪對智能檢測技術(shù)

2.1 硬件體系

針對城軌車輛輪對故障檢測需求，如輪對內(nèi)部傷損，輪對表面?zhèn)麚p，輪對磨耗等病害均會導致城軌安全受到威脅；輪輞破裂將導致脫軌等嚴重安全事故的潛在風險；城軌車輛輪對多邊形的產(chǎn)生，會產(chǎn)生持續(xù)性的輪軌沖擊力，城軌車輛的車輪多邊形產(chǎn)生較多，車底關(guān)鍵零部件遺失或損壞現(xiàn)象頻發(fā)。本研究從列車運營正線、入段線、列車庫內(nèi)定期在線檢測、定期落輪檢測4個層次構(gòu)造了一個綜合立體的走行部智能檢測體系，如圖6所示。

圖6 輪對智能檢測硬件體系

其中，城軌車輛運營正線的車輛運行品質(zhì)在線監(jiān)測系統(tǒng)采用激光-位移測量技術(shù)，可在車速為30～160 km/h時，動態(tài)測量車輛的車輪不圓度、輪軌接觸位置產(chǎn)生的踏面損傷、車輛超偏載和車輛晃動，動態(tài)測量輪軌作用力，通過多參數(shù)綜合計算可有效在線檢測車輛走行部狀態(tài)，從而評估運行品質(zhì)因素（圖7）。

圖7 車輛運行品質(zhì)在線監(jiān)測系統(tǒng)

入段線的車輪故障在線檢測系統(tǒng)采用多光截圖像測量技術(shù)，對輪對尺寸參數(shù)，踏面缺陷損害進行每日自動檢測，通過大量的輪對尺寸數(shù)據(jù)檢測分析，可對車輪廓形狀態(tài)進行準確跟蹤。同時及時盡早發(fā)現(xiàn)針對踏面表面?zhèn)麚p，保障車輛輪對運行安全（圖8）。

圖8 軌旁輪對動態(tài)智能檢測

城軌車輛智能巡檢機器人基于深度學習技術(shù)，設(shè)計了基于孿生網(wǎng)絡(luò)的異常檢測網(wǎng)絡(luò)、基于目標檢測的一系簧斷裂檢測網(wǎng)絡(luò)及基于深度學習的雙目視差重構(gòu)網(wǎng)絡(luò)等。系統(tǒng)可高效解決車底檢修人工作業(yè)存在的高風險、易疲勞和效率低等問題，系統(tǒng)適用于各型城軌車輛的車底檢查作業(yè)，解決了傳統(tǒng)機器視覺檢測類設(shè)備故障檢出率低、虛警率高的問題，提升設(shè)備可用性，為機檢代替人檢邁出了關(guān)鍵的一步。

在檢修庫內(nèi)配的固定式車輪車軸超聲波探傷系統(tǒng)，該系統(tǒng)結(jié)合城軌車輛車輪運用特點設(shè)計研發(fā)，利用相控陣超聲探傷技術(shù)自動檢測車軸內(nèi)部缺陷和疲勞裂紋，滿足城軌車輛架大修期間車輪車軸內(nèi)部缺陷超聲波探傷（圖9）。

圖9 固定式車輪車軸超聲波探傷系統(tǒng)

2.2 軟件體系

車輛走行部關(guān)鍵部件的大數(shù)據(jù)分析具體流程可以分為3部分：一是多維度的數(shù)據(jù)采集及融合，包括實時的走行部正線檢測、走行部入段線軌旁綜合檢測、檢修庫庫內(nèi)智能巡檢機器人檢測和走行部架大修關(guān)鍵部件探傷檢測的故障分析數(shù)據(jù)；二是數(shù)據(jù)關(guān)聯(lián)分析，結(jié)合故障數(shù)據(jù)采集時刻的車輛運用數(shù)據(jù)、維修數(shù)據(jù)和歷史數(shù)據(jù)進行數(shù)據(jù)的分析與挖掘；三是數(shù)據(jù)分析的應用包括輪對狀態(tài)預警，以及修程修制的調(diào)整。數(shù)據(jù)信息流如圖10所示。

圖10 走行部智能檢測體系數(shù)據(jù)信息流

數(shù)據(jù)采集與分析。采集的數(shù)據(jù)，形式多樣，有數(shù)值類數(shù)據(jù)，有診斷結(jié)論性數(shù)據(jù)。經(jīng)過數(shù)據(jù)的匯總、清理及轉(zhuǎn)換過程，建立標準化數(shù)據(jù)集合，通過多類型數(shù)據(jù)算法挖掘故障發(fā)生規(guī)律，預測部件使用壽命。

數(shù)據(jù)分析方法。數(shù)據(jù)分析包括2類，一是對車輛運行時狀態(tài)，軌旁檢測進行實時的分析，給出關(guān)鍵部件的狀態(tài)診斷結(jié)果，包括故障的類型及級別。二是根據(jù)歷史檢測數(shù)據(jù)，預測故障發(fā)生的趨勢，給出未來故障發(fā)生時間，例如：輪對踏面鏇修、換輪及受電弓磨耗到限更換的時機。

數(shù)據(jù)應用。車輛及部件健康狀態(tài)，來自各檢測系統(tǒng)。檢測系統(tǒng)上報的故障信息，需要進行分類與分級。對于不同的故障類型與故障等級，給出不同的維修策略。針對車輛走行部關(guān)鍵部件，根據(jù)“故障的影響及嚴重程度”給出相應的維修建議，嚴重時需要立即停運維修，相對不嚴重的問題擇機進行維修即可。

3 輪對故障預測及鏇修建議

3.1 構(gòu)建智能診斷專家系統(tǒng)

通過加裝在走行部上的車載監(jiān)測傳感器、軌旁檢測工藝設(shè)備及庫內(nèi)檢修作業(yè)設(shè)備，采集輪對實時運行數(shù)據(jù)、軸溫、輪對外形尺寸、鏇輪和探傷數(shù)據(jù)等進行融合處理故障統(tǒng)計分析，確定故障預測與狀態(tài)管理的特征量。并利用故障數(shù)據(jù)采集時刻的車輛運用數(shù)據(jù)、維修數(shù)據(jù)和歷史數(shù)據(jù)進行大數(shù)據(jù)深入分析及挖掘，建立關(guān)鍵部件故障預測與健康管理模型，結(jié)合先進的推理算法(神經(jīng)網(wǎng)絡(luò)、模糊邏輯)等，實現(xiàn)關(guān)鍵部件的故障預測，并生成對應的檢修策略，從而實現(xiàn)節(jié)約維修成本，降低故障率的目的。

3.1.1 采集子系統(tǒng)

采集子系統(tǒng)應該包括正線檢測系統(tǒng)，入段線檢測系統(tǒng)，庫內(nèi)的檢測檢修設(shè)備及系統(tǒng)。包括4部分數(shù)據(jù)：一是預留從車載系統(tǒng)讀取的車輛關(guān)鍵部件傳感器數(shù)據(jù)；二是軌旁檢測數(shù)據(jù)，諸如輪對外形尺寸、車輪表面缺陷、軸箱齒輪箱溫度、車輪不圓度及車底走行部部件外觀缺陷識別等數(shù)據(jù)；三是在庫內(nèi)利用智能機器人系統(tǒng)采集車底走行部關(guān)鍵部件的外觀缺陷數(shù)據(jù)、庫內(nèi)鏇輪機的輪對尺寸廓形數(shù)據(jù)、走行部構(gòu)架渦流探傷數(shù)據(jù)及車輪車軸超聲波探傷設(shè)備進行的內(nèi)部傷損檢測數(shù)據(jù)；四是為建立走行部健康狀態(tài)評估模型，還需采集車輛運用走行公里數(shù)，用于評估分析隨車輛運用走行公里的增長走行部關(guān)鍵部件健康狀態(tài)變化的趨勢。

3.1.2 數(shù)據(jù)分析子系統(tǒng)

數(shù)據(jù)分析子系統(tǒng)，需實現(xiàn)實時故障診斷分析，預報警；關(guān)鍵部件的健康狀態(tài)評估與壽命預測，還需利用歷史數(shù)據(jù)實現(xiàn)離線模型建模，以及模型管理。數(shù)據(jù)分析包括3部分。

1）故障診斷分析。分析子系統(tǒng)應該建立故障診斷體系，建立故障預報警標準，進行分級報警，如三級預報警，可分為正常（健康）、跟蹤預報（亞健康）、復查判斷（預警）和故障（正報）。分析系統(tǒng)使用規(guī)則引擎對各設(shè)備或系統(tǒng)上報的數(shù)據(jù)進行綜合診斷，給出預報級別。

2）故障預測分析。搭建大數(shù)據(jù)分析平臺，利用歷史數(shù)據(jù)建立預測模型，可建立的模型包括利用工況數(shù)據(jù)建立在線走行部故障預測模型和輪對磨耗壽命預測模型。

3）智能診斷技術(shù)。利用機器視覺技術(shù)，采集車底走行部部件圖像數(shù)據(jù)，搭建AI分析平臺，利用機器學習智能識別部件缺陷。

3.1.3 決策支持子系統(tǒng)

決策支持子系統(tǒng)可以為用戶提供所需的數(shù)據(jù)、背景資料等信息，幫助用戶正確決策并識別問題，通過人機交互功能進行分析、比較和判斷，為正確的決策提供必要地支持。輪對檢修應該建立基于統(tǒng)計的決策系統(tǒng)及基于知識的決策系統(tǒng)。

1）進行多維的、更為復雜的綜合分析和計算，從中發(fā)現(xiàn)各種趨勢，發(fā)現(xiàn)異常情況，得到重要細節(jié)；找出內(nèi)在規(guī)律，為各級領(lǐng)導的決策業(yè)務(wù)提供切實有效的幫助。走行部故障可按車型、按線路、按部件、按故障類型和按時間周期進行分類統(tǒng)計分析。

2）知識驅(qū)動的維修決策，通過數(shù)據(jù)挖掘，對大量數(shù)據(jù)進行篩選，找尋數(shù)據(jù)之間的關(guān)聯(lián)，構(gòu)建知識驅(qū)動的維修決策。如通過專業(yè)知識與仿真技術(shù)，構(gòu)建輪軌接觸耦合動力學模型，對輪軌關(guān)系進行分析，以期改善線路狀態(tài)；利用車輪踏面廓形磨損規(guī)律，標準廓形的匹配關(guān)系，車廂輪徑差要求，進行鏇修磨耗量分析，選擇最佳鏇修廓形以實現(xiàn)經(jīng)濟鏇修。

3）構(gòu)建與故障部件，故障類型與級別匹配的維修決策知識庫，根據(jù)預報警故障，自動生成走行部或線路軌道維修的計劃及方案。

3.1.4 自學習模塊

構(gòu)建機器學習平臺，實現(xiàn)離線的模型訓練，用以提升故障診斷能力，入段線安裝的車底走行部圖像檢測系統(tǒng)，庫內(nèi)智能巡檢機器人均采用了機器學習技術(shù)，使用Tensorflow，Torch等機器學習框架，搭建自學習平臺。人工對系統(tǒng)的誤報警進行標注后，加入樣本庫，通過平臺自學習，構(gòu)建新版本模型，隨著系統(tǒng)運用時間的增長，從而提升報警準確率。

3.2 輪對鏇修及壽命預測

隨著運營走行公里的增長，車輪踏面受輪軌接觸時各力影響而磨損，車輪外形尺寸發(fā)生變化反映在輪緣高度變深、輪緣厚度變薄，影響行車安全。當尺寸磨損達到一定限度時，通過鏇修恢復踏面外形尺寸。當多次鏇修后，因車輪直徑達到限度則無法再修復，必須進行更換，一定程度會造成部分車輪的過渡鏇修，從而形成浪費。通過精細地監(jiān)測線路車輪磨損狀況建立磨耗規(guī)律模型，使其與實際磨損過程相符，從而預測鏇修，推算車輪使用壽命，可合理安排鏇修，節(jié)省車輪使用成本。建立車輪全壽命周期的磨耗規(guī)律與鏇修規(guī)律模型需要較長的周期，長期運營后才會積累相關(guān)鏇修記錄。因此，考慮分為3個階段開展磨耗到限預測以及壽命預測，包括短期預測，中期預測及長期預測，如圖11所示。

圖11 輪對鏇修預測流程圖

建立智能診斷專家系統(tǒng)，實現(xiàn)基于風險的主動性維修策略，需要研究應用故障預測技術(shù)。常用的故障預測技術(shù)包括基于可靠性分析理論的預測技術(shù)，基于失效物理模型的預測技術(shù)，基于數(shù)據(jù)驅(qū)動的預測技術(shù)，本研究選擇基于數(shù)據(jù)驅(qū)動的預測技術(shù)對車輪磨耗趨勢進行了預測分析研究。

通常車輪踏面磨損一是非線性的，輪緣高度的磨損加劇輪緣厚度的磨損，不同輪徑時，輪緣高度的磨損率也會有所變化；二是受軌道不平順，鋼軌軌距、高低和左右方面幾何尺寸偏差影響左右車輪偏磨從而加劇磨損。因此通過精細的監(jiān)測線路車輪磨損狀況，建立磨耗規(guī)律模型，使其與實際磨損過程相符，從而預測鏇修，推算車輪使用壽命（圖12）。

圖12 車輪全壽命周期磨耗率規(guī)律

4 結(jié)束語

本研究提出了一種采用基于激光位移測量技術(shù)、高精度圖像測量技術(shù)、機器視覺圖像分析技術(shù)、智能機器人和超聲波無損探傷等技術(shù)，構(gòu)造的城軌車輛輪對智能檢測體系、城軌車輛輪對的異常狀態(tài)進行實時在線監(jiān)測，將監(jiān)測數(shù)據(jù)自行分析診斷，實現(xiàn)輪對故障的早期預警和分級報警，及時發(fā)現(xiàn)車輪問題，暴露安全隱患，為城軌車輛的安全運行提供保障。在該體系基礎(chǔ)上綜合多源檢測數(shù)據(jù)，運用智能診斷專家系統(tǒng)實現(xiàn)輪對故障檢測及診斷，同時分析輪對磨耗規(guī)律，提出輪對鏇修建議，并預測輪對壽命。通過城軌車輛實際運用現(xiàn)場診斷結(jié)果驗證了輪對故障預測技術(shù)的可靠性，該研究為城軌列車的運行安全提供了保障，具有較好的社會效益。