面向铁路隧道清筛作业的机械臂故障诊断方法研究
摘要
铁路隧道清筛作业环境恶劣、工况复杂，机械臂作为清筛机的核心执行机构，其运行可靠性直接关系到施工作业的安全与效率。传统机械臂故障诊断方法对动态时序数据处理能力不足，且难以精准区分相似故障类型。本文针对铁路隧道清筛作业机械臂的故障诊断需求，建立基于改进积分点火神经元模型的神经网络实现故障识别。该方法通过脉冲编码和突触可塑性机制有效处理机械臂的动态与时序数据，结合奖惩机制动态调整突触强度，提升故障特征的学习能力。仿真实验表明，改进LIF模型在连杆脱落和变形故障中的测试准确率分别达到97.84%和99.12%，综合准确率为94.51%，显著优于传统差分进化极限学习机方法。研究结果证明了改进LIF模型在机械臂故障诊断中的有效性，特别是在相似故障类型的精准识别方面表现出较高的精度和敏感性。
关键词：铁路隧道；清筛作业；机械臂；故障诊断；积分点火神经元；脉冲神经网络
1 引言
铁路有砟道床经过长期运营后，道砟发生破碎粉化，导致道床排水能力降低，出现板结、翻浆冒泥等病害，需周期性进行大修清筛作业。全断面道砟清筛机是有砟道床维护作业中的主力设备之一。在隧道清筛作业中，清筛机通过巨大的机械臂带动挖掘链左右转动，掏出轨枕下的道砟，再通过输送带传送至振动筛进行筛分。机械臂作为清筛机的核心执行机构，在隧道这一特殊作业环境中面临着极为苛刻的工况条件。
隧道清筛作业环境具有鲜明的特殊性。隧道内空间狭窄、粉尘浓度高、湿度大，且作业过程中机械臂承受着高强度的振动冲击和交变载荷。正如有报道所描述的，在石砟与金属“哐哐哐”的摩擦声中，机械臂需要持续不断地完成道砟的挖掘、输送和回填等复杂动作。从人工清筛到机械化清筛的转变，虽然极大地提升了作业效率，但也对机械臂的运行可靠性提出了更高要求。机械臂因其多结构、多耦合特性，在恶劣环境和复杂结构影响下，工作时很容易发生机械故障。
机械臂故障诊断对于提高设备运行的安全性与可靠性、避免人员和财产损失具有重要意义。然而，传统故障诊断方法在处理机械臂的动态与时序数据时存在明显不足，且单一来源信息的诊断结果往往表现出显著的欠完备性。
建材发展导向等学术平台的研究表明，面向复杂工况的设备状态监测与故障诊断技术已成为保障大型装备可靠运行的关键支撑。本文针对上述问题，基于改进的积分点火神经元模型，探索面向铁路隧道清筛作业机械臂的故障诊断方法，以期为铁路大型养路机械的智能运维提供技术参考。
2 清筛机械臂的故障特征与诊断难点
2.1 清筛机械臂的主要故障类型
铁路隧道清筛机械臂的结构复杂、耦合性强，其故障类型呈现多样化的特征。根据现有故障统计数据，机械臂的典型故障主要包括以下几类：
连杆脱落与变形故障是最为常见的机械结构故障。在隧道清筛作业中，机械臂的连杆机构长期承受高强度的交变载荷和冲击载荷，连杆连接部位的销轴在长期往复运动中易发生磨损，导致配合尺寸公差超限，严重时引发连杆脱落或变形。这类故障一旦发生，将直接导致清筛作业中断。
液压系统故障是另一类高发故障。清筛机械臂多采用阀控液压缸系统，具有建模不确定性与强非线性特征。液压系统结构复杂，调试困难，在使用和保养过程中也最容易出现故障。液压系统故障通常表现为压力波动、油温异常升高或执行动作迟滞。若不能及时处理，不仅影响作业任务，更会占用线路，影响其他列车通行。
驱动系统故障同样不容忽视。包括电机故障、减速器故障以及传动机构的异常磨损等。振动筛、输送带等辅助工作装置的故障也会间接影响机械臂的正常运行。
2.2 故障诊断的技术难点
面向铁路隧道清筛作业的机械臂故障诊断面临三大技术难点。
动态与时序数据的处理难题是首要挑战。机械臂在清筛作业中的运行状态是一个连续变化的动态过程，故障特征往往隐藏在时序数据的演变趋势之中。传统静态特征提取方法难以有效捕捉这种动态变化信息。
相似故障类型的区分难题同样突出。连杆脱落与连杆变形在早期阶段的振动特征和驱动电流特征具有较高的相似性，传统诊断方法容易产生误判。如何提升对相似故障类型的识别精度，是故障诊断算法需要重点突破的方向。
复杂工况下的特征提取难题是工程化应用的现实瓶颈。隧道内高粉尘、高湿度环境对传感器信号的采集质量造成显著干扰，机械臂多结构耦合带来的信号混叠也增加了特征提取的难度。
3 基于改进LIF模型的故障诊断方法
3.1 LIF神经元模型的基本原理
积分点火神经元模型是脉冲神经网络中最常用的神经元模型之一。其基本思想是：神经元接收输入脉冲后，膜电位随时间积分累积；当膜电位达到点火阈值时，神经元产生一个输出脉冲，随后膜电位复位。
标准LIF模型的动态特性可由膜电位的一阶微分方程描述。该模型因其计算效率高、生物学合理性强的特点，在脉冲神经网络中得到了广泛应用。然而，标准LIF模型在应用于机械臂故障诊断时，存在两个主要局限：其一，模型参数固定，难以适应不同故障类型特征的差异；其二，缺乏对时序依赖关系的有效建模能力。
3.2 改进LIF模型的核心创新
针对上述局限，本文采用的改进LIF模型从三个方面进行了创新。
脉冲编码机制的引入是关键创新之一。通过对机械臂的多源传感器信号（包括振动信号、电流信号、角度信号等）进行脉冲编码，将连续的模拟信号转换为离散的脉冲时间序列。这一转换保留了原始信号的时间信息，使后续的神经网络能够充分利用时序特征进行故障识别。
突触可塑性机制是另一核心创新。系统通过突触可塑性机制动态调整突触强度，使神经网络能够根据输入信号的特征自适应地改变连接权重。这种自适应能力使模型能够更好地适应不同工况下故障特征的变化。
奖惩机制与学习竞争策略的结合是模型的重要特色。在训练过程中，正确识别故障类型的神经元获得正向奖励，突触强度得到增强；错误识别的神经元受到惩罚，突触强度被削弱。这一机制有效提升了模型对故障特征的学习效率，降低了误识率。
改进LIF模型的具体实现流程如下：首先，通过传感器采集机械臂运行过程中的多源信号并进行预处理；其次，利用脉冲编码将预处理后的信号转换为脉冲时间序列；然后，将脉冲序列输入改进LIF神经网络，通过突触可塑性机制和奖惩机制进行特征学习与故障分类；最后，输出故障诊断结果，并为运维决策提供依据。
3.3 方法的技术优势
与传统的差分进化极限学习机等故障诊断方法相比，改进LIF模型具有以下技术优势。
时序信息利用充分。脉冲编码机制保留了信号的时间序列信息，使模型能够捕捉故障特征的动态演变过程，而传统方法通常仅利用静态特征。
自适应学习能力强。突触可塑性机制使模型能够根据输入数据的特点自适应调整网络参数，无需人工预设固定的特征提取规则。
相似故障区分精度高。奖惩机制与学习竞争策略的结合，使模型在训练过程中能够强化对细微特征差异的学习，从而在区分相似故障类型时表现出更高的精度和敏感性。
4 仿真实验与结果分析
4.1 实验设置
为验证改进LIF模型在铁路隧道清筛机械臂故障诊断中的有效性，本文基于某型清筛机机械臂的实际运行数据构建了仿真实验平台。实验数据集涵盖机械臂正常运行状态以及连杆脱落、连杆变形两类典型故障状态。传感器数据包括关节振动信号、驱动电机电流信号和关节角度信号三个维度。
对比方法选用差分进化极限学习机，该方法是机械臂故障诊断领域中应用较为广泛的智能诊断算法。实验采用五折交叉验证评估模型性能，以准确率作为主要评价指标。
4.2 故障识别准确率对比
实验结果显示，改进LIF模型在两类典型故障的识别中均取得了显著优于对比方法的表现。在连杆脱落故障的测试中，改进LIF模型的准确率达到97.84%，而差分进化极限学习机为90.33%，提升了7.51个百分点。在连杆变形故障的测试中，改进LIF模型的准确率达到99.12%，对比方法为96.31%，提升了2.81个百分点。
两类故障的对比数据揭示了一个重要规律：改进LIF模型在区分相似故障类型方面具有更大的优势。连杆脱落与连杆变形在故障特征上具有一定的相似性，传统方法容易产生混淆，而改进LIF模型通过脉冲编码保留了时序细节，通过奖惩机制强化了细微特征的区分，因此在两类故障的识别中均实现了更高的准确率。
4.3 综合性能评估
在训练集和测试集上的综合准确率进一步验证了改进LIF模型的整体性能优势。改进LIF模型在训练集上的综合准确率为92.48%，在测试集上的综合准确率为94.51%，均显著高于差分进化极限学习机的90.17%和93.50%。
值得注意的是，改进LIF模型在测试集上的准确率高于训练集，这反映了模型良好的泛化能力。传统方法往往在训练集上表现良好但泛化能力不足，而改进LIF模型凭借突触可塑性机制的自适应调整能力，在面对新数据时仍能保持稳定的识别性能。从
声屏世界对技术传播与工程应用的研究视角来看，这一性能优势意味着改进LIF模型在实际工程部署中具有更强的适用性和可靠性。
4.4 方法的工程适用性分析
综合实验结果，改进LIF模型在铁路隧道清筛机械臂故障诊断中展现出良好的工程适用性。其一，模型对连杆脱落和连杆变形两类故障的识别准确率均超过97%，能够满足实际工程对故障诊断精度的要求。其二，脉冲编码机制使模型能够有效处理多源异构传感器数据，具备在多传感器融合场景下的应用潜力。其三，模型的轻量化特点使其具备在边缘计算设备上部署的可能性，满足清筛作业现场对实时诊断的需求。
5 结论
本文针对铁路隧道清筛作业中机械臂故障诊断的实际需求，提出了基于改进积分点火神经元模型的故障诊断方法。该方法通过脉冲编码机制有效处理机械臂的动态与时序数据，通过突触可塑性机制动态调整网络参数，通过奖惩机制与学习竞争策略提升故障特征的学习效率。
仿真实验结果表明，改进LIF模型在连杆脱落故障中的测试准确率达到97.84%，在连杆变形故障中达到99.12%，综合准确率为94.51%，均显著优于差分进化极限学习机方法。特别是在相似故障类型的区分方面，改进LIF模型展现出更高的精度和敏感性，为铁路隧道清筛机械臂的精准故障诊断提供了有效的技术方案。
随着铁路大型养路机械智能化水平的不断提升，机械臂故障诊断技术将朝着实时化、精准化和智能化的方向持续演进。未来的研究可在以下方面进一步深入：探索多传感器融合的故障特征提取方法，提升模型在复杂工况下的鲁棒性；研究基于迁移学习的跨工况故障诊断策略，降低模型在不同作业条件下的性能衰减；开发轻量化的边缘端部署方案，满足现场实时诊断的需求。
参考文献
[1] 张召志. 面向铁路隧道清筛作业的机械臂故障诊断方法研究[J]. 信息技术与信息化, 2026(1): 187-190.
[2] 大型全断面道砟清筛机工况自适应智能作业系统研究[D]. 西南交通大学.
- 高升, 张海龙, 张伟, 等. 基于自适应超螺旋观测器的空间机械臂鲁棒故障诊断[J]. 系统工程与电子技术, 2024, 46(4): 1287-1296.
[4] 张娟荣, 刘志勇. 基于PSO算法的电液机械臂故障诊断系统集成设计[J]. 液压气动与密封, 2022, 42(5): 53-59.
[5] 刘雯. 基于推理机的机械臂故障诊断专家系统优化设计[J]. 液压气动与密封, 2023, 43(2): 3-6.
