基于BP 神经网络的接触网绝缘子干冰清洗研究*

王国志 侯杰文 张元彬

（西南交通大学先进驱动节能技术教育部工程研究中心 成都 610031）

1 引言

绝缘子污秽闪络对电气化铁路运行系统带来极大安全隐患，在实际运行维护中普遍采用方法有：机械刷扫式［1］、高压水射流冲洗式［2］、干冰冲洗式［3～4］、被动自清洁式［5］等。干冰冲洗因其具有一些其他清洗方式不具备的优点，例如，无二次污染，无需干燥时间，清洗效果好，相对安全系数比较高等优点，已经在我国电气化铁路系统中有所应用。干冰清洗的机理是一个比较复杂的过程，包括类似喷丸技术的动力学剥离，与表面污秽的热交换，干冰升华成气体过程中产生的曳力［6～8］。有研究表明干冰清洗过程中动力学剥离占主要作用［9］，而相关清洗因素对干冰颗粒的动力学影响比较大，所以对清洗因素的研究很重要。

罗毅［10］通过对进气压力、干冰流量、喷嘴类型等因素进行研究，得到这些因素对干冰颗粒速度以及分布的影响。孙孟洪［11］通过控制干冰流量、喷射角度等因素来进行冲击油漆面实验，以油漆剥离宽度衡量清洗效果，得到各因素对清洗效果的影响。汪卢［12］使用正交实验法，研究入口压力、干冰直径、清洗靶距的最优组合。目前学者对干冰清洗的研究只进行单因素组合分析，并没有全因素交互分析，缺乏各个因素对全局影响的研究，得到的结论对实际作业指导意义不大。

随着机器学习算法的广泛应用，对于该类全局分析的问题，使用神经网络能够得到较好的解决。王自立［13］等使用神经网络研究风力、温度、降水量等因素，对绝缘子污秽度的影响，建立了精准的全局模型。曹凡［14］等使用径向基函数神经网络，完成了房车空调送风参数的研究。王黎明［15］等提出通过使用季节、降水等因素，建立绝缘子表面泄露电流预测神经网络模型，具有良好预测效果。以上学者的研究表明，神经网络技术对于解决全局变量问题具有独到的优点，可以很好的解决干冰清洗参数的全因素交互分析问题，能系统的对干冰清洗作业进行实际指导。本文以QBN2-25 型铁路接触网绝缘子为清洗研究目标，通过对清洗过程中的压缩空气压强、干冰质量流量、清洗角度、清洗靶距为研究因素，结合CFD 技术建立一个高精度BP 神经网络模型，依据模型对各参数之间的交互影响作用进行分析研究，指导清洗作业，并提出该类清洗工作研究的新方法。

2 流体模型建立

2.1 几何模型与清洗参数确定

本文研究对象为QBN2-25型接触网绝缘子，如图1所示。干冰喷枪选择口径为50mm的直通型圆口喷枪。主要清洗影响因素为压缩空气压强、干冰质量流量、清洗角度、清洗靶距。其中清洗角度定义为在目标绝缘子与喷枪共面平面内，喷枪与水平线的夹角。参考实际情况与相关安全标准，确定压缩空气压强范围在0.5MPa～1MPa，干冰质量流量范围在0.5kg/min～5kg/min，清洗角度范围在0°～60°，清洗靶距范围在0.4m～0.8m。

图1 QBN2-25型绝缘子结构图

2.2 网格划分与边界条件

本文使用ANSYS Meshing 软件对模型进行网格划分，由于绝缘子表面几何结构比较复杂，所以选择适应性比较好的四面体网格［16］。为提高计算精度，捕捉更准确的数据，对喷枪的入口以及靠近绝缘子壁面的区域网格进行加密处理。各组参数模型网格数量在60万～70万之间，如图2所示。

图2 模型网格结构剖面图

该次计算中连续相湍流模型选择RNG k-ε模型［17］，气体设置为理想可压缩气体，入口为压力入口，压强为清洗参数变量，出口设置为大气压。离散相计算采用基于拉格朗日公式的DPM 模型，干冰颗粒密度为1560kg/m3，颗粒比热容为2100J/（kg·K），颗粒形状系数为0.83，入射方向沿干冰喷枪轴线方向。

2.3 清洗质量评价标准

选择合理的清洗质量评价量化指标对清洗研究工作具有重要意义，目前大多数干冰清洗研究选择干冰颗粒靶点速度作为清洗质量评价指标，具有一定局限性，未考虑到颗粒在靶点位置入射角度以及颗粒反弹等作用，难以实际衡量清洗效果。龚正［18］率先在干冰清洗聚变装置的研究中，提出采用冲蚀率来衡量干冰清洗效果。冲蚀磨损是一种低应力磨料磨损，相关研究模型建立都是基于特定材料特定条件，适用性较差，本文研究重点在于对清洗质量进行评价，所以选择通用型冲蚀模型，不考虑表征材料硬度等参数。冲蚀率可以表达为式（1）。

式中，m 为颗粒质量；L（d）为粒径函数；θ为颗粒路径与壁面的冲击角；f为冲击角函数；b（v）为相对速度函数；S为靶面积。

2.4 连续相与离散相结果分析

流体模型经过迭代计算，达到收敛条件。模型纵截面流速云图如图3 所示，压缩空气以亚音速从干冰喷枪中流出，急速膨胀，压强降低，速度升高，形成超音速气体。由于自由气体对超音速气体传播形成阻碍作用，导致速度降低，压强增大，以此往复循环向前传递。气体传递至绝缘子表面发生明显的气体绕流现象，对绝缘子整体吹拭有较好影响。模型离散相速度云图如图4 所示，干冰颗粒从喷枪喷出，由超音速气体加速，颗粒速度极快提高，呈散射状态射向绝缘子，后受气体黏度影响，加速趋缓。

图3 连续相剖面流速云图

图4 离散相速度云图

3 BP神经网络模型

3.1 数据样本

数据抽样对神经网络模型的精度有很大的影响，合理的抽样应该保证在范围内均匀分布，同时又保证多样性与高度随机性。由于以上需求，本文采用拉丁超立方抽样方法进行抽样［19］。在清洗参数集内，抽取50 组参数组合作为训练集，完成神经网络模型训练；再抽取10 组参数组合作为测试集，对模型精度进行验证。将训练集与测试集参数代入流体模型，得到对绝缘子的冲蚀率，如表1和表2所示。

表1 部分训练集参数及冲蚀率

表2 测试集参数及冲蚀率

3.2 神经网络结构

BP 神经网络是一种误差逆向传播的前馈网络，特点在于通过大量样本的储存与学习，依靠权值与阈值的向前修正迭代，建立起的无需物理模型解释的近似模型。

其结构分为三层，分别是输入层、隐含层、输出层。在干冰清洗绝缘子研究中，输入层有四个输入，分别为干冰质量流量、压缩空气压强、清洗角度、清洗靶距；隐含层通常分为单层与多层，本案例情况不太复杂，选择单层结构，而隐含层节点数计算则是依靠经验公式［20］，有7 个；输出层则为单输出，输出为冲蚀率。神经网络拓扑结构如图5 所示。

图5 神经网络拓扑结构

3.3 神经网络参数设置

该神经网络模型中，神经元激励函数选择tansig，训练函数选择trainlm，最大训练次数为200 次，训练目标为10-4，学习率设置为0.05。

3.4 神经网络模型验证

将测试集参数以随机次序代入训练好的神经网络模型，以验证模型准确性。通常以可决系数R2为量化指标衡量模型精度。如图6 所示，可知测试集CFD实验结果与神经网络模型输出结果对比，求得可决系数为0.9795，所以判断该神经网络模型为高精度模型。

图6 测试集结果对比图

3.5 结果分析

为研究各清洗参数对干冰清洗效果的交互影响，本文采用BP 神经网络模型绘制各变量对清洗效果评价指标即冲蚀率的影响图，并进行分析。

如图7 所示，在清洗靶距0.6m，清洗角度30°时，干冰质量流量一定，随着压缩空气压强增大，清洗效果提高，并且当质量流量大于3.5kg/min，清洗效果提升更加显著。当压缩空气压强一定，清洗效果随干冰质量流量增加而提高，当压缩空气压强大于0.85MPa，清洗效果提升最显著。高压缩空气压强与高干冰质量流量清洗组合效果最好，为避免浪费，不宜采用高压强搭配低流量或者高流量搭配低压强。

图7 压缩空气压强与干冰质量流量对清洗效果影响图

如图8 所示，在干冰质量流量2kg/min，清洗靶距0.6m 时，不同的压缩空气压强的情况下，都存在一个最优清洗角度，在压强为0.5MPa～0.7MPa 时，最优清洗角度为25°，压强为0.7MPa～1MPa 时，最优清洗角度为30°。为达到最好的清洗效果，需使用匹配当前情况的最优清洗角度。

图8 清洗角度与压缩空气压强对清洗效果影响图

如图9 所示，在干冰质量流量2kg/min，清洗角度30°时，清洗靶距一定，清洗效果随压缩空气压强增加而提高。压缩空气压强在0.5MPa～0.8MPa 时，存在最优清洗靶距，而且最优靶距随压强增加而增加。压缩空气压强在0.8MPa～1MPa 时，靶距越大清洗效果越好。

图9 清洗靶距与压缩空气压强对清洗效果影响图

如图10所示，在压缩空气压强0.8MPa，清洗靶距0.6m 时，清洗角度一定，清洗效果随干冰质量流量增加而提高，但是在清洗角度为35°～60°时，清洗效果随干冰质量流量增加而提高的显著性下降，所以在这种情况下不宜采用较高干冰质量流量，避免清洗成本浪费。干冰质量流量一定时，存在最优清洗角度，为30°。

图10 清洗角度与干冰质量流量对清洗效果影响图

如图11所示，在压缩空气压强0.8MPa，清洗角度30°时，清洗靶距一定，清洗效果随干冰质量流量增加而提高，但是在靶距为0.4～0.5m 时，清洗效果提高显著性较低，所以建议在靶距较近时不宜采用较大干冰质量流量。

图11 清洗靶距与干冰质量流量对清洗效果影响图

如图12所示，在压缩空气压强0.8MPa，干冰质量流量2kg/min 时，清洗靶距在0.4m～0.76m 时，存在最优清洗角度，清洗靶距在0.76m～0.8m 时，清洗效果随清洗角度增加而降低。

图12 清洗靶距与清洗角度对清洗效果影响图

综合所有图像对比可知，压缩空气压强与干冰质量流量的交互影响对清洗效果的影响最大，清洗角度与压缩空气压强的交互影响对清洗效果影响最小。

4 结语

1）建立了基于CFD 方法的干冰清洗QBN2-25型接触网绝缘子的流体模型，确定了采用通用型冲蚀率来量化衡量清洗效果的研究方法。

2）采用拉丁超立方抽样方法，在符合实际情况与相关安全标准的情况下，抽样50 组干冰清洗参数作为训练集，建立BP 神经网络模型，通过10 组测试集验证模型，可决系数为0.9795，故判断为高精度模型，具有良好的泛化能力。提出了干冰清洗参数研究的新方法。

3）压缩空气压强与干冰质量流量的合理选择对清洗效果影响最大，通常高压强需搭配高流量。当采用不同压缩空气压强时，需匹配对应最优清洗角度与清洗靶距。清洗角度与清洗靶距存在一定范围，使干冰质量流量对清洗效果影响降低，需要避免，以防止浪费。