本发明实施例涉及列车故障检测领域，尤其涉及一种基于轴温传感器的误报识别方法及装置。
背景技术：
铁路列车在高速运行过程中，车辆走行部分各轴承的温度会不断升高，当轴温过高的时候，会造成热轴、切轴等现象，严重影响铁路运输安全。目前现有技术采用的是电阻式温度传感器，焊接在各个轴承上进行温度数据的采集，通过轴温传感器报警系统确认轴温是否高于热轴阈值，即确认热轴事故，从而触发报警，提示列车司机轴温超标，同时令列车限速运行。但是，当轴温传感器自身损坏或因为列车震动而导致轴温传感器与焊接部位松动时，会造成轴温传感器的温度数据不正常，这可能会触发热轴报警系统，从而导致不必要的列车限速运行。为了能够准确掌握高铁、动车组运行过程中轴承的实际温度，避免由于轴温传感器故障或异常导致列车不必要的降速，影响运输的高效性，迫切需要一种基于轴温传感器的误报识别方法，排除掉非故障状态的轴温传感器的非正常轴温数据(即误报数据)，保证列车安全、高速地运行，准时到达目的地。技术实现要素：针对现有技术存在的问题，本发明实施例提供一种基于轴温传感器的误报识别方法及装置，基于车载wtd设备进行大数据挖掘分析，能够有效识别轴温传感器误报情况，为phm系统对列车运行状态实时监控提供保障。第一方面，本发明实施例提供一种基于轴温传感器的误报识别方法，包括：获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。第二方面，本发明实施例提供一种基于轴温传感器的误报识别装置，包括：数据获取模块，用于获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；模型预测模块，用于将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；误报识别模块，用于若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行本发明实施例第一方面所述基于轴温传感器的误报识别方法及其任一可选实施例所述的方法。第四方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令执行本发明实施例第一方面所述基于轴温传感器的误报识别方法及其任一可选实施例的方法。本发明实施例提供的一种基于轴温传感器的误报识别方法，根据列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据，利用轴温预测模型，获取轴温相关数据对应的轴端温度预测值，再将当前轴端温度与轴端温度预测值进行比较，若二者的差值满足预设误报识别规则，即可将轴温传感器上报的当前轴端温度识别为误报数据。本发明实施例所述方法能够有效识别轴温传感器误报情况，为phm系统对列车运行状态实时监控提供保障，为列车运行安全提供保障。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本发明实施例一种基于轴温传感器的误报识别方法流程图；图2为本发明实施例30秒轴端温度变化直方图示意图；图3为本发明实施例轴温传感器上报的轴端温度与轴温预测模型输出的轴端温度预测值的拟合效果示意图；图4为本发明实施例轴温预测模型误差分布直方图示意图；图5为本发明实施例一种基于轴温传感器的误报识别装置示意图；图6为本发明实施例一种电子设备的框架示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明实施例一种基于轴温传感器的误报识别方法流程图，如图1所示的基于轴温传感器的误报识别方法，包括：100，获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；具体的，所述目标轴位为轴端、小齿轮电机侧、小齿轮车轴侧、电机传动端、电机非传动端、电机定子、大齿轮电机侧和大齿轮车轴侧中的任一类，其中，每一类轴位的轴温传感器对应一个轴温预测模型，如上述八类轴位的轴温传感器，分别对应八个轴温预测模型。所述轴温相关数据包括基本数据、衍生变量数据和连续变量数据，其中，所述基本数据包括：车型、列号、车次、车箱号、轴位id、时间、车厢类型、制动档位、加减速度、空簧压力、传感器状态、传感器温度和速度。所述衍生变量数据包括：速度均值、速度最大值、速度最小值、速度中位数、轴温均值、轴温最大值、轴温最小值、轴温中位数和外温均值；所述连续变量数据包括：前1包速度、前2包速度、前3包速度、前4包速度、前5包速度、前6包速度、前1包轴温、前2包轴温、前3包轴温、前4包轴温、前5包轴温和前6包轴温中的多种。需要说明的是，本实施例中目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据，是列车车载wtd设备检测的列车运行状态的实时数据，车载wtd设备将实时数据传回地面，地面基于列车健康大数据平台phm系统对所述实时数据进行接收、解析和存储。需要说明的是，车载wtd设备将实时数据传回地面时，将实时数据生成数据包进行传输。对于连续变量数据，可以获取前7个数据包的速度，以及前7个数据包的轴温。当然本实施例并不限制将少于7个数据包的连续数据或多余7个数据包的连续数据作为连续数据变量，例如，选取前5个数据包的速度，以及前5个数据包的轴温；或者，前10个数据包的速度，以及前10个数据包的轴温，具体的可根据需要而确定，本实施例对此不作具体限定。101，将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；本发明基于车载wtd设备发送的实时数据进而列车健康大数据平台phm系统，利用数据挖掘对列车运行状态数据进行分析和建模，将phm系统存储的列车运行状态数据作为训练数据，利用神经网络进行训练，获得轴端温度预测模型。如前所述，每一类轴位对应的轴温传感器分别对应一个轴温预测模型，但本实施例并不限定每一类轴位对应的轴温传感器分别对应一个轴温预测模型相同或不相同，因为通过实时数据分析建模后的轴温预测模型可能是相同的，也可能是不同的。但本实施例在建模时，是根据每一类轴位对应的轴温传感器，分别进行建模；建模的结果即轴温预测模型可能是相同的，也可能是不同的。进一步，在将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型之前，还包括数据过滤、特征工程处理和标签化处理等，与轴温预测模型训练实施例中的数据过滤、特征工程处理和标签化处理等相同，请参考后文描述。102，若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。具体的，本实施例所述基于轴温传感器的误报识别方法包括模型预测和误报识别两部分，模型预测主要通过步骤101实现，即利用轴温预测模型获得当前目标轴位的轴温传感器上报的轴温相关数据对应的轴端温度预测值；误报识别主要通过步骤102实现，即比较目标轴位的轴温传感器上报的当前轴端温度与轴端温度预测值的差值，若该差值满足预设误报识别规则，则判定当前轴端温度为不正常数据，应该是轴温传感器误报所致，则将所述当前轴端温度识别为误报数据。本发明实施例提供的一种基于轴温传感器的误报识别方法，根据列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据，利用轴温预测模型，获取轴温相关数据对应的轴端温度预测值，再将当前轴端温度与轴端温度预测值进行比较，若二者的差值满足预设误报识别规则，即可将轴温传感器上报的当前轴端温度识别为误报数据。本发明实施例所述方法能够有效识别轴温传感器误报情况，为phm系统对列车运行状态实时监控提供保障，为列车运行安全提供保障。具体的，所述预设误报识别规则包括：所述当前轴端温度与所述轴端温度预测值的差值超过所述轴温预测模型的误差阈值，且所述当前轴端温度与前一包温度值的差值、以及所述当前轴端温度与后一包温度值的差值均超过所述目标轴位在预设时长内轴温的变化范围。可以理解的是，所述预设误报识别规则中包含几个关键数据，第一个关键数据是轴温预测模型的误差阈值，所述误差阈值可以通过模型训练和评估得到；第二个关键数据是目标轴位在预设时长内轴温的变化范围，可以通过目标轴位的轴温传感器检测的连续变量数据得到。本发明实施例中，若当前轴端温度与所述轴端温度预测值的差值超过所述轴温预测模型的误差阈值，且所述当前轴端温度与前一包温度值的差值、以及所述当前轴端温度与后一包温度值的差值均超过所述目标轴位在预设时长内轴温的变化范围，则判定当前轴端温度为不正常数据，应该是轴温传感器误报所致，则将所述当前轴端温度识别为误报数据。基于上述实施例，所述轴温预测模型通过神经网络训练得到，具体包括：步骤1，对于每一类轴位，将列车运行时轴温传感器上报的轴端温度和轴温相关数据作为训练数据，获得每一类轴位的轴温传感器对应的训练数据；步骤2，基于每一类轴位的轴温传感器对应的训练数据，利用相关性分析算法，获取轴端温度与速度、制动档位、加减速度之间的相关性系数以及预设时长内轴温的变化范围；步骤3，通过每一类轴位的轴温传感器对应的训练数据、相关性系数及预设时长内轴温的变化范围，对神经网络进行训练，获得每一类轴位对应的轴温预测模型；其中，所述神经网络为前馈神经网络，其学习算法为bp反向传播算法，具有输入层、隐藏层和输出层的三层全接连结构。具体的，步骤1中的训练数据可以是列车健康大数据平台phm系统接收的轴温传感器上报的实时数据进行挖掘分析得到。具体的，步骤2中，利用相关性分析算法，获取预设时长内的轴端温度与速度、制动档位、加减速度等之间的相关性系数，通过对预设时长内轴温的变化情况进行统计分析，获得预设时长内轴温的变化范围，该变化范围为轴温的正常变化范围，每一类轴位对应一个预设时长内轴温的变化范围。其中，预设时长可根据实际需要而选定，本实施例不作具体限定。在一个可选的实施例中，本实施例中通过对30秒的轴温变化数据进行分析，获得的相关性系数如下表：相关性制动档位加减速度速度外温均值轴端温度0.039249624-0.0219293410.2837929920.680123837图2为本发明实施例30秒轴端温度变化直方图示意图，30秒轴端温度变化情况请参考图2，其中横轴为温度，纵轴为每个温度区间对应的温度变化概率。需要说明的是，建立轴温预测模型其实是一个回归问题，并且应该根据轴端、小齿轮电机侧、小齿轮车轮侧、电机传动端、电机非传动端、电机定子、大齿轮电机侧、大齿轮车轮侧分别建立轴温预测模型。为了保证预测模型的准确性，本发明实施例并没有使用一般的回归算法，而是采用了较为特殊的神经网络算法来建立轴温预测模型。具体的，本发明实施例的神经网络的类型为前馈神经网络，其学习算法为bp反向传播算法；网络结构为三层全接连结构，包括输入层、隐藏层和输出层，其中输入层包括128个神经元，隐藏层包括64个神经元，输出层包括1个神经元；经训练学习，其学习率为0.0013；损失函数为均方误差，优化器为adam优化器，防过拟合技术为dropout。本发明实施例根据列车运行时的制动档位、加减速度、速度、外温及各轴位的轴温数据和轴温传感器状态数据等，对列车的轴温相关数据进行综合分析，建立各轴位的轴温传感器的轴温预测模型，再依据轴温传感器传来的轴端温度值判断出该轴温传感器是否存在误报。基于上述实施例，步骤1，所述对于每一类轴位，将列车运行时轴温传感器上报的轴端温度和轴温相关数据作为训练数据，获得每一类轴位的轴温传感器对应的训练数据，具体包括：步骤1.1，获取列车运行时每一类轴位的轴温传感器上报的轴端温度和轴温相关数据；步骤1.2，对每一类轴位对应的轴端温度和轴温相关数据进行数据过滤、特征工程处理和标签化处理后，获得预测标签；步骤1.3，根据每一类轴位对应的轴端温度、轴温相关数据和所述预测标签，获得每一类轴位的轴温传感器对应的训练数据。本发明实施例列车健康大数据平台phm系统接收的轴温传感器上报的实时数据进行挖掘分析，具体的，步骤1.1在获取列车运行时每一类轴位的轴温传感器上报的轴端温度和轴温相关数据时，由于原始数据存储在phm系统的hbase数据仓库中，为了方便数据的抽取及保证数据是标准化的数据结构，所以可以先建立hive表，根据每一个需要用到的数据建立数据库表，数据看表包括字段、注释、数据类型和说明等；需要用到的数据如前所述，包括基本数据、衍生变量数据和连续变量数据，此处不在赘述；又由于涉及数据量十分庞大，所以还要按照月份和日期进行分区管理。然后，可以将抽样数据的hql语句写进shell脚本中，根据执行的时间抽取前3个小时内的数据，因为有8大类轴位(轴端、小齿轮电机侧、小齿轮车轴侧、电机传动端、电机非传动端、电机定子、大齿轮电机侧和大齿轮车轴侧)，所以一共有8个抽样数据脚本，抽样数据脚本中根据轴位id的过滤条件区分不同的轴温传感器对应的轴温预测模型的训练数据。基于上述实施例，步骤1.2中所述数据过滤包括：空值过滤、非法字符过滤、空簧压力异常值过滤、轴温数据-50度过滤中的一种或多种；所述特征工程处理包括：将车厢类型映射成数值；将第一类制动档位映射成第一数值范围内的值，将第二类制动档位映射成第二数值范围内的值，将第三类制动档位映射为第三数值。具体的，对于现有的列车类型，将车厢类型包括t和m，可以将t映射成0，将m映射成1；第一类制动档位可以是b1～b7，可以将b1～b7映射成-1～-7；第二类制动档位可以是p1～p10，可以将p1～p10映射成1～10，第三类制动档位是其他档位，可以将其他档位映射为0。所述标签化处理包括：以车型、列号、车号及轴位id为关键字，确定与所述关键字唯一对应的轴箱轴承传感器，将每一类轴位的轴温传感器下一时刻的轴端温度作为当前时刻的预测标签。最终，将每一类轴位对应的轴端温度、轴温相关数据和所述预测标签，作为每一类轴位的轴温传感器对应的训练数据。基于上述实施例，本发明实施例通过每一类轴位的轴温传感器对应的训练数据、相关性系数及预设时长内轴温的变化范围，对神经网络进行训练，获得每一类轴位对应的轴温预测模型。一般的，模型好坏主要看其两个方面：一个是模型的准确性，另一个是模型的稳定性；准确性指的是模型在样本上的输出与真实值之间的误差，稳定性指的是模型每一次输出结果与真实值之间的误差的波动大小。本发明实施例选择平均绝对误差(mae)和均方误差(mse)作为主要的模型评价指标对训练好的轴温预测模型进行评估。平均绝对误差可以体现出模型的准确性，均方误差可以表现出模型的稳定性。当平均绝对误差和均方误差都处于很小值时，反应了模型的精确度高，稳定性高，整体的error(误差)小，表明神经网络模型的预测性能好。另外还选取的r2模型评测指标，它可以反映模型的预测值和实际情况的真实值之间的关联程度。图3为本发明实施例轴温传感器上报的轴端温度与轴温预测模型输出的轴端温度预测值的拟合效果示意图，可视化模型的拟合效果，画出轴箱轴温模型的预测值和实际对应的轴温值的曲线图，请参考图3，其中横轴为包数，纵轴为温度。从图3中可以看出，轴温预测模型输出的轴端温度预测值与轴温传感器上报的轴端温度的拟合效果良好，可以与表格中的指标数据相互印证。由此可以确认本发明实施例轴温预测模型的预测精度非常高。基于上述实施例，本发明实施例轴温预测模型的误差阈值的范围为1-2度。所述预设时长内轴温的变化范围包括：30秒内轴温变化范围为1-2度；相应的，所述预设误报识别规则包括：所述当前轴端温度与所述轴端温度预测值的差值的绝对值大于2度，且所述当前轴端温度与前一包温度值的差值的绝对值、以及所述当前轴端温度与后一包温度值的差值的绝对值均超过2度。图4为本发明实施例轴温预测模型误差分布直方图示意图，请参考图4，根据一周左右的测试数据结果，按照绝对值误差小于1度，介于1～2度，介于2～3度，介于3～4度，介于4～5度，介于5～6度，大于6度进行划分，画出各个误差范围内数据所占的比例，结果如图4所示，其中横轴为温度，纵轴为误差比例。从轴温预测模型误差分布直方图中可以看出，误差大于2度的占比分布较平均且属于同一个量级，且都小于万分之一，所以轴温预测模型的合理误差阈值为2度。由此，可得到具体的预设误报识别规则为，当轴端温度值与轴温预测模型的预测值的误差绝对值大于2度时，并且轴端温度值与前一包温度值的差值绝对值大于2度，与后一包温度值的差值绝对值也大于2度时，则认定轴端温度值为温度传感器误报所致。本发明实施例基于车载wtd设备传回phm系统的运行状态数据，对列车的轴端温度和轴温传感器状态进行分析，研究并应用神经网络算法对轴箱轴承温度进行预测，根据预测值与实际值差值生成相应的误报识别规则，最终在大数据平台开发并应用此规则。本发明实施例所述基于轴温传感器的误报识别方法能够对列车轴箱轴承温度传感器误报进行有效识别，为检修人员进行维修提供指导，为业务人员进行数据分析和挖掘提供保障；在已有的轴箱轴承温度情况下，利用神经网络算法预测下一包轴温温度值，预测准确率达到99％，为phm系统对列车运行状态实时监控提供保障，为列车运行安全提供保障。图5为本发明实施例一种基于轴温传感器的误报识别装置示意图，如图5所示，本发明实施例还提供一种基于轴温传感器的误报识别装置，包括：数据获取模块500，用于获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；模型预测模块501，用于将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；误报识别模块502，用于若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。本发明实施例的装置，可用于执行图1所示的基于轴温传感器的误报识别方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。图6为本发明实施例一种电子设备的框架示意图。请参考图6，本发明实施例提供一种电子设备，包括：处理器(processor)610、通信接口(communicationsinterface)620、存储器(memory)630和总线640，其中，处理器610，通信接口620，存储器630通过总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法，包括：获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取列车运行时目标轴位的轴温传感器上报的当前轴端温度和轴温相关数据；将所述轴温相关数据输入至所述轴温传感器对应的轴温预测模型，获取所述轴温相关数据对应的轴端温度预测值，所述轴温预测模型通过神经网络训练得到；若判断获知所述当前轴端温度与所述轴端温度预测值的差值满足预设误报识别规则，则将所述当前轴端温度识别为误报数据。本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如u盘、移动硬盘、rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页12