基于TCMS数据判断列车空调制冷系统异常的方法与流程

基于tcms数据判断列车空调制冷系统异常的方法
技术领域
1.本发明属于列车空调系统故障检测技术领域。


背景技术：

2.列车空调系统作为列车组成部分，其常见故障绝大多数表现为制冷效率不佳，引起机组制冷效率异常的常见原因包括风机故障、滤网脏堵、压缩机故障、制冷剂泄漏等。
3.由于当前列车空调系统的检修方式还局限于集中排查、定期维修等手段，缺乏在线故障检测与预警方法，致使列车空调的故障隐患无法及时发现，一旦发生故障，不仅增加空调机组能耗，还会影响列车运营，甚至造成安全隐患。
4.现有技术中，针对空调系统故障检测领域的专利方法主要面向家用、电力行业场景，且多止步在空调运行状态监控。对于能够实现空调制冷效率异常检测的方法主要分为两类：一类是基于大量相关运行工况参数、环境参数历史数据，利用机器学习/深度学习技术拟合温度、制冷量以匹配故障表现；另一类是以阈值判别的方式识别不同温差变化异常。例如专利文件cn110986312检测室内温度、蒸发器的温度和冷凝器的温度判断蒸发器的温度和所冷凝器的温度是否异常，专利文件cn110986312通过曲线簇聚类中心之间的平均欧式距离判定空调制冷效率；这两个方法必需依赖足够多的传感信号作为输入条件，因此进行制冷指标计算的数据代价相对大；专利文件cn108954670b，公开了一种空调器的故障预判方法，但是该方法容易受到外界环境因素干扰，例如车辆位于地上、地下、是否受阳光直射等，对单个空调的诊断无法区分是空调自身的故障引起制冷下降，还是外部环境改变导致；专利文件cn108954670b和cn110986312a公开的方法完全依赖温差值异常事件的制冷效率异常预警的控制尺度松，因此相对轻微的故障发展趋势无法识别预测。


技术实现要素：

5.发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于tcms数据判断列车空调系统制冷异常的方法。
6.技术方案：本发明提供了一种基于tcms数据判断列车空调制冷系统异常的方法，具体包括如下步骤：
7.步骤1：周期性采集车厢y的tcms数据，在tcms数据中选择制冷状态处于自动制冷模式下的温度数据，对该温度数据进行预处理；所述温度数据包括：车厢的送风温度和车厢室内温度；y＝1，2，
…
，y，y为列车中车厢的总数；
8.步骤2：计算当前周期内异常事件持续的时间长度，所述异常事件包括异常事件1：车厢y的送风温度大于车厢y室内的温度，异常事件2：车厢y室内的温度大于预设的目标温度以及异常事件3：车厢y的送风温度大于其他车厢的送风温度；在计算车厢y的送风温度大于其他车厢的送风温度的持续时间长度t
车厢y送风温度＞其他车厢送风温度
时，对车厢y的送风温度大于其他车厢的送风温度的持续时间进行比较，选择最大的持续时间；所述其他车厢为列车中除车厢y以外的车厢；
9.步骤3：基于当前周期内列车空调制冷系统处于工作状态的总时间t
working
以及每个异常事件持续的时间长度，计算当前周期内每个异常事件发生的频率值；
10.步骤4：对当前周期内车厢y的室内温度数据进行平滑处理；
11.步骤5：根据步骤4中平滑处理后的数据计算车厢y降温效率的表征率；并根据该表征率计算车厢y的降温效率偏离度；
12.步骤6：针对降温效率偏离度以及每个异常事件发生的频率值分别建立多项式模型；采用当前周期以及当前周期的前n个周期的降温效率偏离度和异常事件发生的频率值对相应的多项式模型进行拟合，并根据拟合后的多项式模型，判断未来n个周期内车厢y的空调制冷系统是否会发生异常。
13.进一步的，所述步骤1中预处理具体为在温度数据中滤除列车处于休眠状态下的温度数据，滤除列车处于停车状态下的温度数据，滤除车厢y的车门处于开状态下的温度数据以及滤除车厢y处于通风状态下的温度数据。
14.进一步的，所述步骤5具体为：
15.计算车厢y降温效率的表征率r
cooling，y
：
[0016][0017]
其中w
y，q
为当前周期内对车厢y的tcms数据进行第q采样时车厢y的室内温度；q＝1，2，
…
q；q表示一个周期内的总采样次数，t为时间变量，mean(.)为求平均值的函数；
[0018]
根据如下公式计算车厢y降温效率偏离度λ
车厢y降温效率偏离度
：
[0019]
λ
车厢y降温效率偏离度
＝[max
‑
r
cooling，y
]/max
[0020]
max＝max(r
cooling，1
，r
cooling，2
，
…
，r
cooling，y
，
…
，r
cooling，y
)
[0021]
其中max(.)为求最大值函数。
[0022]
进一步的，所述步骤6中多项式模型为：
[0023]
λ＝w1*x3+w2*x2+w3*x+w4[0024]
其中x表示周期个数，当对多项式进行拟合时x的取值范围为1～n+1；w1，w2，w3均为系数，w4为常数项；当采用降温效率偏离度对多项式模型进行拟合时，该多项式模型为降温效率偏离度多项式模型，λ为降温效率偏离度；
[0025]
当采用异常事件1的频率值对该多项式模型进行拟合时，该多项式模型为异常事件1多项式模型，λ为异常事件1发生的频率值；
[0026]
当采用异常事件2的频率值对该多项式模型进行拟合时，该多项式模型为异常事件2多项式模型，λ为异常事件2发生的频率值；
[0027]
当采用异常事件3的频率值对该多项式模型进行拟合时，该多项式模型为异常事件3多项式模型，λ为异常事件3发生的频率值；
[0028]
所述步骤6中采用多项式模型判断未来n个周期内车厢y的空调制冷系统是否会发生异常具体为：令x＝n+1+n，并代入拟合后的降温效率偏离度多项式模型，异常事件1多项式模型，异常事件2多项式模型以及异常事件3多项式模型；得到未来n个周期内车厢y降温效率偏离度λ
车厢y
，未来n个周期内异常事件1的发生频率λ
事件1
，未来n个周期内异常事件2的发生频率λ
事件2
以及未来n个周期内异常事件3的发生频率λ
事件3
；
[0029]
若λ
事件1
＞λ1，或λ
事件2
＞λ2，或λ
事件3
＞λ3，或λ
车厢y
＞λ4；则认定车厢y的制冷系统发生异
常；其中λ1，λ2，λ3和λ4均为预设的阈值。
[0030]
有益效果：本发明首先针对异常事件检测，其次统计周期内异常事件的发生概率，最后对近期多天的异常事件概率结果进行线性拟合以预测异常变化趋势，该方法具有噪声抑制性好、精度高、稳定性好的优势；本发明还特别针对同列车的不同车厢客室温度依次进行高斯平滑处理、二阶导数计算，以客室温度二阶导表征客室降温效率，横向对比多个车厢一个周期内客室温度的降温效率均值。若指定车厢降温效率均值相对任一车厢对应值的偏离度超出预定百分比阈值，则判定指定车厢制冷效率发生异常。由于车辆各车厢同时处于地上、地下、受阳光直射，因此该方法可排除环境影响去识别空调制冷效率异常，从而进一步收紧了异常的判别尺度，利于早期鉴别故障趋势。
附图说明
[0031]
图1为本发明流程图；
[0032]
图2为本发明提供的异常事件状态统计的示意图；
[0033]
图3为本发明提供的客室温度的二阶导数的求解流程示意图；其中(a)为多车厢基于原始车厢室内温度的高斯平滑结果曲线图，(b)为多车厢室内温度的一阶导数曲线图，(c)为多车厢室内温度的二阶导数曲线图；
[0034]
图4为本发明提供的异常预警机制的示意图。
具体实施方式
[0035]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0036]
如图1所示，本发明的具体实施方式如下：
[0037]
步骤1：周期性采集车厢y的tcms数据，并根据tcms数据中的“xx车sa1开关位于auto模式”信号判定空调制冷状态处于“自动”挡位，在tcms数据中选择制冷状态处于自动制冷模式下的温度数据，以此进行制冷状态数据的识别筛选；为排除开关门，列车休眠，列车停止，列车通风等状态造成的状态干扰，滤除这些状态下的温度数据。其中温度数据包括车厢y的送风温度、客室温度以及预设的目标温度；y＝1，2，
…
，y，y为列车中车厢的总数；
[0038]
步骤2：预设周期内异常事件持续时长统计，所述异常事件包括异常事件1：车厢y的送风温度大于车厢y室内的温度，则异常事件1的持续时间长度为t
送风温度＞车厢室内温度
；异常事件2：车厢y室内的温度大于预设的目标温度，异常事件2的持续时间长度为t
车厢室内的温度＞目标温度
；还包括异常事件3：车厢y的送风的温度大于其他车厢的送风温度，异常事件3的持续时间长度为t
车厢y送风温度＞其他车厢送风温度
。
[0039]
在计算车厢y的送风的温度大于其他车厢的送风温度的持续时间长度t
车厢y送风温度＞其他车厢送风温度
时，对车厢y的送风的温度大于其他车厢的送风温度的持续时间进行比较，选择最大的持续时间；具体如图2所示，若地铁列车一共4节，分别为a1车厢、b1车厢、b2车厢、a2车厢；车厢y为a2车厢，以事件“a2车厢送风温度大于其他车厢送风温度0度”为例，应依次识别图2所示时窗内“a2车厢送风温度＞a1车厢送风温度”、“a2车厢送风温度＞b1车厢送风温度”、“a2车厢送风温度＞b2车厢送风温度”的数据(该实施例在图中分别以不同形式的箭头示意了上述3类异常事件的数据点，这里的3类异常事件是只针对a2车厢的送风温
度大于其他车厢送风温度的异常事件)。该异常事件的持续时间t
车厢a2送风温度＞其他车厢送风温度
为3类情况的异常数据长度的最大值(由于事件“a2车厢送风温度>b1车厢送风温度”的数据长度相对其他更大，该实施例的t
车厢a2送风温度＞其他车厢送风温度
等于事件“a2车厢送风温度>b1车厢送风温度”的持续时间长度)。
[0040]
步骤3：首先累计当前周期内(本实施例中一个周期长度为一天)异常事件的总计时长、制冷状态总持续时长t
working
，其次统计预设周期内异常事件发生的概率，具体指的是：
[0041]
(a)异常事件1(事件“送风温度持续大于客室温度”)的异常概率为：
[0042]
λ
送风温度＞车厢室内温度
＝t
送风温度＞车厢室内温度
/t
working
[0043]
(b)异常事件2(事件“客室温度持续大于目标温度”)的异常概率为：
[0044]
λ
车厢室内的温度＞目标温度
＝t
车厢室内的温度＞目标温度
/t
working
[0045]
(c)异常事件3(事件“车厢y的送风的温度大于其他车厢的送风温度”)的异常概率为：
[0046]
λ
车厢y送风温度＞其他车厢送风温度
＝t
车厢y送风温度＞其他车厢送风温度
/t
working
[0047]
然后计算降温效率的偏离度，具体流程为：
[0048]
s1：针对预设周期内的车厢y的室内温度进行高斯平滑处理；
[0049]
s2：针对高斯平滑处理后的数据对时间进行二阶导数计算，取二阶导数的均值作为车厢y降温效率的表征率：
[0050][0051]
其中，r
cooling，y
表征了空调机组的制冷能力，其值越小阻碍温升的能力越强。为车厢室内温度对时间的二阶导，mean()为求均值的函数；w
y，q
为当前周期内对车厢y的tcms数据进行第q采样时车厢y的室内温度；q＝1，2，
…
q；q表示一个周期内的总采样次数，t为时间变量。
[0052]
结合图3，说明本技术对于多车厢空调客室温度二阶导数的计算过程。如图3中的(a)所示，首先利用高斯滤波器对精度为1℃的多车厢空调客室温度进行平滑处理，获取到上方图片所示高信噪比的平滑数据。如图3中的(b)(c)所示，随后针对滤波数据依次完成一阶导数、二阶导数的计算，位于横轴下方的温度加速度绝对值的大小表征了各车厢制冷力的大小，因此多车厢制冷效率的横向对比是基于所述温度加速度绝对值的均值完成的。
[0053]
计算车厢y降温效率偏离度λ
车厢y降温效率偏离度
：
[0054]
λ
车厢y降温效率偏离度
＝[max
‑
r
cooling，y
]/max
[0055]
max＝max(r
cooling，1
，r
cooling，2
，
…
，r
cooling，y
，
…
，r
cooling，y
)。
[0056]
其中，max(.)为求最大值函数。
[0057]
步骤4：利用多个周期(本实施例采用10天，也既当前周期和当前周期的前9天)的异常事件发生频率值、降温效率偏离度进行时序多项式模型拟合，预测的3天后的异常事件概率、降温效率偏离度。多项式模型形如：
[0058]
λ＝w1*x3+w2*x2+w3*x+w4[0059]
其中x表示周期个数，当对多项式进行拟合时x的取值范围为1～n+1；w1，w2，w3均为系数，w4为常数项；当采用降温效率偏离度对该多项式模型进行拟合时，该多项式模型为降
温效率偏离度多项式模型，λ为降温效率偏离度；当采用异常时间1的频率值对该多项式模型进行拟合时，该多项式模型为异常事件1多项式模型，λ为异常事件1发生的频率值；当采用异常事件2的频率值对该多项式模型进行拟合时，该多项式模型为异常事件2多项式模型，λ为异常事件2发生的频率值；当采用异常事件3的频率值对该多项式模型进行拟合时，该多项式模型为异常事件3多项式模型，λ为异常事件3发生的频率值；
[0060]
预测的n个周期(本实施例为3天)后异常事件概率或降温效率偏离度：令x＝n+1+n，并代入拟合后的降温效率偏离度多项式模型，异常事件1多项式模型，异常事件2多项式模型以及异常事件3多项式模型；得到未来n个周期内车厢y降温效率偏离度λ
车厢y
，未来n个周期内异常事件1的发生频率λ
事件1
，未来n个周期内异常事件2的发生频率λ
事件2
以及未来n个周期内异常事件3的发生频率λ
事件3
；若λ
事件1
＞λ1，或λ
事件2
＞λ2，或λ
事件3
＞λ3，或λ
车厢y
＞λ4；则认定车厢y的制冷发生异常。λ1，λ2，λ3和λ4均为预设的阈值。
[0061]
结合图4，以降温效率异常事件为例，利用1至10天的历史异常事件概率拟合多项式模型观测异常概率的发展趋势，并推算第未来3天的异常事件概率。如图4，若第3天的预测异常概率已超出所设阈值控制限(即λ
车厢y
(day＝3)＞λ4)，则降温效率偏离度异常，否则降温效率无异常。
[0062]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。