一种轨道车辆部件的温度异常检测方法与流程

本发明属于轨道车辆异常检测领域，涉及一种轨道车辆部件的温度异常检测方法。
背景技术：
：近几年，我国轨道车辆不断发展，铁路的安全性和可靠性，持续地受到整个行业的关注。在铁路领域，北京交通大学，中南大学，西南交通大学，中车青岛四方研究所等均对轨道车辆行车安全有所研究。车轴、轴承、制动盘等关键部件作为影响行车安全的关键部件承受着复杂的激励和多变的工况，将造成上述部件温度升高，严重时将导致上述部件失效，影响行车安全。因此，对于运行中关键部件的温度进行预测和监测，建立一个实时的温度模型，并辅设预警决策，可以有效地提升部件的运行安全并提早诊断发现。对于由于早期故障方面，在计算机能力不断攀升过程中，基于车辆行车的历史履历数据使用统计学习方法来研究。同样，深度学习进入计算机领域后，通过深度学习，对于早期故障方面研究更进一步，诊断效率持续提升，效果持续变好，使得对于故障的早期诊断和预警成为可能。现有的基于数据驱动的方法在轨道车辆温度预测中取得了较好的成果，已经成为了最常用的预测方法。但这类方法仍然有一定局限性，比如模型的数据处理能力不强导致的预测精度低、应用范围小以及单个目标进行预测导致的定位、训练缓慢等问题。综上所述，提出一种预测精度高、应用范围广、异常点定位快的预测方法是非常重要的。技术实现要素：针对
背景技术：
中所提到的，目前模型的数据处理能力不强导致的预测精度低、应用范围小以及单个目标进行预测导致的定位、训练缓慢等问题，本发明提出了一种通过轻量级梯度提升机对轨道车辆传感器采集数据进行辅助分析，选取预测温度所需要的车辆履历数据的输入时间步长，并结合各个待检测部件空间位置分布与皮尔逊系数对同列车辆对应部件相互关系进行分析，设立对多个部件温度同时进行预测的方法。为实现上述功能，本发明的技术方案具体包括以下技术步骤：第一步：将车轴、轴承、制动盘中的一个或多个作为待检测对象，对上述部件的温度异常进行检测；第二步：将检测到的温度异常信号发送到列车运行监控系统；第三步：列车运行监控系统根据温度异常信号发出警告信息。其中第一步包括以下步骤：步骤1：构建轻量级梯度提升机模型，对轨道车辆传感器采集数据进行数据分析，确立车辆各项行车参数对于单个待检测对象温度预测的重要性；步骤2：对待检测部件按照同类测点进行区分，基于温升滞后速度的特性，确定预测温度所需要的特征的输入时间步长；步骤3：结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的温度同时进行预测；步骤4：构建预测模型，将卷积神经网络进行时序处理，通过卷积层的膨胀、因果卷积与残差连接，用卷积网络对时序信号进行预测；步骤5：采用步骤4所构建的网络进行温度预测，得到真实温度与预测温度的残差值；步骤6：将步骤5得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，当出现不符合正常分布的异常数据之时，即认为该待检测对象出现异常；本发明的特点还在于：步骤1具体按照如下步骤实施：步骤1.1：在车辆运营过程中，获取轨道车辆传感器采集的履历数据，通过降采样，去空值，填补缺失值处理对上述数据进行预处理；步骤1.2：构建轻量级梯度提升机模型，以各待检测部件的温度测点为预测目标，将预处理后的其他通道数据输入轻量级梯度提升机模型，其他通道数据包括静载荷、动载荷、牵引制动载荷、车速、轴速、电机速度等多个特征，在此基础上对本发明所选取的与待检测部件相关的特征，进行特征重要度排序；步骤1.3：排序后的数据按照特征变量名重要性从高到底依次排布，重要性经过加权平均计算后总和等于1，这时选取重要性大于f的特征变量，f为根据经验设置的阈值，视各项指标在重要性排布中的分布情况而定，保证重要度大于f的特征变量的重要性总和超过f*，f*为重要性经过降维重新挑选过后的占比，一般设定为重要性总和的0.85～0.9，则此时经过挑选的特征代表之前所有特征总量的f*；步骤2中，对各个待检测部件按照同类测点进行区分，基于温升滞后速度的特性，确定预测温度所需要的特征的输入时间步长，寻找当速度v从0起始后，各待检测部件温度t发生变化的点，按照平均时长进行统计后得到需要输入模型的数据时长。步骤3中，结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的温度同时进行预测；步骤4中，所述的时域卷积网络模型构建为：构建整个时域卷积网络，该网络的核心是卷积层的膨胀、因果卷积与残差连接，扩张卷积即是当d＝1时，它表现为一个传统的卷积，当使用较大的d时，顶层输出可以表示较大的输入范围，从而有效地扩展了卷积网络的接受域；因果卷积则考虑到时间序列问题，需要使用x1,x2,…,xt去预测yt，而不能使用xt+1以及t时刻之后的数据，从而能够使得yt更接近真实值；残差连接是跳层连接，添加残差连接的目的是防止数据因模型层数过深导致的训练难以拟合，以跳层的方式来帮助模型更好地拟合数据；采用以下公式进行卷积层的膨胀，式中d为膨胀系数，k为卷积核尺寸，s-d·i为过去因子：采用以下公式进行因果卷积：采用以下公式进行残差连接：o＝activation(x+f(x))数据格式输入前为xm，n，j，m代表一个批大小的大小，n代表时间步长，j代表每个时间步长的特征量，输出模型后，数据格式为xm,a，a为模型的预测温度数,视待检部件进行调整。；将步骤5得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，当出现不符合正常分布的异常数据之时，即认为该待检测对象出现异常，并对该对象实施预警；与现有的技术与方法相比，本发明具有以下优势：(1)以目前轨道车辆已普遍安装的传感器检测到的实测数据作为模型的输入数据，保证了模型建立的准确性和工程实用性。(2)在待检测部件发生故障前提前预警，在保障行车安全的同时，也为轨道车辆的运营调度提供足够的时间裕量。(3)针对当前技术往往采用每个部件一个模型的方式，本发明提出应用一个模型应用于同型号的多个部件的技术方案，简化了模型，降低了计算量，大大提高了效率，同时还保证了精度。(4)针对不同位置待检测部件的温升滞后时间并不相同这一特点，确定各不同位置温度预测所需要的输入时间步长，提升预测精度。(5)本发明提出的时域卷积网络，为考虑长时间序列影响，采用了因果卷积与膨胀卷积，通过因果推导以及扩大卷积核，从而能够使得yt更接近真实值；添加残差连接以防止数据因模型深度过深导致的训练难以拟合，以跳层的方式来帮助模型更好地拟合数据；上述应用是对卷积网络在时序信号处理上的创新，相比循环神经网络递归的特性，长时间的记忆会被不断地遗忘，本发明所提出的网络具有卷积所特有的完全记忆性，比循环神经网络更善于处理长时间序列问题，充分地提高了模型的预测能力。(6)针对目前轨道车辆温度检测主要偏向预测方法而少有异常检测方法，提出使用孤立森林进行离群检测，将基于时域卷积网络的轴承温度预测方法结合基于孤立森林的离群检测法，实现基于预测的温度异常诊断。(7)将影响行车安全的多个关键部件均纳入异常诊断的待检测部件，实现了同时对众多部件的温度异常诊断，有利于全方位掌控各关键部件的服役状态，为轨道车辆的运行安全、行车调度和运行维护提供了重要手段。附图说明：图1为轨道车辆各部件空间位置分布图；图2为轨道车辆各类轴承温升滞后速度图；图3为轨道车辆同类测点温度走势图；图4为时域卷积网络模型图；图5为温度预测精度图；图6为孤立森林异常点分布图；图7为故障当天故障轴承温度走势图图8为故障当天正常轴承温度走势图图9轨道车辆部件的温度异常检测流程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，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的部分实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，这类术语仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。本发明中采用的轨道车辆部件的温度异常检测流程如图9所示。为叙述简洁，本发明以轴承为主，说明对单个待检测部件从传感器数据处理到温度异常诊断的全过程。步骤1具体按照如下步骤实施：步骤1.1：在车辆运营过程中，获取轨道车辆传感器采集的履历数据，通过降采样，去空值，填补缺失值处理对上述数据进行预处理。步骤1.2：构建轻量级梯度提升机模型，以轴承温度测点为预测目标，如图1所示为一轴上共9个不同类轴承分布位置，将预处理后的其他通道数据输入轻量级梯度提升机模型，其他通道数据包括静载荷、动载荷、牵引制动载荷、车速、轴速、电机速度等多个特征，在此基础上为本发明所选取的与轴承温度相关的特征，进行特征重要度排序。同样，对于车轴、制动盘而言，以车轴、制动盘温度测点为预测目标，将预处理后的其他通道数据输入轻量级梯度提升机模型，在此基础上为本发明所选取的与车轴、制动盘温度相关的特征，进行特征重要度排序。轻量级梯度提升机是树模型的一种，通过生成多棵树模型，将每个树模型当作一个弱学习器，多个弱学习器共同工作生成一个强学习器，在强学习器上实现模型的最终目标，本发明主要将该算法用来计算特征重要性，通过计算各个弱学习器中特征的重要性占比，得到所有特征的重要性排布。重要性的计算方法包含两项：增益及频率。增益意味着特征对通过对模型中的每个树采取每个特征的贡献而计算出的模型的相对贡献，频率是表示使用该特征的次数，对于轴承而言，重要度排序如表1所示。表1步骤1.3：排序后的数据按照特征变量名重要性从高到底依次排布，重要性经过加权平均计算后总和等于1，这时选取重要性大于f的特征变量，f为根据经验设置的阈值，视各项指标在重要性排布中的分布情况而定，保证重要度大于f的特征变量的重要性总和超过f*，f*为重要性经过降维重新挑选过后的占比，一般设定为重要性总和的0.85～0.9，则此时经过挑选的特征代表之前所有特征总量的f*；由于温度传感器多位于安装座的盲孔内，热量从热源传导到传感器需要一定时间且轴承发热量大于散热量才会产生温升现象，故在车辆启动时，传感器温升相对车速变化有较为明显的滞后现象；步骤2中，轴承按照同类测点进行区分，具体为轴箱两类、电机三类、齿轮箱四类，每类轴承各四个。又因为齿轮箱分为大齿轮箱与小齿轮箱，因此共为四类，具体为轴箱两类，电机三类，大齿轮箱两类，小齿轮箱两类，分别对每大类轴箱进行数据分析，寻找当速度v从0起始后，各类轴承温度t发生变化的点，按照平均时长进行统计后得到需要输入模型的数据时长；如图2所示，四大类轴承的轴承温升滞后时间并不相同，在本发明中取均值进行预测，可得小齿轮箱和大齿轮箱轴承预测所需时间为6分钟，轴箱轴承预测所需时间为13分钟，电机轴承预测所需时间为4分钟。车轴，制动盘同样均布于转向架上，采用相同的方法，获取车轴和制动盘的时间步长。步骤3中，按照轴承空间位置排布，同类轴承是承载类似工况和激励的重要特征，预测一个轴承时，将另三个轴承输入模型作为特征，能够帮助模型提升精度的同时也能辅助模型更快定位轴承是否故障。按照一节车辆共两转向架四轴的设计，一个轴上分布九个轴承，均不为同类轴承，按照其他输入不变的情况下，只需要将输入从三个同类轴承扩充到二十七个分布在不同轴上的同类轴承，输出从单个轴承扩充到九个分布在一根轴的不同类轴承，单个轴承预测模型转变为单个模型来预测共九个轴承，则将需要三十六个预测模型转变为仅需要四个预测模型，加速轴承温度预测和异常检测。对于车轴而言，同类车轴是承载类似工况和激励的重要特征，预测一个车轴时，将另三个车轴输入模型作为特征，能够帮助模型提升精度的同时也能辅助模型更快定位车轴是否温度异常。对于制动盘而言，同类制动盘是承载类似工况和激励的重要特征，预测一个制动盘时，将另三个车轴上同位置的制动盘输入模型作为特征，能够帮助模型提升精度的同时也能辅助模型更快诊断制动盘是否温度异常。步骤3中，由图3中同类轴承温度走势可发现同类轴承所具有的走势更为接近，对同类轴承进行皮尔逊指数分析，发现同类轴承中，一三轴，二四轴关联度最高，如表2所示；表2对于车轴、制动盘而言，采用同样的方法获取关联度最高的同类部件。步骤4中，所述的时域卷积网络模型构建为：构建整个时域卷积网络，该网络的核心是卷积层的膨胀、因果卷积与残差连接，扩张卷积即是当d＝1时，它表现为一个传统的卷积，当使用较大的d时，顶层输出可以表示较大的输入范围，从而有效地扩展了卷积网络的接受域；因果卷积则考虑到时间序列问题，需要使用x1,x2,…,xt去预测yt，而不能使用xt+1以及t时刻之后的数据，从而能够使得yt更接近真实值；残差连接是跳层连接，添加残差连接的目的是防止数据因模型层数过深导致的训练难以拟合，以跳层的方式来帮助模型更好地拟合数据；在所构建的网络中，膨胀卷积、因果卷积与残差连接是共同作用的关系，其中膨胀卷积与因果卷积是卷积的一类特殊操作，通过膨胀和推导因果来共同改进模型处理数据的方式，而残差连接则作用在网络层的连接上，不改善网络层的处理数据方法；采用以下公式进行卷积层的膨胀，式中d为膨胀系数，k为卷积核尺寸，s-d·i为过去因子：采用以下公式进行因果卷积：采用以下公式进行残差连接：o＝activation(x+f(x))数据格式输入前为xm，n，j，m代表一个批大小的大小，n代表时间步长，j代表每个时间步长的特征量，输出模型后，数据格式为xm，9，即为多输出模型的预测温度；如图4所示，为时域卷积网络的模型结构，设置卷积核个数20，大小为2，残差模型为1，膨胀卷积为[1,2,4,8,16]，即模型总共残差跳层连接5次；获得预测温度，在此基础上将预测温度与实际温度相减得到温度残差，如图5所示，以小齿轮箱轴承为例，本发明所提出的模型验证精度如表3；表3均方差mse均方根误差rmse平均绝对误差mae确定系数r21.404741.185210.955430.99751对于车轴、制动盘而言，采用同样的方法获取温度残差。步骤6：依据表2所示的相关性分析，以轴承为例，选取相关性最高的两个同类轴承数据集进行二维空间孤立森林建模，构建树200棵，最大特征数为1，采样数为128，该数据集是由步骤4中输入时域卷积模型的测试集所得；孤立森林检测方法如下：假设t是孤立树的一个节点，它是没有子节点的叶子节点，或是只有两个子节点(tl，tr)的内部节点。每一步分割，都包含特征q和分割值p，将q<p的数据分到tl，将q≥p的数据分到tr。给定n个样本数据x＝{x1，…，xn}，特征的维度为d。为了构建一棵孤立树，需要随机选择一个特征q及其分割值p，递归地分割数据集x，直到满足以下任意一个条件：(1)树达到了限制的高度；(2)节点上只有一个样本；(3)节点上的样本所有特征都相同。异常检测的任务是给出一个反应异常程度的排序，常用的排序方法是根据样本点的路径长度或异常得分来排序，异常点就是排在最前面的那些点。给定一个包含n个样本的数据集，树的平均路径长度为其中h(i)为调和数，该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时，路径长度的平均值，用来标准化样本x的路径长度h(x)。样本x的异常得分定义为其中，e(h(x))为样本x在一批孤立树中的路径长度的期望。当e(h(x))→c(n)时，s→0.5，即样本x的路径平均长度与树的平均路径长度相近时，则不能区分是不是异常。当e(h(x))→0时，s→1，即x的异常分数接近1时，被判定为异常。当e(h(x))→n-1时，s→0，被判定为正常。如图6示出了在测试集上进行孤立森林建模所构建的异常判别区域，可以看出，本模型最后进行异常判别的划定域能够很好的划出数据的正常取值区间；如图7示出了某车故障轴承的诊断结果及提前预警，图8则是当天同车正常轴承的预测和诊断结果，可以看出，本模型可以对正常轴承和故障轴承进行正确诊断，并对故障轴承提前了5个多小时进行了预警。以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但本发明不局限于上述具体实施方式，因此任何对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均涵盖在本发明的权利要求范围当中。当前第1页12