城轨列车受电弓磨耗量的预警方法

本发明针对实际工程中轨道交通磨损类部件的磨耗特性，考虑到轨道交通监测数据量较少，不同时刻采样点数据较为重要，而常规的数据处理方法具有一定的局限性，利用数据清洗算法、自适应数据填充算法以及结合深度学习模型的方法实现预警，解决了磨损类部件运行过程中磨耗的实时监测和及时维护，既属于故障诊断领域，又属于设备健康监测领域。

背景技术：

1、在现有的轨道交通系统中，受电弓作为供电系统的关键组件，承担着将电能传递给列车的重要任务，然而，随着轨道交通的长期运行和外界环境的影响，受电弓不可避免地会出现磨耗现象，这就给轨道交通的安全性和可靠性带来了潜在的风险和挑战。

2、实际工程应用中，轨道交通系统受电弓的磨耗问题主要源于以下几个方面。首先，长期使用和频繁运行使得受电弓与接触线之间的摩擦和磨损不可避免，其次，外界环境因素如气候、污染物等也会对受电弓的磨损产生影响，这些因素的累积作用导致受电弓的磨耗程度逐渐加剧，可能引发接触不良、断裂甚至故障，对轨道交通的运行安全和车辆的正常供电造成严重影响，各种因素的条件下使得受电弓的预测及预警面临巨大的挑战；因此，准确预测和及时预警受电弓的磨耗状态成为轨道交通领域中亟待解决的重要问题。

3、本发明提出一种城轨列车受电弓磨耗量的预警方法，该方法针对高端装备关键部件，提出基于cz-score(内标准分数)磨损量监测数据的自适应数据清洗方法，有效提取受电弓磨损退化程度的定量表征，并对监测数据进行质量评估，将lstm单元嵌入卷积神经网络构建预测模型，提取浅层特征、深层特征和与时间关联的特征信息，利用历史监测数据结合受电弓运维知识训练模型，实现对磨耗量趋势的递归预测及预警，建立数据-模型-知识协同关键部件的智能预警方法，所提方法为轨道交通系统的安全性和可靠性提供重要技术支撑，并有效降低运维成本和风险。

技术实现思路

1、本发明获得了一种城轨列车受电弓磨耗量的预警方法，该方法针对高端装备关键部件，提出基于cz-score(内标准分数)磨损量监测数据的自适应数据清洗方法，有效提取受电弓磨损退化程度的定量表征，并对监测数据进行质量评估，将lstm单元嵌入卷积神经网络构建预测模型，提取浅层特征、深层特征和与时间关联的特征信息，利用历史监测数据结合受电弓运维知识训练模型，实现对磨耗量趋势的递归预测及预警，建立数据-模型-知识协同关键部件的智能预警方法。

2、s1采集受电弓全周期磨耗数据

3、本发明针对轨道交通实际工程下采集的受电弓全周期磨耗数据，获取不同列车在不同工况下的磨耗状态，采集在不同日期下分布不同次数的磨耗数据，共采集总时长为6个多月的磨耗数据；

4、s2自适应检索与收集

5、城轨列车受电弓在实际运行情况下所测得的磨耗量具有不同的时间与空间分布，需对受电弓磨耗量进行自适应检索与收集，采集列车实际运行情况下的不同状态参数值，计算当前日期下所采集磨耗量的均值，进行数据收集，直至检索完毕不同分布下的所有磨耗量，计算公式如下：

6、

7、其中，f(x)为同一日期下采集不同分布剩余厚度的均值，n为同一日期下的采集次数，x为当前日期下采集一次受电弓的磨耗剩余厚度；

8、s3异常数据剔除

9、收集后的受电弓磨耗数据进行差分处理，消除数据与时间相关的成分，更好的分析和挖掘数据潜在的变化模式，同时为了加快网络的收敛速度，提高网络的预测精准度，对磨耗数据进行最大最小归一化处理，公式如下：

10、dif＝yt+1-yt(2)

11、其中，yt代表当前日期对应的磨耗剩余厚度，yt+1代表下一日期对应的磨耗剩余厚度，dif代表当前日期受电弓磨耗剩余厚度差分后的值；

12、

13、其中，x＝{x1,x2,……xn}t为受电弓的磨耗数据，xmin为x的最小值，xmax为x的最大值，x*为最大最小归一化处理后的受电弓磨耗数据；

14、引入自适应数据清洗，为避免异常数据的影响，基于cz-score(内标准分数)设置自适应阈值，计算当前循环内磨耗数据的均值和标准差，得到不同日期下对应磨耗数据的相对分布，因cz-score符合正态分布规律，当根据公式(4(4)计算的分数大于3时，代表该值为异常值点，一旦检测到异常值点，我们将使用异常值点前五个点数值的均值来代替该异常值点，在避免异常数据影响的同时，实现异常值的剔除，公式如下：

15、

16、其中，xi代表当前日期下对应的磨耗剩余厚度，e(xi)代表均值，代表标准差，cz-score代表不同磨耗数据的内标准分数。

17、对剔除后的磨耗数据进行还原处理，利用数据中当前日期与下一日期的数据完成求和处理，恢复数据本身的趋势性和时间变化规律特性，同时为了加快网络的收敛速度，提高网络的预测精准度，对磨耗数据进行最大最小归一化处理，公式如下：

18、dif_res＝zt+zt+1(5)

19、其中，zt代表当前日期对应的磨耗剩余厚度，zt+1代表下一日期对应的磨耗剩余厚度，dif_res代表对应日期差分还原后的受电弓磨耗剩余厚度值；

20、s4自适应数据填充

21、在轨道列车的实际运行过程中，随着列车运行时间的增加，磨耗量逐渐减少，然而，由于数据采集可能存在间隔或缺失，这会导致数据的不连续性；为了解决这个问题，可以采用自适应的数据填充方法，以推导出缺失数据点的近似值，从而使数据在时间上保持连续；通过使用自适应的数据填充方法，可以实现对实际工程中磨损类部件如受电弓磨耗的定量表征；

22、s5监测数据质量评估

23、利用核密度估计对提取的受电弓磨耗定量表征进行质量评估，实现从低质量数据到高质量数据的有效转变，公式如下：

24、

25、其中，k(x)代表核函数，x代表要估计概率密度的点，xi代表数据集中的观测值，h是带宽参数；

26、s6受电弓磨耗预警方法

27、(1)设置标签

28、对得到的受电弓磨耗定量表征设置标签，因受电弓剩余厚度磨损量持续磨损，因此只设定退化阶段的标签y，公式如下：

29、

30、其中，tc代表当前的退化时刻，tw代表受电弓从开始磨损到完全失效的运行时间，ts代表开始磨损的时间点；

31、(2)构建嵌入式网络模

32、所建立的嵌入式网络模型结构主要包括输入层、卷积层、池化层、leakyrelu层、lstm层、dropout层、展平层、融合层、全连接层和输出层。该模型的诊断流程如下：

33、1)在pycharm软件中，基于tensorflow搭建网络模型，包括输入层、卷积层1、leakyrelu层1、最大池化层1、卷积层2、leakyrelu层2、最大池化层2、lstm层、dropout层、三个展平层、一个融合层、一个全连接层和输出层；

34、2)设置网络各层的权值矩阵及偏置项随机初始化，设定网络参数，卷积核的权值矩阵及偏置项随机初始化；网络训练阶段，采用滑动窗口取样的方法，时间窗长度为设定长度16，每次滑动步长为1，滑动窗口从时间序列首端开始滑动，直至取样完毕；将已测得的轨道交通列车磨耗数据存储为历史数据，输入到网络，采用梯度下降优化器，损失通过梯度下降进行反向传播，逐层更新卷积神经网络各个层的可训练参数，将上述所述方法得到的受电弓磨耗定量表征作为模型的输入，分别挖掘磨损量的浅层特征、深层特征以及与时间关联的特征信息，将三层特征进行融合，促进网络模型学习到多层次多尺度的磨耗退化信息，待网络迭代训练结束，固定网络模型参数，将测试集输入网络模型，实现受电弓磨耗退化趋势预测；

35、3)测试阶段，固定网络参数，将监测列车的磨耗数据作为输入数据输入到已经训练完成的网络中，在线监测列车磨损退化情况，获得列车退化趋势预测结果，考虑时间关联性，利用监测列车的预测结果实现模型对于未知趋势的递归预测与预警；通过均方根误差、平均绝对误差和r方值对预测结果进行评价，用以评估列车在触发预警前的磨耗退化趋势；利用百分比误差对预警结果进行评价，用以评估模型的预警性能，公式如下所示：

36、

37、

38、

39、其中，表示i时刻的预测寿命，yi表示i时刻的真实寿命，表示真实寿命yi的平均值，n表示测试集样本数；mae值越小，rmse值越小，r2-score值越大，代表预测结果越好；

40、

41、其中，y*代表当前列车的预测寿命，y代表当前列车的真实寿命，ε代表百分比误差结果；百分比误差越小，代表预警效果越好。

42、(3)基于监测列车磨耗数据的预测结果，完成对受电弓剩余磨耗量的智能预警

43、本发明将监测列车受电弓滑板触发预警算法时的剩余厚度值t设置为经验阈值；根据公式13确定触发预警算法时的剩余厚度值比例，将受电弓滑板剩余厚度历史监测数据作为输入进行网络模型训练，利用现有监测列车的滑板剩余厚度数据输入至训练好的网络模型进行预测，当预测达到设定经验阈值时表示模型触发预警机制，利用监测数据结合受电弓运维知识训练模型，实现对磨耗量趋势的递归预测，用以实时监测列车的磨损退化情况，利用百分比误差对预警结果进行评价，将预测的rul与真实的rul计算百分比误差，加以评估模型的预警性能；

44、t＝ymin+3(12)

45、

46、其中，ymax代表训练时列车受电弓数据剩余厚度的最大值，ymin代表训练时列车受电弓数据剩余厚度的最小值，t代表不同列车设定的经验阈值大小，p代表监测列车所划分的数据集比例；

47、与现有技术相比，本发明的创造性主要体现在：

48、本发明提出了一种城轨列车受电弓磨耗量的预警方法，针对高端装备关键部件，自适应检索与收集实际工程下轨道交通的磨损类部件—受电弓数据的运行情况，提出基于cz-score(内标准分数)磨损量监测数据的自适应数据清洗方法，有效提取受电弓磨损退化程度的定量表征，并对监测数据进行质量评估，将lstm单元嵌入卷积神经网络构建预测模型，提取浅层特征、深层特征和与时间关联的特征信息，利用历史监测数据结合受电弓运维知识训练模型，实现对磨耗量趋势的递归预测及预警，建立数据-模型-知识协同关键部件的智能预警方法。