一种基于运行工况的高铁列车数据自适应采集系统及方法与流程

本发明属于高铁列车数据采集、分析与故障诊断技术领域，具体涉及一种基于运行工况的高铁列车数据自适应采集系统及方法。

背景技术：

我国高铁列车的运行平均速度约300km/h，一旦发生故障，将造成灾难性后果。所以高铁列车在运行时的数据十分重要。其中，通过监测轴承温度可以判断轴承的健康状态，可见轴承温度数据的重要性。而在高铁列车的故障诊断中不但需要丰富的历史故障案例数据，而且需要微观波形来详细描述故障,所以需要有快速采样率的数据。

现有的高铁列车数据采集方法是由车载系统通过无线传输网络将数据发送到地面系统。车载tcms系统在车辆内部设备间信息交互采用mvb(multifunctionvehiclebus)多功能车辆总线采集传感器数据，将数据打包发送到高铁列车无线传输装置。数据通过gprs、3g/4g等公网平台、wlan局域网和铁路统一mq(messagequeue)传输平台实时传输到地面系统，在遇到隧道时车载tcms系统将采集的数据缓存在系统中。但是由于车载系统的存储空间有限，以及网络传输过程中网络速度的限制，目前存储的数据采样率较慢。而在高铁列车故障监测和诊断中需要使用快采样率的数据，所以目前的高铁列车数据采集方法不足以提供丰富的历史故障案例数据和足够微观的故障波形。

技术实现要素：

针对上述现有技术的不足，本发明提供一种基于运行工况的高铁列车数据自适应采集系统及方法，为高铁列车故障监测和诊断提供更为丰富的历史故障案例数据，更合理的使用车载系统硬盘资源，提供了更有效的高铁列车数据自适应采集方法。

利用高铁列车轴承温度数据进行高铁列车数据自适应采集方法思想阐述，思想如下：首先，利用动态内模主元分析算法确定存储规则。其次，在数据存储过程中利用多方向重构方法找到故障变量，在存储数据的同时为故障变量添加故障标签。

综合上述思想，本发明提出一种基于运行工况的高铁列车数据自适应采集系统及方法，具体为一种基于运行工况的高铁列车数据自适应采集系统，包括：地面系统、车载tcms系统和无线传输装置；

地面系统包括：故障数据库、正常运行的历史数据库；

车载tcms系统包括：故障监测区、采样率为t1的正常运行数据缓存区、采样率为t2的故障数据缓存区；

地面系统中正常运行的历史数据库与车载tcms系统故障监测区相连接，车载tcms系统中采样率为t1的正常运行数据缓存区和采样率为t2的故障数据缓存区分别与无线传输装置相连接，无线传输装置分别与地面系统中故障数据库和正常运行的历史数据库相连接；

地面系统将正常运行的历史数据库中正常运行的历史数据发送到车载tcms系统的故障监测区中，故障监测区利用正常运行的用历史数据建立故障监测模型，并确定故障变量标签，从故障变量标签中得知高铁列车是否发生故障；当高铁列车没有发生故障时，车载tcms系统通过无线传输装置向地面系统中发送采样率为t1的正常运行数据缓存区中数据，并保存到地面系统正常运行的历史数据库中；当高铁列车发生故障时，车载tcms系统通过无线传输装置向地面系统中发送采样率为t2的故障数据缓存区中数据，并将数据保存到地面系统故障数据库中，直到故障开始至故障结束的数据全部传输完毕，恢复车载tcms系统通过无线传输装置向地面系统中发送采样率为t1的正常运行数据缓存区中数据，并保存到地面系统正常运行的历史数据库中；

故障数据库，保存高铁列车的故障数据；

正常运行的历史数据库，保存高铁列车正常运行的历史数据；

故障监测区，利用正常运行的用历史数据建立故障监测模型，并确定故障变量标签；

采样率为t1的正常运行数据缓存区，以t1为采样率保存高铁正常运行的数据；

采样率为t2的故障数据缓存区，以t2为采样率保存高铁故障运行的数据，且t2>t1；

无线传输装置，将车载tcms系统中故障数据传递到地面系统中故障数据库，将正常数据传递到地面系统中正常运行的历史数据库；包括gprs、3g/4g公网平台、铁路统一mq传输平台，若进入车站仍有故障则利用车站的wlan局域网传输平台；

一种基于运行工况的高铁列车数据自适应采集系统的方法，采用一种基于运行工况的高铁列车数据自适应采集系统实现，具体包括如下步骤：

步骤1：车载tcms系统接收地面系统传送来的高铁列车正常运行的轴承温度历史数据，作为训练集；故障监测区中，训练集通过动态内模主元分析算法建立高铁列车正常运行时的轴承温度数据故障监测模型；

其中，xi为历史数据在时刻i的轴承温度样本，ti为xi在时刻i时提取的动态潜变量由ti＝xip计算，p为动态负载矩阵，为动态潜变量ti的估计值，可由i的前m个时刻的动态潜变量线性表达，β为线性系数，vi是i时刻动态潜变量的预测误差，βj为β的第j列的向量，j＝1，2，…，m，ei为xi被提取出动态潜变量ti之后的静态残差部分，pr为ei经过静态主元分析算法建模所得到的负载矩阵，tr,i为ei的动态潜变量，er,i为ei经静态主元分析算法建模后的静态残差部分；

步骤2：实时采集的轴承温度数据作为测试集，通过故障监测模型监测实时采集的轴承温度数据，检测是否发生故障；当高铁列车没有故障发生时，存储规则为车载tcms系统保存温度传感器以t1为采样率保存高铁正常运行的轴承温度数据，当高铁列车发生故障后并持续到故障结束的时间段内，存储规则为车载tcms系统保存温度传感器以t2为采样率保存高铁故障运行的轴承温度数据，且t2>t1；

步骤2.1：利用对温度传感器采集的实时轴承温度数据动态部分的监测，在k时刻高铁列车轴承温度样本xk的表达式为：

其中，tk为xk在时刻k时提取的动态潜变量由tk＝xkp计算，p为动态负载矩阵，为动态潜变量ti的估计值，ek为xk被提取出动态潜变量tk之后的静态残差部分，β为线性系数，βj为β的第j列的向量，j＝1，2，…，m，pr为ek经过静态主元分析算法建模所得到的负载矩阵，tr,k为ek的动态潜变量，er,k为ek经静态主元分析算法建模后的静态残差部分；

从上式中能看出对实时采集数据的监测是由tr,k、er,k决定的，但是因为是动态的而且并不稳定，如果对它进行监测会造成较高误报率，对于vk来说，它与各变量间仍有相关性，所以在实时采集数据的动态部分中采用vk来代替对的监测，对vk进行静态主元分析算法建模监测，在监测过程中采用综合指标对实时采集数据进行故障检测，综合指标的表达式为：

其中，qv和tv²分别为vk的t²统计量和q统计量，和分别为vk的t²统计量和q统计量的控制限，φv为对称的正定阵，i为单位矩阵，λv为实时采集数据的动态潜变量预测误差v的主元协方差矩阵，pv为动态潜变量预测误差部分静态主元分析算法建模所得的负载矩阵；综合指标的控制限的表达式为：

其中，gv为与间的关系系数，sv为v的协方差矩阵；是自由度为hv、置信度为0.95的卡方分布临界值；当时，则认为在动态部分发生了故障；

当车载tcms系统从实时采集数据中检测到故障发生开始，车载tcms系统保存温度传感器以t2为采样率保存高铁故障运行的轴承温度数据，直到故障结束。因为故障仍可能在实时采集数据的静态部分发生，所以需要步骤2.2。

步骤2.2：利用对温度传感器采集的实时轴承温度数据静态部分的监测，在对实时采集数据进行动态潜变量提取后，ek为静态残差部分，对ek进行静态主元分析算法建模，建立模型为：

ek＝prtr,k+er,k

在静态残差部分采用综合指标对实时采集数据的静态部分进行监测，综合指标的表达式为：

其中，qr和tr²分别为ek的t²统计量和q统计量，φr为对称的正定阵，和分别为ek的t²统计量和q统计量的控制限，i为单位矩阵，λr为实时采集数据的静态残差部分e的主元协方差矩阵；综合指标的控制限写为：

其中，sr为e的协方差矩阵；当时，则认为在静态部分发生了故障。同步骤2.1中的动态部分发生故障时相同，当车载tcms系统从实时采集数据中检测到静态部分故障发生开始，车载tcms系统保存温度传感器以t2为采样率保存高铁故障运行的轴承温度数据，直到故障结束。

步骤3：故障监测区中，利用多方向重构方法确定故障变量标签；在故障发生后，利用多方向重构方法确定故障变量，且在车载tcms系统保存数据到数据缓存区中的同时添加故障变量标签。

步骤4：车载tcms系统实时发送数据至地面系统；在车载tcms系统存储数据到数据缓存区中的同时，将存储的数据发送至高铁列车无线传输装置，通过gprs、3g/4g公网平台和铁路统一mq(messagequeue)传输平台实时发送至地面系统，当高铁列车进站时通过wlan局域网传输数据至地面系统。

所述步骤3中确定故障变量标签的多方向重构方法思想如下：

当检测到故障发生时刻的实时采集数据样本xf后，对其进行沿着第i列的方向重构，重构后的样本为：

zi＝xf-ξifi

其中ξi是第i行元素为1的单位列向量，fi为故障方向i上的故障大小。重构后的样本zi的综合指标值需要在控制限以下，综合指标为公式：

其中，φ为对称的正定阵，写为：

其中，i为单位矩阵，λ为训练集的主元协方差矩阵，p为训练集的负载矩阵，δ²和χ²分别为zi的t²统计量和q统计量的控制限；

经过综合指标对故障大小fi求导能够求出故障部分的综合指标值可写为公式11：

其中，表示指标沿着变量i方向重构后的贡献。

因为故障变量可能是多个轴承温度变量所以上式中的ξi可由矩阵ξ表示，将上式改写为：

其中，()⁺为摩尔彭若斯广义逆，重构后的综合指标表示为：当候选故障变量确定后，设有l个候选故障变量，对l个候选故障变量分别求其贡献度contj写为：

所述步骤3包括以下步骤：

步骤3.1：确定实时采集数据在动态部分的故障变量；对于实时采集数据的动态部分，vk为k时刻实时采集的轴承温度数据样本xk的动态潜变量的预测误差，因为vk处于主元子空间中，所以对于故障时刻f需要将vf投影回原始变量空间中，vf为f时刻样本xf的动态潜变量的预测误差；实时采集数据的动态部分发生故障时刻f的原始变量空间xv,f的表达式如下：

xv,f＝(w(p^tw)^-1)vf

计算出实时采集数据的动态部分候选故障变量的贡献度contj写为：

通过贡献度的大小可以确定动态部分故障变量个数以及确定故障变量标签，在存储实时采集数据过程中将故障变量标签添加到存储的数据中。由于在实时采集数据的静态部分也会发生故障，所以需要步骤3.2确定实时采集数据的静态部分的故障变量。

步骤3.2：确定实时采集数据在静态部分的故障变量；实时采集数据被提取动态潜变量后的静态残差部分为ef，计算出实时采集数据的静态部分候选故障变量的贡献度conti表达式如下：

通过贡献度大小可以确定静态部分故障变量个数以及确定故障变量标签，在存储实时采集数据过程中将故障变量标签添加到存储的数据中。

当高铁列车未发生故障时，利用公网平台向地面传输采样率t1的实时采集数据，由于网络速度限制，传输数据可能会有滞后，但当车载tcms系统检测到故障发生时，停止传输采样率t1的数据，开始传输车载tcms系统存储的采样率t2的温度传感器实时采集到的数据，直到故障开始至故障结束的数据传输完毕，恢复传输采样率较慢的缓存在车载tcms系统中的数据。在经过车站时，使用wlan快速传输缓存在车载tcms系统中的数据。

有益技术效果：

针对上述现有技术的不足，本发明提供一种基于运行工况的高铁列车数据自适应采集方法，为高铁列车故障监测和诊断提供更为丰富的历史故障案例数据，更合理的使用车载系统硬盘资源，提供了更有效的高铁列车数据自适应采集方法。

现有的数据采集方法是通过一定的低速采样频率进行数据的采集，因为现有的数据采集方法采样频率过低即使车载系统发现故障也不能采集到故障案例数据。所以，不能提供丰富的历史故障案例数据，而且因为低速采样频率系统也不能提供有效的微观故障波形。再有，现有的数据采集方法占用车载系统的内存高。通过本专利的基于运行工况的高铁列车数据自适应采集方法可以降低车载系统的使用内存，存储更多的列车运行数据，提供足够微观的故障波形以及丰富的历史故障案例数据。

附图说明

图1为本发明实施例的数据采集策略的结构图；

图2为本发明实施例提供的案例样本轴箱及电机定子温度；

图3为本发明实施例提供的案例样本列车监测需要保存高频率采集的数据段指标图；

图4为本发明实施例提供的案例样本基于监测指标的多向重构贡献图确定的故障变量标签；

图5为本发明实施例提供的案例样本监测指标的多向重构贡献图确定的故障变量标签；

图6为本发明实施例的一种基于运行工况的高铁列车数据自适应采集系统的方法流程图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明；

一种基于运行工况的高铁列车数据自适应采集系统，如图1所示，包括：地面系统、车载tcms系统和无线传输装置；

地面系统包括：故障数据库、正常运行的历史数据库；

车载tcms系统包括：故障监测区、采样率为t1的正常运行数据缓存区、采样率为t2的故障数据缓存区；

地面系统中正常运行的历史数据库与车载tcms系统故障监测区相连接，车载tcms系统中采样率为t1的正常运行数据缓存区和采样率为t2的故障数据缓存区分别与无线传输装置相连接，无线传输装置分别与地面系统中故障数据库和正常运行的历史数据库相连接；

地面系统将正常运行的历史数据库中正常运行的历史数据发送到车载tcms系统的故障监测区中，故障监测区利用正常运行的用历史数据建立故障监测模型，并确定故障变量标签，当高铁列车没有发生故障时，车载tcms系统通过无线传输装置向地面系统中发送采样率为t1的正常运行数据缓存区中数据，并保存到地面系统正常运行的历史数据库中；当高铁列车发生故障时，车载tcms系统通过无线传输装置向地面系统中发送采样率为t2的故障数据缓存区中数据，并将数据保存到地面系统故障数据库中，直到故障开始至故障结束的数据全部传输完毕，恢复车载tcms系统通过无线传输装置向地面系统中发送采样率为t1的正常运行数据缓存区中数据，并保存到地面系统正常运行的历史数据库中；

故障数据库，保存高铁列车的故障数据；

正常运行的历史数据库，保存高铁列车正常运行的历史数据；

故障监测区，利用正常运行的用历史数据建立故障监测模型，并确定故障变量标签；

采样率为t1的正常运行数据缓存区，以t1为采样率保存高铁正常运行的数据；

采样率为t2的故障数据缓存区，以t2为采样率保存高铁故障运行的数据，且t2>t1；

无线传输装置，将车载tcms系统中故障数据传递到地面系统中故障数据库，将正常数据传递到地面系统中正常运行的历史数据库；包括gprs、3g/4g公网平台、铁路统一mq传输平台，若进入车站仍有故障则利用车站的wlan局域网传输平台。

本发明的实施例为基于运行工况的高铁列车轴承温度数据自适应采集。本实施例中高铁列车共有36个温度传感器分别对应高铁列车上36个重要位置，36个温度传感器用于监测列车轴承的工作状态，我们需要对这36个温度传感器变量进行轴承温度自适应采集。

一种基于运行工况的高铁列车数据自适应采集系统的方法，采用一种基于运行工况的高铁列车数据自适应采集系统实现，如图6所示，具体包括如下步骤：

步骤1：车载tcms系统接收地面系统传送来的高铁列车正常运行的轴承温度历史数据，作为训练集；故障监测区中，训练集通过动态内模主元分析算法建立高铁列车正常运行时的轴承温度数据故障监测模型；

其中，xi为历史数据在时刻i的轴承温度样本，ti为xi在时刻i时提取的动态潜变量由ti＝xip计算，p为动态负载矩阵，为动态潜变量ti的估计值，可由i的前m个时刻的动态潜变量线性表达，β为线性系数，vi是i时刻动态潜变量的预测误差，βj为β的第j列的向量，j＝1，2，…，m，ei为xi被提取出动态潜变量ti之后的静态残差部分，pr为ei经过静态主元分析算法建模所得到的负载矩阵，tr,i为ei的动态潜变量，er,i为ei经静态主元分析算法建模后的静态残差部分；

步骤2：实时采集的轴承温度数据作为测试集，通过故障监测模型监测实时采集的轴承温度数据，检测是否发生故障；当高铁列车没有故障发生时，存储规则为车载tcms系统保存温度传感器以t1为采样率保存高铁正常运行的轴承温度数据，当高铁列车发生故障后并持续到故障结束的时间段内，存储规则为车载tcms系统保存温度传感器以t2为采样率保存高铁故障运行的轴承温度数据，且t2>t1；

步骤2.1：利用对温度传感器采集的实时轴承温度数据动态部分的监测，在k时刻高铁列车轴承温度样本xk的表达式为：

其中，tk为xk在时刻k时提取的动态潜变量由tk＝xkp计算，p为动态负载矩阵，为动态潜变量ti的估计值，ek为xk被提取出动态潜变量tk之后的静态残差部分，β为线性系数，βj为β的第j列的向量，j＝1，2，…，m，pr为ek经过静态主元分析算法建模所得到的负载矩阵，tr,k为ek的动态潜变量，er,k为ek经静态主元分析算法建模后的静态残差部分；

从上式中能看出对实时采集数据的监测是由tr,k、er,k决定的，但是因为是动态的而且并不稳定，如果对它进行监测会造成较高误报率，对于vk来说，它与各变量间仍有相关性，所以在实时采集数据的动态部分中采用vk来代替对的监测，对vk进行静态主元分析算法建模监测，在监测过程中采用综合指标对实时采集数据进行故障检测，根据如下公式可以计算出k时刻动态部分的综合指标值

其中，qv和tv²分别为vk的t²统计量和q统计量，和分别为vk的t²统计量和q统计量的控制限，φv为对称的正定阵，i为单位矩阵，λv为实时采集数据的动态潜变量预测误差v的主元协方差矩阵，pv为动态潜变量预测误差部分静态主元分析算法建模所得的负载矩阵；

综合指标值的控制限可由如下公式计算：

其中，gv为与间的关系系数，sv为v的协方差矩阵；是自由度为hv、置信度为0.95的卡方分布临界值；当时，则认为在动态部分发生了故障。

故障开始时，车载tcms系统开始存储采集率快的发生故障的轴承温度数据直到故障结束。

步骤2.2：利用对温度传感器采集的实时轴承温度数据静态部分的监测，在对实时采集数据进行动态潜变量提取后，ek为静态残差部分，对ek进行静态主元分析算法建模，建立模型为：

ek＝prtr,k+er,k

在静态残差部分采用综合指标对实时采集数据的静态部分进行监测，根据如下公式可以计算k时刻静态部分的综合指标值

其中，qr和tr²分别为ek的t²统计量和q统计量，φr为对称的正定阵，和分别为ek的t²统计量和q统计量的控制限，i为单位矩阵，λr为实时采集数据的静态残差部分e的主元协方差矩阵；综合指标值的控制限可由如下公式计算：

其中，sr为e的协方差矩阵；当时，则认为在静态部分发生了故障。

故障开始时，车载tcms系统开始存储采集率快的发生故障的轴承温度数据直到故障结束。

步骤3：故障监测区中，利用多方向重构方法确定故障变量标签；在故障发生后，利用多方向重构方法确定故障变量，且在车载tcms系统保存数据到数据缓存区中的同时添加故障变量标签。

步骤3.1：确定实时采集数据在动态部分的故障变量；实时采集数据的动态部分发生故障时刻f的原始变量空间xv,f的表达式如下：

xv,f＝(w(p^tw)^-1)vf

计算出实时采集数据的动态部分候选故障变量的贡献度contj，表达式如下：

通过贡献度的大小可以确定动态部分故障变量个数以及确定故障变量标签，在存储实时采集数据过程中将故障变量标签添加到存储的数据中。

步骤3.2确定实时采集数据在静态部分的故障变量；实时采集数据被提取动态潜变量后的静态残差部分为ef，计算出实时采集数据的静态部分候选故障变量的贡献度conti表达式如下：

通过贡献度大小可以确定静态部分故障变量个数以及确定故障变量标签，在存储实时采集数据过程中将故障变量标签添加到存储的数据中。

为了体现贡献度大小，分别绘制实时采集数据的动态部分和静态部分贡献图，贡献图横坐标为样本数，纵坐标对应列车36个轴承变量，贡献度由颜色的明亮程度度表示，颜色越亮表示，贡献度越大。故障变量贡献度会明显亮于其他变量的贡献度。由此可以确定故障变量标签。

步骤4：车载tcms系统实时发送数据至地面系统；在车载tcms系统存储数据到数据缓存区中的同时，将存储的数据发送至高铁列车无线传输装置，通过gprs、3g/4g公网平台和铁路统一mq(messagequeue)传输平台实时发送至地面系统，当高铁列车进站时通过wlan局域网传输数据至地面系统。

当高铁列车未发生故障时，利用公网平台向地面传输采样率较慢的实时采集数据。由于网络速度限制，传输数据可能会有滞后，但当车载tcms系统检测到故障发生时，停止传输采样率较慢的数据，开始传输车载tcms系统存储的采样率较快的温度传感器实时采集到的数据直到故障开始至故障结束的数据传输完毕，恢复传输采样率较慢的缓存在车载tcms系统中的数据。在经过车站时，使用wlan快速传输缓存在车载tcms系统中的数据。

在本实施例中，样本数为12000，温度传感器采样周期为1s，样本中共有36个变量如图2所示，从622样本处开始，变量17开始发生故障，并在630-634样本处超过报警限，在样本724处恢复正常。并且在样本952处开始持续故障轴承温度持续超限直到样本11955处恢复正常。在高铁列车正常行驶时数据存储规则为车载tcms系统保存温度传感器采样率较慢的轴承温度数据，在故障发生后并持续到故障结束的时间段内存储规则为车载tcms系统保存温度传感器采样率较快的轴承温度数据。

列车运行过程轴承状态的两个监测指标和由图2可知，可以看出在样本622处，变量17的故障发生在了动态和静态两部分，被两项指标成功检测。该故障持续到了样本724处，可以看出图2虚线方框时间段在动态和静态部分均发生故障，在图3中能够看出故障被和指标成功检测，通过车载tcms系统保存温度传感器采样率较快的轴承温度数据。在样本725处到样本951处，由图3可知两项监测指标和均未超限，即图2中的实线方框时间段，此时车载tcms系统恢复保存温度传感器采样率较慢的轴承温度数据。在样本952处开始，变量17开始持续发生故障，图2中有标示，并超高温度报警线此故障持续到样本11955处，通过图3可知此故障发生在静态部分，由指标监测成功。此时数据采集器开始保存温度传感器高频率采样的轴承温度数据直到样本11955处故障消失后恢复保存温度传感器低频率采样的轴承温度数据。

图3分别为监测指标和的多向重构贡献图，从图3可以变量17的故障主要发生在静态部分，在图4中可以看出样本的前端和后端变量17的贡献明显大于其他变量，所以动态部分的故障变量标签确定为变量17，在图5中可以明显看到，静态部分的故障中变量17的贡献度明显大于其他变量所以被确定为故障变量标签。

从以上实施例可以看出，基于运行工况的高铁列车数据自适应采集方法成功在高铁列车发生故障的时段内保存温度传感器采集快的轴承温度数据。并且可以成功的避免传统基于规则方法时高频率数据不保存等问题，并且可以完成在保存故障数据的同时添加故障标签的任务，能够为研究人员提供丰富的历史故障案例数据以及在故障发生时段能够提供足够微观的故障波形。