THDS熱軸波形智能識別方法研究

扈海軍，曾宇清，于衛(wèi)東

（中國鐵道科學研究院 機車車輛研究所，北京100081）

車輛軸溫智能探測系統（Trace Hotbox Detection System，簡稱THDS）利用軌邊紅外線探頭，動態(tài)監(jiān)測通過列車軸承溫度，發(fā)現熱軸故障，并通過配套故障智能跟蹤裝置，實現熱軸預報和跟蹤，強化燃、切軸事故防范能力［1］。

目前，我國鐵路沿線每隔約30 km即設立了1個無人值守的紅外探測站進行軸溫探測，由于探測現場環(huán)境復雜、惡劣，多種因素如沖擊、意外熱源、雨雪霧、安裝缺陷、電壓不穩(wěn)等都可能影響檢測，導致異常波形［2］。為解決該問題，相關廠家在探測站采取了許多措施，取得了一定的效果，但在鐵路局紅外聯網集中報警中仍有較大數量的異常波形，加大了紅外值班員的工作強度，有必要強化紅外報警波形的自動智能識別。

分析了THDS軸溫報警歸一化波形數據的特征以及傳統波形識別方法，提出了基于測點動態(tài)正常波形模型以及全新的智能識別方法；在此基礎上，收集了近年大秦線1．6萬條重載貨車軸溫報警軸承的歸一化波形數據，以及與之對應的攔停、檢查信息，對紅外波形識別算法進行了校驗及考核。

1 異常波形類型及原有處理方法

研究紅外波形的智能識別方法，首先要了解異常波形的特點以及傳統處理方法。由于軸承材料熱傳導特性良好，通過紅外探頭對軸承進行掃描而得到的軸承溫度分布較為均勻。每個軸承的32點軸溫歸一化曲線相對平緩、符合不同種類軸承的溫度分布規(guī)律，明顯不符合軸承溫度分布規(guī)律的波形即可視為異常波形。

1．1 異常波形類型

異常波形的種類及產生原因比較多，表1和圖1中列舉了常見的幾種異常波形的成因、特征以及曲線圖［3－8］。

表1 常見THDS熱軸異常波形匯總

圖1 常見THDS異常波形圖表

1．2 傳統處理方法

傳統的異常波形識別方法大多數基于紅外測點的軟硬件配置，具體方法主要有以下幾種［9－11］。

（1）差分及n（一般小于4）步差分法，計算軸溫曲線相鄰n點間的差分，通過n步差分的大小及分布（峰值個數）來判斷波形是否異常，該方法一般用于處理各類毛刺型異常波形，同時n步差分為計算波形上升及下降沿提供標記；

（2）面積法，計算特征位置（如全部、前部、中部、后部）溫度曲線包含的面積及其相對大小關系來判斷是否波形異常，該方法一般用于處理陽光干擾波形；

（3）距離法，計算波形曲線與標準波形的距離，判斷波形正常與否；

（4）相關法，計算波形曲線與標準波形的相關系數，判斷波形正常與否；

（5）其他，如神經網絡法等。

傳統異常波形識別的典型流程包括尖峰判別，波動檢測，浴盆曲線判別，波形變胖判別，波形移動判別和計算特征距離等。

可以看出傳統紅外波形識別方法存在一些問題：①傳統異常波形識別方法是針對異常波形不同特征進行識別的，需要窮舉；②傳統算法主要依據軸溫數據的順序，反映數據特征的方法比較復雜，如主要針對各類毛刺的差分就有很多種；③傳統算法中的標準波形是統一的，而事實上紅外波形受具體測點影響較大，從而使得門檻范圍較大，不易操作；④傳統算法沒有有效嵌入正常波形的特征。

2 紅外波形智能識別模型

紅外波形智能識別是一個典型的模式識別問題，它包含輸入、傳感器、分割器、特征提取器、分類器、后處理器及決策等部分。這些環(huán)節(jié)是相互關聯的，各個環(huán)節(jié)的進展都有利于決策的優(yōu)化。本文主要針對紅外波形智能識別中的特征提取器及分類器環(huán)節(jié)，希望能采用簡單、通用的方法提取有效特征，并進行分類器閾值設定。

傳統紅外波形識別方法是基于異常波形特征的，故此需要的方法比較多，本文提出的智能識別方法基于以下正常波形特征：

①大于某一歸一化溫度值的位置是連續(xù)的；②對于同一個測點，這些溫度值的個數在一個較小的范圍內變動；③對于同一個測點，這些溫度值的位置在一個較小的范圍內變動；④對于同一個測點，這些溫度值構成的曲線是相似的且數值相近。

2．1 識別算法

新方法主要有兩大環(huán)節(jié)：第1個環(huán)節(jié)基于測點的動態(tài)標準波形生成模型；依據已生成測點標準波形的軸溫波形識別模型（圖2）。

（1）基于測點的動態(tài)標準波形生成模型

①對某測點軸溫數據進行初步的判別，得到該測點基本正常波形的集合；②統計提取該測點正常波形參數、波寬、中心、標準波形等；③正常波形也可針對特殊車型生成；④提取的測點動態(tài)標準波形與同類設備標準波形進行比較，確認正確性。

（2）依據已生成測點標準波形的軸溫波形識別模型

①對新紅外波形，取大于一定幅值的波形數據，提取連續(xù)性、波寬、中心參數；②按照測點標準波形的格式，生成當前波形的規(guī)范波形；③計算當前規(guī)范波形與測點動態(tài)標準波形的相關系數、幅值差參數；④根據各參數的閾值，評判該波形的正確性。

第2個環(huán)節(jié)實際上是依據正常波形的特征－連續(xù)性、波寬、中心，以及與測點動態(tài)標準波形的相關、幅值差進行軸溫超限紅外波形評判。

新方法區(qū)別于原有方法中最根本的一點是從正常波形特征提取出發(fā)，采用橫向的＂掃描＂替代了原有方法豎向的＂掃描＂，反映了正常紅外波形區(qū)別異常波形的本質，方法規(guī)范、簡潔、適應性強。

新方法的第2個特點是評判基于測點的動態(tài)標準波形，其原因是標準波形與測點設備有一定的相關性，若采用統一的標準波形將使得正常波形與標準波形間的差異范圍較大，不利于實現特性良好的基于正常波形的評判，測點動態(tài)標準波形的采用使得一致性的判斷得以有效實現；同時，一個潛在的運用是通過某測點動態(tài)標準波形與紅外中心其他同類設備標準波形的對比，可以判斷測點設備狀態(tài)、指導測點設備的調整、檢修。

圖2 智能波形判別簡圖

2．2 閾值設定

確定了波形識別需要提取的特征參數之后，要對這些參數的閾值進行設定，閾值設定有兩個出發(fā)點：一是特征參數的分布特征；二是評判綜合風險評估。其中特征參數分布可以直接從獲得的紅外軸溫報警樣本中提取，風險評估需要結合現場實際，本文主要考慮第1點，對歸一化溫度大于60的特征溫度段進行分析。

圖3顯示了不同廠家設備紅外報警有效波寬分布，可見不同廠家以及同廠家不同型號設備所產生的紅外報警波形特征段寬度分布是不同的。廠家1有效波寬中心為20，廠家2有兩個中心分別為13及19，分布較寬，廠家3的有效波寬中心為16左右、分布較集中；這也說明了，有必要依廠家及設備型號或者測點進行評判。

圖3 不同廠家特征段寬度分布

圖4顯示了不同廠家設備紅外報警波形特征段中心分布，可見不同廠家以及同廠家不同型號設備所產生的紅外報警波形特征段中心分布是不同的。廠家1特征段中心為17、波形有較多的左移，廠家2中心為15、分布較寬狀態(tài)不一致，廠家3的特征段中心為16左右、分布較為集中；有必要依廠家及設備型號或者測點進行評判。

圖4 不同廠家特征段中心分布

從以上特征段參數分布上看：（1）不同紅外設備廠家不同型號設備得到的紅外報警波形是不完全一致的，需要不同對待或直接按測點處理；（2）從特征段參數分布可以估計不同廠家設備的設備狀態(tài)，波形特征可以用于設備狀態(tài)監(jiān)測。

圖5顯示了紅外報警波形特征段相似性參數分布的平面圖和三維圖，從數據特征的聚合性看可以初步把門檻值設為0．9及9左右。

2．3 方法驗證

方法驗證主要有兩步：（1）波形識別結果觀察；（2）與紅外值班員判別結果對比。

圖5 特征段相似性參數分布

對強、激熱波形樣本按廠家及型號對辨識結果進行了觀察（如圖6），以廠家1紅外三代機辨識結果樣本為例，圖a．1為全部波形樣本圖，圖a．2為參數分布圖，圖a．3為正常強、激熱波形與標準波形對比圖，圖a．4為異常強、激熱波形與標準波形對比圖，其他廠家或設備也相同，從圖中可以看出本方法識別結果準確。

2．4 初步評判結果

采用評判參數閾值：（1）波形連續(xù)；（2）有效波寬與該測點名義有效波寬差值不大于4；（3）中心位置與該測點名義中心差值不大于4；（4）相關系數不小于0．9；（5）最大幅值差不大于9。對全鐵路（不含大秦線）強、激熱報警波形16 951條進行自動辨識，結果如下：

不滿足條件（1）～（3）的共8 260條，占總數的48．73%；其他8 691條滿足條件（1）～（3）的報警樣本中，滿足條件（4）的有8 338條，滿足條件（5）的有8 169條，同時滿足條件（4）～（5）的共8 106條；

最終自動評判得到的有效波形為8 106條，約占總數的47．82%，剔除的異常波形8 845條，約占總數的52．18%，效果是顯著的，這也從一個側面反映了紅外報警波形智能識別的重要性。

3 大秦線紅外報警波形識別

為進一步研究熱軸紅外波形智能識別，有針對性地收集了大秦線2007年7月30日到2010年11月6日強、激、微熱報警，總數16 228個。

其中的223個強、激熱報警樣本，在實際運用中經過人工判斷并進行相應處理，有121個報警進行了攔停及反饋。以下從強、激熱報警樣本、攔停樣本的波形智能評判結果構成、評判結果反饋情況統計兩個方面對本文提出的波形智能評判效果進行評估。

考慮到實際運用參數采用了區(qū)間設置，即增加了評判不確定類，該類波形需要人工進行再確認，據此對223個強、激熱報警樣本以及121個攔停樣本進行了智能判別，結果分布如圖7。

圖6 不同廠家及設備型號的THDS強、激熱波形辨識

圖7 紅外波形智能識別結果分布圖

表2 強、激熱及攔停樣本智能識別結果對比

智能識別結果如表2所示，可以看到：

（1）大秦線紅外強、激熱報警中的異常波形比例是比較高的，在223個樣本中，50個明顯異常，占22．42%；異常29個，占13．00%；總比例約為35%。

（2）目前的人工確認篩選是有意義的，相對強、激熱報警，波形明顯異常的比例從22．42%降至8．26%，相對下降63．14%；異常波形比例從13．00%降至8．26%，相對下降36．45%；與此同時，正常波形比例從51．12%升至71．07%，相對上升39．03%；不能確定的比例從12．56%下降至12．40%，相對下降1．27%。

如果智能評判的結果可靠，那么將有效減小工作人員的工作量，工作人員只需對不能確定的部分波形進行確認，減少的比例不小于85%。

要判斷智能評判的結果是否可靠，需要對相應攔停反饋信息進行分析。目前攔停反饋有6種：①攔停后放行，②甩車后放行，③軸承退卸后有故障，④換輪不退卸，⑤軸承無故障，⑥其他1，其他2，由于⑥其他情況信息不明確，可以主要評估前5種情況（換輪不退卸不代表軸承有故障）。

圖8 明顯異常和異常而記錄為換輪不退卸的波形樣本

表3 識別結果與攔停反饋關系表

表3對121個攔停樣本進行了波形識別，不考慮⑥其他情況，在明顯異常和異常的18（20－2）個樣本中13條的處理結果是攔停放行；正常樣本包含了所有確認的4條軸承退卸有故障反饋，其中軸承有故障和換輪不退卸52條，比例為（4＋48）／（86－5－2）＝52／79＝65．82%，優(yōu)于人工識別結果（4＋3＋48＋2＋9）／（121－5－2－1－1－1－1）＝66／110＝60．00%。

圖8列出了所有智能識別結果為明顯異常和異常而記錄為換輪不退卸的5條歸一化波形與標準波形對比圖，可以看到這些波形顯然是有問題的，也就是說智能評判為明顯異常和異常的樣本中沒有誤判樣本，智能評判的結果是安全的。

采用提出的波形智能識別方法，可以在效果優(yōu)于人工識別的前提下，有效減少誤判，減小紅外值班員的工作量，在保障行車安全的前提下避免對運輸組織的干擾。

4 結束語

提出了基于測點正常波形的紅外軸溫智能辨識新方法，采用橫向的“掃描”替代了原有方法豎向的＂掃描＂，反映了正常紅外波形區(qū)別異常波形的本質，方法規(guī)范、簡潔、適應性強；

對全鐵路（不含大秦線）1．6萬余條強、激熱波形的識別表明強、激熱報警正常波形約為總體的50%。

對大秦線近年223個強、激熱報警樣本以及121條攔停反饋信息進行了智能識別及對比分析，結果表明采用本文提出的波形智能識別方法，其識別效果優(yōu)于實際人工識別，能在保障行車安全的前提下有效的剔除THDS異常波形，減小紅外值班員的工作量。

［1］趙長波，陳 雷，楊紹清．鐵路貨車軸溫探測與應運概論［M］．北京．中國鐵道出版社，2010．

［2］中華人民共和國鐵道部．車輛軸溫智能探測系統（THDS）設備檢修維護管理規(guī)程［M］．北京：中國鐵道出版社，2009．

［3］張 震．紅外線二代機軸溫探測系統誤報熱軸淺析［J］．鐵道機車車輛工人，2007，（2）：14－17．

［4］韓增盛．紅外線二代機軸溫探測系統誤報熱軸淺析［J］．鐵道運營技術，2006，12（3）：10－11．

［5］喻宏傳．紅外線軸溫探測的探測角度分析探討［J］．鐵道車輛，2007，45（4）：37－38，43．

［6］劉占功．紅外線軸溫探測系統熱軸誤報分析及建議［J］．鐵道機車車輛，2006，26（4）：63－64．

［7］馬建生，鄧 立．環(huán)境因素對紅外線軸溫探測設備技術指標的影響［J］．鐵道車輛，2000，38（10）：41－42．

［8］徐 焱．再探陽光直射引起的二代機熱軸誤報問題［J］．鐵道車輛，2001，39（12）：34－35．

［9］秦 勤．列車軸溫探測系統數據處理算法及實現［D］．西安：西安電子科技大學，2003．

［10］葛文義．第二代紅外軸溫探測系統中軸溫曲線的分析方法［J］．哈爾濱鐵道科技，1998，（3）：31－32．

［11］田 軍．對HBDS－Ⅱ型熱軸探測系統中溫度曲線和熱軸判別標準設置的建議［J］．鐵道車輛，2005，43（8）：43－44．