基于神經網絡的動車組軸端溫度傳感器誤報識別

顧 佳，關 岳，王 偉

（中車青島四方機車車輛股份有限公司，青島 266111）

1 引言

從軸溫監測裝置的實際工作情況來看，其故障主要包括傳感器與軸承接觸不良、防護性能差等因素，這些因素將導致傳感器所上傳的數據錯誤，從而使得軸溫報警系統的軸溫警報出現錯誤[1]。尤其是在惡劣環境下運行時，傳感器可能因為各種原因而上傳錯誤的信號，這時就需根據傳感器上傳的數據進行綜合邏輯分析，通過實時糾正的方式避免出現誤報問題[2]。

2 基于神經網絡動車組軸端溫度傳感器誤報識別

2.1 目的和思路

根據列車運行時的基本數據和軸溫數據等，對列車數據進行探索和挖掘，建立軸端的傳感器誤報識別模型，依據傳感器傳來的軸溫值判斷出該傳感器是否存在誤報情況。此模型的建立主要分以下兩個方面：

（1）軸溫數據探索分析：使用相關性分析算法，找出與軸端溫度存在相關性的特征變量，進行神經網絡建模；因為數據的采集是每30秒進行一次打包傳送，所以統計出軸端溫度30秒的變化的范圍和比例，找出軸端溫度變化的正常范圍。

（2）軸溫預測模型：根據相關性統計分析的結果，使用基本數據和傳感器的溫度值進行神經網絡預測模型的訓練，建立軸端的軸溫神經網絡預測模型，利用該模型預測出30秒后的軸溫值，與傳感器實際傳過來的軸溫值進行對比分析，統計出軸端的軸溫預測模型的預測值與實際值之間誤差的分布范圍和對應比例關系，確定軸溫預測模型的誤差閾值范圍。

根據軸溫預測模型的誤差閾值及軸溫波動的正常范圍兩個條件，綜合判斷出軸溫傳感器是否存在誤報情況。

2.2 軸溫變化統計分析

從數據庫中抽取包括不同車型、不同列號、不同軸端位置的一周全量軸溫數據，共計約1000萬條，使用相鄰下一包軸端的溫度值減去當前包的溫度值得到軸溫30秒變化的溫差，將溫差按照小于-7度、-6度、-5度、-4度、-3度、-2度、-1度、0度、1度、2度、3度、4度、5度、6度、大于7度進行統計。根據統計結果得出，軸端30秒溫度變化的正常區間是有一個范圍的，超過該溫差區間范圍的軸溫屬于異常溫度值。

2.3 軸溫相關性統計分析

使用相關性算法統計出制動檔位、速度、加減速度、外溫和軸端溫度相互之間的相關系數。經過分析發現與軸端溫度相關性較強的是室外溫度和速度，所以針對神經網絡預測模型建模，可以增加室外溫度和速度及軸溫自身的相關衍生變量。

2.4 神經網絡預測模型

2.4.1 數據處理

從數據庫中抽取出一周的數據作為訓練數據，先對數據進行預處理，包括：

（1）數據過濾。（2）字符映射。（3）特征工程：增加衍生變量和連續變量，做特征工程且將其標準化。

（4）標簽化：以車型、列號、車號及軸id為key，鎖定每個軸端的溫度傳感器，將下一包的軸溫值作為模型需要訓練預測的標簽。

2.4.2 模型建立與評估

本次所采用的是適用于分類回歸的前饋神經網絡，采用三層全連接網絡結構，第一層為輸入層，第二層為隱藏層，第三層為輸出層。以0.0013的學習率訓練，以均方誤差為損失函數，使用Adam優化器進行梯度下降的計算。并加入了dropout技術，防止模型對訓練數據集產生過擬合。

生成最終軸端溫度神經網絡預測模型后隨機選取5份測試數據，進行模型驗證評估，分別采用了平均絕對誤差，R2和均方誤差來測試神經網絡模型的性能，其測試結果如表1：

表1

2.4.3 模型誤差閾值探索

根據一周左右的測試數據結果，按照絕對值誤差小于1度，介于1～2度，介于2～3度，介于3～4度，介于4～5度，介于5～6度，大于6度進行劃分，根據劃分區間占比可以確定神經網絡預測模型的誤差閾值。

2.5 軸溫傳感器誤報識別模型

根據軸溫30秒溫差變化范圍和預測模型的誤差閾值，綜合得出軸溫傳感器誤報識別模型規則：當軸端溫度值與軸端溫度預測模型預測值的絕對誤差大于誤差閾值時，并且該軸端溫度值與前后30秒的軸溫值的溫差絕對值同時大于閾值時，則判定該值為溫度傳感器誤報所致。

[1] 王飛.CRH5型動車組軸溫檢測系統故障分析及處理辦法[J].科技傳播，2014，6（15）：182+163.

[2] 房兆鵬.CRH5A型動車組軸溫誤報警故障原因分析及預防措施[J].硅谷，2014，7（06）：74+43.