基于隨機森林的動車組軸溫故障識別

張士存 張杜瑋 顧佳

摘 要：隨著高鐵的高速發(fā)展，動車組運行安全面臨越來越大的挑戰(zhàn)，作為動車組重要組成部分的轉(zhuǎn)向架受到的關(guān)注日益增加。本文利用隨機森林算法根據(jù)動車組軸箱的溫度識別軸箱是否故障，及時提醒動車組司機和隨車機械師確認(rèn)并進行降速等處置措施，保障列車運行安全。

關(guān)鍵詞：動車組；軸箱溫度；隨機森林；故障識別

中圖分類號：TP333.35 文獻標(biāo)識碼：A 文章編號：1671-2064（2018）08-0050-02

近些年，我國的高鐵事業(yè)得到迅猛發(fā)展，技術(shù)越來越成熟，速度越來越快，特別是我國自主設(shè)計研發(fā)的‘復(fù)興號動車組更是以350km/h速度試運營，如何保障列車安全運行成為極其重要的挑戰(zhàn)。動車組轉(zhuǎn)向架在列車運行過程中起承載、轉(zhuǎn)向、緩沖、牽引、制動等作用，它的各種參數(shù)直接決定了列車的穩(wěn)定性和舒適性[1]。而高速列車軸箱軸承是高鐵轉(zhuǎn)向架的關(guān)鍵部件，其性能好壞直接影響列車的安全行駛，經(jīng)過以往研究發(fā)現(xiàn)軸箱發(fā)生故障后直接表現(xiàn)是其溫度異常變化，通過實時監(jiān)測溫度的異常溫升等變化情況，可以對列車軸箱故障進行預(yù)警，保障列車運行安全[2]。

1 隨機森林簡述

隨機森林算法是機器學(xué)習(xí)中最具有廣泛影響力的算法之一，它不僅應(yīng)用于分類還能進行回歸預(yù)測，也可以用來聚類，它適合多個特征變量，且變量之間可以是多重共線性的，不會出現(xiàn)過擬合，適合大樣本數(shù)據(jù)訓(xùn)練，可以并行執(zhí)行，比神經(jīng)網(wǎng)絡(luò)時間復(fù)雜度小。

優(yōu)點：（1）在數(shù)據(jù)集上表現(xiàn)良好，隨機森林不容易陷入過擬合；（2）隨機森林具有很好的抗噪聲能力；（3）它能夠處理很高維度的數(shù)據(jù)，并且不用做特征選擇，既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)；（4）訓(xùn)練速度快，可以得到變量重要性排序；（5）可以并行計算；（6）實現(xiàn)比較簡單。

2 動車組軸箱故障預(yù)警模型

動車組列車中，轉(zhuǎn)向架是重要組成部分之一，軸箱是轉(zhuǎn)向架的關(guān)鍵部位，本文的目的是通過列車基本數(shù)據(jù)和軸箱溫度數(shù)據(jù)對列車運行過程中軸箱故障進行識別和報警。

2.1 建模思路

列車原始數(shù)據(jù)中，沒有真正發(fā)生故障的數(shù)據(jù)，在只有正常樣本的情況下，只能對列車在正常運行時的軸溫建模，得出軸溫的模型值，當(dāng)軸溫實際溫度與模型溫度值差異大時認(rèn)為軸溫所在軸可能出現(xiàn)異常，進一步檢測后續(xù)軸溫狀況，差異值繼續(xù)增大，可認(rèn)定軸溫異常所在軸發(fā)生故障。建模思路如圖1所示。

（1）將所得數(shù)據(jù)提取特征，進行建模，利用回歸模型回歸一條標(biāo)準(zhǔn)曲線得出列車在正常時的模型。（2）根據(jù)模型誤差，確定上下容忍邊界，在實際溫度在邊界內(nèi)的認(rèn)為是正常值，否則為異常值。（3）確定預(yù)警值，監(jiān)測到異常點溫度連續(xù)超過標(biāo)準(zhǔn)曲線累計達到某一值，認(rèn)為預(yù)警值。

2.2 實例建模

2.2.1 樣本說明

抽樣選擇某車型某段時間的全量數(shù)據(jù)，數(shù)據(jù)包間隔30秒，樣本數(shù)共428732例，模型交叉驗證訓(xùn)練集和測試集按照0.7比例劃分。驗證樣本數(shù)據(jù)：選擇某車（車內(nèi)預(yù)警）樣本，樣本數(shù)共3658例。

2.2.2 數(shù)據(jù)預(yù)處理

（1）數(shù)據(jù)清洗。剔除掉樣本數(shù)據(jù)中重復(fù)數(shù)據(jù)和無效數(shù)據(jù)。（2）數(shù)據(jù)標(biāo)準(zhǔn)化。樣本各指標(biāo)的單位不同，為消除量綱影響，對數(shù)據(jù)進行標(biāo)準(zhǔn)化，所采用方法為最小—最大規(guī)范化：

其中νi代表標(biāo)準(zhǔn)化后的新數(shù)據(jù)，max和min分別代表原始指標(biāo)數(shù)據(jù)中的最大值和最小值，νi表示原始指標(biāo)數(shù)據(jù)。

2.2.3 建模結(jié)果

（1）回歸模型。評價回歸模型的指標(biāo)主要有R2，RMSE（均方根誤差），R2代表模型擬合的好壞，越接近1，表示模型擬合越好；RMSE（均方根誤差），代表真實值與預(yù)測值之間的誤差，RMSE越小，表示真實值與預(yù)測值差距越小，預(yù)測效果越準(zhǔn)確。隨機森林回歸結(jié)果R2=0.92，RMSE=6.235。在采用隨機森林回歸建立列車運行正常的軸溫模型建立之后，真實值與模型值差的絕對值的最大值為閾值，因此，模型的容忍邊界設(shè)定為[-8，8]。落在上邊界外認(rèn)為異常，在測試樣本中，回歸模型識別的異常點如圖2所示：異常溫度值發(fā)生部位為8位軸端，共288個，顯而易見尖峰點為傳感器誤報，其余發(fā)生在后半段，異常軸溫與回歸模型差距逐步拉大，需要選擇過濾規(guī)則。（2）過濾模型。過濾模型規(guī)則：溫升：軸溫上升趨勢越高，差值越大，發(fā)生故障風(fēng)險越大，10min不間斷溫升大于7。軸端溫升：軸端相對外溫溫升大于78（根據(jù)附錄數(shù)據(jù)探索得出），排除外溫影響。過濾后的異常數(shù)據(jù)如表1所示：過濾后的數(shù)據(jù)比車上預(yù)警時間提前了5分鐘，但是預(yù)警點多了6個。

3 結(jié)語

預(yù)警的控制策略是軸端溫度大于閾值，本文認(rèn)為只靠軸溫值大于閾值來判定預(yù)警是不合理的，本模型認(rèn)為預(yù)警需要綜合考慮。在本文中通過隨機森林回歸擬合軸溫，找出異常溫度值后結(jié)合外溫、不間斷溫升來定故障點是可行的，在后續(xù)數(shù)據(jù)本身質(zhì)量和模型仍需近一步優(yōu)化。

參考文獻

[1]尹懷仙，王凱，張鐵柱，等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的城軌列車轉(zhuǎn)向架輪對軸箱故障預(yù)測[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2015，（4）：97-103.

[2]湯武初，王敏杰，陳光東，等.高速列車故障軸箱軸承的溫度分布研究[J].鐵道學(xué)報，2016，（7）：50-56.