基于軸溫動態閾值的列車軸承故障預測

劉光俊 牟琳 張珍文

摘 要：隨著我國高鐵的飛速發展，列車運行安全面臨日益嚴峻的挑戰，列車轉向架作為列車核心部件不允許出現問題，因此對列車轉向架軸承故障預測具有十分重大的意義。本文研究基于軸溫動態閾值的列車軸承故障預測，提醒列車相關人員進行關注并采取處置措施，保障列車運行安全。

關鍵詞：軸溫；動車組；動態閾值；故障預測

中圖分類號：TH133.33 文獻標志碼：A

0 引言

在動車和高鐵的運行過程中，列車轉向架軸承一旦出現故障將導致重大交通事故，因此對列車轉向架軸承故障預測具有十分重大的意義。然而，目前車地系統對列車轉向架軸承狀態的監測主要來自各軸溫傳感器。因此，如何通過車地系統發送的軸溫數據來判斷軸承的健康狀態并預測列車故障成為一個亟待解決的重大課題。

目前采用的故障預測依據：（1）軸溫差過大。（2）軸溫溫升斜率過大。這兩種方法都是通過使用人的經驗總結歸納出來的判別物理量來進行故障預測的，有很大的局限性。

好處：物理意義明確，便于理解。

壞處：首先，不能充分的考慮多種影響因素，例如列車的運行狀態（速度、加速度），外溫（環境溫度），僅僅考慮了幾個類似物理量的變化的一致性特征。其次，僅僅考慮了簡單時序特性，軸溫的變化是一個積累的過程，不僅與當前時刻的各種因素相關，而且與之前一段時間內的各種影響因素相關。

然而列車實際運行過程中，這些因素與軸溫有著很強的相關性。因此故障預測模型的建立必須充分地考慮到這些因素。從圖1可以看出，軸溫與外界環境溫度無論是線性和非線性相關性都比較強。

綜上所述，由于軸溫的影響外界溫度（與季節、運行線路有關）、速度、加速度等都是隨著時間動態的變化的，因此我們認為軸溫的合理范圍也是隨時間動態變化的，而非一個固定的值。如何建立一個隨時間變化的動態閾值正是我們要解決的根本問題。

1 解決方案與原理

1.1 一部件一模型

模型是針對部件的，某輛列車的某個部件訓練一個模型。舉例來說，A列車1位軸端溫度和B列車的1位軸端溫度對應的模型就是不一樣的。A列車的1位軸端溫度和2位軸端溫度以及1軸小齒輪箱車輪側軸承溫度所對應的模型也是不一樣的。但僅僅是模型的參數不同，模型的構建原理是一樣的。

1.2 模型更新頻率

為了使模型適應大環境的變化，大環境包括季節、運行線路的調整等。模型可以進行定期更新，更新頻率可以為每周或者每月。模型的定期更新是為了彌補長期訓練數據的缺失。同時也是為了適應特定列車號列車運行線路的調整。

彌補長期訓練數據的缺失，目前我們的大數據系統中僅保留了3個月解析后的數據，勉強可以滿足訓練數據量的要求。但是不能反映出列車軸溫的季節性的變化。因此構建的模型自然也無法學習到季節變化的因素。但是我們可以通過每周更新模型，使得模型能夠反映近期環境溫度下的規律。

適應特定列車號運行線路的調整。每趟列車的列車號是固定的，一輛列車通常需要跑多條線路，但是相對一段時期內是不變的。因此，模型可以學習到列車在多條線路上運行的狀態信息。如果運行線路發生重大調整，就需要重新訓練模型。定期更新模型也是為了適應這種線路調整的變化。

1.3 動態閾值的計算

以1位軸端溫度的動態閾值的計算為例。

1.3.1 訓練階段

訓練輸入：一段時間范圍內（30min）列車運行狀態（速度、加速度）、環境因素（戶外溫度）、2-7軸端時間范圍初始和結束的軸溫值。訓練數據需要包括盡可能多的數據，至少包括一個月內的數據，越長越好，學習到的環境因素越復雜。

回歸量：1位軸端溫度。

訓練輸出：模型文件（二進制文件），保存了模型的結構以及模型系數。

1.3.2 動態閾值計算

動態閾值的計算可以是實時的，也可以是事后的。根據已經訓練好的模型計算動態閾值的速度是可以很快達到實時的計算要求。但是由于故障的預測是以天為單位的，因此也可以在列車入庫后進行。

輸入量：當天運行數據，包括列車狀態（速度、加速度）、環境溫度（戶外溫度）、2-7軸端時間范圍初始和結束的軸溫值。與訓練數據的組織結構是相同的。

輸出量：1位軸端溫度的預測值。

動態閾值=預測值+預測誤差精度。

當實際測量的溫度高于動態閾值時，則預警。

2 實驗成果

使用了A列車某段時間共計66915條數據作為訓練數據。對某段時間共計13065條數據做預測，得到圖2實驗結果。

對實驗結果進行評價，如圖3所示，可以看出真實值和預測值的R2分數達到0.99，說明預測值很好地詮釋了真實值。誤差均值為-0.04接近0均值符合預期，均方根誤差rmse為0.65，預測誤差在1℃以內的數據量占總數據量的89.5%，預測誤差在2℃以內的占比99.5%，全部數據的誤差在3℃以內，其中最大預測誤差為2.75℃。我們認為已經達到了工業應用的標準。

參考文獻

[1]趙澤斌.高速動車組軸溫自動控制分析[C]//.中國智能交通年會，2013.