基于流計算的高鐵牽引變電器多工況機理模型研究

趙 珂，彭清暢，姜喜民，劉光俊

?

基于流計算的高鐵牽引變電器多工況機理模型研究

趙 珂1，彭清暢2*，姜喜民2，劉光俊2

（1. 昆明理工大學 城市學院，云南 昆明 650051；2. 中車青島四方機車車輛股份有限公司，山東 青島 266111）

隨著高鐵線路的增多，高鐵運行故障監控和預警尤為重要。其中高鐵牽引變電器的故障預測因受多工況、運行交路狀況、檢修記錄等因素影響，難以實現單一機理模型準確預測。本文提出了一種基于流計算的高鐵牽引變電器多工況機理模型，在高速運行的高鐵中可以實時實現牽引變電器故障監控和預測。實際運用表明，該方法有效提高了監控故障準確率和預測故障的成功率。

流計算；牽引變電器；多工況；機理模型

0 引言

高鐵的牽引變電器裝載于中國標準動車組3、6車車下設備艙內，功能是把受電弓從接觸電網上取得的25 kV高電壓降至供低壓電器使用的1900 V低電壓[1]，這個過程會導致牽引變電器發熱，需要冷卻系統進行降溫。目前牽引變電器冷卻系統監控主要通過監控入口風溫度、冷卻出口油溫、風機電流、風機電壓等傳感器實現[2]，車載監控系統只能監控冷卻系統高溫故障，誤報率較大，也無法實現故障預測。為提高牽引變電器的冷卻系統的故障監控準確度和實現故障預測，需結合高鐵其它子系統的工況傳感器，組合多工況進行大數據聯合監控。

高鐵牽引變電器的散熱系統進行多工況監控，需從風機電流、牽引負荷、列車速度、加速度、牽引變電器油溫、外溫、PM2.5、進風口溫度等機理模型組合監控，并在車載監控平臺和線下大數據平臺進行流計算監控。理想的多工況機理模型需各種算法算子對比訓練才能得到，同時模型的精準度也需要反復迭代訓練大數據和實時調整流計算才能實現。

高鐵動車組每日需采集138億左右傳感器數據，要求監控系統平均每秒需處理16萬工況數據，從中篩選出各種機理模型數據，還需對歷史數據進行聚合計算，因此流計算需大量資源才能保證牽引變電器多工況機理模型的計算效率。

1 牽引變電器降溫機理

牽引變電器冷卻系統是牽引外部空氣通過空氣過濾器后由牽引送風機吸入并吹出冷卻風，然后通過冷卻系統由排氣管道排出。冷卻介質由循環水泵泵入牽引變電器內部的逆變模塊、整流模塊、整流單元和輔變模塊，通過內循環單元吸收熱量后經出水口蝶閥進入散熱器，再通過水冷卻器與外界空氣進行熱交換，內循環單元中被冷卻后的冷卻劑再由水泵泵入牽引變電器，如此循環實現變電器降溫。降溫流程如圖1所示。

圖1 牽引變電器降溫流程示意圖

牽引變電器冷卻機的散熱器安裝在高鐵底部，散熱器的冷卻效果取決于通過油冷卻器的進風量大小。但進氣中含有細微粉塵、羽毛、樹葉等雜物，一旦吸附雜物堵塞進風口，會減少散熱器的通風量，降低散熱性能，容易導致牽引變電器發生高溫故障。同時附著在散熱器翅片表面的灰塵會增加翅片的熱阻，導致散熱器冷卻性能大幅下降。粉塵中的微小金屬長時間附著會造成散熱器鋁材隔板腐蝕穿孔，造成散熱器泄漏失效。

基于牽引變電器運行機理，分別測量牽引變電器散熱器相關技術指標參數作為冷卻機理監控的基本要素，使用方差斜率算法進行擬合出口油溫溫升監控模型計算方程式：

2 高鐵傳感器數據處理

高鐵動車組的傳感器數據最大難點是高速運動的設備數據采集和傳輸?，F有動車組數據通過2 G/ 3 G/4 G網絡進行實時傳輸，約3~10 s進行一次網絡基站切換[4]。當列車進入信號較弱或無網絡覆蓋的地方會導致數據傳輸的延遲，引起大數據流計算高吞吐量的異常變化。并且不同時期建造的高鐵其數據包大小和內容都不同，數據包解析的靈活配置是數據實時預處理的關鍵。因此在多工況數據提取時需要靈活配置和調整才能減少流計算的程序開發工作量。

2.1 數據擬合與過濾

由于高鐵牽引變電器的數據存在噪音、突變、傳感器故障、干擾、調試等情況，導致很多機理模型難以準確定位，因此需要將數據包進行數據與函數擬合，并通過傳感器數據和檢修記錄等對比分析后，梳理過濾規則提升數據質量。此外，為減少牽引變電器的多工況干擾項和流計算機理模型推導和驗證，需對歷史數據和當前數據包需要采用方差、均值、小波等聚合類算法進行擬合，還需使用多工況各種比值進行分析和數據擬合處理后才能提高故障預測精度。

2.2 歷史數據加工

高鐵牽引變電器機理模型設計需要相關工況的歷史數據，同時多工況機理模型變化時需要反復處理加工歷史數據，因此歷史數據只能保存最基本的單位轉換數據。牽引變電器故障預測受限于每列高鐵的工況變化，如果流計算使用單一數據包只能做閥值監控，用故障預測誤差較大，因此需要將歷史數據累積成各種工況標簽和擬合值，以降低實時流計算處理難度并提升運行效率。

因歷史數據面臨數據體量過大，運行效率低下，資源開銷大的情況，數據加工時間從高鐵日常檢修和運行交路起止時間段來切分，通常采用集群資源比較閑置的凌晨2點至5點進行歷史數據的加工和處理，這樣機理模型訓練與模型推導既能保障流計算數據處理效率又能提升故障預測效果。

3 機理模型構建方法

牽引變電器傳感器采集數據龐大，但每個傳感器都有一定的關聯機理，在牽引變電器上部署部分監控算法，利用實時采集的數據包，基于大數據流計算進行模型構建。

3.1 模型算法設計

濾網堵塞程度預測模型設計，采用牽引變電器油溫溫升與濾網堵塞面積百分比建立擬合函數方程式：

式中G為油溫方差溫升與進風口堵塞面占比的擬合值，為進風口堵塞面占比，為進風口當前堵塞面積，為進風口面積。畫出油溫溫升數據擬合曲線見圖3，由圖可見擬合曲線的拐點是溫升上升速率最大點。

同時采用牽引變電器油溫和外溫差之差與濾網堵塞面積百分比建立擬合函數方程：

3.2 算法算子動態生效

在流計算中實時調整算法算子，需設置一個規則同步時間開關，流計算運行到該時間點時從配置數據庫中同步算法算子規則。按照統一的流式數據格式將測試無誤的算法算子封裝成jar包，在同步時進行動態裝載，可保障動態更新算法算子，也可以在流計算調試時通過降低同步時間開關間隔進行規則同步。

圖3 油溫差與濾網堵塞面積擬合效果圖

3.3 實時流計算

用分布式流計算引擎spark streaming進行封裝實現實時流計算[5-9]，程序業務流程如圖4所示。

圖4 Spark streaming程序業務邏輯圖

數據流進入spark streaming流計算程序中的關鍵業務邏輯之前完成數據篩選，減少無關數據量，提升程序運行效率。每種機理模型規則采用線程實現，提升機理模型的并發計算效率，按照spark流計算的批次處理原理，循環執行計算輸出機理模型結果。

spark streaming程序需要使用spark-submit進行啟動，需以3~5秒/批進行調整執行器數、執行內存和執行CPU核數。

使用on-yarn模式，采用后臺nohup無控制臺日志運行格式如下：

./spark-submit

--class：入口主類

--master yarn：on-yarn模式

--deploy-mode cluster：集群方式

--num-executors：執行器數

--executor-memory：執行內存

--total-executor-cores：執行CPU核數

--driver-memory：驅動內存

--jars：引用jar包

[程序參數]

3.4 數據鏈路

流計算程序考慮程序復雜度和數據分層共享等原因，將流計算數據流程鏈路設計為三層：第1層為原始數據流，第2層為解析后非結構數據流，第3層為機理模型標簽數據流。編寫三個流程序進行傳遞處理。每一層都進行寫入到hbase進行歸檔，在保障流計算不同層級的運算效率的同時又能保證流計算的穩定性和完整性。

4 模型推導驗證

全國兩千多列高鐵因建造時間不同，車上傳感器種類不同、敏感性不同，采集的數據會存在差異。故每列車的機理模型還需根據具體列車特點推導、訓練和驗證。選擇京廣線上1列標動為例，根據交路工況特點在流計算中動態調整機理模型，進行數據和算法擬合驗證故障預測效果。

多工況機理模型需要采用高鐵運行速度 ≥330 km/s的相同情況下，在固定的運行交路進行推導和驗證。

4.1 外溫與油溫對照驗證

在速度勻速時，對不同時間段分析列車外溫對牽引變電器油溫的影響。數據分析采用該高鐵4月16日至22日運行數據，通過函數擬合得到溫升與新風溫度對比情況，見圖5。

圖5 新風溫度與溫升對比圖

圖中x軸為牽引變電器溫升發生頻次，y軸為溫度，數據對比分析新風溫度（進風口溫度）上升，而油溫沒有明顯上升，新風溫度主要在20℃至35℃之間，從業務上了解到這列高鐵期間一直在北方初夏運行，所以新風溫度不高。同時對比分析溫升擬合值在25℃附近±10℃波動。

進一步分析該列車在四季運行的新風溫度機理，采用這列高鐵四季運行數據統計分析得到牽引變電器四季水溫擬合圖6。

圖6 進出口四季水溫圖

由圖可見不同季節牽引變電器進口新風溫度分布明顯不同。由此可見列車季節性外溫對進出口水溫影響較大。在流計算中，需結合列車四季區間值進行數據過濾，減少單一閥值導致的故障誤報，提高故障預測準確率，得到清理牽引變電器清潔周期方程為：

T=0′′（4）

式中T為季節清理周期，0為季節濾網清理周期，為季節影響因子，為相同溫度堵塞面積比。將（4）部署到流計算中，根據季節篩選出新風溫度最大值，并將值作為故障預測的推導算法條件之一。

4.2 加速度與油溫增量驗證

在5月17日至27日，分別查看高鐵啟動階段的3分鐘、5分鐘與10分鐘階段的加速度與牽引變電器油溫溫升的關系，如圖7、8所示。

圖7 3 min與5 min油溫溫升散點分布圖

圖8 10 min油溫溫升散點分布圖

由圖可見時間窗口的加速度與牽引變電器溫升增量沒有線性關系，但從3、5、10 min圖中溫升逐步散開可以看出溫升與加速度的持續時間有一定關聯。利用這個關系在流計算中，過濾掉首次發車的冷車階段前10分鐘數據，重點關注之后溫升在4℃以上的數據，可以減少在加速度階段的實時數據誤報率。

4.3 模型誤差檢驗

使用一元線性分析方法[6]，對這列高鐵在5月7日至13日這一段時間內數據，采用線性回歸算法對油溫與外溫的擬合值進行線性回歸統計分析得到表1和表2。

在線性回歸分析中，得到預測誤差值趨近于0。將一元線性回歸誤差值趨近為0的出現次數進行直方圖分析得到圖9。

由圖可見誤差值在±5之間，其誤差在較小的合理范圍內。結合驗證結果，將誤差值按照參考值的+5在流計算中進行過濾，剔除誤差過大的擬 合值。

表1 線性回歸統計表

Tab.1 Statistical table of linear regression

表2 線性回歸分析結果表

Tab.2 Table of results of linear regression analysis

圖9 一元線性回歸誤差直方圖

5 迭代訓練

機理模型訓練需根據已發生故障的數據進行反復迭代訓練和修正，大量算法與工況數據之間關聯關系也需要業務驗證和機理完善。選擇在4月22日發生了牽引變電器故障的高鐵，調取該高鐵上一次檢修牽引變電器的時間到該故障發生時間即3月8日到4月22日45天里該列車實際運行數據，進行進風口溫度與進風口溫差日均值趨勢分析得到圖10。

由圖可見在3月8日牽引變電器風機濾網進行了一次日常周期性清理后，進風口溫度和溫差都持續升高；到4月2日監控系統預警報高溫故障，列車牽引變電器風機濾網故障檢查發現進風口堵塞嚴重，散熱器表面有灰塵，進行清理后故障排除。進風口溫度回落。到4月22日牽引變電器報高溫故障，入庫檢查發現牽引變電器進風口濾網臟堵，當日進行清理后故障排除。調用多次類似數據后反復分析后推斷高溫故障出現概率在20日左右會發生進風口濾網堵塞，因此建議將原來不定期清理的檢修規程調整為每間隔20日對牽引變電器進風口進行一次定期清理，有效提高了檢修效率也避免了一定故障發生率。

此外，每日運行離線大數據程序生成牽引變電器的前60日溫差值、均值、最大值、最小值等聚合標簽。流計算中的多工況機理模型直接采用每日離線計算的聚合標簽進行計算的方法以降低實時流計算的計算資源。

6 結論

本文通過提取高鐵牽引變電器傳感器多工況數據進行了高溫故障機理模型迭代訓練和推導，反復修正機理模型和參數，采用在流計算中動態部署機理模型的方式，并根據需要訓練和調整模型，解決了流計算中的歷史數據實時聚合耗資源問題，也解決了流計算機理模型部署難的問題?；诹饔嬎愕母哞F牽引變電器多工況機理模型通過實際運行也取得了較好的故障及時監控和故障準確預測效果，在持續1年時間跟蹤分析1列高鐵在京廣線交路上運行情況，前期故障監控和預測準確率分別為88%和85%，后期經過不斷迭代訓練、優化機理模型，故障監控和預測準確率都提升了近8個百分點。

圖10 進風口溫度/溫差與故障關系圖

Fig.10 Relationship between fault and inlet air temperature/temperature difference

[1] 姜斌, 吳云凱, 陸寧云等. 高速列車牽引系統故障診斷與預測技術綜述[J]. 控制與決策, 2018, 33(5): 841-955.

[2] 曾云峰, 姚磊, 何凱等. 基于計算流體力學的電力電子牽引變壓器熱分析[J]. 大功率變流技術, 2017, 4(1): 92-95.

[3] 王斌, 金福才, 謝玉霞. 一種基于流計算的鐵路車流推算架構模型研究[J]. 鐵道運輸與經濟, 2018, 7(40): 86-89.

[4] 王忠峰, 王富章, 孫華龍. 高鐵動車組WiFi運營服務系統服務質量的測量與分析[J]. 電子技術應用, 2018, 44(5): 77-81.

[5] 夏俊鸞, 劉旭暉, 邵賽賽等. Spark大數據處理技術[M]. 北京: 電子工業出版社, 2015.

[6] 李心愉, 袁誠. 應用經濟統計學[M]. 北京: 北京大學出版社, 2008.

[7] Xiaohui Jiang, Peng Hu, Yanchao Li et al. A survey of real-time approximate nearest neighbor query over streaming data for fog computing[J]. Journal of Parallel and Distributed Computing. 116(2018): 50-62.

[8] Jianfeng Xu, Duoqian Miao, Yuanjian Zhang et al. A three-way decisions model with probabilistic rough sets for stream computing[J]. International Journal of Approximate Reasoning 88(2017): 1–22.

[9] 趙永斌, 陳碩, 劉明等.流計算與內存計算架構下的運營狀態監測分析[J]. 計算機應用, 2017, 37(10): 3029-3033.

[10] 李斌, 李蓉, 周蕾. 分布式 K-means 聚類算法研究與實現[J]. 軟件, 2018, 39(01): 35-38.

Research on Multi Working Mode Mechanism of High Speed Traction Transformer based on Stream Computing

ZHAO Ke1, PENG Qing-chang2*, JIANG Xi-min2, LIU Guang-jun2

(1. City College, Kunming University of Science and Technology, Kunming 650051, China; 2. China Railway Rolling Stock Corporation Qingdao Sifang Co. LTD, Qingdao 266111, China)

With the increase of high-speed rail lines, monitoring and early warning of high-speed rail operation is particularly important. The fault prediction of high-speed railway traction transformer is affected by many factors, such as multi-working conditions, operation routing conditions, maintenance records, etc. It is difficult to achieve accurate prediction of a single mechanism model. In this paper, a multi-condition mechanism model of high-speed railway traction transformer based on stream computing is proposed, which can realize real-time fault monitoring and prediction of traction transformer in high-speed railway. The practical application shows that the method can effectively improve the accuracy of monitoring faults and predict the success rate of failure.

Stream computing; Traction transformer; Multi working mode; Mechanism model

TP273.5

A

10.3969/j.issn.1003-6970.2018.09.027

趙珂(1978-)，女，碩士，講師，主要研究方向：信號與信息處理、大數據挖掘；姜喜民(1979-)，男，本科，大數據主管，主要研究方向：信息化規劃、大數據架構；劉光俊(1993-)，男，本科，助理工程師，主要研究方向：數據統計分析，大數據挖掘。

彭清暢(1985-)，男，本科，信息工程師，主要研究方向：軟件工程、大數據架構。

本文著錄格式：趙珂，彭慶暢，姜喜民，等. 基于流計算的高鐵牽引變電器多工況機理模型研究[J]. 軟件，2018，39（9）：133-138