基于數據驅動的地鐵列車制動系統管路泄漏檢測及預警方法

陳美霞 梁師嵩 顧亦豪 鄭 歡

(1.中車南京浦鎮車輛有限公司，210031，南京；2.上海仁童電子科技有限公司，200233，上海∥第一作者，正高級工程師)

地鐵列車制動系統與列車運行安全有直接的關系，地鐵列車制動系統的控制和檢修等的智能化已成為研究重點。基于PHM(故障預測與健康管理)技術的智能化故障檢測方案為地鐵列車制動系統的智能化檢修提供了支持。PHM技術需要根據各類傳感器數據和列車運行數據，借助各種智能算法與推理模型實現對列車制動系統運行狀態的監測、預測、判別以及管理，并最終實現智能維護PHM的相關功能(如圖1所示)。本文主要研究基于數據驅動的地鐵列車制動系統管路泄漏的檢測及預警方法。

圖1 PHM功能

1 地鐵列車制動系統管路泄漏現狀分析

1.1 制動系統管路泄漏檢修現狀分析

我國地鐵車輛基本使用的都是傳統的空氣制動系統，制動系統以壓力空氣為制動原動力。制動系統大致分為控制模塊、供風模塊、轉換模塊和執行機構4個模塊。控制模塊包括司機控制器、TCU(牽引控制單元)和BCU(制動控制單元)；供風模塊包括空氣壓縮機、空氣彈簧、總風缸和制動風缸；轉換模塊包括EP(電空轉換)閥和中繼閥；執行機構包括制動缸和輪對[3]。圖2為地鐵列車制動系統的構成、各設備之間的關系及相關信號流向。

圖2 地鐵列車制動系統信號流向圖

制動系統的管路容易發生泄漏，且微小泄漏不易被發現，檢查泄漏點困難。目前通常依靠熟練工人對軌道車輛的管路泄漏情況進行人工排查，主要采用耳聽的方式檢查泄漏點，工作量很大，且這種方法僅僅適用于較大的泄漏點的排查[4]。改進方案如：文獻[5]提出的針對高速列車制動系統中的EP閥漏氣故障檢測方法，是基于全局邊際判別分析的故障檢測方案；文獻[6]提出的針對危害性最為嚴重的列車管泄漏檢測方法，是基于基準流量泄漏檢測算法的故障檢測方案。這些改進方案往往需要附加傳感器或進行破壞試驗，具有相當的局限性且實施成本較高。而一些在工業系統使用的檢測方案，比如：將含有示蹤劑的氣體導入系統，通過觀測管道周圍的氣體來檢查氣體泄漏情況[7]；基于超聲波、漏磁和聲發射等無損探傷原理以及錄像觀察的智能清管器檢測方案[8]。由于受地鐵列車運行環境限制和制動系統管路材料限制，無法采用工業系統中使用的這些檢測方案。

1.2 制動系統運行數據分析

TCMS(列車控制管理系統)是車輛與信號系統的ATC(列車自動控制)子系統進行數據通信的唯一接口，用于收集牽引、制動、車門和空調等的信息[9]。考慮到TCMS中包含了列車制動系統的運行數據，因此本文研究提出將數據型模型方案用于制動系統管路泄漏的監測定位及預警。采用孤立森林算法和線性回歸算法，通過分析列車耗風量和其他因素之間的映射關系以及時序變化，檢測和預警可能發生的制動系統管路泄漏。孤立森林算法是文獻[10]介紹的一種針對連續型結構化數據中的異常點進行檢測的算法，用以剔除數據中的離群點；而線性回歸算法是確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法，用以擬合出各輸入變量之間的線性映射關系[11]。

在實際運營場景下，列車每天的狀態都不一樣，經常會出現一天在線路運行、一天在庫的情況。并且，TCMS的數據采樣率僅有1 Hz，對于管道泄漏的監測定位來說，這樣的數據不夠有效；TCMS中不包含流量數據，基于流量計算泄漏量的方案也無法實施。此外，TCMS數據采用4G(第4代移動通信技術)進行車地信號傳輸，在實際運營過程中，會因4G信號質量問題導致傳輸中數據丟失，從而導致每列列車每天采集到的數據長度不一致。對于上述這些問題，本文的研究通過把數據的檢測時窗擴大，統計一天內制動系統的工作狀態參數，并盡可能采用“率”的概念對所挑選的物理量進行處理，以期盡可能消除數據質量對模型的影響。

2 地鐵列車制動系統管路泄漏檢測模型

在制動系統中，總風管是連接總風缸和制動系統以及其他用風設備的管路。總風缸存儲由風源系統獲得的壓力空氣，為列車上所有的用風模塊供風，包括制動系統、空氣彈簧、氣動塞拉門，以及空調廢排、受電弓升弓和高溫元件風冷等的用風。總風管管路泄漏的原因可能是：管路、橡膠元件和管路接頭處的密封件，在較惡劣的環境中長時間工作導致性能退化，從而導致管路中的壓力空氣泄漏。壓力空氣泄漏會導致管路中的氣壓降低，從而觸發總風缸的低壓補風門限，使得空氣壓縮機頻繁地啟動和停止。

制動缸是接收來自中繼閥的壓力空氣并利用氣壓對輪對實施制動的元件。制動缸及相連管路泄漏的原因可能是：制動缸處于長時間保壓中，導致閥的保壓性能和管路接頭的密閉性能下降。但由于制動缸壓力作為被控量，若在實際運營過程中發生泄漏，就會產生壓降，BCU則會通過壓力控制自動補氣，這會直接導致全列車的用風量增大，最終也表現為空氣壓縮機頻繁啟動和停止。

無論是總風管管路泄漏還是制動缸及相連管路泄漏，都將最終表現為空氣壓縮機頻繁啟動和停止。本文的研究將通過不同特征分別表征總風管路泄漏和制動管路泄漏的特點，從而定位泄漏的位置。本文的研究將整個制動系統與供風系統簡化為如圖3所示的模型圖。

圖3 地鐵列車制動系統簡化模型圖

通過平衡整個制動系統的充風量和耗風量關系，本文的研究選擇空壓機工作頻率、制動頻率和制動缸保壓率3個指標來構建模型特征。這3個指標之間的映射關系能夠反映出整列車的耗風量與泄漏情況。但是，由于整個制動系統的管路連接成一個整體，制動總風管路泄漏與制動缸及相連管路泄漏存在較強的耦合現象，因而從機理上無法將二者分別進行建模。所以在建模時，將上述兩種情況進行混合建模，并使用模型的不同參數來分別表征在不同位置發生的泄漏故障。

1)空壓機工作率pratio：

pratio=∑Tfill/Tall

式中：

∑Tfill——一定時間內空壓機工作的總時長；

Tall——一定時間內制動系統工作的總時長，用以表征總風管管路泄漏，只要制動系統在工作就存在該泄漏項。

2)制動頻率bfreq：

bfreq=∑Nbrake/Tall

式中：

∑Nbrake——一定時間內制動的總次數，即制動狀態跳變次數，用以表征制動耗風。

3)制動缸保壓率bratio：

bratio=∑Tbstat=1/Tall

式中：

∑Tbstat=1——一定時間內列車處于制動狀態的總時長，即代表制動缸內充有壓力空氣的總時長，用以表征制動管路泄漏。

以上述3個指標為坐標軸，構建三維空間。考慮到泄漏屬于一種微小緩變的故障形態，在短周期內通過指標進行判別有可能使特征淹沒在數據噪聲或由數據質量引起的問題中，而無法有效地在數據上有所表現。另一方面，列車每天的工作狀態并不確定，因此將數據統計周期確定為一天，每列列車每天的數據輸出即為一個三維空間內的點；持續統計一段時間的數據，即可在三維空間中標定一定數量的點。對三維空間中的這些點進行處理，采用機器學習模型，以異常檢測模型和回歸模型為基學習器，集成進行判定，最終得到本文研究所需要的參數及其隨時間的變化趨勢。數據處理分為以下3個階段：

1)異常檢測階段：首先建立孤立森林模型進行異常檢測，判定所需診斷的某天的三維特征是否超出了異常邊界。若超出了異常邊界，則剔除該日生成的三維空間中的點；若其未超出異常邊界，則將新的點作為添加的擬合參數擬合新的判定平面，進入下一階段。

2)參數回歸標定階段：對供風系統和制動系統建立統計模型，計算公式如下：

C=∑Tfill/(A∑Nbrake+B∑Tbstat=1+CTall)

式中：

C——常數，本文取1，以表征列車總的充風量和耗風量互相平衡。

A,B,C——分別為需要使用異常檢測輸出點進行線性回歸擬合的三維空間平面參數[11]，用于表征公式中各個變量之間的映射關系。A代表進行一次制動的耗風量，平均需要充風A個單位時間以補足；B和C分別代表制動缸及相連管路、總風管路泄漏一個單位時間的泄漏風量，平均需要充風B和C個單位時間以補足，其值越大，表明制動缸及相連管路、總風管路泄漏故障越嚴重。

在空間中標定一個形如z=Ax+By+C的平面，由上文分析可知，x為制動頻率bfreq，y為制動缸保壓率bratio，而z為空壓機工作率pratio。

圖4為使用某地鐵線路某段時間的所有運營數據生成數據及擬合平面的示例，圖中的深灰色平面即為通過上述模型所擬合的z=Ax+By+C平面。

圖4 基于某地鐵線路列車運行數據的三維空間特征散點圖

3)故障推理階段：在擬合出z=Ax+By+C平面后，就可以通過C和B隨時間的變化趨勢來對制動總風管路泄漏與制動缸及相連管路泄漏進行解耦。如果在一段時間區間內C值處于一個持續上升的狀態，則判定此時總風管路發生了泄漏；如果在一段時間區間內B值處于一個持續上升的狀態，則判定此時制動缸及相連管路發生了泄漏。

3 地鐵列車制動系統管路泄漏檢測模型測試

本文的研究分別使用擬定的虛擬數據和實際的地鐵列車實際運行數據對地鐵列車制動系統管路泄漏檢測模型進行測試。

3.1 擬定特征測試

采用150個基準點加10個時序點的方法進行z=Ax+By+C平面的標定。其中150個基準點來自模型中預置的150天的列車實際運行數據，10個時序點來自最近10天的實車運行數據。在此基礎上，本文的研究人為地向模型中注入擬定的三維特征以測試模型對于異常耗風數據的檢出能力，如表1所示。

表1 地鐵列車制動系統管路泄漏檢測模型測試用特征

分別將擬定特征注入到2020年12月15日至2021年1月31日的列車實際運行特征數據后，模型輸出的B值與C值隨時間的變化情況分別如圖5和圖6所示。

圖5 B值輸出結果(1月31日起)

圖6 C值輸出結果(1月31日起)

本文的研究選用的4組人工數據均為帶有泄漏特點的數據，例如B1組和B2組數據明顯存在制動缸及相連管路泄漏故障；C1組和C2組則明顯存在總風管路泄漏故障。通過觀察輸入這4組人工數據后模型的表現，即B值和C值的變化趨勢，可以證明模型能夠反映帶有泄漏特點的物理量輸入。

根據圖5和圖6中B值和C值的輸出結果，結合實際經驗，選定制動缸及相連管路泄漏參數B閾值為2%，選定總風管路泄漏參數C閾值為6%。

3.2 列車實際運行數據測試

本文的研究選用數據質量較好的2020年8月15日至9月30日某一列車的實際運行數據進行測試。測試中發現，9月16日起的B值持續處于較高水平(部分數據如圖7所示)。

圖7 9月16日前后B值輸出結果

根據列車實際運行數據和擬定虛擬數據測試所確定的閾值，能夠推測出該列車在9月16日前后制動缸及相連管路發生了泄漏故障。

4 結語

為了保證列車運行安全，必須保證列車制動系統不出現故障，而目前廣泛使用的空氣制動系統最容易出現的故障就是管路泄漏。本文介紹的方案相較于其他的泄漏測試方案，其優勢在于不影響列車的正常運營和檢修，也不需要大量人力或額外設備參與，僅通過調取TCMS的數據，對數據進行處理即可從指標隨時間的變化趨勢來監測、定位制動系統管路的泄漏故障，智能化程度高。但由于TCMS數據量和質量都有限，暫時無法將泄漏點精確定位到具體的制動缸，還具有一定的優化空間。