可靠性度量下的列車運行異常自動化預警技術

馬迪迪，王晨陽，趙潔雪

（合肥市軌道交通集團有限公司，合肥 230001）

引言

高速列車的服務條件復雜多變，長期運行會降低其自身的安全運行系數，從而對列車部件造成損壞，可能威脅到人們的生命安全。至此，列車運行安全成為人們普遍關注的熱點問題。其中，為了有效保障列車運行安全，最大限度地避免列車故障，對列車運行過程中的運行數據實施有效的異常自動監控，已成為當前鐵路運輸系統亟待解決的問題[1-2]。

文獻[3]方法收集列車管理系統數據，建立異常檢測模型，利用設備故障檢測和基礎學習算法獲得設備空間狀態域，并基于不同指標，表征故障的嚴重程度，獲得不同時間故障的變化模式，提供故障預警信息，完成設備的異常預警。文獻[4]方法采用支持向量機方法對列車軌道不平順的退化過程進行了具體分析，并以影響列車運行的超限退化為研究目標，使用局部異常因子算法對列車軌跡進行識別和處理，并根據識別結果劃分故障的嚴重程度，獲得列車故障特征，并識別相應的嚴重程度，完成故障預警。文獻[5]方法收集和處理列車運行狀態數據，建立列車故障XGboost 模型，進一步使用交叉驗證和網格搜索方法確定模型的最佳參數，基于最大似然估計和Grabbs 測試結果，對模型預測結果進行異常識別，并根據識別結果完成列車運行異常的自動預警。

列車運行狀態數據信號的IMF 分量不一，頻率尺度的增加下，難以描述和分析列車運行異常信號的動態變化和特性，列車運行失效概率極大的影響可靠性運行程度，由此提出可靠性度量下的列車運行異常自動化預警技術。

1 列車運行狀態原始信號還原

對列車運行狀態數據進行檢測和分析，可以及時發現列車運行中的異常情況，如設備故障、信號異常、能量供應問題等，對此，需要將去噪處理后的列車運行信號分解為不同頻率范圍的子信號，并根據需要再將這些子信號組合起來即重構列車運行狀態數據，以還原原始信號。

1.1 列車狀態運行數據去噪

開展列車運行異常自動化預警前，需要在采集列車的運行狀態數據后，對運行數據實施去噪，抑制列車運行異常預警時，數據噪聲帶來的干擾[6,7]。

設定列車狀態運行數據集合為Xi= (x1,x2, …,xm)，將其中每個數據都看作一維的離散數據，數據表述成下式所示：

式中：

n—采樣次數；

a(n)—原始數據；

ε(n)—數據噪聲。

根據上述獲取的列車運行狀態數據一維離散結果，對數據實施小波變換，過程如下式所示：

式中：

Wg(j,k)—運行數據的小波系數；

α( 2-j n-k)—小波函數；

j,k—常數，且二者j,k∈Z2。

由于列車運行狀態數據中噪聲通常分布在數據高頻空間中，基于上述數據小波變換結果，即可獲取列車運行狀態數據在不同尺度j下的尺度變換系數以及小波變換系數，確定數據不同尺度的空間解，去噪結果如下式所示：

式中：

{h,l}—數據的濾波器組；

°—卷積運算符號；

Sg(j,k)—數據中低頻系數；

Wg(j,k)—高頻系數。

1.2 列車運行狀態數據IMF 分量獲取

為了去除異常運行狀態數據，將去噪數據分解為具有不同特征尺度的固有模函數的有限和，通過對列車運行狀態數據進行小波分解，獲取IMF 分量，可以將原始數據分解為一系列不同頻率的子信號，如包含有關列車運行的不同特征信息，例如振動頻率、周期性變化等。

設置下列約束條件：

1）數據極值點數與零點數相同，最大相差一個。

2）上下包絡線與時間軸局部對稱。

基于上述條件，使用EMD 分解方法對去噪后的列車運行狀態數據實施分解處理，過程如下：

1）首先根據去噪后的數據信號局部極值點，將所有局部極大值與極小值用三次樣條線連接，完成上下包絡線的獲取。過程中設定數據信號上下包絡線的均值為χ1，以此獲取數據信號的IMF 分量，過程如下式所示：

式中：

o1—數據信號的IMF 分量。

辨識上述計算結果是否滿足設定的條件，若滿足o1即為列車運行狀態數據信號的第一個IMF 分量。

2）若上述計算結果不滿足條件，則需要將o1作為原始數據，重復上述計算流程，獲取o11=o1-χ11，重新辨識該計算結果，直至所有數據信號滿足條件，完成數據信號固有模態分解。

3）將數據信號的IMF 分量自數據信號中分離，并重復上述流程1）和流程2），將獲取的m個IMF 分量與剩余分量進行余項和計算，獲取列車運行異常數據信號不同頻段的IMF 分量值，一一對應列車運行狀態數據的可靠性趨勢和關鍵信息。

1.3 列車狀態運行數據重構

可根據子信號不同尺度的變換系數實現列車狀態運行數據重構。具體流程如下：

建立一種新的列車狀態運行數據重構函數，過程如下式所示：

式中：

δ—數據去噪閾值；

?j,k—原始運行數據的小波分解系數；

估計小波系數；

sgn(?j,k)—符號函數。

將分解后的子信號組合起來并重構列車運行狀態數據，且重構后的列車狀態運行數據包含列車運行狀態數據的可靠性趨勢和關鍵信息，有助于保留信號的完整性和動態特征，據此識別基本潛在的故障模式。

2 列車運行狀態數據異常預警方法

獲取列車運行狀態數據的可靠性趨勢和關鍵信息后，將列車運行狀態數據分解為不同頻率范圍的組分，這些組分包含與列車運行異常相關的特征信息，但是隨著頻率尺度的增加，信號快速變化，高頻成分增加，而較低頻的IMF 則對信號緩慢變化和趨勢分析結果更敏感，難以序列化、自動化分析列車運行可靠性，因此，進行基于樣本熵的可靠性度量閾值設置與列車運行失效概率值獲取，逐步完成列車運行異常自動化預警。

2.1 基于樣本熵的可靠性度量閾值獲取

依據列車運行狀態數據信號不同頻段的IMF分量值，設定列車運行狀態數據的時間序列為x(n)，以此獲取數據的IMF 分量樣本熵，更好地描述和分析信號的動態變化和特性，理解信號中的周期性、規律性和異常現象，獲得可靠性度量閾值。具體流程如下：

1）將提取的列車運行狀態數據信號IMF 分量值轉換成具有Nfalse 個數據點的序列，以此建立IMF 分量的m維向量，表述形式如下式所示：

式中：

Y(i)—IMF 分量的m維向量；

y(i+m- 1)—數據點序列值；

i—常數。

2）基于上述計算結果，設定數據向量Y(i)與Y(j)之間的距離值為，并設定與之相適應的閾值θ，對計算結果實施排序處理，選取其中大于閾值的距離值，計算向量總數量N-m比值，過程如下式所示：

式中：

Cim(θ)—獲取的向量總數量N-m比值。

3）根據上述計算結果，計算C im(θ)均值C m(θ)，并將維度增加值m+ 1，以此構成一組m+ 1維向量，并重復上述流程，完成C m(θ)的計算。

4）根據上述計算結果，完成列車運行狀態數據信號IMF 分量樣本熵的獲取[8-10]，過程如下式所示：

式中：

N—數據序列長度；

S N(m,θ)—樣本熵。

通過IMF 分量樣本熵的獲取可以進一步設定列車運行狀態可靠性度量閾值rS N(m, )r(X)，當可靠性度量閾值r(X) > 0時，說明列車運行時為安全狀態，若r(X) = 0，說明列車處于極限運行狀態，若r(X) < 0，說明列車處于失效狀態。

2.2 列車運行失效概率值近似估計與預警

通過分析超過閾值的次數、時間、持續時間等指標[11,12]，可以獲取列車運行失效概率值，進一步追蹤和識別列車運行異常發生的趨勢。列車運行失效概率近似估計函數如下式所示：

式中：

qF—獲取的列車運行失效概率值；

Q{r(X)≤ 0}—失效條件；

dg—增量系數；

r—其中特征指標。

依據增量系數分析不同列車運行特性和容忍度，進行不同列車類型、環境因素、設備參數等進行個性化設置，及時調整可靠性度量閾值，可以更好地適應特定場景的監控和預警需求，提高預警流程可定制性和適應性，則此時的列車運行異常自動化預警流程如圖1所示。

圖1 列車運行異常自動化預警流程

圖1 中，基于還原后的各個子信號，提取有關列車運行狀態特征并進行分析，進而獲取關鍵的時域和頻域信息，當超過自動化可靠性度量閾值后，自動化觸發預警流程，生成列車運行異常發生的趨勢，根據預設的約束條件進行相應的響應和通知，提高列車運行的安全性和可靠性。

3 實驗

為了驗證上述列車運行異常自動化預警方法的整體有效性，需對此方法測試。

測試過程中采用可靠性度量下的列車運行異常自動化預警技術（所提方法）、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（文獻[3]方法）、基于XGboost 模型的城市軌道交通列車運行速度實時異常檢測研究（文獻[5]方法）開展列車運行異常自動化預警，基于預警結果驗證上述3 種方法的實際預警效果。

為驗證上述3 種方法在列車異常自動化預警過程中的實際有效性，選取某省作為測試區域，以我國和諧號為測試對象，測試對象如圖2 所示。

圖2 實驗對象及場景

圖2 中，應用速度傳感器、加速度傳感器、熱電偶傳感器進行實驗，示例數據及計算結果如下：

1）XYZ-VS100 傳感器數據（單位：km/h）: [120，130，135，137，123，115，140，150，160，170]

2）ABC-AS200 加速度傳感器數據（單位：km/h）: [0.5，0.8，0.9，0.7，0.6，0.55，0.85，0.9，0.95，1.2]

3）熱電偶傳感器數據：[30.5，31.2，31.8，32.0，31.1，30.3，30.9，33.2，35.1，36.5]

每秒采集一次數據，持續采集30 s 的數據，為一個實驗樣本，最終總樣本數為10 000。實驗過程如下：

1）根據列車運行去噪數據，對數據狀態信號實施EMD 處理，獲取數據信號的IMF 分量。

2）計算數據信號的IMF 分量的樣本熵，設置預警閾值為10 %，如果預警概率值超過了預設的預警閾值10 %，找出其中高于閾值的樣本熵，則可以觸發預警機制。

3）將樣本熵特征作為初始特征向量值，進一步提取異常運行狀態實驗結果。

3.1 實驗結果分析

1）運行數據處理效果測試

開展列車運行異常預警時，采集列車運行狀態數據的優劣能夠直接影響后期異常預警的預警精度。因此，采用所提方法、文獻[3]方法以及文獻[5]方法開展列車運行異常預警。對3 種方法的數據處理效果展開測試，測試結果如表1 所示。

表1 不同方法的運行數據處理效果測試結果

分析表1 可知，開展列車異常運行預警過程中，隨著列車運行狀態數據的不斷增加，數據中夾雜的噪聲數據就越多。開展數據處理，由于文獻[3]方法在異常預警時僅對采集數據實施簡單的預處理，所以該方法數據處理效果檢測結果低于所提方法測試結果；由于文獻[5]方法在列車運行異常預警過程中，并未對采集的數據實施有效的處理，所以該方法測試過程中無法有效去除列車狀態數據中的噪聲數據；而所提方法在列車異常預警時，及時使用了閾值去噪方法，對采集的數據實施了去噪處理，所以該方法在列車異常預警時，測試的數據處理效果優于其他兩種方法。

2）預警時間測試

采用所提方法、文獻[3]方法以及文獻[5]方法開展列車運行異常預警，對不同方法的實際預警時間展開測試，測試結果如圖3 所示。

圖3 不同方法的異常預警時間測試結果

分析圖3 可知，開展列車運行異常預警時，隨著列車運行狀態數據量的不斷增加，3 種方法測試出的預警時間都出現了不同程度的上升趨勢。其中，所提方法由于在異常數據預警前，很大程度上的去除了列車狀態數據中的噪聲數據，所以該方法在預警過程中，預警時間短。

3）預警效果測試

將列車運行狀態等級劃分成3 級，其中一級說明列車安全運行無異常；二級說明列車出現異常，但是不影響列車安全運行；三級則說明列車運行過程中出現異常，且故障會影響列車安全運行，這時需立刻完成安全預警，對列車故障實施檢修。繼續使用上述3 種方法開展列車運行異常預警，對不同方法的預警效果展開測試，測試結果如圖4 所示。

圖4 不同方法的實際預警效果測試結果

分析圖4 可知，開展列車運行異常預警時，所提方法能夠精準的檢測出列車的運行狀態，檢測結果與實際列車狀態一致；文獻[3]方法在對列車故障程度表征處理過程中存在誤差，所以該方法在預警時，預警效果低于所提方法測試結果；而文獻[5]方法在使用交叉驗證以及網格搜索方法對模型最佳參數確定時，模型參數優化效果較差，所以該方法在預警時，預警效果不理想。

4 結束語

列車成為我國大多數居民出行的主要交通方式，列車運行異常預警尤為重要，本文就此提出可靠性度量下的列車運行異常自動化預警技術，采集的列車運行狀態數據，進過去噪、分解、重構后，還原包含列車運行狀態數據的可靠性趨勢和關鍵信息的原始信號，進行基于樣本熵的可靠性度量閾值設置與列車運行失效概率值獲取，對列車運行狀態實施可靠性度量，根據異常特征以及狀態度量值，及時識別潛在的故障跡象，通過對異常情況的預警，可以采取相應的維修和預防性維護措施，從而提高列車運行可靠性。