CN104864985A - 一种列车轴温传感器故障检测方法和装置 - Google Patents

Abstract

本发明公开了一种列车轴温传感器故障检测方法和装置，所述方法包括：在轴温传感器正常工作状态下，获取轴温传感器的训练数据；对训练数据进行预处理，使训练数据时间同步且低噪平稳；根据训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；实时监测并获取轴温传感器的测量数据；对测量数据进行预处理；根据测量数据，使用主元分析法，生成平方预报误差统计量；判断平方预报误差统计量是否小于等于平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警；本发明实时的检测传感器的数据状态，及时发现隐患，检测出故障传感器，进而保证正常状态下采集的轴温数据可靠。

Description

一种列车轴温传感器故障检测方法和装置

技术领域

本发明涉及列车检测设备技术领域，特别是指一种列车轴温传感器故障检测方法和装置。

背景技术

1804年世界上出现第一台时速5至6公里的蒸汽机车，200年后，列车速度正在向高速、更高速的标准迈进，如今，605公里时速的更高速列车已由南车青岛四方试验突破。列车越来越高的速度也引起了人们对列车安全性的普遍关注。列车的安全性与列车上轴温传感器质量密切相关，其中轴温传感器故障是所有导致晚点的故障中比较突出的原因之一。现有的铁路轴温检测***主要采用在轴承座上定位安装高精度温度轴温传感器实现都列车轴温的监测。轴温传感器采集到的温度通过MVB传送给控制单元；如果轴温异常，列车将减速或者限速行驶，在特殊情况下会实施紧急制动，以保证人员和车辆安全。这种方式完全依赖于轴温传感器的数据，忽略了由于轴温传感器故障带来的误判。随着列车长时间的运行，轴温传感器会出现固定偏差性、漂移性、渐变性或者永久失效的故障，具体应用中缺少对轴温传感器本身性能的检测方法。

发明内容

有鉴于此，本发明的目的在于提出一种能够高效、准确的列车轴温传感器故障检测方法和装置。

基于上述目的本发明提供的一种列车轴温传感器故障检测方法，包括：

训练步骤：

在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测步骤：

实时监测并获取轴温传感器的测量数据；

对所述测量数据进行所述预处理；

根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

优选的，所述平方预报误差控制限为：

$Q_a={\mathrm{\θ}}_1{\[\frac{h_0{c}_a\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}\]}^{1/h_0}$

其中，(l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

优选的，所述平方预报误差统计量为：

SPE＝||(I-PP^T)x||²

其中，P为负荷向量，I为单位矩阵。

优选的，在进行所述预处理时：

使用自适应外推算法将所述训练数据和测量数据映射到同一尺度。

优选的，在进行所述预处理时：

使用小波降噪对所述训练数据和测量数据进行降噪处理；

使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。

本发明还提供了一种列车轴温传感器故障检测装置，包括：

训练单元：

第一获取模块，用于在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

第一预处理模块，用于对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

第一分析模块，用于根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测单元：

第二获取模块，用于实时监测并获取轴温传感器的测量数据；

第二预处理模块，用于对所述测量数据进行所述预处理；

第二分析模块，用于根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

优选的，所述平方预报误差控制限为：

$Q_a={\mathrm{\θ}}_1{\[\frac{h_0{c}_a\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}\]}^{1/h_0}$

其中，(l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

优选的，所述平方预报误差统计量为：

SPE＝||(I-PP^T)x||²

其中，

优选的，所述第一预处理模块和第二预处理模块进一步用于：使用自适应外推算法将所述训练数据和测量数据映射到同一尺度。

优选的，所述第一预处理模块和第二预处理模块进一步用于：使用小波降噪对所述训练数据和测量数据进行降噪处理；使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。

从上面所述可以看出，本发明提供的列车轴温传感器故障检测方法和装置，采用预处理使得轴温传感器的测量数据时间同步且低噪平稳，并通过数据驱动的主元分析方法对轴温传感器故障进行处理，其主要优点在于：

a)降低对温度采集程序同步性的要求：温度采样过程中，由于不同硬件响应速度可能存在差异，因此通过预处理把轴温的采集数据统一到相同的频率。优选使用自适应外推算法，可以很好的把不同采样频率下的数据同步到同一个时间尺度，因此可以降低程序对温度采集周期保持一致的要求。

b)提高传感器数据的鲁棒性：当列车运行在复杂环境中时，温度信号会受到外界噪声的干扰导致数据的波动。对测量数据处理前进行预处理，优选使用小波降噪及滤波处理可以提高传感器数据的可靠性。

c)灵活的覆盖、低廉的成本：使用主元分析可以构造轴温传感器之间的相互关系，通过计算统计量的值是否超出阈值来识别故障。避免了冗余设置传感器进行表决判断，降低了成本；由于主元分析适用于多变量的统计分析，因此可以灵活的覆盖到整列车轴温传感器的故障检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明优选实施例的列车轴温传感器故障检测方法流程图；

图2为本发明优选实施例中正常工作状态下的轴温传感器的波形图；

图3为本发明优选实施例中故障状态下的轴温传感器的波形图；

图4为本发明优选实施例中平方预报误差统计量的统计曲线；

图5为本发明优选实施例中的时间对准自适应模型；

图6为本发明优选实施例中的学习因子更新流程；

图7为本发明优选实施例中不同采样频率传感器的采样值；

图8为本发明优选实施例中自适应时间配准及学习因子曲线；

图9为本发明优选实施例的列车轴温传感器故障检测装置结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明实施例提供了一种列车轴温传感器故障检测方法，包括以下步骤：

训练步骤：

在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测步骤：

实时监测并获取轴温传感器的测量数据；

对所述测量数据进行所述预处理；

根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

本实施例的检测方法适用于多轴温传感器故障检测。由于列车在正常运行过程中，各轴温传感器采集到得温度值存在一个相互关系，因此可以对列车的多个轴温传感器采集的数据采用基于数据驱动的主元分析方法进行处理。基于主元分析方法训练传感器采集数据，获得正常工况下的关系模型。当列车实时运行时，轴温传感器采集到的温度值导入到训练好的关系模型中进行匹配，如果超出匹配界限阈值就报出故障。

参考图1，为本发明优选实施例的列车轴温传感器故障检测方法流程图。

本发明实施例采用的主元分析法是一种基于数据驱动的分析方法，因此故障检测主要是基于显著误差原理。一般常用Hotelling’s T²与Q统计量两个指标检测过程的异常。本实施例中，采用Q统计量，Q统计量是指样本数据向量在残差空间的投影，它的大小反映了故障数据或者噪声的大小。

对m个自变量(也即由传感器采集的m个测量值)来说，最多可有m个主元。一般情况下，只要k个主元所能提供的信息占原m个变量所提供信息的大部分(如85％以上)，可取k个主元(k＜m)代替m个自变量，而k的选取可由下式的主元累计贡献率得到。

${\mathrm{\η}}_k=\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\δ}}_i=\frac{\underset{i=1}{\overset{k}{\Σ}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i}$

主元计算步骤为：

1.对测量数据矩阵标准化得到矩阵X_n×m。

2.对X_n×m进行奇异值分解X_n×m＝UΣV^T，可表示为：

U＝[u₁ u₂ … u_n]∈R^n×n，V＝[v₁ v₂ … v_m]∈R^m×m， $\mathrm{\Σ}=\left[\begin{array}{cccc}{\mathrm{\σ}}_1& 0& ...& 0\\ 0& {\mathrm{\σ}}_2& ...& 0\\ 0& 0& ...& {\mathrm{\σ}}_m\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ 0& 0& ...& 0\end{array}\right]\∈R^{n\×m},$ 式中的σ₁＞σ₂＞…＞σ_m为矩阵X的奇异值矩阵U和V中的各列之间是互相正交的，并且各自的长度为1。由上面的等效表示可以把矩阵X的奇异值分解公式写为根据累计贡献率η_k确定主元个数k。

3.令p_i＝v_i，t_i＝σ_iu_i，则可以求出主元，即所述的平方预报误差统计量SPE：

SPE＝||(I-PP^T)x||²

其中，P＝[p₁ p₂ … p_m]＝[v₁ v₂ … v_m]，I单位矩阵。

每到来一次轴温传感器的实时测量数据，Q统计量就更新一次。数据间的相关性改变体现在Q统计量值的变化，当统计量小于由模型得到的控制限Q_a时即SPE≤Q_a，轴温传感器正常；反之，轴温传感器异常。Q统计量的控制限服从分布，一般可以根据Jackson和Mudholkar提出的方法近似得到：

$Q_a={\mathrm{\θ}}_1{\[\frac{h_0{c}_a\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}\]}^{1/h_0}$

其中，(l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

下面以一个实例来进一步说明本实施例的检测方法。

假设对3个轴温传感器的采集数据进行分析，取正常运行状态下的500个数据做为训练数据。设置主元累计贡献率η_k为0.85，训练数据的数据矩阵为500行3列的矩阵。显著水平α设置为0.95，由c_a的计算公式可以计算出c_a。计算得到k＝1时，满足η_k≥0.85。由计算得到向量θ＝[0.00156 1.2e-06 9.69e-10]；由可以计算出h₀。把上述结果带入Q_a的计算公式计算得出平方预报误差控制限的值。

上述三个轴温传感器分别为s1，s2，s3。本实施例中假设正常情况下，由于传感器生产自身的原因，s2传感器的测量值比s1的测量值高2摄氏度，s3传感器的测量值比s1的测量值低3摄氏度，三者的测量噪声服从N(0，1)的正态分布。正常运行时，各个传感器测量波形参考图2所示。

本实施例中，前500个点作为训练数据，计算得到SPE控制限。在第1000个采集点，s3传感器发生渐变性故障，到第3000个点故障消失。故障以1的幅值递增。s1与s2传感器正常，三者采集数据参考图3所示。当s3发生渐变性故障时，根据主元分析算法，可以快速的诊断出故障。参考图4所示，在第1000个点，SPE的值超出了控制限。

在优选实施例中，进行所述预处理时，使用自适应外推算法将所述训练数据和测量数据映射到同一尺度，通过这一处理避免了在采集数据的过程中出现程序对轴温传感器的数据采集周期不一致的情况。对于本实施例中使用的所述自适应外推算法，其基本外推公式如下：

$\hat{X}=X_0+v\mathrm{\Δ}t$

其中，v代表数据的变化速率，X₀为对准时刻最近的前一个周期的测量值，为需要对准时刻的外推估计值，Δt为最近前一个周期与融合对准时刻的时间差。为了减小外推时的误差，引入学习因子并设计闭环进行实时更新，参考图5，为本发明优选实施例中的时间对准自适应模型。

基于上述的时间对准自适应模型，改进的自适应外推公式可以写成如下：

$\hat{X}=X_0+Kv\mathrm{\Δ}t$

其中，K为自适应学习算子，时刻更新学习因子K使测量值与预测值之间的差最小，确保外推估计值的误差最小。学习因子K的更新流程参考图6所示。

假设三个传感器采样周期分别为1s，2s和3s，则测量值如图7所示。

为了融合三个传感器的测量值必须统一到同一个采样频率，由于传感器1每秒都有数据，因此需要对传感器2与3进行自适应递推处理并统一到传感器1的采样频率上。通过实时的更新学习因子K，传感器2与3的自适应外推得到的数据以及各自对应的学习因子更新曲线参考图8所示。

传感器2与3使用自使用递推算法得到的采样周期为1s的数值，它们与真实值的均方根误差(RMSE)可用下式进行计算，计算后的结果如表1所示。

$RMSE=\sqrt{\frac{1}{n}\underset{i-1}{\overset{n}{\Σ}}{({\hat{x}}_k-x_k)}^2}$

表1 自适应算法的均方根误差

从上表可见，自适应外推算法能够很好的处理多尺度传感器的时间配准问题。

在优选实施例中，进行所述预处理时，使用小波降噪对所述训练数据和测量数据进行降噪处理；使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。

环境温度、列车的载重和速度是轴温变化的因素，而这些因素不会发生突变，因此在数据降噪的同时可以检测异常的突变数据。小波在数据信号的高频部分的时间分辨率很高而频率的分辨率却很低，在低频部分刚好相反，因此可以有效的检测到信号突变信息。由于温度传感器数据平稳变化，而噪声信号通常夹杂在采集的数据中，因此可以利用小波的降噪功能把信号分为低频和高频两部分。噪声一般存在于高频部分，温度信号在低频部分，通过小波的分离可以达到降噪的目的。降噪之后的数据通过最小二乘的数据拟合，降低数据中的毛刺，使数据更平稳。

本发明实施例还提供了一种列车轴温传感器故障检测装置，参考图9，为本发明优选实施例的列车轴温传感器故障检测装置结构图。所述装置包括：

训练单元：

第一获取模块，用于在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

第一预处理模块，用于对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

第一分析模块，用于根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测单元：

第二获取模块，用于实时监测并获取轴温传感器的测量数据；

第二预处理模块，用于对所述测量数据进行所述预处理；

第二分析模块，用于根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

其中，所述平方预报误差控制限为：

$Q_a={\mathrm{\θ}}_1{\[\frac{h_0{c}_a\sqrt{2{\mathrm{\θ}}_2}}{{\mathrm{\θ}}_1}+1+\frac{{\mathrm{\θ}}_2{h}_0(h_0-1)}{{\mathrm{\θ}}_1^2}\]}^{1/h_0}$

其中，(l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

所述平方预报误差统计量为：

SPE＝||(I-PP^T)x||²

其中，

作为优选实施例，所述第一预处理模块和第二预处理模块在进行所述预处理时：

使用自适应外推算法将所述训练数据和测量数据映射到同一尺度。

使用小波降噪对所述训练数据和测量数据进行降噪处理；

使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。

需要说明的是，在本发明的其他实施例中，在述预处理中，还可以通过使用内插外推或者最小二乘拟合的方法替代完成数据同步的目的；也可以用数据的野值检测、量程检测、方差检测和其他方法进行替代处理，完成对数据质量的检测及降噪处理。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种列车轴温传感器故障检测方法，其特征在于，包括：

训练步骤：

在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测步骤：

实时监测并获取轴温传感器的测量数据；

对所述测量数据进行所述预处理；

根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

2.根据权利要求1所述的方法，其特征在于，所述平方预报误差控制限为：

其中， (l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

3.根据权利要求1所述的方法，其特征在于，所述平方预报误差统计量为：

SPE＝||(I-PP^T)x||²

其中，P为负荷向量，I为单位矩阵。

4.根据权利要求1所述的方法，其特征在于，在进行所述预处理时：

使用自适应外推算法将所述训练数据和测量数据映射到同一尺度。

5.根据权利要求1所述的方法，其特征在于，在进行所述预处理时：

使用小波降噪对所述训练数据和测量数据进行降噪处理；

使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。

6.一种列车轴温传感器故障检测装置，其特征在于，包括：

训练单元：

第一获取模块，用于在轴温传感器正常工作状态下，获取轴温传感器的训练数据；

第一预处理模块，用于对所述训练数据进行预处理，使所述训练数据时间同步且低噪平稳；

第一分析模块，用于根据所述训练数据，使用主元分析法，建立主元模型并生成平方预报误差控制限；

检测单元：

第二获取模块，用于实时监测并获取轴温传感器的测量数据；

第二预处理模块，用于对所述测量数据进行所述预处理；

第二分析模块，用于根据所述测量数据，使用主元分析法，生成平方预报误差统计量；判断所述平方预报误差统计量是否小于等于所述平方预报误差控制限；若是，则轴温传感器工作正常；若否，则轴温传感器出现故障，进行故障报警。

7.根据权利要求6所述的装置，其特征在于，所述平方预报误差控制限为：

其中， (l_k为选取构造模型的主元个数)，显著水平α提前设定，c_a为与(1-α)分位点对应的标准差。

8.根据权利要求6所述的装置，其特征在于，所述平方预报误差统计量为：

SPE＝||(I-PP^T)x||²

其中。

9.根据权利要求6所述的装置，其特征在于，所述第一预处理模块和第二预处理模块进一步用于：使用自适应外推算法将所述训练数据和测量数据映射到同一尺度。

10.根据权利要求6所述的装置，其特征在于，所述第一预处理模块和第二预处理模块进一步用于：使用小波降噪对所述训练数据和测量数据进行 降噪处理；使用最小二乘拟合对所述训练数据和测量数据进行平稳化处理。