秦春林，賴遠(yuǎn)橋，李天寶

(1.國(guó)家能源集團(tuán)鐵路裝備有限責(zé)任公司包頭車輛維修分公司， 內(nèi)蒙古 包頭 014060)(2.深圳市遠(yuǎn)望谷信息技術(shù)股份有限公司，廣東 深圳 518052)

車軸作為貨運(yùn)機(jī)車運(yùn)行的核心部件，其運(yùn)行狀態(tài)對(duì)機(jī)車行車安全影響重大。軸溫是識(shí)別列車故障的關(guān)鍵指標(biāo)，采集軸溫，根據(jù)變化的軸溫進(jìn)行故障預(yù)警對(duì)車輛檢修、機(jī)車運(yùn)行具有重要意義。目前對(duì)于企業(yè)內(nèi)部貨運(yùn)機(jī)車的維修主要采取事后維修的策略，缺少狀態(tài)維修以及劣化趨勢(shì)跟蹤，通過(guò)對(duì)列車軸溫監(jiān)測(cè)進(jìn)行車軸劣化缺失及故障預(yù)測(cè)的研究空間較大[1]。Tonks[2]提出了通過(guò)機(jī)車速度以及軸承振動(dòng)信號(hào)對(duì)車軸狀態(tài)進(jìn)行基本識(shí)別，識(shí)別準(zhǔn)確率較低。Lee等[3]在機(jī)車速度、軸承振動(dòng)信號(hào)的基礎(chǔ)上，引入了車體加速度參數(shù)，通過(guò)加速度變化對(duì)軸承振動(dòng)信號(hào)進(jìn)行分析，結(jié)合聚類算法進(jìn)行故障預(yù)警，預(yù)警的準(zhǔn)確性有了明顯的提升，但未考慮溫度變化因素的影響。曹源等[4]提出將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法用于軸溫狀態(tài)預(yù)測(cè)，由于數(shù)據(jù)采集本身的準(zhǔn)確性影響，并未與軸溫影響因素深入融合，軸溫監(jiān)測(cè)效果以及故障預(yù)測(cè)的準(zhǔn)確率較低。支撐列車軸溫預(yù)測(cè)的基礎(chǔ)數(shù)據(jù)為通過(guò)軸溫監(jiān)測(cè)裝置獲取軸溫?cái)?shù)據(jù)。軸溫監(jiān)測(cè)主要使用車載傳感器和軌道式紅外線進(jìn)行，由于傳統(tǒng)的車載傳感器設(shè)備受工況環(huán)境以及電磁感應(yīng)等因素影響，軸溫測(cè)量的準(zhǔn)確性較差[5]。

基于此，本文將RFID(radio frequency identification，射頻識(shí)別)標(biāo)簽用于貨運(yùn)機(jī)車軸溫采集，應(yīng)用回歸系數(shù)與支持向量機(jī)(SVM)模型結(jié)合的方式，進(jìn)行貨運(yùn)機(jī)車軸溫故障預(yù)警，有效解決了前人研究算法的不足，具有良好的預(yù)警效果。

1 基于RFID技術(shù)的軸溫采集系統(tǒng)

1.1 采集系統(tǒng)設(shè)計(jì)方案

軸溫采集系統(tǒng)設(shè)計(jì)了RFID溫度采集標(biāo)簽，并通過(guò)物理手段集成在車軸連接處的車軸測(cè)溫位置，其獲取的溫度信息經(jīng)無(wú)線數(shù)據(jù)發(fā)射器向上傳輸至讀寫器的接收天線。上位機(jī)對(duì)采集參數(shù)進(jìn)行處理，將模擬量轉(zhuǎn)化為數(shù)據(jù)信號(hào)量，使用RS-485總線將數(shù)據(jù)上傳至機(jī)車行車調(diào)度系統(tǒng)。具體的設(shè)計(jì)方案如圖1所示。

圖1 軸溫采集系統(tǒng)設(shè)計(jì)方案

1.2 RFID溫度傳感器配置

根據(jù)整體設(shè)計(jì)方案，在貨運(yùn)機(jī)車的動(dòng)力車廂以及拖車車廂的轉(zhuǎn)向架中安裝讀寫器，主要作用是實(shí)現(xiàn)信號(hào)采樣、數(shù)據(jù)處理以及特征識(shí)別。結(jié)合國(guó)家貨運(yùn)機(jī)車運(yùn)行標(biāo)準(zhǔn)中的規(guī)范要求,選擇頻率在429～438 Hz的高可靠性傳感器，其測(cè)溫范圍為-55～180 ℃，精度取值為±1 ℃，測(cè)溫距離為2 m。每節(jié)車廂2個(gè)車軸對(duì)應(yīng)的軸箱配置溫度傳感器+讀寫器組合。轉(zhuǎn)向架配置溫度傳感器，用于記錄列車運(yùn)行過(guò)程中的環(huán)境溫度。

1.3 軸溫監(jiān)測(cè)管理單元

軸溫監(jiān)測(cè)管理單元主要采用上位機(jī)進(jìn)行控制，核心部件為監(jiān)控主機(jī)，當(dāng)溫度超限后，監(jiān)控主機(jī)根據(jù)部署的故障預(yù)警算法進(jìn)行預(yù)警提示，并將數(shù)據(jù)與軸溫變化時(shí)間存儲(chǔ)在機(jī)車調(diào)度管理系統(tǒng)，用于后續(xù)業(yè)務(wù)處理。其架構(gòu)如圖2所示。

圖2 軸溫監(jiān)控管理單元架構(gòu)

2 基于回歸系數(shù)的軸溫監(jiān)測(cè)預(yù)警

軸溫監(jiān)測(cè)預(yù)警主要包括特征提取和預(yù)警兩部分，本文提出的基于回歸系數(shù)的軸溫監(jiān)測(cè)預(yù)警算法核心為根據(jù)提取的特征生成關(guān)鍵因子，與溫差擬合后提煉回歸系數(shù)，后續(xù)采用優(yōu)化的SVM模型進(jìn)行故障分類識(shí)別，完成軸溫監(jiān)測(cè)預(yù)警。

2.1 故障預(yù)警流程

本文采用的故障預(yù)警流程如圖3所示。

圖3 基于回歸系數(shù)的軸溫監(jiān)測(cè)預(yù)警流程圖

故障預(yù)警的主要步驟：首先獲取實(shí)驗(yàn)數(shù)據(jù)，分析環(huán)境溫度、機(jī)車行進(jìn)速度、機(jī)車加速度以及車輛載重、整車牽引力等與機(jī)車運(yùn)行溫度相關(guān)的因素、溫差變化等的關(guān)系，采用主成分分析法對(duì)上述因素進(jìn)行預(yù)處理實(shí)現(xiàn)特征降維；然后根據(jù)特征因子與溫差變化的多元回歸系數(shù)建立擬合模型，獲得故障特征；最后使用SVM建立溫度預(yù)警分類器，自學(xué)習(xí)回歸系數(shù)后，完成故障預(yù)測(cè)。

2.2 數(shù)據(jù)預(yù)處理與特征降維

數(shù)據(jù)預(yù)處理主要解決數(shù)據(jù)質(zhì)量差、不穩(wěn)定、數(shù)據(jù)冗余等問(wèn)題，進(jìn)一步提升故障預(yù)警的準(zhǔn)確率。采用臨近平均插值法改善數(shù)據(jù)缺失問(wèn)題，采用差分法補(bǔ)全加速度，采用平滑濾波函數(shù)實(shí)現(xiàn)數(shù)據(jù)去噪處理等，處理完的數(shù)據(jù)使用離差標(biāo)準(zhǔn)化法進(jìn)行數(shù)據(jù)歸一化。其中較為核心的為關(guān)聯(lián)性較強(qiáng)的多維特征降維處理，本文選擇主成分分析法，該算法將多關(guān)聯(lián)的初始特征數(shù)據(jù)映射到更小的特征空間后，采用方差最大化原則依次提取主成分[6]。

2.3 時(shí)間窗口的確定

軸溫監(jiān)測(cè)預(yù)警數(shù)據(jù)預(yù)處理后，需要進(jìn)一步明確軸溫發(fā)生變化到出現(xiàn)可能故障的時(shí)間周期，即確定軸溫監(jiān)測(cè)預(yù)警的時(shí)間窗口。結(jié)合該時(shí)間窗口內(nèi)的測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)，確定時(shí)間窗口的流程圖如圖4所示。

圖4 時(shí)間窗口確定流程

結(jié)合國(guó)家標(biāo)準(zhǔn)以及實(shí)際經(jīng)驗(yàn)，將溫差閾值設(shè)定為300 ℃，低于該閾值時(shí)，采用多元線性回歸模型融合粒子群優(yōu)化算法的方式獲得溫差達(dá)到300 ℃的最優(yōu)時(shí)間窗口1。超過(guò)該閾值時(shí)，考慮到溫差變化會(huì)更迅速，采用歷史溫差變化統(tǒng)計(jì)分析獲得最優(yōu)時(shí)間窗口值。

設(shè)時(shí)間窗口1經(jīng)過(guò)m個(gè)樣本溫度變化后達(dá)到300 ℃，此時(shí)對(duì)應(yīng)的m組別的n個(gè)特征樣本為x1i,x2i,…,xni。該樣本與溫差Tci多元線性回歸擬合后，生成的回歸模型如下：

Tci=b0+b1x1i+b2x2i+…+bnxni,i=1,2,…,m

(1)

式中：m為樣本數(shù)量；n為特征數(shù)量；b0，b1,…，bn為線性回歸決定系數(shù)，其取值范圍為0～1，該值越大表明擬合度越高，效果越好。受樣本數(shù)量影響，存在一定程度的誤差，因此對(duì)線性回歸決定系數(shù)使用校正決定系數(shù)，其計(jì)算方法如下：

(2)

式中：R為校正系數(shù);Radjusted為校正決定系數(shù)。結(jié)合本文選用的回歸系數(shù)與后續(xù)故障預(yù)警間的關(guān)系，選擇時(shí)間區(qū)間為1的最佳樣本作為最佳窗口時(shí)間。在最佳窗口的選擇上，本文采用的是粒子群優(yōu)化算法，利用其優(yōu)秀的全局尋優(yōu)能力獲得最優(yōu)窗口時(shí)間，確保擬合溫差達(dá)到最佳故障預(yù)警效果。

當(dāng)溫差變化達(dá)到300 ℃以上、時(shí)間達(dá)到故障預(yù)警的時(shí)間窗口值tmax時(shí)，采用描述性統(tǒng)計(jì)分析法。設(shè)機(jī)車軸溫超過(guò)300 ℃后持續(xù)運(yùn)行到故障發(fā)生的最大時(shí)間為tmax，統(tǒng)計(jì)所有在0～tmax范圍內(nèi)，軸溫從300 ℃迅速升溫至出現(xiàn)故障的時(shí)間窗口值，經(jīng)過(guò)反復(fù)實(shí)驗(yàn)測(cè)試，增加5%的調(diào)整參數(shù)，獲得時(shí)間窗口值T，具體的計(jì)算公式如下：

T=tmax·(1+5%)

(3)

2.4 故障預(yù)警分類

根據(jù)時(shí)間窗口內(nèi)的溫差變化進(jìn)行故障預(yù)測(cè)，采用改進(jìn)的SVM模型進(jìn)行分類預(yù)測(cè)。由于SVM模型的分類結(jié)果極易受參數(shù)影響[7]，因此采用黃金正弦算法提升SVM模型的全局搜索能力，其流程如圖5所示。

圖5 評(píng)價(jià)流程圖

Step1：數(shù)據(jù)初始化，按7∶3的比率劃分訓(xùn)練集與測(cè)試集。

Step2：初始化Golde-SA算法以及SVM模型參數(shù)，包括黃金分割比率初始值以及Golde-SA算法的種群個(gè)體、迭代次數(shù)、種群規(guī)模等。其中種群個(gè)體的初始化公式如下：

Vi=lbi+rand(0,1)×(ubi-lbi)

(4)

式中：ubi為個(gè)體的搜尋上限；lbi為個(gè)體的搜尋下限；Vi為初始值。每個(gè)種群個(gè)體位置對(duì)應(yīng)SVM模型的懲罰系數(shù)和核寬值(C,g)。

黃金分割比率的初始值x1,x2通過(guò)公式(5)、公式(6)獲得。

x1=a(1-τ)+bτ

(5)

x2=aτ+b(1-τ)

(6)

Step3：使用經(jīng)典的SVM模型計(jì)算種群中個(gè)體適應(yīng)度，同步更新個(gè)體位置，群體搜索過(guò)程中，選擇最佳個(gè)體位置。更新種群個(gè)體位置過(guò)程中融合黃金分割比率，位置更新公式如下：

(7)

Step4：完成最佳適應(yīng)度比對(duì)，獲得最佳適應(yīng)度并循環(huán)迭代、替換。當(dāng)滿足迭代條件或者達(dá)到終止條件時(shí)，獲得SVM模型的最優(yōu)參數(shù)解，確定最終預(yù)警診斷模型。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)環(huán)節(jié)的數(shù)據(jù)來(lái)自貨運(yùn)機(jī)車實(shí)際運(yùn)行時(shí)的數(shù)據(jù)，主要包括機(jī)車的車速、加速度、軸溫、周圍環(huán)境溫度、機(jī)車牽引力、載重以及各類壓力等影響軸溫變化的直接或者間接因素。

首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、特征因素降維，獲取溫差變化時(shí)間差后，開(kāi)始進(jìn)行故障的訓(xùn)練和分類預(yù)警工作。以軸溫300 ℃為分割點(diǎn)選取1 000組測(cè)試數(shù)據(jù)，按照4∶1的比率進(jìn)行測(cè)試與訓(xùn)練數(shù)據(jù)的分割。

確定時(shí)間窗口環(huán)節(jié)，重點(diǎn)對(duì)本文采用的回歸系數(shù)與粒子群優(yōu)化算法進(jìn)行實(shí)驗(yàn)論證，結(jié)合實(shí)際應(yīng)用，時(shí)間窗口的取值范圍設(shè)置為1 200～3 600 s。粒子群算法的初始參數(shù)設(shè)置為種群規(guī)模500、迭代100次，加速度參數(shù)設(shè)置為1.5。統(tǒng)計(jì)400組軸溫超過(guò)300 ℃至出現(xiàn)故障的最大時(shí)間值數(shù)據(jù)，最優(yōu)適應(yīng)度值與粒子群迭代次數(shù)變化的關(guān)系如圖6所示。

由圖6可知，適應(yīng)度最佳值出現(xiàn)在90次迭代點(diǎn)，對(duì)應(yīng)的最佳窗口時(shí)間為1 800 s。軸溫達(dá)到300 ℃時(shí)，實(shí)驗(yàn)獲得的最佳適應(yīng)度值為1 200 s。

圖6 粒子群算法適應(yīng)度變化曲線

特征因素提取及降維階段，主要對(duì)400組在1 800 s的窗口1范圍內(nèi)的樣本和400組在1 200 s的窗口2范圍內(nèi)的樣本進(jìn)行多元回歸擬合實(shí)驗(yàn)，獲得降維后的特征因素所對(duì)應(yīng)的回歸系數(shù),進(jìn)行預(yù)警診斷實(shí)驗(yàn)。

實(shí)驗(yàn)階段，主要對(duì)本文提出的基于回歸系數(shù)的軸溫監(jiān)測(cè)預(yù)警算法與目前較為經(jīng)典的基于神經(jīng)網(wǎng)絡(luò)軸溫預(yù)測(cè)算法以及基于灰度模型的軸溫預(yù)警算法[8]進(jìn)行了比對(duì)實(shí)驗(yàn)。結(jié)果見(jiàn)表1。

表1 不同算法軸溫預(yù)警結(jié)果統(tǒng)計(jì)表 %

由表1可知，本文提出的基于回歸系數(shù)的軸溫監(jiān)測(cè)預(yù)警算法的誤差率明顯低于其他兩類對(duì)比算法。

同時(shí)，對(duì)于不同類型的故障診斷效果和響應(yīng)速度本文也做了重點(diǎn)測(cè)試，實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表2 不同類型診斷性能測(cè)試

表2的實(shí)驗(yàn)數(shù)據(jù)顯示，本文提出的故障預(yù)警算法的監(jiān)測(cè)故障準(zhǔn)確率平均在94.71%以上，對(duì)于嚴(yán)重故障預(yù)測(cè)的準(zhǔn)確率已經(jīng)達(dá)到了100%，平均響應(yīng)時(shí)間在2 s以內(nèi)，診斷準(zhǔn)確率高，響應(yīng)速度快，具有較高的推廣和應(yīng)用價(jià)值。

4 結(jié)束語(yǔ)

本文將RFID標(biāo)簽用于貨運(yùn)機(jī)車進(jìn)行無(wú)源溫度監(jiān)測(cè)，在軸溫采集的技術(shù)選型上，設(shè)置數(shù)字信號(hào)處理芯片以及射頻芯片控制信號(hào)的收發(fā)，實(shí)時(shí)獲取變化的機(jī)車軸溫。針對(duì)采集的數(shù)據(jù)，采用回歸系數(shù)算法對(duì)機(jī)車車軸進(jìn)行故障預(yù)警，采用數(shù)據(jù)挖掘技術(shù)分析影響溫度的各個(gè)因素，并經(jīng)過(guò)特征降維處理后與溫差實(shí)現(xiàn)多元線性回歸擬合運(yùn)算，得到故障預(yù)警的回歸系數(shù)后，應(yīng)用改進(jìn)的SVM模型完成故障預(yù)警。實(shí)驗(yàn)階段，對(duì)3種算法進(jìn)行了比較實(shí)驗(yàn)，結(jié)果表明本文算法的誤差較小，實(shí)際應(yīng)用的數(shù)據(jù)顯示，通過(guò)本文算法得到的監(jiān)測(cè)故障準(zhǔn)確率更高，響應(yīng)速度快，具有一定應(yīng)用和推廣價(jià)值。