盧青松，戴計生，詹彥豪

（株洲中車時代電氣股份有限公司，湖南 株洲 412001）

0 引言

軸箱、齒輪箱和牽引電機良好的運行狀態(tài)對列車的行車安全至關重要。列車軸溫實時檢測系統(tǒng)通過溫度傳感器采集軸箱、齒輪箱以及牽引電機的溫度，實時記錄各傳感器溫度值；溫度檢測單元對溫度信號進行處理后，把各個部件狀態(tài)和溫度值發(fā)送給列車網絡系統(tǒng)，以對部件的狀態(tài)進行監(jiān)測?，F有的軸溫監(jiān)測系統(tǒng)診斷策略不能準確定位傳感器故障，難以現場排查故障點，造成人力和物力的浪費。

為提高軸溫故障原因診斷的準確度，學者們展開了大量的研究，研究重點主要為故障診斷理論方法研究[1]、軸溫數據處理方法研究[2-3]、軸溫系統(tǒng)可靠性[4-5]及工藝優(yōu)化研究[6]和單純的故障原因分析[7]，但未提出可有效診斷軸溫傳感器故障具體原因的方法。為此，本文基于軸溫數據的相似度特性提取和多變量決策樹數據分類，提出了一種軸溫傳感器故障診斷策略，其可準確識別并區(qū)分由傳感器自身故障、線路接觸不良和外界干擾造成的軸溫傳感器故障。

1 軸溫監(jiān)測系統(tǒng)現狀

動車組軸溫故障主要分為軟硬件故障和傳感器故障兩大類。軟硬件故障主要由電源板、CPU板、MVB板和采集板等電子板卡異常導致，該類故障多表現為通信中斷、數據丟失等顯著特征，容易被判別和排查處理。傳感器故障多表現為溫度數據跳變、偏差等異?，F象。軸溫實時監(jiān)測系統(tǒng)電氣連接復雜，列車運行狀態(tài)和運行環(huán)境多變，諸如傳感器自身故障、線路連接不良、外界干擾等因素均會導致溫度監(jiān)測值異常變化，但同時也不能排除部件狀態(tài)異常導致溫度真實異常變化的可能性，因此現場排查難度大。

表1示出某公司生產的軸溫實時檢測系統(tǒng)故障統(tǒng)計情況?？梢钥吹?，2020年上半年共發(fā)生35起傳感器故障；但現場檢查后發(fā)現，其中20起其傳感器并無異常。為保險起見，現場進行了預防性更換傳感器或采集板的處理。

表1 軸溫故障統(tǒng)計Tab. 1 Statistics of shaft temperature faults

可見，現有的軸溫監(jiān)測系統(tǒng)診斷策略不能準確定位傳感器故障且現場排查故障點困難，造成了人力和物力的浪費。為此，本文基于數據分析基本原理及軸溫數據相似度分析，提出一種軸溫傳感器故障診斷策略并設計了一款軸溫故障專家診斷系統(tǒng)。

2 數據分析基本原理

正常情況下，同車廂各軸的功率和轉速一致，各軸同一被測溫度的概率密度分布是相對穩(wěn)定的，均勻分布在眾數的兩側；當某個傳感器的數據發(fā)生異常，對應溫度值則偏離眾數。本文以眾數為參考值，通過分析每個傳感器參數實際值與參考值的差異，來研究軸溫的異常變化特征。

2.1 相似度分析原理

以同車廂各軸同一位置同一時刻的所有溫度值為數據樣本，皮爾遜經驗法計算樣本眾數：

評價個體差異的方法主要有距離度量法和相似度度量法。距離度量法用于衡量兩個變量在空間上存在的距離，距離越近，兩個變量的差異越小。相似度度量法即計算兩個變量的相似程度，相似度越高，兩個變量的差異越小。

歐式距離是最常見的距離度量，即空間中兩點的直線距離。a和b兩點的歐式距離為

歐式距離為從0到正無窮的數，值越大，表示兩點越遠，相似度越低。將其求倒數，相似度公式如下：

相似度度量算法中運用最廣泛的是余弦相似度，其用兩個向量夾角的余弦值來度量它們之間的相似性。A和B兩個多維向量的夾角余弦如下：

式中：A=[A1，A2，…，An]；B=[B1，B2，…，Bn]。

若比較兩個溫度信號的相似度，則需研究溫度的瞬時相似度和區(qū)間相似度。瞬時相似度即同一時刻兩個溫度的相似度，當溫度值處于不同數量級時，相同距離度量的相似度應不同。圖1示出瞬時相似度模型。圖中，A1B1和A2B2的距離量度均為L，但A1B1的數量級大于A2B2的，所以相似度S(A1B1)＞S(A2B2)；由于 cosθ1＞cosθ2，因此瞬時相似度可表示為

圖1 瞬時相似度模型Fig. 1 Instant similarity model

區(qū)間相似度為一段時間內兩個溫度的相似度。區(qū)間相似度數值越大，兩個溫度的變化趨勢越一致。當某個溫度信號出現個別極大值或極小值，會造成兩個溫度信號分布范圍的差別過大，相似度計算值偏小，但實際上兩個溫度的變化趨于一致。為避免這種情況的發(fā)生，計算相似度前需先將溫度信息進行標準化處理。本文采用z-score標準化方法對區(qū)間溫度樣本進行標準化處理，轉化公式如下：

式中：σ——樣本標準差；x——樣本原始值；x′——樣本標準化值。

將一段時間的兩個溫度看成多維空間的兩點a和b，其區(qū)間相似度的計算公式如下：

2.2 多變量決策樹

為研究不同軸溫傳感器故障數據的特征表現，需對相似度計算結果進行分類。決策樹方法[8-9]是在分類、規(guī)則提取等領域得到廣泛應用的一種數據分類方法，其通過訓練集合的學習，形成決策樹分類模型，并對類型未知的樣本進行分類。

列車軸溫受列車運行工況、運行環(huán)境等因素影響。軸溫相似度屬性又分為瞬時相似度和區(qū)間相似度，分類決策需由多個特征決定。常用的單變量決策數會導致樹結構變得復雜[10-11]，因此本文采用多變量的決策樹方法對數據進行分類。

基于粗糙集構建的多變量決策樹是目前最常用的一種多變量決策樹方法[10-12]。決策信息表T={U，A，V，f}是一個四元組。其中，U是論域，為非空有限對象集；A為屬性的非空有限集合，A=C∪D，C是條件屬性，D是決策屬性；V=Ua∈AVa，Va為屬性a的閾值；f:U×A→V是一個信息函數，對于且x∈U，f(x,a)∈Va。表2是一個決策信息表，其中x1→xi為論域，U={x1,x2,x3, …,xi}；C1，C2，C3,…,Cj為條件屬性，C1={c11,c12,c13, …,c1i}，C2={c21,c22,c23, …,c2i}，C3={c31,c32,c33, …,c3i}, …,Cj={cj1,cj2,cj3, …,cji}；D為決策屬性，D={d1,d2,d3, …,di}。

表2 決策信息表Tab. 2 Decision information table

假設在C2屬性下的子集為U/C2= {{x1,x4}, {x2,x5}, {x3,x6}}={X1,X2,X3}，對于集合X={x2,x3,x5,x6}，存在X=X2∪X3={x2,x5}∪{x3∪x6}，則稱X為U/C2的精確集。若集合X={x3,x5,x6}，此時集合X不能由X1,X2和X3中的任何一個或多個組成，則稱X為U/C2的粗糙集。

3 軸溫傳感器故障診斷策略

本文以歷史軸溫傳感器故障數據為分析樣本，對軸溫數據的相似度進行分析。圖2為某列車同車廂4個軸相同位置溫度的瞬時相似度分析結果，瞬時相似度1為異常溫度數據?？梢钥闯?，正常軸溫的瞬時相似度均大于0.1，只有異常溫度的瞬時相似度會出現不大于0.1的情況；瞬時相似度的變化與列車運行速度密切相關，圖中相似度不大于0.1的情況均發(fā)生在列車高速運行期間。

圖2 瞬時相似度分析Fig. 2 Instantaneous similarity analysis

圖3示出某列車同車廂4個軸相同位置溫度的區(qū)間相似度分析結果，區(qū)間相似度1為異常溫度數據?？梢钥闯?，正常溫度的區(qū)間相似度均大于0.6，只有異常溫度的區(qū)間相似度不大于0.6，如圖中區(qū)間相似度1曲線。區(qū)間相似度的變化同樣與列車運行速度密切相關，圖中相似度不大于0.6的情況均發(fā)生在列車高速運行期間。

圖3 區(qū)間相似度分析Fig. 3 Interval similarity analysis

根據相似度的分布規(guī)律，設置決策系統(tǒng)的條件屬性如下：

C1={c11：列車高速運行，c12：列車靜止/低速運行}；

C2={c21：瞬時相似度＞0.1，c22：瞬時相似度≤0.1}；

C3={c31：區(qū)間相似度＞0.6，c32：區(qū)間相似度≤0.6}；

C4={c41：連續(xù)發(fā)生，c42：單次發(fā)生}。

設置決策系統(tǒng)的決策屬性，具體如下：

D={d1：傳感器故障，d2：接觸不良，d3：信號干擾，d4：無法判斷}

基于粗糙集理論，對軸溫傳感器故障數據的相似度特征數據進行分類，得到x1，x2，x3和x4四類數據。結合故障發(fā)生的真實原因，建立了軸溫傳感器故障診斷策略，具體如表3所示。

表3 軸溫傳感器故障診斷策略Tab. 3 Fault diagnosis strategy of axle temperature sensor

4 軸溫故障專家診斷系統(tǒng)

本文基于已有軸溫故障診斷策略和第3節(jié)所述的軸溫傳感器故障診斷策略，設計了一款軸溫故障專家診斷系統(tǒng)（圖4），其通過人工或自動導入軸溫故障數據，對軸溫故障進行自動診斷分析，并給出故障原因分析和處理指導措施。該系統(tǒng)適用于所有類型軸溫故障的診斷。

圖4 軸溫故障專家診斷系統(tǒng)Fig. 4 Expert diagnosis system for axle temperature faults

目前動車組采用的軸溫傳感器故障診斷策略未能細分故障原因，且診斷準確率低。為驗證所提軸溫傳感器故障診斷策略的準確性，本文收集了34起已知故障原因的軸溫傳感器故障數據（不在前期分析樣本內），并導入專家診斷系統(tǒng)進行了測試，測試結果見表4?？梢钥吹?，采用該策略后，對傳感器本身故障診斷的準確率達91.67%，對接觸不良/信號干擾故障診斷的準確率達到80%，總體診斷準確率達88.24%，診斷失誤的故障數據均表現出多種故障特征?，F有診斷策略將34起故障全部診斷為傳感器故障，準確率約為70.59%，新策略診斷準確率大于85%，表明該系統(tǒng)可有效對軸溫傳感器故障進行診斷。

表4 診斷測試結果Tab. 4 Results of diagnostic test

5 結語

本文提出了一種基于相似度計算和多變量決策樹方法的軸溫傳感器故障診斷策略并設計了一款軸溫故障專家診斷系統(tǒng)。采用該故障診斷策略，可有效區(qū)分傳感器故障、線路接觸不良和外界干擾的軸溫故障，診斷測試結果準確率＞85%，但對于特征復雜的傳感器故障，其識別率不高，需進一步研究解決。利用所設計的專家診斷系統(tǒng)，可對軸溫故障進行智能分析并給出故障處理措施，能有效提高故障處置效率，節(jié)省人力物力。