基于神经网络的动车组轴端温度传感器误报识别

顾 佳，关 岳，王 伟

（中车青岛四方机车车辆股份有限公司，青岛 266111）

1 引言

从轴温监测装置的实际工作情况来看，其故障主要包括传感器与轴承接触不良、防护性能差等因素，这些因素将导致传感器所上传的数据错误，从而使得轴温报警系统的轴温警报出现错误[1]。尤其是在恶劣环境下运行时，传感器可能因为各种原因而上传错误的信号，这时就需根据传感器上传的数据进行综合逻辑分析，通过实时纠正的方式避免出现误报问题[2]。

2 基于神经网络动车组轴端温度传感器误报识别

2.1 目的和思路

根据列车运行时的基本数据和轴温数据等，对列车数据进行探索和挖掘，建立轴端的传感器误报识别模型，依据传感器传来的轴温值判断出该传感器是否存在误报情况。此模型的建立主要分以下两个方面：

（1）轴温数据探索分析：使用相关性分析算法，找出与轴端温度存在相关性的特征变量，进行神经网络建模；因为数据的采集是每30秒进行一次打包传送，所以统计出轴端温度30秒的变化的范围和比例，找出轴端温度变化的正常范围。

（2）轴温预测模型：根据相关性统计分析的结果，使用基本数据和传感器的温度值进行神经网络预测模型的训练，建立轴端的轴温神经网络预测模型，利用该模型预测出30秒后的轴温值，与传感器实际传过来的轴温值进行对比分析，统计出轴端的轴温预测模型的预测值与实际值之间误差的分布范围和对应比例关系，确定轴温预测模型的误差阈值范围。

根据轴温预测模型的误差阈值及轴温波动的正常范围两个条件，综合判断出轴温传感器是否存在误报情况。

2.2 轴温变化统计分析

从数据库中抽取包括不同车型、不同列号、不同轴端位置的一周全量轴温数据，共计约1000万条，使用相邻下一包轴端的温度值减去当前包的温度值得到轴温30秒变化的温差，将温差按照小于-7度、-6度、-5度、-4度、-3度、-2度、-1度、0度、1度、2度、3度、4度、5度、6度、大于7度进行统计。根据统计结果得出，轴端30秒温度变化的正常区间是有一个范围的，超过该温差区间范围的轴温属于异常温度值。

2.3 轴温相关性统计分析

使用相关性算法统计出制动档位、速度、加减速度、外温和轴端温度相互之间的相关系数。经过分析发现与轴端温度相关性较强的是室外温度和速度，所以针对神经网络预测模型建模，可以增加室外温度和速度及轴温自身的相关衍生变量。

2.4 神经网络预测模型

2.4.1 数据处理

从数据库中抽取出一周的数据作为训练数据，先对数据进行预处理，包括：

（1）数据过滤。（2）字符映射。（3）特征工程：增加衍生变量和连续变量，做特征工程且将其标准化。

（4）标签化：以车型、列号、车号及轴id为key，锁定每个轴端的温度传感器，将下一包的轴温值作为模型需要训练预测的标签。

2.4.2 模型建立与评估

本次所采用的是适用于分类回归的前馈神经网络，采用三层全连接网络结构，第一层为输入层，第二层为隐藏层，第三层为输出层。以0.0013的学习率训练，以均方误差为损失函数，使用Adam优化器进行梯度下降的计算。并加入了dropout技术，防止模型对训练数据集产生过拟合。

生成最终轴端温度神经网络预测模型后随机选取5份测试数据，进行模型验证评估，分别采用了平均绝对误差，R2和均方误差来测试神经网络模型的性能，其测试结果如表1：

表1

2.4.3 模型误差阈值探索

根据一周左右的测试数据结果，按照绝对值误差小于1度，介于1～2度，介于2～3度，介于3～4度，介于4～5度，介于5～6度，大于6度进行划分，根据划分区间占比可以确定神经网络预测模型的误差阈值。

2.5 轴温传感器误报识别模型

根据轴温30秒温差变化范围和预测模型的误差阈值，综合得出轴温传感器误报识别模型规则：当轴端温度值与轴端温度预测模型预测值的绝对误差大于误差阈值时，并且该轴端温度值与前后30秒的轴温值的温差绝对值同时大于阈值时，则判定该值为温度传感器误报所致。

[1] 王飞.CRH5型动车组轴温检测系统故障分析及处理办法[J].科技传播，2014，6（15）：182+163.

[2] 房兆鹏.CRH5A型动车组轴温误报警故障原因分析及预防措施[J].硅谷，2014，7（06）：74+43.