动车组WTDS轴温数据的深度挖掘及应用

章天宇，荆玉山，王淏泽，王悦东

(1.中国铁路呼和浩特局集团公司，内蒙古 包头 014000；2.中国国家铁路集团有限公司，北京 100055；3.大连交通大学 机车车辆工程学院， 辽宁 大连 116028)*

自动车组车载信息无线传输系统(WTDS)被广泛推广应用以来，高速铁路动车组的运营维护真正迈入了数据信息化时代.布置于动车组各系统的传感器将列车实时状态数据准确传输到车内控制单元及地面监控系统，为动车组的运营维护提供了可靠的数据支撑[1-2].

轮对轴承作为高速铁路动车组走行部的重要组成成分，其运行状态的好坏直接影响着动车组的行车安全.然而在对动车组运营单位的实际调查研究中发现，WTDS中对于轴温的监控仅限于将运行途中采集的散点数据呈现给工作人员，并将当日运行途中的峰值温度加以标注，这就导致在运行途中发生热轴、燃轴等突发故障时，留给应急人员的反应时间十分短暂[3-4].因此，若能基于WTDS接收到数据，通过建立适宜分析预测方法，预判峰值温度及出现时间，即可以有效解决上述问题.本文针对WTDS轴箱温度数据，设定更全面的阈值线，采用标准曲线比样法以及多元非线性回归算法等数学方法，进行数据的深度挖掘，建立轴温数据分析预测模型，作为WTDS的补充应用. 并以CRH5A型动车组实际轴温数据为例， 验证了模型的准确性，明确了其应用价值.

1 轴温数据分析预测模型的建立

本文针对WTDS接收的轴温数据，建立数据分析预测模型.通过采用标准曲线比样法对动车组运行当日的轴箱温度数据进行趋势对比，对轴箱的隐性故障进行研判排查；通过采用多元非线性回归算法构建轴箱温度峰值预测模型，对次日上线的动车组的轴箱温度情况进行准确的把握.

1.1 轴温标准曲线的构建

通过对动车组WTDS轴温数据的长期调查研究发现，同一车组运行同一交路时，其运行途中轴温的走势保持稳定.随着外界环境的变化，轴温的走势会有小幅度的上下波动，但总体趋势仍保持不变.因此根据动车组轴温运行走势的稳定特性，可以构建轴温的健康走势曲线(即标准曲线)，在标准曲线建立完善后，通过对比运行曲线与标准曲线，即可对动车组轴箱有无故障进行定性研判.

在WTDS采集的轴温数据中，传输间隔频率时有差异且存在因传输频率不稳定或因网络问题

造成的数据流断点，这就导致数据的离散型差异较大.而建立标准曲线时，需要保证数据的连续性，无法直接将采集到的历史数据进行拟合计算.本文使用样条插值将离散型数据转化为可用于拟合的连续运行曲线.为减小使用低阶多项产生的插值误差，本文采用三次样条建立运行曲线.对于某运行时段中采集的n+1个轴温离散数据{xi}，使用n段三次多项式在采集到的数据点之间构建一个三次样条[5-7].

对于n组轴温运行曲线，其标准曲线g可用式(1)、式(2)所给的方程构建：

(1)

(2)

考虑到数据量的积累及季节变化等因素对动车组轴温的影响，标准曲线需不断的进行更新，更新的标准曲线记为gn+1，则有：

gn+1=hn+1·[g(x)·hn+fn(x)]

(3)

将新采集数据转化为运行曲线后，考虑天气等外界因素对动车组轴温的影响，建立对比运行曲线f0，对比运行曲线f0与标准曲线的吻合度ε可用式(4)和式(5)表示，其中，w(x)为天气等外界因素对运行曲线影响的比例系数.w(x)是本文通过采集大量动车组数据与标准曲线拟合得到的经验参数，w(x)的取值见表1.

f0(x)=f(x)·w(x)

(4)

(5)

表1 w(x)参数取值

1.2 轴温预测模型的建立

如果动车组运行途中轴温过高，出现热轴、燃轴、切轴等情况，则需进行停车检查，会对行车组织造成比较严重的影响.因此本文以动车组运行中轴温峰值温度作为预测的目标函数，采用多元非线性回归算法建立预测模型.考虑到轴箱温度传感器或者网络故障引起的轴温突变会对函数的拟合结果造成精度缺失，进行预测分析前需对WTDS采集的轴温数据进行数据清洗[8-10].

(6)

则对于采集的轴温数据tmax进行剔除，对剔除后的n-1个运行数据进行重新清洗，将满足条件的tmax作为轴温峰值y.

对于清洗后的n组轴温峰值yn及其k个影响因子xk，构建多元非线性回归方程[11]：

其中,βi为轴温峰值各影响因子的回归系数，μi为随机扰动项.本文认为，运行中轴温的峰值变化，是一个连续的，相互影响的过程，因此可以由前日轴温的状态，结合当日的运行实际对当日轴温峰值进行表征.将动车组轮对轴承的检修项目信息、运行线路状况、行车信息、外界温度、天气状况及前一天轴温状态作为轴温峰值预测的影响因子，可以得到较为精准的预测结果.

为防止数据中存的离群值[12]xout(对应的残差具有较大方差的值)降低预测精度，需对离群值xout进行剔除处理.对于n组轴温数据yn，使用奈尔检验法检验离群值，则有：

(8)

(9)

(10)

对数据进行清洗后，由上述公式得到βi、μi，则预测值yn可以表达为：

(11)

2 轴温数据分析预测模型的应用

本文以一组CRH5A型动车组为例，采集其自6月1日至8月31日以来的所有轴温数据，运用分析预测模型，验证模型的准确性.

2.1 标准曲线比样法的应用

本文选取车组CRH5A-5051，采集了共76天的运行数据，按照不同的交路信息，构建了不同交路的标准曲线，其标准曲线如图1所示.由图1可知，同一动车组在不同的交路下其标准曲线是有着明显的差别的.对于不同的天气状况因素，在构建标准曲线时，进行了比例系数的调整，降低了标准曲线构建时不同外界环境的干扰.

图1 CRH5A型动车组轴温数据标准曲线

建立标准曲线后，将每日的运行数据转化为运行曲线后，与标准曲线进行对比.为说明本文模型的准确性和实际应用价值，本文选取了存在故障信息的运行数据.经过模型的分析处理(图2)，可以看到在8月5日，8车6位轴箱存在着明显异常，在运行当日始发后，温度急剧升高，整个运行当日轴温远远大于标准曲线所提供的标准值.然而对于WTDS的轴温监控来说，其运行数据完全处于设定的阈值之下，并不会给工作人员提供相关的提示报警.经调查发现，动车组于运行前日进行了全列空心轴探伤作业，8车6位轴箱在空心轴探伤后未彻底清理耦合液，使得在空心轴内有大量耦合液残留，致使运行途中8车6位轴箱异常温升.

图2 CRH5A型动车组轴温数据分析结果

2.2 轴温预测模型的建立

本文以上述的CRH5A型动车组的轴温数据为基础，验证轴温预测模型的准确性.通过对动车组轴温数据的长期跟踪分析，训练拟合了一个相对精度满足使用要求的预测模型，其预测结果与真实结果的对比见图3.由图3可知，本文以6月1日的轴温峰值数据作为预测模型的训练初始值，设定初始预测值为0，对预测模型进行训练迭代.在6月1日～6月11日之间，轴温峰值的预测结果与实际值有较大的差距，这是由于在初始训练阶段，影响因子的系数βk的个数k大于回归方程的个数n，在回归分析中，影响因子的系数βk存在空值，因此对于牵引电子的预测结果yn+1呈现着跳动的不稳定性.随着数据的不断积累，可用于归回的方程数目不断的增加，影响因子的系数βk的空值渐渐消除，预测值也逐渐向真实值靠拢.由图4可知，数据经过不断的积累训练之后，预测精度可达90%以上，随着数据的进一步积累，预测精度仍然会有一定的提升.

图3 CRH5A型动车组轴温数据预测结果

3 结论

本文基于WTDS传输的数据，建立了一种轴温数据分析预测模型，填补了WTDS在隐性故障研判及数据预测分析上的空白.本文建立的轴温数据分析预测模型结合WTDS 数 据 实时传输， 可

以有效的预防动车组轴箱故障，并为实际生产提供更合理准确的数据支撑.

(1)本文通过标准曲线比样法建立了一种轴温分析模型，通过对比每日的运行曲线与标准曲线，可以准确的对轴箱的隐性故障进行研判.通过选取的一组CRH5A型动车组的验证，表明了标准曲线比样法建立的分析模型具有一定的生产使用价值;

(2)本文通过多元非线性回归算法建立了轴温数据的预测模型，通过对CRH5A型动车组轴温数据的长期积累和分析，拟合出了满足生产实际要求精度的预测模型.经过76天的数据积累，实现的预测精度可达90%以上，并且随着数据量的不断提升，预测精度仍可进一步提高.