基于大数据的动车组故障诊断方法研究

王春雨

摘要：在动车组的全生命周期内，由于动车组整体结构的复杂性，运行环境的多样性以及内部零件承受载荷的不同，部分零件出现损失以及发生故障是在所难免的。及时发现故障发生的部位、时间以及原因，不仅可以预测机车车辆的早期事故，而且对行车安全和运行效果有着重要作用。本文基于 大数据的动车组故障诊断方法进行研究。

关键词：大数据：动车组：故障诊断

1数据挖掘理论

1.1特征提取

特征提取就是通过对海量复杂的数据进行深度分析和挖掘，从这些原 始数据中提取出一些能够描述对象的特征。在特征提取时，要尽可能多地 保留与分析对象相关的信息，与此同时，要尽可能地去除与分析对象不相关的信息，还要减少一些干扰所需特征的因素，并且反馈给数据分析模型， 使机器学习算法能够向真值逼近。在进行大数据资源整合时，应该利用数 据关联规则，找出与分析对象相关的数据，并将这些多个来源、多个维度的数据与分析对象联系起来。除此之外，我们还需从历史数据中提取与分 析对象对应的类别信息，给算法的训练确立目标。

1.2Hadoop 平台介绍

Hadoop 是一个由 Apache 基金会用 Java 编写的开源分布式系统基础构架。Hadoop 主要由数据仓库工具（Hive）、分布式数据库（HBase）、分布式文件系统（HDFs）和 MapReduce 引擎等几个部分组成，其中，最基础最核心的部分是 HDFs 和 MapReduce。HDFs 一般位于最底部，用来储存所有位于节点上的文件，它具有高度容错性，对硬件的要求不高，可广泛地用于各种廉价的硬件。除此之外，它以流的形式访问应用程序中的数 据集，可以提高整个系统数据的吞吐量。因此，在处理大数据集的时候是非常合适的。MapReduce 是一个软件框架，主要用于海量数据的并行计算， 其过程主要包括映射（Map）和化简（Reduce），计算时，先把总的计算任务分配到集群的各个节点上，进行多节点计算，然后合并各个节点的计算结果，从而得到最终的计算结果。并行计算时，无论是任务调度、负载均衡还是容错处理，均有一个简单的编程模型即可完成。

2转向架轴承故障检验原理和方法

检验高速动车组转向架轴承故障的手段众多，但当前运用的比较多的是脉冲法和共振解调法。冲击脉冲轴承故障检验方式实际上通过滚动轴承滚道上的剥离区域两两冲击所形成的能量来诊断轴承的故障。高速动车组的轴承滚动体碰撞滚道上剥离的尖锐部位时会出现极为强烈的弹性波，通过轴承固定座把此弹性波输送给传感器。若在轴承的滚道发生剥离程度较为显著时会形成高幅值的冲击脉冲，且这一冲击脉冲的范围相对较宽，其中含有很多的高频能量分量，冲击脉冲的幅值和滚动体相对剥离位置与速度相关。在使用此方式的过程中须搜集轴承运作中所形成的波动信号，并于搜集之中使用带通滤消除其中的中低频干扰信号，再运用数字包络技术取得特征信号，进而辨识出轴承的运作情况。

3应用与检修

为了有效地监测和控制轴承故障，在高速动车组转向架轴承运行性能的实际监测和日常维护中，务必要落实好如下几个方面的工作：

3.1要不断提高高速动车组机械工程师判断高速动车组转向架轴承故障的能力，以便及时监测和判断高速动车组轴承组的运作实况，重点监测轴承运行中频繁故障的范围和位置;此外，根据以往轴承故障诊断的经验， 可以开发出有关的轴承故障声音特征，使机械师可以更加及时、准确地确 定高速动车组运作中的轴承故障。

3.2可以选择运用追踪检测的方式。这就要求机械师对高速动车组中满足检测条件的轴承编制和其相适应的轴承运作实况测试方案，应于规定的时间内诊断和一一检查高速动车组转向架的轴承，如此一来便可以提早且及时地察觉到轴承的初期故障，从而编制出轴承故障的跟踪办法。

3.3适当优化高速动车组的转向架装配技术。由于在轴承的高速运转之后会产生某些问题。在这一基础上，这就要求对轴承的装配过程以及设备的可行性等皆做全方位的检查，以至于很好地避免装配过程中所导致的轴承表层损坏。还应该关注的是，就现今的高速动车组转向架轴承故障诊断结果分析而言，当前多使用测试及诊断方式仍只能判断轴承所有部件发生剥离故障，但是，剥离失效后的剥离长度以及剥离深度等维度的具体判 断信息无法明确界定，也无法对故障发生部位失效后的运行状态进行合理的推理和预测，需要进一步研究。

4基于 Hadoop 的动车组故障诊断方案的分析和设计

4.1需求分析

1）随着动车组技术的日趋成熟，动车组的车型也越来越多，动车组车载故障诊断系统也积累了海量的监测数据，监测数据的快速增长的同时， 也给动车组故障诊断与在线状态监测带来了严峻的考验，挖掘和运用隐藏 在这些数据背后的价值，这对于动车组的主动运维服务是十分必要的。

2）在处理海量的监测数据时，传统的数据挖掘算法的弊端也渐渐暴 露了出来，不仅精确性得不到满足，效率、扩展性、健壮性也达不到要求， 这就使得传统的数据挖掘算法不能高效应用于动车组故障诊断与状态监测中，因此，我们需要一种能克服这些缺点的算法。

4.2方案设计

本文对动车组海量的故障诊断和状态监测数据进行处理和计算，通过 深度学习形成动车组故障诊断模型，提高故障诊断的精确性，包括故障发生的时间、部位以及原因等，扩大故障诊断的范围，实现故障的综合诊断。 下面详细介绍该方案，方案系统框架如图 2 所示：

1）数据预处理模块。动车组故障诊断和在线状态监测数据来自多个数据源，包括观测数据、分析测定数据、统计调查数据等，通過预处理， 可将这些来自多个数据源或者数据库的数据按任何所需的方式进行合并或聚合，将预处理后的结果放人HDFs 中，用于数据的分类预测。

2）数据的储存和计算。在使用 HDFs 模块来储存故障诊断数据时，因为 HDFs 的特点，非常适合处理大数据集，可以为故障诊断数据的处理提供保障，除此之外，HDFs 还提供了多种访问接口，可以对数据进行查看、储存和下载。在数据处理的过程中，通过 MapReduce 计算模块，将计算任务分配到 Hadoop 集群中的各个节点，同时将各个模块的数据交互联系起来，通过抽象出的 Map / Reduce 等编程接口可以快速实现各种算法的并行化，提高了数据运算效率。

结束语：随着传感器、大数据、物联网和云计算等技术的发展和应用， 我国动车组列车将实现故障综合诊断，故障诊断的效率将得到大幅度的提 高，综合运营管理水平也将更上一个台阶。

参考文献

[1]贾利民，秦勇，李平.新一代轨道智能运输系统总体框架与关键技术[J].中国铁路，2017（4）：14 _ 19

[2]宋龙龙.基于非规范知识处理的高速列车综合智能故障诊断方法研究[D].北京：北京交通大学，2016