动车组轴温传感器故障诊断策略研究与应用

卢青松，戴计生，詹彦豪

（株洲中车时代电气股份有限公司，湖南 株洲 412001）

0 引言

轴箱、齿轮箱和牵引电机良好的运行状态对列车的行车安全至关重要。列车轴温实时检测系统通过温度传感器采集轴箱、齿轮箱以及牵引电机的温度，实时记录各传感器温度值；温度检测单元对温度信号进行处理后，把各个部件状态和温度值发送给列车网络系统，以对部件的状态进行监测。现有的轴温监测系统诊断策略不能准确定位传感器故障，难以现场排查故障点，造成人力和物力的浪费。

为提高轴温故障原因诊断的准确度，学者们展开了大量的研究，研究重点主要为故障诊断理论方法研究[1]、轴温数据处理方法研究[2-3]、轴温系统可靠性[4-5]及工艺优化研究[6]和单纯的故障原因分析[7]，但未提出可有效诊断轴温传感器故障具体原因的方法。为此，本文基于轴温数据的相似度特性提取和多变量决策树数据分类，提出了一种轴温传感器故障诊断策略，其可准确识别并区分由传感器自身故障、线路接触不良和外界干扰造成的轴温传感器故障。

1 轴温监测系统现状

动车组轴温故障主要分为软硬件故障和传感器故障两大类。软硬件故障主要由电源板、CPU板、MVB板和采集板等电子板卡异常导致，该类故障多表现为通信中断、数据丢失等显著特征，容易被判别和排查处理。传感器故障多表现为温度数据跳变、偏差等异常现象。轴温实时监测系统电气连接复杂，列车运行状态和运行环境多变，诸如传感器自身故障、线路连接不良、外界干扰等因素均会导致温度监测值异常变化，但同时也不能排除部件状态异常导致温度真实异常变化的可能性，因此现场排查难度大。

表1示出某公司生产的轴温实时检测系统故障统计情况。可以看到，2020年上半年共发生35起传感器故障；但现场检查后发现，其中20起其传感器并无异常。为保险起见，现场进行了预防性更换传感器或采集板的处理。

表1 轴温故障统计Tab. 1 Statistics of shaft temperature faults

可见，现有的轴温监测系统诊断策略不能准确定位传感器故障且现场排查故障点困难，造成了人力和物力的浪费。为此，本文基于数据分析基本原理及轴温数据相似度分析，提出一种轴温传感器故障诊断策略并设计了一款轴温故障专家诊断系统。

2 数据分析基本原理

正常情况下，同车厢各轴的功率和转速一致，各轴同一被测温度的概率密度分布是相对稳定的，均匀分布在众数的两侧；当某个传感器的数据发生异常，对应温度值则偏离众数。本文以众数为参考值，通过分析每个传感器参数实际值与参考值的差异，来研究轴温的异常变化特征。

2.1 相似度分析原理

以同车厢各轴同一位置同一时刻的所有温度值为数据样本，皮尔逊经验法计算样本众数：

评价个体差异的方法主要有距离度量法和相似度度量法。距离度量法用于衡量两个变量在空间上存在的距离，距离越近，两个变量的差异越小。相似度度量法即计算两个变量的相似程度，相似度越高，两个变量的差异越小。

欧式距离是最常见的距离度量，即空间中两点的直线距离。a和b两点的欧式距离为

欧式距离为从0到正无穷的数，值越大，表示两点越远，相似度越低。将其求倒数，相似度公式如下：

相似度度量算法中运用最广泛的是余弦相似度，其用两个向量夹角的余弦值来度量它们之间的相似性。A和B两个多维向量的夹角余弦如下：

式中：A=[A1，A2，…，An]；B=[B1，B2，…，Bn]。

若比较两个温度信号的相似度，则需研究温度的瞬时相似度和区间相似度。瞬时相似度即同一时刻两个温度的相似度，当温度值处于不同数量级时，相同距离度量的相似度应不同。图1示出瞬时相似度模型。图中，A1B1和A2B2的距离量度均为L，但A1B1的数量级大于A2B2的，所以相似度S(A1B1)＞S(A2B2)；由于 cosθ1＞cosθ2，因此瞬时相似度可表示为

图1 瞬时相似度模型Fig. 1 Instant similarity model

区间相似度为一段时间内两个温度的相似度。区间相似度数值越大，两个温度的变化趋势越一致。当某个温度信号出现个别极大值或极小值，会造成两个温度信号分布范围的差别过大，相似度计算值偏小，但实际上两个温度的变化趋于一致。为避免这种情况的发生，计算相似度前需先将温度信息进行标准化处理。本文采用z-score标准化方法对区间温度样本进行标准化处理，转化公式如下：

式中：σ——样本标准差；x——样本原始值；x′——样本标准化值。

将一段时间的两个温度看成多维空间的两点a和b，其区间相似度的计算公式如下：

2.2 多变量决策树

为研究不同轴温传感器故障数据的特征表现，需对相似度计算结果进行分类。决策树方法[8-9]是在分类、规则提取等领域得到广泛应用的一种数据分类方法，其通过训练集合的学习，形成决策树分类模型，并对类型未知的样本进行分类。

列车轴温受列车运行工况、运行环境等因素影响。轴温相似度属性又分为瞬时相似度和区间相似度，分类决策需由多个特征决定。常用的单变量决策数会导致树结构变得复杂[10-11]，因此本文采用多变量的决策树方法对数据进行分类。

基于粗糙集构建的多变量决策树是目前最常用的一种多变量决策树方法[10-12]。决策信息表T={U，A，V，f}是一个四元组。其中，U是论域，为非空有限对象集；A为属性的非空有限集合，A=C∪D，C是条件属性，D是决策属性；V=Ua∈AVa，Va为属性a的阈值；f:U×A→V是一个信息函数，对于且x∈U，f(x,a)∈Va。表2是一个决策信息表，其中x1→xi为论域，U={x1,x2,x3, …,xi}；C1，C2，C3,…,Cj为条件属性，C1={c11,c12,c13, …,c1i}，C2={c21,c22,c23, …,c2i}，C3={c31,c32,c33, …,c3i}, …,Cj={cj1,cj2,cj3, …,cji}；D为决策属性，D={d1,d2,d3, …,di}。

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

假设在C2属性下的子集为U/C2= {{x1,x4}, {x2,x5}, {x3,x6}}={X1,X2,X3}，对于集合X={x2,x3,x5,x6}，存在X=X2∪X3={x2,x5}∪{x3∪x6}，则称X为U/C2的精确集。若集合X={x3,x5,x6}，此时集合X不能由X1,X2和X3中的任何一个或多个组成，则称X为U/C2的粗糙集。

3 轴温传感器故障诊断策略

本文以历史轴温传感器故障数据为分析样本，对轴温数据的相似度进行分析。图2为某列车同车厢4个轴相同位置温度的瞬时相似度分析结果，瞬时相似度1为异常温度数据。可以看出，正常轴温的瞬时相似度均大于0.1，只有异常温度的瞬时相似度会出现不大于0.1的情况；瞬时相似度的变化与列车运行速度密切相关，图中相似度不大于0.1的情况均发生在列车高速运行期间。

图2 瞬时相似度分析Fig. 2 Instantaneous similarity analysis

图3示出某列车同车厢4个轴相同位置温度的区间相似度分析结果，区间相似度1为异常温度数据。可以看出，正常温度的区间相似度均大于0.6，只有异常温度的区间相似度不大于0.6，如图中区间相似度1曲线。区间相似度的变化同样与列车运行速度密切相关，图中相似度不大于0.6的情况均发生在列车高速运行期间。

图3 区间相似度分析Fig. 3 Interval similarity analysis

根据相似度的分布规律，设置决策系统的条件属性如下：

C1={c11：列车高速运行，c12：列车静止/低速运行}；

C2={c21：瞬时相似度＞0.1，c22：瞬时相似度≤0.1}；

C3={c31：区间相似度＞0.6，c32：区间相似度≤0.6}；

C4={c41：连续发生，c42：单次发生}。

设置决策系统的决策属性，具体如下：

D={d1：传感器故障，d2：接触不良，d3：信号干扰，d4：无法判断}

基于粗糙集理论，对轴温传感器故障数据的相似度特征数据进行分类，得到x1，x2，x3和x4四类数据。结合故障发生的真实原因，建立了轴温传感器故障诊断策略，具体如表3所示。

表3 轴温传感器故障诊断策略Tab. 3 Fault diagnosis strategy of axle temperature sensor

4 轴温故障专家诊断系统

本文基于已有轴温故障诊断策略和第3节所述的轴温传感器故障诊断策略，设计了一款轴温故障专家诊断系统（图4），其通过人工或自动导入轴温故障数据，对轴温故障进行自动诊断分析，并给出故障原因分析和处理指导措施。该系统适用于所有类型轴温故障的诊断。

图4 轴温故障专家诊断系统Fig. 4 Expert diagnosis system for axle temperature faults

目前动车组采用的轴温传感器故障诊断策略未能细分故障原因，且诊断准确率低。为验证所提轴温传感器故障诊断策略的准确性，本文收集了34起已知故障原因的轴温传感器故障数据（不在前期分析样本内），并导入专家诊断系统进行了测试，测试结果见表4。可以看到，采用该策略后，对传感器本身故障诊断的准确率达91.67%，对接触不良/信号干扰故障诊断的准确率达到80%，总体诊断准确率达88.24%，诊断失误的故障数据均表现出多种故障特征。现有诊断策略将34起故障全部诊断为传感器故障，准确率约为70.59%，新策略诊断准确率大于85%，表明该系统可有效对轴温传感器故障进行诊断。

表4 诊断测试结果Tab. 4 Results of diagnostic test

5 结语

本文提出了一种基于相似度计算和多变量决策树方法的轴温传感器故障诊断策略并设计了一款轴温故障专家诊断系统。采用该故障诊断策略，可有效区分传感器故障、线路接触不良和外界干扰的轴温故障，诊断测试结果准确率＞85%，但对于特征复杂的传感器故障，其识别率不高，需进一步研究解决。利用所设计的专家诊断系统，可对轴温故障进行智能分析并给出故障处理措施，能有效提高故障处置效率，节省人力物力。