马迪迪,王晨阳,赵洁雪
(合肥市轨道交通集团有限公司,合肥 230001)
高速列车的服务条件复杂多变,长期运行会降低其自身的安全运行系数,从而对列车部件造成损坏,可能威胁到人们的生命安全。至此,列车运行安全成为人们普遍关注的热点问题。其中,为了有效保障列车运行安全,最大限度地避免列车故障,对列车运行过程中的运行数据实施有效的异常自动监控,已成为当前铁路运输系统亟待解决的问题[1-2]。
文献[3]方法收集列车管理系统数据,建立异常检测模型,利用设备故障检测和基础学习算法获得设备空间状态域,并基于不同指标,表征故障的严重程度,获得不同时间故障的变化模式,提供故障预警信息,完成设备的异常预警。文献[4]方法采用支持向量机方法对列车轨道不平顺的退化过程进行了具体分析,并以影响列车运行的超限退化为研究目标,使用局部异常因子算法对列车轨迹进行识别和处理,并根据识别结果划分故障的严重程度,获得列车故障特征,并识别相应的严重程度,完成故障预警。文献[5]方法收集和处理列车运行状态数据,建立列车故障XGboost 模型,进一步使用交叉验证和网格搜索方法确定模型的最佳参数,基于最大似然估计和Grabbs 测试结果,对模型预测结果进行异常识别,并根据识别结果完成列车运行异常的自动预警。
列车运行状态数据信号的IMF 分量不一,频率尺度的增加下,难以描述和分析列车运行异常信号的动态变化和特性,列车运行失效概率极大的影响可靠性运行程度,由此提出可靠性度量下的列车运行异常自动化预警技术。
对列车运行状态数据进行检测和分析,可以及时发现列车运行中的异常情况,如设备故障、信号异常、能量供应问题等,对此,需要将去噪处理后的列车运行信号分解为不同频率范围的子信号,并根据需要再将这些子信号组合起来即重构列车运行状态数据,以还原原始信号。
开展列车运行异常自动化预警前,需要在采集列车的运行状态数据后,对运行数据实施去噪,抑制列车运行异常预警时,数据噪声带来的干扰[6,7]。
设定列车状态运行数据集合为Xi= (x1,x2, …,xm),将其中每个数据都看作一维的离散数据,数据表述成下式所示:
式中:
n—采样次数;
a(n)—原始数据;
ε(n)—数据噪声。
根据上述获取的列车运行状态数据一维离散结果,对数据实施小波变换,过程如下式所示:
式中:
Wg(j,k)—运行数据的小波系数;
α( 2-j n-k)—小波函数;
j,k—常数,且二者j,k∈Z2。
由于列车运行状态数据中噪声通常分布在数据高频空间中,基于上述数据小波变换结果,即可获取列车运行状态数据在不同尺度j下的尺度变换系数以及小波变换系数,确定数据不同尺度的空间解,去噪结果如下式所示:
式中:
{h,l}—数据的滤波器组;
°—卷积运算符号;
Sg(j,k)—数据中低频系数;
Wg(j,k)—高频系数。
为了去除异常运行状态数据,将去噪数据分解为具有不同特征尺度的固有模函数的有限和,通过对列车运行状态数据进行小波分解,获取IMF 分量,可以将原始数据分解为一系列不同频率的子信号,如包含有关列车运行的不同特征信息,例如振动频率、周期性变化等。
设置下列约束条件:
1)数据极值点数与零点数相同,最大相差一个。
2)上下包络线与时间轴局部对称。
基于上述条件,使用EMD 分解方法对去噪后的列车运行状态数据实施分解处理,过程如下:
1)首先根据去噪后的数据信号局部极值点,将所有局部极大值与极小值用三次样条线连接,完成上下包络线的获取。过程中设定数据信号上下包络线的均值为χ1,以此获取数据信号的IMF 分量,过程如下式所示:
式中:
o1—数据信号的IMF 分量。
辨识上述计算结果是否满足设定的条件,若满足o1即为列车运行状态数据信号的第一个IMF 分量。
2)若上述计算结果不满足条件,则需要将o1作为原始数据,重复上述计算流程,获取o11=o1-χ11,重新辨识该计算结果,直至所有数据信号满足条件,完成数据信号固有模态分解。
3)将数据信号的IMF 分量自数据信号中分离,并重复上述流程1)和流程2),将获取的m个IMF 分量与剩余分量进行余项和计算,获取列车运行异常数据信号不同频段的IMF 分量值,一一对应列车运行状态数据的可靠性趋势和关键信息。
可根据子信号不同尺度的变换系数实现列车状态运行数据重构。具体流程如下:
建立一种新的列车状态运行数据重构函数,过程如下式所示:
式中:
δ—数据去噪阈值;
ϖj,k—原始运行数据的小波分解系数;
估计小波系数;
sgn(ϖj,k)—符号函数。
将分解后的子信号组合起来并重构列车运行状态数据,且重构后的列车状态运行数据包含列车运行状态数据的可靠性趋势和关键信息,有助于保留信号的完整性和动态特征,据此识别基本潜在的故障模式。
获取列车运行状态数据的可靠性趋势和关键信息后,将列车运行状态数据分解为不同频率范围的组分,这些组分包含与列车运行异常相关的特征信息,但是随着频率尺度的增加,信号快速变化,高频成分增加,而较低频的IMF 则对信号缓慢变化和趋势分析结果更敏感,难以序列化、自动化分析列车运行可靠性,因此,进行基于样本熵的可靠性度量阈值设置与列车运行失效概率值获取,逐步完成列车运行异常自动化预警。
依据列车运行状态数据信号不同频段的IMF分量值,设定列车运行状态数据的时间序列为x(n),以此获取数据的IMF 分量样本熵,更好地描述和分析信号的动态变化和特性,理解信号中的周期性、规律性和异常现象,获得可靠性度量阈值。具体流程如下:
1)将提取的列车运行状态数据信号IMF 分量值转换成具有Nfalse 个数据点的序列,以此建立IMF 分量的m维向量,表述形式如下式所示:
式中:
Y(i)—IMF 分量的m维向量;
y(i+m- 1)—数据点序列值;
i—常数。
2)基于上述计算结果,设定数据向量Y(i)与Y(j)之间的距离值为,并设定与之相适应的阈值θ,对计算结果实施排序处理,选取其中大于阈值的距离值,计算向量总数量N-m比值,过程如下式所示:
式中:
Cim(θ)—获取的向量总数量N-m比值。
3)根据上述计算结果,计算C im(θ)均值C m(θ),并将维度增加值m+ 1,以此构成一组m+ 1维向量,并重复上述流程,完成C m(θ)的计算。
4)根据上述计算结果,完成列车运行状态数据信号IMF 分量样本熵的获取[8-10],过程如下式所示:
式中:
N—数据序列长度;
S N(m,θ)—样本熵。
通过IMF 分量样本熵的获取可以进一步设定列车运行状态可靠性度量阈值rS N(m, )r(X),当可靠性度量阈值r(X) > 0时,说明列车运行时为安全状态,若r(X) = 0,说明列车处于极限运行状态,若r(X) < 0,说明列车处于失效状态。
通过分析超过阈值的次数、时间、持续时间等指标[11,12],可以获取列车运行失效概率值,进一步追踪和识别列车运行异常发生的趋势。列车运行失效概率近似估计函数如下式所示:
式中:
qF—获取的列车运行失效概率值;
Q{r(X)≤ 0}—失效条件;
dg—增量系数;
r—其中特征指标。
依据增量系数分析不同列车运行特性和容忍度,进行不同列车类型、环境因素、设备参数等进行个性化设置,及时调整可靠性度量阈值,可以更好地适应特定场景的监控和预警需求,提高预警流程可定制性和适应性,则此时的列车运行异常自动化预警流程如图1所示。
图1 列车运行异常自动化预警流程
图1 中,基于还原后的各个子信号,提取有关列车运行状态特征并进行分析,进而获取关键的时域和频域信息,当超过自动化可靠性度量阈值后,自动化触发预警流程,生成列车运行异常发生的趋势,根据预设的约束条件进行相应的响应和通知,提高列车运行的安全性和可靠性。
为了验证上述列车运行异常自动化预警方法的整体有效性,需对此方法测试。
测试过程中采用可靠性度量下的列车运行异常自动化预警技术(所提方法)、基于数据驱动的地铁列车制动系统管路泄漏检测及预警方法(文献[3]方法)、基于XGboost 模型的城市轨道交通列车运行速度实时异常检测研究(文献[5]方法)开展列车运行异常自动化预警,基于预警结果验证上述3 种方法的实际预警效果。
为验证上述3 种方法在列车异常自动化预警过程中的实际有效性,选取某省作为测试区域,以我国和谐号为测试对象,测试对象如图2 所示。
图2 实验对象及场景
图2 中,应用速度传感器、加速度传感器、热电偶传感器进行实验,示例数据及计算结果如下:
1)XYZ-VS100 传感器数据(单位:km/h): [120,130,135,137,123,115,140,150,160,170]
2)ABC-AS200 加速度传感器数据(单位:km/h): [0.5,0.8,0.9,0.7,0.6,0.55,0.85,0.9,0.95,1.2]
3)热电偶传感器数据:[30.5,31.2,31.8,32.0,31.1,30.3,30.9,33.2,35.1,36.5]
每秒采集一次数据,持续采集30 s 的数据,为一个实验样本,最终总样本数为10 000。实验过程如下:
1)根据列车运行去噪数据,对数据状态信号实施EMD 处理,获取数据信号的IMF 分量。
2)计算数据信号的IMF 分量的样本熵,设置预警阈值为10 %,如果预警概率值超过了预设的预警阈值10 %,找出其中高于阈值的样本熵,则可以触发预警机制。
3)将样本熵特征作为初始特征向量值,进一步提取异常运行状态实验结果。
1)运行数据处理效果测试
开展列车运行异常预警时,采集列车运行状态数据的优劣能够直接影响后期异常预警的预警精度。因此,采用所提方法、文献[3]方法以及文献[5]方法开展列车运行异常预警。对3 种方法的数据处理效果展开测试,测试结果如表1 所示。
表1 不同方法的运行数据处理效果测试结果
分析表1 可知,开展列车异常运行预警过程中,随着列车运行状态数据的不断增加,数据中夹杂的噪声数据就越多。开展数据处理,由于文献[3]方法在异常预警时仅对采集数据实施简单的预处理,所以该方法数据处理效果检测结果低于所提方法测试结果;由于文献[5]方法在列车运行异常预警过程中,并未对采集的数据实施有效的处理,所以该方法测试过程中无法有效去除列车状态数据中的噪声数据;而所提方法在列车异常预警时,及时使用了阈值去噪方法,对采集的数据实施了去噪处理,所以该方法在列车异常预警时,测试的数据处理效果优于其他两种方法。
2)预警时间测试
采用所提方法、文献[3]方法以及文献[5]方法开展列车运行异常预警,对不同方法的实际预警时间展开测试,测试结果如图3 所示。
图3 不同方法的异常预警时间测试结果
分析图3 可知,开展列车运行异常预警时,随着列车运行状态数据量的不断增加,3 种方法测试出的预警时间都出现了不同程度的上升趋势。其中,所提方法由于在异常数据预警前,很大程度上的去除了列车状态数据中的噪声数据,所以该方法在预警过程中,预警时间短。
3)预警效果测试
将列车运行状态等级划分成3 级,其中一级说明列车安全运行无异常;二级说明列车出现异常,但是不影响列车安全运行;三级则说明列车运行过程中出现异常,且故障会影响列车安全运行,这时需立刻完成安全预警,对列车故障实施检修。继续使用上述3 种方法开展列车运行异常预警,对不同方法的预警效果展开测试,测试结果如图4 所示。
图4 不同方法的实际预警效果测试结果
分析图4 可知,开展列车运行异常预警时,所提方法能够精准的检测出列车的运行状态,检测结果与实际列车状态一致;文献[3]方法在对列车故障程度表征处理过程中存在误差,所以该方法在预警时,预警效果低于所提方法测试结果;而文献[5]方法在使用交叉验证以及网格搜索方法对模型最佳参数确定时,模型参数优化效果较差,所以该方法在预警时,预警效果不理想。
列车成为我国大多数居民出行的主要交通方式,列车运行异常预警尤为重要,本文就此提出可靠性度量下的列车运行异常自动化预警技术,采集的列车运行状态数据,进过去噪、分解、重构后,还原包含列车运行状态数据的可靠性趋势和关键信息的原始信号,进行基于样本熵的可靠性度量阈值设置与列车运行失效概率值获取,对列车运行状态实施可靠性度量,根据异常特征以及状态度量值,及时识别潜在的故障迹象,通过对异常情况的预警,可以采取相应的维修和预防性维护措施,从而提高列车运行可靠性。