基于LKJ數據分析的機車速度傳感器智能故障診斷

董 昱， 史 佳

(蘭州交通大學 自動化與電氣工程學院， 甘肅 蘭州 730070)

列車運行監控記錄裝置(LKJ)目前已經基本在全路廣泛使用。它除了具有防止列車冒進信號、防止列車運行超速、保障行車安全的列車控制功能外，還有實時記錄列車運行過程中關鍵信息的作用，其記錄信息為：公里標、限速、列車速度、機車信號、列車管壓力、司機操作等[1]。LKJ所記錄的運行記錄數據中蘊含著大量與列車狀態及車載設備運用狀態相關的有用信息，是行車安全分析的重要依據，數據分析人員可以通過對LKJ數據進行分析得知車載設備的故障與否。文獻[2]利用LKJ數據文件分析了速度傳感器與速度傳輸通道的故障情況；文獻[3]根據LKJ運行記錄信息分析判斷了電務設備、監控電源板等設備的故障狀態；文獻[4]結合LKJ數據分析中一些巧妙的解決方法，闡述了LKJ數據分析在發現、解決車載設備隱藏質量問題中的運用。不過目前依據LKJ運行記錄數據進行車載設備的故障判斷仍然是以經驗豐富的現場工程人員分析為主定位故障原因，不僅分析效率低，而且面對大量記錄數據時分析容易出錯。因此，有必要將計算機數據分析技術與故障診斷技術引入到LKJ數據日常分析當中，達到提高數據分析效率以及快速定位故障的目的。

機車速度傳感器是列車關鍵的車載設備，它在列車測速定位方面發揮著巨大作用，是LKJ控車的基礎。因此，及時發現機車速度傳感器故障對行車安全以及提高列車行車效率具有重要意義。文獻[5]中周桂法直接從速度脈沖方波入手，應用RBF神經網絡對機車速度傳感器脈沖丟失、脈沖突增以及脈沖被噪聲干擾的3種故障進行故障診斷，取得了較好的效果；文獻[6]針對機車LKJ的3路速度傳感器通道有故障發生時，存在較大安全隱患的問題提出速度傳感器自動轉換裝置，保證列車行車安全。

本文以機車速度傳感器為故障診斷研究對象，利用LKJ運行記錄數據，針對目前人工分析LKJ數據查找設備故障所存在的弊端，采用數據分析與計算機故障診斷算法相結合的方式進行診斷工作。結果表明，這種方式能夠快速、準確地定位故障原因，故障分析效率顯著提高。

1 速度傳感器故障分析

1.1 LKJ速度傳感器通道組成

LKJ裝置具有3路軸端光電式速度傳感器信號輸入通道，但LKJ只取其中1路作為當前的列車速度參與計算和控制[6]。機車上與LKJ配套的速度傳感器一般共有2個：分為主速度傳感器和備用速度傳感器(以下簡稱主速和備速)，2個速度傳感器均由監控裝置的電源插件送出的15 V電源進行供電。其中主速分別輸出兩路速度脈沖信號V0、V1至LKJ主機，并且這兩路速度信號還用于構成LKJ的相位防溜控制，檢測列車是否發生溜逸；備速則只輸出一路速度脈沖信號V2給LKJ。這3路速度信號最終通過X34航空插頭輸入LKJ主機內部。LKJ速度傳感器通道組成示意圖見圖1。

1.2 速度傳感器故障類型及其原因分析

通過分析故障的產生原因，并結合現場數據分析人員的專家經驗，整理得出速度傳感器故障類型有：速度傳感器斷軸；速度通道虛接；速度通道公共部分故障；速度傳感器丟脈沖等[2]。

(1) 速度傳感器斷軸

當速度傳感器安裝座開孔尺寸及車輪軸端方孔套尺寸不合適或使用的速度傳感器軸長度不對，機車在運行中傳感器傳動軸滑出方孔套而無法歸位、或傳感器傳動方軸與機車軸端面頂死造成傳動軸折斷現象時，在LKJ記錄數據中，表現為相應速度通道的速度快速跌落，同時LKJ數據文件中有“速度突降”或“速度通道故障”等記錄，監控裝置顯示相應速度通道最終速度為0。

(2) 速度通道虛接

一般當速度通道存在虛接時(包括速度通道線路虛接、插頭松動等)，由于列車在運行過程中處于不斷的振動狀態，使得速度通道信號時通時斷，從而在監控裝置中顯示速度值上下起伏波動。相應地在LKJ文件中表現為速度值出現無規律地上下劇烈震蕩，同時記錄中有“速度突降”或“速度通道故障”、“輪對空轉”或“輪對滑行”等記錄。

(3) 速度通道公共部分故障

這種情況表現為：在LKJ數據文件中，3路速度信號均異常，即3路速度通道均出現“速度突降”或“速度通道故障”的記錄。如前所述，LKJ具有2個速度傳感器、3路冗余的速度信號輸入通道，通常情況下，同時出現2個速度傳感器或3路速度信號都故障的可能性很小。因此，在這種情況下應考慮各路速度信號的公共通道是否出現問題(如15 V電源板電壓輸出異常、速度通道公共線路受損等)。

(4) 速度傳感器丟脈沖

正常情況下，隨著列車的運行，列車車輪逐漸磨損，輪徑會慢慢變小。LKJ以軸端速度傳感器輸出的脈沖信號的頻率為依據計算列車當前速度與走行距離。速度計算式為

( 1 )

式中:D是輪徑；P是速度傳感器隨車軸轉動一周發出的脈沖數，一般為200個；f是速度傳感器輸出的脈沖頻率；v是所計算出的列車速度。

根據式( 1 )，如果在計算列車速度和走行距離時輪徑采用固定值，那么，隨著列車的運行，車輪逐漸磨損，實際輪徑將比計算輪徑偏小，則計算出來的列車速度和走行距離較實際偏大，不利于高效控制列車運行。為了跟隨車輪的正常磨損情況，LKJ在過機校正的基礎上，具有輪徑自調整功能。即如果LKJ計算出的運行距離比實際大，亦即過機為正值，LKJ認為輪徑偏大，將自動調整減小輪徑值；若過機為負值，LKJ認為輪徑偏小，則自動調整增大輪徑值。

如果在LKJ文件中發現有輪徑明顯增大的記錄(>±5 mm)，在排除入庫換輪維修的前提下，可能是由于速度傳感器丟脈沖引起的。由于速度傳感器丟脈沖，單位時間內的脈沖數較正常少，即頻率低則速度低，LKJ依據低速計算的行走距離就少于實際距離，過機校正為負值，即存在滯后誤差，LKJ判斷為輪徑偏小，自動向大的方向調整輪徑值，因此造成文件記錄中輪徑增大的現象出現。

2 基于LKJ數據分析的特征提取

根據以上分析可以得到，當出現速度傳感器丟脈沖、速度通道公共部分故障時，僅需要判斷LKJ文件中有無相應的故障征兆即可(查看有無輪徑突增、3個速度通道是否均有故障記錄)。而對于速傳斷軸、速度通道虛接以及速傳正常的狀態需要借助于先進的故障分類方法。如何從待分析數據中提取有效區別各故障類型的特征向量，是利用分類算法進行智能故障診斷的基礎，而展開有效的數據分析則是提取特征向量的前提。

通過對原始LKJ數據文件進行數據截取、數據清洗等預處理工作后，得到包含有時間、速度以及一些關鍵記錄信息的數據樣本。在數據分析中，為避免不同車型速度等級的不同，將速度值標準化，即

( 2 )

式中：vmin是數據樣本中最小速度值；vmax是數據樣本中最大速度值；vstd是標準化后的速度值，vstd∈[0,1]。圖2所示為正常、虛接、斷軸3種情況下的標準化速度曲線圖。

為了突出數據細節并獲得樣本的更多信息，根據數據樣本的速度值計算其加速度值，圖3所示為正常、虛接、斷軸3種情況下的加速度曲線圖。

如果同樣將加速度值像速度那樣進行標準化，那么對于虛接故障數據樣本來說，由于加速度震蕩劇烈，amax-amin較大，astd較正常情況偏小。圖4所示為正常、虛接、斷軸3種情況下的標準化加速度曲線圖。

根據對25組正常數據樣本、13組虛接數據樣本以及5組斷軸數據樣本進行分析、整理后得到如下故障規律：

(1) 比較正常樣本與虛接樣本，當虛接故障發生時，標準化速度值較正常情況下有較大波動；

(2) 比較正常樣本與虛接樣本，當虛接故障發生時，加速度值較正常情況下有較大波動；

(3) 比較正常樣本與虛接樣本，當虛接故障發生時，標準化加速度值平均水平較正常情況下偏小；

(4) 比較正常、虛接、斷軸樣本，后兩者在加速度值上均有起伏或突變，前者則較為平穩。但虛接故障發生時，加速度震蕩起伏一般出現在整個數據樣本的前部、中部和后部，而斷軸時加速度突變一般出現在整個數據樣本的結束處。

以上4點故障規律中，前兩點可以用數據樣本的加速度極差R與加速度標準差σ有效表示；第3點可以用樣本的標準化加速度均值Eastd區分；最后一點可以取各個波動數據發生時刻在整個樣本中的位置的均值Epos來完成，即設定加速度的波動閾值α，如果加速度值a滿足|a|>α，則記錄波動發生時刻在樣本中的位置ta/T。其中ta是波動數據發生時刻，T是該數據樣本記錄時間的最大值。最后，計算各波動數據發生位置的均值即可。

表1列出了當加速度閾值α=1.5 m/s2時的15組數據樣本相關信息。其中，J0、J1、J2代表了故障發生的位置，分別表示速度通道0、1、2有無“速度通道突降”或“速度通道故障”的記錄，若值為1則表示相應通道或速度傳感器發生故障，若為0則表示相應通道或速度傳感器沒有故障發生。根據上述分析，可構造如下的向量x=[R,σ,Eastd,Epos,J0,J1,J2]作為分類正常、虛接和斷軸故障的特征向量。

3 基于加權K近鄰分類器的故障診斷

3.1 加權K近鄰算法

由于速度傳感器故障實例相對偏少，因此對于像神經網絡這類需要大量訓練樣本的分類器，顯然不適合進行本文的故障診斷工作。K近鄰算法是一種非參數的基于實例的分類方法，具有簡單有效，分類準確度高，無需大量數據樣本、魯棒性好等優點[7]。目前已在故障診斷領域廣泛使用，并取得了良好的效果[8-9]。不同于神經網絡等積極的分類算法，K近鄰分類算法是一種消極分類算法。這種算法事先將訓練樣本存儲下來，直到有待分類樣本出現時，首先找到與待分類樣本距離最近的K個近鄰鄰居，然后根據這K個鄰居的類別，采用投票表決、少數服從多數的決策規則確定待分類樣本所屬類別[10]。因此，K近鄰算法的時間消耗主要集中在分類階段，分類器在訓練階段幾乎不需要占用時間。

表1 部分數據樣本信息(α=1.5 m/s2)

KNN分類器中，K的取值對分類結果的好壞有重要的影響。加權KNN分類器是對傳統KNN分類器的一種改進，其實現分類的具體步驟為：

Step1計算待測樣本y與訓練數據集各樣本之間的歐氏距離，并找出距待測樣本y最近的k+1個近鄰樣本，并將這k+1個近鄰樣本距待測試樣本y的距離由小到大依次記為d(y,xy,1),d(y,xy,2),d(y,xy,3),…,d(y,xy,k),d(y,xy,k+1)；

Step2標準化k個近鄰樣本距待測樣本的距離D(y,xy,i)=d(y,xy,i)/d(y,xy,k+1),i=1,2,…，k；

Step3利用高斯加權核函數將標準化距離D(y,xy,i)轉化為y和xy,i同類的概率

( 3 )

Step4求出y屬于類別ωs,s=1,2,3,L,C的后驗概率

P(ωs|y)=

( 4 )

式中：I(xy,i,ωs)是類別屬性函數，當xy,i∈ωs時I(xy,i,ωs)=1，否則I(xy,i,ωs)=0。

Step5計算判別函數，待測樣本y的類別class(y)是使判別函數值達到最大的那個類別

( 5 )

從以上加權KNN分類步驟可以看出，加權KNN分類器根據各近鄰樣本與待分類樣本的相似程度賦予不同近鄰樣本不同的權值，這就使得分類結果更接近于相似程度更高的訓練樣本，從而弱化分類器對k值選擇的敏感性，分類結果的魯棒性得到增強[11]。

3.2 基于加權K近鄰分類器的速度傳感器故障診斷

根據前面的分析，并考慮到故障發生的具體位置，故障類型共有F0～F9共10種，其中，F0為主速丟脈沖，F1為備速丟脈沖，F2為3路速度通道公共部分故障，F3為主速通道虛接，F4為備速通道虛接，F5為V0通道虛接；F6為V1通道虛接；F7為主速斷軸；F8為備速斷軸；F9為正常。圖5給出本文的故障診斷流程。

實驗共有108組數據樣本。首先根據診斷流程判斷樣本是否發生丟脈沖以及速傳通道公共部分故障，實驗結果是將F0、F1、F2共12組故障數據全部被正確識別。接著，將剩余的96組數據樣本(其中包括正常樣本40組，速度通道虛接樣本33組，速度傳感器斷軸數據樣本23組)計算相應的特征向量，進而輸入WKNN分類器進行故障診斷。實驗采用3折交叉驗證的方式進行，即：將數據集隨機分成3個子集，每次任取其中的2個子集構成訓練數據集，剩下的1個子集便是測試數據集，總共進行3次測試，實驗結果取3次分類實驗結果的平均值。分類器K值的選擇是在交叉驗證的基礎上，選取使得WKNN分類器分類正確率最高的K值。WKNN分類器分類正確率隨K值的變化情況見圖6。

根據K值實驗結果，選取K值為2進行實驗。表2是不同故障類型的WKNN診斷準確率表。

表2 不同故障類型的WKNN診斷準確率表 %

為了綜合評價WKNN分類器的故障診斷效果，以分類器故障診斷平均正確率、召回率以及分類器故障診斷時間為指標進行評判。表3為實驗結果。

表3 WKNN分類器故障診斷評價指標

從表2、表3可見，利用WKNN分類器進行故障診斷取得了較好的診斷效果，每種故障類型的故障識別率均在70%以上，WKNN分類器故障診斷平均正確率達到93.75%，故障診斷過程能夠在很短的時間內達到較高的故障識別率以及故障召回率，較人工分析LKJ數據查找故障的傳統方式，提高了故障查找與定位的效率。

4 結束語

本文針對目前人工利用LKJ數據查找機車速度傳感器故障這一傳統方式，存在故障查找時間長、分析數據時易出錯以及高度依賴于分析人員的現場經驗等弊端，提出利用加權K近鄰分類器自動根據LKJ數據對機車速度傳感器進行故障診斷。通過對速度傳感器各種故障原因的分析，結合現場專家經驗，并根據對LKJ數據進行數據分析的結果，整理得到本文的故障特征向量。最后，應用實際數據在WKNN分類器上的診斷結果表明，該方法具有較高的故障診斷識別率、能夠在很短的時間內快速、準確地定位故障，較目前人工分析LKJ數據進行故障診斷的操作提高了故障診斷的效率。如何進一步根據LKJ數據提取出對故障診斷更為有效的特征向量是下一步工作的重點。

參考文獻：

[1] 楊志剛.LKJ列控技術與應用[M].北京:中國鐵道出版社,2012:1-2.

[2] 陳巧燕.幾種典型速度的LKJ文件分析及處理[J].鐵路技術創新,2012,(2):62-65.

CHEN Qiao-yan.Analysis and Processing of Several Kinds of LKJ Files Relating to Speed[J].Railway Technological Innovation,2012,(2):62-65.

[3] 左申兵,丁伯奇.運用機車監控裝置記錄的信息判斷設備故障[J].機車電傳動,2002,(5):53-54.

ZUO Shen-bin,DING Bo-qi.Judging Fault State of Devices by Using Information Recorded by Locomotive Supervise Apparatus[J]. Electric Drive for Locomotives,2002,(5):53-54.

[4] 申秋發. 巧妙運用LKJ數據發現車載設備質量問題[J].鐵道通信信號,2012,48(12):34-36.

SHEN Qiu-fa. Finding out Quality Problems of Equipments on-board by Using LKJData[J]. Railway Signalling and Communication, 2012,48(12):34-36.

[5] 周桂法,王堅.基于神經網絡的機車速度傳感器故障診斷方法研究[J].機車電傳動,2010,(1):36-38.

ZHOU Gui-fa,WANG Jian. Research on Locomotive Speed Sensor Fault Diagnosis Method Based on Neural Network[J].Electric Drive for Locomotives,2010,(1):36-38.

[6] 鄭繼東. LKJ速度傳感器自動轉換裝置的改進設計[J].機車電傳動,2013,(1):92-96.

ZHEN Ji-dong. Improved Design of Automatical Switch Device of LKJ Speed Sensor[J]. Electric Drive for Locomotives,2013,(1):92-96.

[7] YANG Qiang,WU Xin-dong. 10 Challenging Problems in Data Mining Research[J]. International Journal of Information Technology and Decision Making,2006,5(4):597-604.

[8] 夏利民,谷士文,寧國英.基于小波包分析的貨車滾動軸承故障診斷[J].中國鐵道科學,2002,23(6):60-64.

XIA Li-min, GU Shi-wen, NING Guo-ying.Fault Testing on Rolling Bearing of Locomotive Freight Car Based on Wavelt Packets Analysis[J].China Railway Science,2002,23(6):60-64.

[9] 劉凡, 張昀, 姚曉, 等. 基于K近鄰算法的換流變壓器局部放電模式識別[J]. 電力自動化設備, 2013, 33(5): 89-93.

LIU Fan, ZHANG Yun, YAO Xiao, et al.Recognition of PD Mode Based on KNN Algorithm for Converter Transformer[J]. Electric Power Automation Equipment, 2013, 33(5): 89-93.

[10] 郭躬德,黃杰,陳黎飛. 基于KNN模型的增量學習算法[J].模式識別與人工智能,2010,23(5):701-707.

GUO Gong-de, HUANG Jie, CHEN Li-fei.KNN Model Based Incremental Learning Algorithm[J]. Pattern Recognition and Artificial Intelligence, 2010, 23(5): 701-707.

[11] 朱明旱,羅大庸,易勵群.一種序列的加權KNN分類方法[J].電子學報,2009,37(11):2584-2588.

ZHU Ming-han, LUO Da-yong, YI Li-qun. A Sequential Weighted K-Nearest Neighbor Classification Method[J].Acta Electronica Sinica,2009,37(11):2584-2588.