基于溫度特征的高鐵動車齒輪箱故障預測

文/王川 王偉 劉光俊

1 引言

國內外關于工業機械故障早有研究，主要對利用傳感器獲取的振動信號作特征提取，再結合神經網絡、支持向量機等學習算法進行故障預測。大部分采用振動信號作為分析源，但振動信號通過小波分析方法處理高速采集的振動信號與實際齒輪箱的運行狀態有較大差別，并且振動信號存在難以提取和外部干擾過多等缺陷。神經網絡和支持向量機建模是需要耗時的學習過程，且需要大量的正負樣本做支撐。對于故障樣本較少的情況下，上述兩種方法并不能很好的學習。

本文采用易于采集的齒輪箱溫度數據來分析齒輪箱故障，通過分析齒輪箱溫度、溫度變化趨勢、與同測點溫差，建立異常檢測模型得到溫度異常點，再通過分析異常點前十分鐘溫度趨勢和溫差趨勢，預測潛在故障，保障列車運行安全。

圖1：測試數據預測結果

圖2：過濾模型識別故障

2 異常檢測算法

2.1 Robust Covariance的基本思想

Robust Covariance基本思想是從總樣本n中隨機抽取h個樣本數據，并計算h個樣本均值T1和協方差C1，然后計算總樣本n個點到數據中心點T1的Mahalanobis距離，選出這n個距離最小的h個，再計算這h個樣本計算均值T2和協方差C2，不斷迭代下去，直到均值

T0和協方差穩定C0。分別計算n個樣本點的均值T0的Mahalanobis距離di，di服從卡方分布，d2～x2(v)，d 近似服從 N，根據高斯概率密度估算每個點被分配到重心的概率，概率越小，離重心越遠，越有可能是異常點。

2.2 模型構建

本文使用sklearn中算法包，構建基于Robust Covariance的齒輪箱異常檢測模型。

基于Robust Covariance的異常檢測模型：

算法：Robust Covariance

模型：EllipticEnvelope（contamination）.fit（X_train）

EllipticEnvelope（contamination）.predict（X_test）

輸入：contamination,異常數據比例；

X_train為訓練樣本特征，選取齒輪箱溫度，與同測點溫差，1min溫升；

X_test為測試樣本。

輸出：Y_predict,正常為1，異常為-1

3 故障預測實例

3.1 樣本說明

訓練樣本選擇：選擇某列車的2017年7月31號到2017年8月21號的數據，數據包間隔30秒，樣本數共480702例。

測試樣本數據：選擇某列車2017年8月2號和2017年8月3號的數據，樣本數共3775例。

3.2 異常模型驗證

用同樣的數據訓練4種異常檢測模型，LOF異常檢測測試結果較差（圖1左上），孤立森林會遺漏部分異常數據（圖1右上），One-Class SVM（圖1左下）和Robust Covariance（圖1右下）可檢測出所有真實異常數據，但也會過多檢測出部分非標記異常的數據，相較之下Robust Covariance檢測更適合。綜上，Robust Covariance模型較適用于齒輪箱異常檢測，從業務和模型綜合考慮，考慮使用過濾模型進一步確認齒輪箱異常數據。

3.3 故障過濾模型

與現有異常策略對比，異常檢測模型不僅檢測出了異常數據，同時也檢測出了一些非異常數據，過濾模型的目的主要是進一步確認異常檢測模型中檢測出的“異常”數據是否為真實異常。過濾模型規則：

10分鐘不間斷溫升：3min同側溫差的趨勢大于等于0，10min的累計趨勢大于10℃，否則為0。

同側溫差趨勢：3min同側溫差的趨勢大于等于0，10min的累計趨勢大于10，否則為0。

3.4 結果分析

綜合高斯密度異常檢測和過濾模型綜合挖掘，共3735例測試數據，共識別出異常11例,如圖2。

4 結論

（1）本文使用齒輪箱溫度及其衍生數據做齒輪箱故障預測，預測效果良好，大部分論文用齒輪箱振動信號的時域和頻域分析，忽略了齒輪箱溫度的數據。

（2）本文將齒輪箱溫度數據與異常檢測算法結合用于溫度異常檢測，再結合溫度趨勢和溫差趨勢的過濾規則模型，是異常檢測算法新的應用方式，實例故障分析，異常檢測算法在基于溫度的故障檢測應用中，效果良好。

參考文獻

[1]趙洪山,郭偉,鄧嵩.一種基于溫度數據的風機齒輪箱子空間故障預測方法.CN103743563A[P].2014.