基于隨機森林的動車組軸溫故障識別

張士存 張杜瑋 顧佳

摘 要：隨著高鐵的高速發展，動車組運行安全面臨越來越大的挑戰，作為動車組重要組成部分的轉向架受到的關注日益增加。本文利用隨機森林算法根據動車組軸箱的溫度識別軸箱是否故障，及時提醒動車組司機和隨車機械師確認并進行降速等處置措施，保障列車運行安全。

關鍵詞：動車組；軸箱溫度；隨機森林；故障識別

中圖分類號：TP333.35 文獻標識碼：A 文章編號：1671-2064（2018）08-0050-02

近些年，我國的高鐵事業得到迅猛發展，技術越來越成熟，速度越來越快，特別是我國自主設計研發的‘復興號動車組更是以350km/h速度試運營，如何保障列車安全運行成為極其重要的挑戰。動車組轉向架在列車運行過程中起承載、轉向、緩沖、牽引、制動等作用，它的各種參數直接決定了列車的穩定性和舒適性[1]。而高速列車軸箱軸承是高鐵轉向架的關鍵部件，其性能好壞直接影響列車的安全行駛，經過以往研究發現軸箱發生故障后直接表現是其溫度異常變化，通過實時監測溫度的異常溫升等變化情況，可以對列車軸箱故障進行預警，保障列車運行安全[2]。

1 隨機森林簡述

隨機森林算法是機器學習中最具有廣泛影響力的算法之一，它不僅應用于分類還能進行回歸預測，也可以用來聚類，它適合多個特征變量，且變量之間可以是多重共線性的，不會出現過擬合，適合大樣本數據訓練，可以并行執行，比神經網絡時間復雜度小。

優點：（1）在數據集上表現良好，隨機森林不容易陷入過擬合；（2）隨機森林具有很好的抗噪聲能力；（3）它能夠處理很高維度的數據，并且不用做特征選擇，既能處理離散型數據，也能處理連續型數據；（4）訓練速度快，可以得到變量重要性排序；（5）可以并行計算；（6）實現比較簡單。

2 動車組軸箱故障預警模型

動車組列車中，轉向架是重要組成部分之一，軸箱是轉向架的關鍵部位，本文的目的是通過列車基本數據和軸箱溫度數據對列車運行過程中軸箱故障進行識別和報警。

2.1 建模思路

列車原始數據中，沒有真正發生故障的數據，在只有正常樣本的情況下，只能對列車在正常運行時的軸溫建模，得出軸溫的模型值，當軸溫實際溫度與模型溫度值差異大時認為軸溫所在軸可能出現異常，進一步檢測后續軸溫狀況，差異值繼續增大，可認定軸溫異常所在軸發生故障。建模思路如圖1所示。

（1）將所得數據提取特征，進行建模，利用回歸模型回歸一條標準曲線得出列車在正常時的模型。（2）根據模型誤差，確定上下容忍邊界，在實際溫度在邊界內的認為是正常值，否則為異常值。（3）確定預警值，監測到異常點溫度連續超過標準曲線累計達到某一值，認為預警值。

2.2 實例建模

2.2.1 樣本說明

抽樣選擇某車型某段時間的全量數據，數據包間隔30秒，樣本數共428732例，模型交叉驗證訓練集和測試集按照0.7比例劃分。驗證樣本數據：選擇某車（車內預警）樣本，樣本數共3658例。

2.2.2 數據預處理

（1）數據清洗。剔除掉樣本數據中重復數據和無效數據。（2）數據標準化。樣本各指標的單位不同，為消除量綱影響，對數據進行標準化，所采用方法為最小—最大規范化：

其中νi代表標準化后的新數據，max和min分別代表原始指標數據中的最大值和最小值，νi表示原始指標數據。

2.2.3 建模結果

（1）回歸模型。評價回歸模型的指標主要有R2，RMSE（均方根誤差），R2代表模型擬合的好壞，越接近1，表示模型擬合越好；RMSE（均方根誤差），代表真實值與預測值之間的誤差，RMSE越小，表示真實值與預測值差距越小，預測效果越準確。隨機森林回歸結果R2=0.92，RMSE=6.235。在采用隨機森林回歸建立列車運行正常的軸溫模型建立之后，真實值與模型值差的絕對值的最大值為閾值，因此，模型的容忍邊界設定為[-8，8]。落在上邊界外認為異常，在測試樣本中，回歸模型識別的異常點如圖2所示：異常溫度值發生部位為8位軸端，共288個，顯而易見尖峰點為傳感器誤報，其余發生在后半段，異常軸溫與回歸模型差距逐步拉大，需要選擇過濾規則。（2）過濾模型。過濾模型規則：溫升：軸溫上升趨勢越高，差值越大，發生故障風險越大，10min不間斷溫升大于7。軸端溫升：軸端相對外溫溫升大于78（根據附錄數據探索得出），排除外溫影響。過濾后的異常數據如表1所示：過濾后的數據比車上預警時間提前了5分鐘，但是預警點多了6個。

3 結語

預警的控制策略是軸端溫度大于閾值，本文認為只靠軸溫值大于閾值來判定預警是不合理的，本模型認為預警需要綜合考慮。在本文中通過隨機森林回歸擬合軸溫，找出異常溫度值后結合外溫、不間斷溫升來定故障點是可行的，在后續數據本身質量和模型仍需近一步優化。

參考文獻

[1]尹懷仙，王凱，張鐵柱，等.基于PSO-BP神經網絡的城軌列車轉向架輪對軸箱故障預測[J].復雜系統與復雜性科學，2015，（4）：97-103.

[2]湯武初，王敏杰，陳光東，等.高速列車故障軸箱軸承的溫度分布研究[J].鐵道學報，2016，（7）：50-56.