基于流計算的高鐵牽引變電器多工況機理模型研究

趙 珂，彭清暢，姜喜民，劉光俊

?

基于流計算的高鐵牽引變電器多工況機理模型研究

趙 珂1，彭清暢2*，姜喜民2，劉光俊2

（1. 昆明理工大學(xué) 城市學(xué)院，云南 昆明 650051；2. 中車青島四方機車車輛股份有限公司，山東 青島 266111）

隨著高鐵線路的增多，高鐵運行故障監(jiān)控和預(yù)警尤為重要。其中高鐵牽引變電器的故障預(yù)測因受多工況、運行交路狀況、檢修記錄等因素影響，難以實現(xiàn)單一機理模型準(zhǔn)確預(yù)測。本文提出了一種基于流計算的高鐵牽引變電器多工況機理模型，在高速運行的高鐵中可以實時實現(xiàn)牽引變電器故障監(jiān)控和預(yù)測。實際運用表明，該方法有效提高了監(jiān)控故障準(zhǔn)確率和預(yù)測故障的成功率。

流計算；牽引變電器；多工況；機理模型

0 引言

高鐵的牽引變電器裝載于中國標(biāo)準(zhǔn)動車組3、6車車下設(shè)備艙內(nèi)，功能是把受電弓從接觸電網(wǎng)上取得的25 kV高電壓降至供低壓電器使用的1900 V低電壓[1]，這個過程會導(dǎo)致牽引變電器發(fā)熱，需要冷卻系統(tǒng)進行降溫。目前牽引變電器冷卻系統(tǒng)監(jiān)控主要通過監(jiān)控入口風(fēng)溫度、冷卻出口油溫、風(fēng)機電流、風(fēng)機電壓等傳感器實現(xiàn)[2]，車載監(jiān)控系統(tǒng)只能監(jiān)控冷卻系統(tǒng)高溫故障，誤報率較大，也無法實現(xiàn)故障預(yù)測。為提高牽引變電器的冷卻系統(tǒng)的故障監(jiān)控準(zhǔn)確度和實現(xiàn)故障預(yù)測，需結(jié)合高鐵其它子系統(tǒng)的工況傳感器，組合多工況進行大數(shù)據(jù)聯(lián)合監(jiān)控。

高鐵牽引變電器的散熱系統(tǒng)進行多工況監(jiān)控，需從風(fēng)機電流、牽引負荷、列車速度、加速度、牽引變電器油溫、外溫、PM2.5、進風(fēng)口溫度等機理模型組合監(jiān)控，并在車載監(jiān)控平臺和線下大數(shù)據(jù)平臺進行流計算監(jiān)控。理想的多工況機理模型需各種算法算子對比訓(xùn)練才能得到，同時模型的精準(zhǔn)度也需要反復(fù)迭代訓(xùn)練大數(shù)據(jù)和實時調(diào)整流計算才能實現(xiàn)。

高鐵動車組每日需采集138億左右傳感器數(shù)據(jù)，要求監(jiān)控系統(tǒng)平均每秒需處理16萬工況數(shù)據(jù)，從中篩選出各種機理模型數(shù)據(jù)，還需對歷史數(shù)據(jù)進行聚合計算，因此流計算需大量資源才能保證牽引變電器多工況機理模型的計算效率。

1 牽引變電器降溫機理

牽引變電器冷卻系統(tǒng)是牽引外部空氣通過空氣過濾器后由牽引送風(fēng)機吸入并吹出冷卻風(fēng)，然后通過冷卻系統(tǒng)由排氣管道排出。冷卻介質(zhì)由循環(huán)水泵泵入牽引變電器內(nèi)部的逆變模塊、整流模塊、整流單元和輔變模塊，通過內(nèi)循環(huán)單元吸收熱量后經(jīng)出水口蝶閥進入散熱器，再通過水冷卻器與外界空氣進行熱交換，內(nèi)循環(huán)單元中被冷卻后的冷卻劑再由水泵泵入牽引變電器，如此循環(huán)實現(xiàn)變電器降溫。降溫流程如圖1所示。

圖1 牽引變電器降溫流程示意圖

牽引變電器冷卻機的散熱器安裝在高鐵底部，散熱器的冷卻效果取決于通過油冷卻器的進風(fēng)量大小。但進氣中含有細微粉塵、羽毛、樹葉等雜物，一旦吸附雜物堵塞進風(fēng)口，會減少散熱器的通風(fēng)量，降低散熱性能，容易導(dǎo)致牽引變電器發(fā)生高溫故障。同時附著在散熱器翅片表面的灰塵會增加翅片的熱阻，導(dǎo)致散熱器冷卻性能大幅下降。粉塵中的微小金屬長時間附著會造成散熱器鋁材隔板腐蝕穿孔，造成散熱器泄漏失效。

基于牽引變電器運行機理，分別測量牽引變電器散熱器相關(guān)技術(shù)指標(biāo)參數(shù)作為冷卻機理監(jiān)控的基本要素，使用方差斜率算法進行擬合出口油溫溫升監(jiān)控模型計算方程式：

2 高鐵傳感器數(shù)據(jù)處理

高鐵動車組的傳感器數(shù)據(jù)最大難點是高速運動的設(shè)備數(shù)據(jù)采集和傳輸?，F(xiàn)有動車組數(shù)據(jù)通過2 G/ 3 G/4 G網(wǎng)絡(luò)進行實時傳輸，約3~10 s進行一次網(wǎng)絡(luò)基站切換[4]。當(dāng)列車進入信號較弱或無網(wǎng)絡(luò)覆蓋的地方會導(dǎo)致數(shù)據(jù)傳輸?shù)难舆t，引起大數(shù)據(jù)流計算高吞吐量的異常變化。并且不同時期建造的高鐵其數(shù)據(jù)包大小和內(nèi)容都不同，數(shù)據(jù)包解析的靈活配置是數(shù)據(jù)實時預(yù)處理的關(guān)鍵。因此在多工況數(shù)據(jù)提取時需要靈活配置和調(diào)整才能減少流計算的程序開發(fā)工作量。

2.1 數(shù)據(jù)擬合與過濾

由于高鐵牽引變電器的數(shù)據(jù)存在噪音、突變、傳感器故障、干擾、調(diào)試等情況，導(dǎo)致很多機理模型難以準(zhǔn)確定位，因此需要將數(shù)據(jù)包進行數(shù)據(jù)與函數(shù)擬合，并通過傳感器數(shù)據(jù)和檢修記錄等對比分析后，梳理過濾規(guī)則提升數(shù)據(jù)質(zhì)量。此外，為減少牽引變電器的多工況干擾項和流計算機理模型推導(dǎo)和驗證，需對歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)包需要采用方差、均值、小波等聚合類算法進行擬合，還需使用多工況各種比值進行分析和數(shù)據(jù)擬合處理后才能提高故障預(yù)測精度。

2.2 歷史數(shù)據(jù)加工

高鐵牽引變電器機理模型設(shè)計需要相關(guān)工況的歷史數(shù)據(jù)，同時多工況機理模型變化時需要反復(fù)處理加工歷史數(shù)據(jù)，因此歷史數(shù)據(jù)只能保存最基本的單位轉(zhuǎn)換數(shù)據(jù)。牽引變電器故障預(yù)測受限于每列高鐵的工況變化，如果流計算使用單一數(shù)據(jù)包只能做閥值監(jiān)控，用故障預(yù)測誤差較大，因此需要將歷史數(shù)據(jù)累積成各種工況標(biāo)簽和擬合值，以降低實時流計算處理難度并提升運行效率。

因歷史數(shù)據(jù)面臨數(shù)據(jù)體量過大，運行效率低下，資源開銷大的情況，數(shù)據(jù)加工時間從高鐵日常檢修和運行交路起止時間段來切分，通常采用集群資源比較閑置的凌晨2點至5點進行歷史數(shù)據(jù)的加工和處理，這樣機理模型訓(xùn)練與模型推導(dǎo)既能保障流計算數(shù)據(jù)處理效率又能提升故障預(yù)測效果。

3 機理模型構(gòu)建方法

牽引變電器傳感器采集數(shù)據(jù)龐大，但每個傳感器都有一定的關(guān)聯(lián)機理，在牽引變電器上部署部分監(jiān)控算法，利用實時采集的數(shù)據(jù)包，基于大數(shù)據(jù)流計算進行模型構(gòu)建。

3.1 模型算法設(shè)計

濾網(wǎng)堵塞程度預(yù)測模型設(shè)計，采用牽引變電器油溫溫升與濾網(wǎng)堵塞面積百分比建立擬合函數(shù)方程式：

式中G為油溫方差溫升與進風(fēng)口堵塞面占比的擬合值，為進風(fēng)口堵塞面占比，為進風(fēng)口當(dāng)前堵塞面積，為進風(fēng)口面積。畫出油溫溫升數(shù)據(jù)擬合曲線見圖3，由圖可見擬合曲線的拐點是溫升上升速率最大點。

同時采用牽引變電器油溫和外溫差之差與濾網(wǎng)堵塞面積百分比建立擬合函數(shù)方程：

3.2 算法算子動態(tài)生效

在流計算中實時調(diào)整算法算子，需設(shè)置一個規(guī)則同步時間開關(guān)，流計算運行到該時間點時從配置數(shù)據(jù)庫中同步算法算子規(guī)則。按照統(tǒng)一的流式數(shù)據(jù)格式將測試無誤的算法算子封裝成jar包，在同步時進行動態(tài)裝載，可保障動態(tài)更新算法算子，也可以在流計算調(diào)試時通過降低同步時間開關(guān)間隔進行規(guī)則同步。

圖3 油溫差與濾網(wǎng)堵塞面積擬合效果圖

3.3 實時流計算

用分布式流計算引擎spark streaming進行封裝實現(xiàn)實時流計算[5-9]，程序業(yè)務(wù)流程如圖4所示。

圖4 Spark streaming程序業(yè)務(wù)邏輯圖

數(shù)據(jù)流進入spark streaming流計算程序中的關(guān)鍵業(yè)務(wù)邏輯之前完成數(shù)據(jù)篩選，減少無關(guān)數(shù)據(jù)量，提升程序運行效率。每種機理模型規(guī)則采用線程實現(xiàn)，提升機理模型的并發(fā)計算效率，按照spark流計算的批次處理原理，循環(huán)執(zhí)行計算輸出機理模型結(jié)果。

spark streaming程序需要使用spark-submit進行啟動，需以3~5秒/批進行調(diào)整執(zhí)行器數(shù)、執(zhí)行內(nèi)存和執(zhí)行CPU核數(shù)。

使用on-yarn模式，采用后臺nohup無控制臺日志運行格式如下：

./spark-submit

--class：入口主類

--master yarn：on-yarn模式

--deploy-mode cluster：集群方式

--num-executors：執(zhí)行器數(shù)

--executor-memory：執(zhí)行內(nèi)存

--total-executor-cores：執(zhí)行CPU核數(shù)

--driver-memory：驅(qū)動內(nèi)存

--jars：引用jar包

[程序參數(shù)]

3.4 數(shù)據(jù)鏈路

流計算程序考慮程序復(fù)雜度和數(shù)據(jù)分層共享等原因，將流計算數(shù)據(jù)流程鏈路設(shè)計為三層：第1層為原始數(shù)據(jù)流，第2層為解析后非結(jié)構(gòu)數(shù)據(jù)流，第3層為機理模型標(biāo)簽數(shù)據(jù)流。編寫三個流程序進行傳遞處理。每一層都進行寫入到hbase進行歸檔，在保障流計算不同層級的運算效率的同時又能保證流計算的穩(wěn)定性和完整性。

4 模型推導(dǎo)驗證

全國兩千多列高鐵因建造時間不同，車上傳感器種類不同、敏感性不同，采集的數(shù)據(jù)會存在差異。故每列車的機理模型還需根據(jù)具體列車特點推導(dǎo)、訓(xùn)練和驗證。選擇京廣線上1列標(biāo)動為例，根據(jù)交路工況特點在流計算中動態(tài)調(diào)整機理模型，進行數(shù)據(jù)和算法擬合驗證故障預(yù)測效果。

多工況機理模型需要采用高鐵運行速度 ≥330 km/s的相同情況下，在固定的運行交路進行推導(dǎo)和驗證。

4.1 外溫與油溫對照驗證

在速度勻速時，對不同時間段分析列車外溫對牽引變電器油溫的影響。數(shù)據(jù)分析采用該高鐵4月16日至22日運行數(shù)據(jù)，通過函數(shù)擬合得到溫升與新風(fēng)溫度對比情況，見圖5。

圖5 新風(fēng)溫度與溫升對比圖

圖中x軸為牽引變電器溫升發(fā)生頻次，y軸為溫度，數(shù)據(jù)對比分析新風(fēng)溫度（進風(fēng)口溫度）上升，而油溫沒有明顯上升，新風(fēng)溫度主要在20℃至35℃之間，從業(yè)務(wù)上了解到這列高鐵期間一直在北方初夏運行，所以新風(fēng)溫度不高。同時對比分析溫升擬合值在25℃附近±10℃波動。

進一步分析該列車在四季運行的新風(fēng)溫度機理，采用這列高鐵四季運行數(shù)據(jù)統(tǒng)計分析得到牽引變電器四季水溫擬合圖6。

圖6 進出口四季水溫圖

由圖可見不同季節(jié)牽引變電器進口新風(fēng)溫度分布明顯不同。由此可見列車季節(jié)性外溫對進出口水溫影響較大。在流計算中，需結(jié)合列車四季區(qū)間值進行數(shù)據(jù)過濾，減少單一閥值導(dǎo)致的故障誤報，提高故障預(yù)測準(zhǔn)確率，得到清理牽引變電器清潔周期方程為：

T=0′′（4）

式中T為季節(jié)清理周期，0為季節(jié)濾網(wǎng)清理周期，為季節(jié)影響因子，為相同溫度堵塞面積比。將（4）部署到流計算中，根據(jù)季節(jié)篩選出新風(fēng)溫度最大值，并將值作為故障預(yù)測的推導(dǎo)算法條件之一。

4.2 加速度與油溫增量驗證

在5月17日至27日，分別查看高鐵啟動階段的3分鐘、5分鐘與10分鐘階段的加速度與牽引變電器油溫溫升的關(guān)系，如圖7、8所示。

圖7 3 min與5 min油溫溫升散點分布圖

圖8 10 min油溫溫升散點分布圖

由圖可見時間窗口的加速度與牽引變電器溫升增量沒有線性關(guān)系，但從3、5、10 min圖中溫升逐步散開可以看出溫升與加速度的持續(xù)時間有一定關(guān)聯(lián)。利用這個關(guān)系在流計算中，過濾掉首次發(fā)車的冷車階段前10分鐘數(shù)據(jù)，重點關(guān)注之后溫升在4℃以上的數(shù)據(jù)，可以減少在加速度階段的實時數(shù)據(jù)誤報率。

4.3 模型誤差檢驗

使用一元線性分析方法[6]，對這列高鐵在5月7日至13日這一段時間內(nèi)數(shù)據(jù)，采用線性回歸算法對油溫與外溫的擬合值進行線性回歸統(tǒng)計分析得到表1和表2。

在線性回歸分析中，得到預(yù)測誤差值趨近于0。將一元線性回歸誤差值趨近為0的出現(xiàn)次數(shù)進行直方圖分析得到圖9。

由圖可見誤差值在±5之間，其誤差在較小的合理范圍內(nèi)。結(jié)合驗證結(jié)果，將誤差值按照參考值的+5在流計算中進行過濾，剔除誤差過大的擬 合值。

表1 線性回歸統(tǒng)計表

Tab.1 Statistical table of linear regression

表2 線性回歸分析結(jié)果表

Tab.2 Table of results of linear regression analysis

圖9 一元線性回歸誤差直方圖

5 迭代訓(xùn)練

機理模型訓(xùn)練需根據(jù)已發(fā)生故障的數(shù)據(jù)進行反復(fù)迭代訓(xùn)練和修正，大量算法與工況數(shù)據(jù)之間關(guān)聯(lián)關(guān)系也需要業(yè)務(wù)驗證和機理完善。選擇在4月22日發(fā)生了牽引變電器故障的高鐵，調(diào)取該高鐵上一次檢修牽引變電器的時間到該故障發(fā)生時間即3月8日到4月22日45天里該列車實際運行數(shù)據(jù)，進行進風(fēng)口溫度與進風(fēng)口溫差日均值趨勢分析得到圖10。

由圖可見在3月8日牽引變電器風(fēng)機濾網(wǎng)進行了一次日常周期性清理后，進風(fēng)口溫度和溫差都持續(xù)升高；到4月2日監(jiān)控系統(tǒng)預(yù)警報高溫故障，列車牽引變電器風(fēng)機濾網(wǎng)故障檢查發(fā)現(xiàn)進風(fēng)口堵塞嚴重，散熱器表面有灰塵，進行清理后故障排除。進風(fēng)口溫度回落。到4月22日牽引變電器報高溫故障，入庫檢查發(fā)現(xiàn)牽引變電器進風(fēng)口濾網(wǎng)臟堵，當(dāng)日進行清理后故障排除。調(diào)用多次類似數(shù)據(jù)后反復(fù)分析后推斷高溫故障出現(xiàn)概率在20日左右會發(fā)生進風(fēng)口濾網(wǎng)堵塞，因此建議將原來不定期清理的檢修規(guī)程調(diào)整為每間隔20日對牽引變電器進風(fēng)口進行一次定期清理，有效提高了檢修效率也避免了一定故障發(fā)生率。

此外，每日運行離線大數(shù)據(jù)程序生成牽引變電器的前60日溫差值、均值、最大值、最小值等聚合標(biāo)簽。流計算中的多工況機理模型直接采用每日離線計算的聚合標(biāo)簽進行計算的方法以降低實時流計算的計算資源。

6 結(jié)論

本文通過提取高鐵牽引變電器傳感器多工況數(shù)據(jù)進行了高溫故障機理模型迭代訓(xùn)練和推導(dǎo)，反復(fù)修正機理模型和參數(shù)，采用在流計算中動態(tài)部署機理模型的方式，并根據(jù)需要訓(xùn)練和調(diào)整模型，解決了流計算中的歷史數(shù)據(jù)實時聚合耗資源問題，也解決了流計算機理模型部署難的問題。基于流計算的高鐵牽引變電器多工況機理模型通過實際運行也取得了較好的故障及時監(jiān)控和故障準(zhǔn)確預(yù)測效果，在持續(xù)1年時間跟蹤分析1列高鐵在京廣線交路上運行情況，前期故障監(jiān)控和預(yù)測準(zhǔn)確率分別為88%和85%，后期經(jīng)過不斷迭代訓(xùn)練、優(yōu)化機理模型，故障監(jiān)控和預(yù)測準(zhǔn)確率都提升了近8個百分點。

圖10 進風(fēng)口溫度/溫差與故障關(guān)系圖

Fig.10 Relationship between fault and inlet air temperature/temperature difference

[1] 姜斌, 吳云凱, 陸寧云等. 高速列車牽引系統(tǒng)故障診斷與預(yù)測技術(shù)綜述[J]. 控制與決策, 2018, 33(5): 841-955.

[2] 曾云峰, 姚磊, 何凱等. 基于計算流體力學(xué)的電力電子牽引變壓器熱分析[J]. 大功率變流技術(shù), 2017, 4(1): 92-95.

[3] 王斌, 金福才, 謝玉霞. 一種基于流計算的鐵路車流推算架構(gòu)模型研究[J]. 鐵道運輸與經(jīng)濟, 2018, 7(40): 86-89.

[4] 王忠峰, 王富章, 孫華龍. 高鐵動車組WiFi運營服務(wù)系統(tǒng)服務(wù)質(zhì)量的測量與分析[J]. 電子技術(shù)應(yīng)用, 2018, 44(5): 77-81.

[5] 夏俊鸞, 劉旭暉, 邵賽賽等. Spark大數(shù)據(jù)處理技術(shù)[M]. 北京: 電子工業(yè)出版社, 2015.

[6] 李心愉, 袁誠. 應(yīng)用經(jīng)濟統(tǒng)計學(xué)[M]. 北京: 北京大學(xué)出版社, 2008.

[7] Xiaohui Jiang, Peng Hu, Yanchao Li et al. A survey of real-time approximate nearest neighbor query over streaming data for fog computing[J]. Journal of Parallel and Distributed Computing. 116(2018): 50-62.

[8] Jianfeng Xu, Duoqian Miao, Yuanjian Zhang et al. A three-way decisions model with probabilistic rough sets for stream computing[J]. International Journal of Approximate Reasoning 88(2017): 1–22.

[9] 趙永斌, 陳碩, 劉明等.流計算與內(nèi)存計算架構(gòu)下的運營狀態(tài)監(jiān)測分析[J]. 計算機應(yīng)用, 2017, 37(10): 3029-3033.

[10] 李斌, 李蓉, 周蕾. 分布式 K-means 聚類算法研究與實現(xiàn)[J]. 軟件, 2018, 39(01): 35-38.

Research on Multi Working Mode Mechanism of High Speed Traction Transformer based on Stream Computing

ZHAO Ke1, PENG Qing-chang2*, JIANG Xi-min2, LIU Guang-jun2

(1. City College, Kunming University of Science and Technology, Kunming 650051, China; 2. China Railway Rolling Stock Corporation Qingdao Sifang Co. LTD, Qingdao 266111, China)

With the increase of high-speed rail lines, monitoring and early warning of high-speed rail operation is particularly important. The fault prediction of high-speed railway traction transformer is affected by many factors, such as multi-working conditions, operation routing conditions, maintenance records, etc. It is difficult to achieve accurate prediction of a single mechanism model. In this paper, a multi-condition mechanism model of high-speed railway traction transformer based on stream computing is proposed, which can realize real-time fault monitoring and prediction of traction transformer in high-speed railway. The practical application shows that the method can effectively improve the accuracy of monitoring faults and predict the success rate of failure.

Stream computing; Traction transformer; Multi working mode; Mechanism model

TP273.5

A

10.3969/j.issn.1003-6970.2018.09.027

趙珂(1978-)，女，碩士，講師，主要研究方向：信號與信息處理、大數(shù)據(jù)挖掘；姜喜民(1979-)，男，本科，大數(shù)據(jù)主管，主要研究方向：信息化規(guī)劃、大數(shù)據(jù)架構(gòu)；劉光俊(1993-)，男，本科，助理工程師，主要研究方向：數(shù)據(jù)統(tǒng)計分析，大數(shù)據(jù)挖掘。

彭清暢(1985-)，男，本科，信息工程師，主要研究方向：軟件工程、大數(shù)據(jù)架構(gòu)。

本文著錄格式：趙珂，彭慶暢，姜喜民，等. 基于流計算的高鐵牽引變電器多工況機理模型研究[J]. 軟件，2018，39（9）：133-138