動車組WTDS軸溫數據的深度挖掘及應用

章天宇，荊玉山，王淏澤，王悅東

(1.中國鐵路呼和浩特局集團公司，內蒙古 包頭 014000；2.中國國家鐵路集團有限公司，北京 100055；3.大連交通大學 機車車輛工程學院， 遼寧 大連 116028)*

自動車組車載信息無線傳輸系統(WTDS)被廣泛推廣應用以來，高速鐵路動車組的運營維護真正邁入了數據信息化時代.布置于動車組各系統的傳感器將列車實時狀態數據準確傳輸到車內控制單元及地面監控系統，為動車組的運營維護提供了可靠的數據支撐[1-2].

輪對軸承作為高速鐵路動車組走行部的重要組成成分，其運行狀態的好壞直接影響著動車組的行車安全.然而在對動車組運營單位的實際調查研究中發現，WTDS中對于軸溫的監控僅限于將運行途中采集的散點數據呈現給工作人員，并將當日運行途中的峰值溫度加以標注，這就導致在運行途中發生熱軸、燃軸等突發故障時，留給應急人員的反應時間十分短暫[3-4].因此，若能基于WTDS接收到數據，通過建立適宜分析預測方法，預判峰值溫度及出現時間，即可以有效解決上述問題.本文針對WTDS軸箱溫度數據，設定更全面的閾值線，采用標準曲線比樣法以及多元非線性回歸算法等數學方法，進行數據的深度挖掘，建立軸溫數據分析預測模型，作為WTDS的補充應用. 并以CRH5A型動車組實際軸溫數據為例， 驗證了模型的準確性，明確了其應用價值.

1 軸溫數據分析預測模型的建立

本文針對WTDS接收的軸溫數據，建立數據分析預測模型.通過采用標準曲線比樣法對動車組運行當日的軸箱溫度數據進行趨勢對比，對軸箱的隱性故障進行研判排查；通過采用多元非線性回歸算法構建軸箱溫度峰值預測模型，對次日上線的動車組的軸箱溫度情況進行準確的把握.

1.1 軸溫標準曲線的構建

通過對動車組WTDS軸溫數據的長期調查研究發現，同一車組運行同一交路時，其運行途中軸溫的走勢保持穩定.隨著外界環境的變化，軸溫的走勢會有小幅度的上下波動，但總體趨勢仍保持不變.因此根據動車組軸溫運行走勢的穩定特性，可以構建軸溫的健康走勢曲線(即標準曲線)，在標準曲線建立完善后，通過對比運行曲線與標準曲線，即可對動車組軸箱有無故障進行定性研判.

在WTDS采集的軸溫數據中，傳輸間隔頻率時有差異且存在因傳輸頻率不穩定或因網絡問題

造成的數據流斷點，這就導致數據的離散型差異較大.而建立標準曲線時，需要保證數據的連續性，無法直接將采集到的歷史數據進行擬合計算.本文使用樣條插值將離散型數據轉化為可用于擬合的連續運行曲線.為減小使用低階多項產生的插值誤差，本文采用三次樣條建立運行曲線.對于某運行時段中采集的n+1個軸溫離散數據{xi}，使用n段三次多項式在采集到的數據點之間構建一個三次樣條[5-7].

對于n組軸溫運行曲線，其標準曲線g可用式(1)、式(2)所給的方程構建：

(1)

(2)

考慮到數據量的積累及季節變化等因素對動車組軸溫的影響，標準曲線需不斷的進行更新，更新的標準曲線記為gn+1，則有：

gn+1=hn+1·[g(x)·hn+fn(x)]

(3)

將新采集數據轉化為運行曲線后，考慮天氣等外界因素對動車組軸溫的影響，建立對比運行曲線f0，對比運行曲線f0與標準曲線的吻合度ε可用式(4)和式(5)表示，其中，w(x)為天氣等外界因素對運行曲線影響的比例系數.w(x)是本文通過采集大量動車組數據與標準曲線擬合得到的經驗參數，w(x)的取值見表1.

f0(x)=f(x)·w(x)

(4)

(5)

表1 w(x)參數取值

1.2 軸溫預測模型的建立

如果動車組運行途中軸溫過高，出現熱軸、燃軸、切軸等情況，則需進行停車檢查，會對行車組織造成比較嚴重的影響.因此本文以動車組運行中軸溫峰值溫度作為預測的目標函數，采用多元非線性回歸算法建立預測模型.考慮到軸箱溫度傳感器或者網絡故障引起的軸溫突變會對函數的擬合結果造成精度缺失，進行預測分析前需對WTDS采集的軸溫數據進行數據清洗[8-10].

(6)

則對于采集的軸溫數據tmax進行剔除，對剔除后的n-1個運行數據進行重新清洗，將滿足條件的tmax作為軸溫峰值y.

對于清洗后的n組軸溫峰值yn及其k個影響因子xk，構建多元非線性回歸方程[11]：

其中,βi為軸溫峰值各影響因子的回歸系數，μi為隨機擾動項.本文認為，運行中軸溫的峰值變化，是一個連續的，相互影響的過程，因此可以由前日軸溫的狀態，結合當日的運行實際對當日軸溫峰值進行表征.將動車組輪對軸承的檢修項目信息、運行線路狀況、行車信息、外界溫度、天氣狀況及前一天軸溫狀態作為軸溫峰值預測的影響因子，可以得到較為精準的預測結果.

為防止數據中存的離群值[12]xout(對應的殘差具有較大方差的值)降低預測精度，需對離群值xout進行剔除處理.對于n組軸溫數據yn，使用奈爾檢驗法檢驗離群值，則有：

(8)

(9)

(10)

對數據進行清洗后，由上述公式得到βi、μi，則預測值yn可以表達為：

(11)

2 軸溫數據分析預測模型的應用

本文以一組CRH5A型動車組為例，采集其自6月1日至8月31日以來的所有軸溫數據，運用分析預測模型，驗證模型的準確性.

2.1 標準曲線比樣法的應用

本文選取車組CRH5A-5051，采集了共76天的運行數據，按照不同的交路信息，構建了不同交路的標準曲線，其標準曲線如圖1所示.由圖1可知，同一動車組在不同的交路下其標準曲線是有著明顯的差別的.對于不同的天氣狀況因素，在構建標準曲線時，進行了比例系數的調整，降低了標準曲線構建時不同外界環境的干擾.

圖1 CRH5A型動車組軸溫數據標準曲線

建立標準曲線后，將每日的運行數據轉化為運行曲線后，與標準曲線進行對比.為說明本文模型的準確性和實際應用價值，本文選取了存在故障信息的運行數據.經過模型的分析處理(圖2)，可以看到在8月5日，8車6位軸箱存在著明顯異常，在運行當日始發后，溫度急劇升高，整個運行當日軸溫遠遠大于標準曲線所提供的標準值.然而對于WTDS的軸溫監控來說，其運行數據完全處于設定的閾值之下，并不會給工作人員提供相關的提示報警.經調查發現，動車組于運行前日進行了全列空心軸探傷作業，8車6位軸箱在空心軸探傷后未徹底清理耦合液，使得在空心軸內有大量耦合液殘留，致使運行途中8車6位軸箱異常溫升.

圖2 CRH5A型動車組軸溫數據分析結果

2.2 軸溫預測模型的建立

本文以上述的CRH5A型動車組的軸溫數據為基礎，驗證軸溫預測模型的準確性.通過對動車組軸溫數據的長期跟蹤分析，訓練擬合了一個相對精度滿足使用要求的預測模型，其預測結果與真實結果的對比見圖3.由圖3可知，本文以6月1日的軸溫峰值數據作為預測模型的訓練初始值，設定初始預測值為0，對預測模型進行訓練迭代.在6月1日～6月11日之間，軸溫峰值的預測結果與實際值有較大的差距，這是由于在初始訓練階段，影響因子的系數βk的個數k大于回歸方程的個數n，在回歸分析中，影響因子的系數βk存在空值，因此對于牽引電子的預測結果yn+1呈現著跳動的不穩定性.隨著數據的不斷積累，可用于歸回的方程數目不斷的增加，影響因子的系數βk的空值漸漸消除，預測值也逐漸向真實值靠攏.由圖4可知，數據經過不斷的積累訓練之后，預測精度可達90%以上，隨著數據的進一步積累，預測精度仍然會有一定的提升.

圖3 CRH5A型動車組軸溫數據預測結果

3 結論

本文基于WTDS傳輸的數據，建立了一種軸溫數據分析預測模型，填補了WTDS在隱性故障研判及數據預測分析上的空白.本文建立的軸溫數據分析預測模型結合WTDS 數 據 實時傳輸， 可

以有效的預防動車組軸箱故障，并為實際生產提供更合理準確的數據支撐.

(1)本文通過標準曲線比樣法建立了一種軸溫分析模型，通過對比每日的運行曲線與標準曲線，可以準確的對軸箱的隱性故障進行研判.通過選取的一組CRH5A型動車組的驗證，表明了標準曲線比樣法建立的分析模型具有一定的生產使用價值;

(2)本文通過多元非線性回歸算法建立了軸溫數據的預測模型，通過對CRH5A型動車組軸溫數據的長期積累和分析，擬合出了滿足生產實際要求精度的預測模型.經過76天的數據積累，實現的預測精度可達90%以上，并且隨著數據量的不斷提升，預測精度仍可進一步提高.