基于大數據的動車組故障診斷方法研究

王春雨

摘要：在動車組的全生命周期內，由于動車組整體結構的復雜性，運行環境的多樣性以及內部零件承受載荷的不同，部分零件出現損失以及發生故障是在所難免的。及時發現故障發生的部位、時間以及原因，不僅可以預測機車車輛的早期事故，而且對行車安全和運行效果有著重要作用。本文基于?大數據的動車組故障診斷方法進行研究。

關鍵詞：大數據：動車組：故障診斷

1數據挖掘理論

1.1特征提取

特征提取就是通過對海量復雜的數據進行深度分析和挖掘，從這些原?始數據中提取出一些能夠描述對象的特征。在特征提取時，要盡可能多地?保留與分析對象相關的信息，與此同時，要盡可能地去除與分析對象不相關的信息，還要減少一些干擾所需特征的因素，并且反饋給數據分析模型，?使機器學習算法能夠向真值逼近。在進行大數據資源整合時，應該利用數?據關聯規則，找出與分析對象相關的數據，并將這些多個來源、多個維度的數據與分析對象聯系起來。除此之外，我們還需從歷史數據中提取與分?析對象對應的類別信息，給算法的訓練確立目標。

1.2Hadoop?平臺介紹

Hadoop?是一個由?Apache?基金會用?Java?編寫的開源分布式系統基礎構架。Hadoop?主要由數據倉庫工具（Hive）、分布式數據庫（HBase）、分布式文件系統（HDFs）和?MapReduce?引擎等幾個部分組成，其中，最基礎最核心的部分是?HDFs?和?MapReduce。HDFs?一般位于最底部，用來儲存所有位于節點上的文件，它具有高度容錯性，對硬件的要求不高，可廣泛地用于各種廉價的硬件。除此之外，它以流的形式訪問應用程序中的數?據集，可以提高整個系統數據的吞吐量。因此，在處理大數據集的時候是非常合適的。MapReduce?是一個軟件框架，主要用于海量數據的并行計算，?其過程主要包括映射（Map）和化簡（Reduce），計算時，先把總的計算任務分配到集群的各個節點上，進行多節點計算，然后合并各個節點的計算結果，從而得到最終的計算結果。并行計算時，無論是任務調度、負載均衡還是容錯處理，均有一個簡單的編程模型即可完成。

2轉向架軸承故障檢驗原理和方法

檢驗高速動車組轉向架軸承故障的手段眾多，但當前運用的比較多的是脈沖法和共振解調法。沖擊脈沖軸承故障檢驗方式實際上通過滾動軸承滾道上的剝離區域兩兩沖擊所形成的能量來診斷軸承的故障。高速動車組的軸承滾動體碰撞滾道上剝離的尖銳部位時會出現極為強烈的彈性波，通過軸承固定座把此彈性波輸送給傳感器。若在軸承的滾道發生剝離程度較為顯著時會形成高幅值的沖擊脈沖，且這一沖擊脈沖的范圍相對較寬，其中含有很多的高頻能量分量，沖擊脈沖的幅值和滾動體相對剝離位置與速度相關。在使用此方式的過程中須搜集軸承運作中所形成的波動信號，并于搜集之中使用帶通濾消除其中的中低頻干擾信號，再運用數字包絡技術取得特征信號，進而辨識出軸承的運作情況。

3應用與檢修

為了有效地監測和控制軸承故障，在高速動車組轉向架軸承運行性能的實際監測和日常維護中，務必要落實好如下幾個方面的工作：

3.1要不斷提高高速動車組機械工程師判斷高速動車組轉向架軸承故障的能力，以便及時監測和判斷高速動車組軸承組的運作實況，重點監測軸承運行中頻繁故障的范圍和位置;此外，根據以往軸承故障診斷的經驗，?可以開發出有關的軸承故障聲音特征，使機械師可以更加及時、準確地確?定高速動車組運作中的軸承故障。

3.2可以選擇運用追蹤檢測的方式。這就要求機械師對高速動車組中滿足檢測條件的軸承編制和其相適應的軸承運作實況測試方案，應于規定的時間內診斷和一一檢查高速動車組轉向架的軸承，如此一來便可以提早且及時地察覺到軸承的初期故障，從而編制出軸承故障的跟蹤辦法。

3.3適當優化高速動車組的轉向架裝配技術。由于在軸承的高速運轉之后會產生某些問題。在這一基礎上，這就要求對軸承的裝配過程以及設備的可行性等皆做全方位的檢查，以至于很好地避免裝配過程中所導致的軸承表層損壞。還應該關注的是，就現今的高速動車組轉向架軸承故障診斷結果分析而言，當前多使用測試及診斷方式仍只能判斷軸承所有部件發生剝離故障，但是，剝離失效后的剝離長度以及剝離深度等維度的具體判?斷信息無法明確界定，也無法對故障發生部位失效后的運行狀態進行合理的推理和預測，需要進一步研究。

4基于?Hadoop?的動車組故障診斷方案的分析和設計

4.1需求分析

1）隨著動車組技術的日趨成熟，動車組的車型也越來越多，動車組車載故障診斷系統也積累了海量的監測數據，監測數據的快速增長的同時，?也給動車組故障診斷與在線狀態監測帶來了嚴峻的考驗，挖掘和運用隱藏?在這些數據背后的價值，這對于動車組的主動運維服務是十分必要的。

2）在處理海量的監測數據時，傳統的數據挖掘算法的弊端也漸漸暴?露了出來，不僅精確性得不到滿足，效率、擴展性、健壯性也達不到要求，?這就使得傳統的數據挖掘算法不能高效應用于動車組故障診斷與狀態監測中，因此，我們需要一種能克服這些缺點的算法。

4.2方案設計

本文對動車組海量的故障診斷和狀態監測數據進行處理和計算，通過?深度學習形成動車組故障診斷模型，提高故障診斷的精確性，包括故障發生的時間、部位以及原因等，擴大故障診斷的范圍，實現故障的綜合診斷。?下面詳細介紹該方案，方案系統框架如圖?2?所示：

1）數據預處理模塊。動車組故障診斷和在線狀態監測數據來自多個數據源，包括觀測數據、分析測定數據、統計調查數據等，通過預處理，?可將這些來自多個數據源或者數據庫的數據按任何所需的方式進行合并或聚合，將預處理后的結果放人HDFs?中，用于數據的分類預測。

2）數據的儲存和計算。在使用?HDFs?模塊來儲存故障診斷數據時，因為?HDFs?的特點，非常適合處理大數據集，可以為故障診斷數據的處理提供保障，除此之外，HDFs?還提供了多種訪問接口，可以對數據進行查看、儲存和下載。在數據處理的過程中，通過?MapReduce?計算模塊，將計算任務分配到?Hadoop?集群中的各個節點，同時將各個模塊的數據交互聯系起來，通過抽象出的?Map?/?Reduce?等編程接口可以快速實現各種算法的并行化，提高了數據運算效率。

結束語：隨著傳感器、大數據、物聯網和云計算等技術的發展和應用，?我國動車組列車將實現故障綜合診斷，故障診斷的效率將得到大幅度的提?高，綜合運營管理水平也將更上一個臺階。

參考文獻

[1]賈利民，秦勇，李平.新一代軌道智能運輸系統總體框架與關鍵技術[J].中國鐵路，2017（4）：14?_?19

[2]宋龍龍.基于非規范知識處理的高速列車綜合智能故障診斷方法研究[D].北京：北京交通大學，2016