基于神華貨車狀態檢修技術架構模型分析

卓 卉，喬志剛

(1.國家能源投資集團有限責任公司科技部，北京 100001；2.北京京天威科技發展有限公司，北京 100085)

神華鐵路絕大部分運營列車均為重載煤炭運輸列車，部分列車為煤礦等機構使用的建材或者鋼材等。這些列車載重較大，車速略低于普通列車，車輛調度管理難度大。相關研究中，從列車實時報送信息中獲得數據規律，根據規律的深度挖掘結果產生列車狀態的領先特征數據。

基于列車軸溫數據、制動氣壓數據、車速-油耗對照數據等建立加權指標預警機制；原始序列、差值序列等不同數據序列處理方法得到的線性離散數據矩陣，使用傅里葉變換獲得其周期規律，使用移動窗口法獲得振幅、頻率的相關信息并對這些信息執行線性回歸，從而獲得一組貨車狀態的綜合評價因子，然后對這些因子構建加權整合因子，得到更為精確的貨車運行狀態。該研究提出的貨車狀態評價算法可以更為精確的反映貨車實際狀態。

1 貨車狀態數據的產生機制

該研究中重點考察3列數據，數據均由列車實時監測系統通過車載物聯網報送到數據中心機房，其中的數據產生機制如下：

1.1 軸溫數據、制動氣壓數據

軸溫數據、制動氣壓數據，均來自特定探頭的時序數據，這些數據無需進行前置數據處理，數據的量綱和值域可以通過線性重投影算法執行歸一化處理。線性重投影指歷史最大值與歷史最小值的差值記為A值；當前值與歷史最小值的差值記為B值，將B/A的結果作為重投影結果值。經過重投影后，所有序列數值均取消了量綱，且值域控制在了[0,1]。

1.2 車輛油耗

車輛油耗可以反映出機車的牽引性能，此時需要獲得不同車速條件下的油耗狀態。即單位距離下油耗與車速的比值，原始量綱為t/s，即t/m與m/s的量綱比值；同樣采用線性重投影法獲得去量綱數據。

1.3 數據的關聯性

軸溫數據可以反映出貨車結構的扛負荷能力，與車輛結構力學相關的故障可以在數據中直觀展示；制動氣壓數據可以反映出貨車壓氣系統的氣密性狀態，與車輛運行安全保障和系統穩定性相關的故障可以在數據中直觀展示。車輛油耗可以反映出貨車機車的牽引效率，機車系統故障可以在數據中直觀展示。上述數據還可以產生低信噪比的其他故障，如貨車運行阻力系數對油耗、軸溫等均會產生影響，壓氣系統氣密性也可以反映出其他控制系統的相關故障。

2 貨車狀態加權因子的提取算法

上述3個數據序列提取加權因子的算法流程相同，此處僅討論線性離散序列數據的因子提取方案。在原始序列中劃分移動窗口，將原始序列的可挖掘特征構成重組序列，具體如圖1所示。

圖1 重組序列的構建算法分解圖Fig.1 Decomposition diagram of construction algorithm of recombination sequence

由圖1可知，移動窗口的規模如果過小，則難以獲得較長周期內的數據變化規律；移動窗口的規模如果過大，則早期數據將會對實時數據產生干擾。所以，一方面通過后置數據挖掘算法增加數據的敏感性；另一方面窗口規模應控制在合理范圍內。參考相關文獻的研究成果，每隔10個數據周期提取一次移動窗口，每個移動窗口前推200個數據周期，即每個移動窗口新增10個新產生數據，且移動窗口包含190個之前數據。每個移動窗口的數據，使用差值序列法生成原始序列和差值序列的2個平行序列，每個序列分別使用算數平均數法、線性回歸法、傅里葉變換法獲得4個輸出數據(2列數據共8個輸出數據)，其中傅里葉變換法的輸出數據為最大振幅表現下的特定頻率下的振幅積分值，多個移動窗口輸出的對應輸出數據構建出對應的重組序列。

對每個重組序列執行一次線性重投影，在對其進行線性回歸，得到對應的截距數據和斜率數據；再對截距和斜率數據執行一次線性重投影，獲得截距和斜率的值域同構化整理數據。斜率加權因子設定為0.85，截距加權因子設定為0.15，對8列數據分別進行加權充足后，按照下述方案進行因子加權處理，具體如圖2所示。

圖2 加權因子的加權系數分配表Fig.2 Distribution table of weighting factors

由圖2可知，重組序列的斜率和截距數據經過加權整合后的振幅、斜率、截距、均值4個結果，分別按照0.60、0.18、0.07和0.15的加權因子進行加權處理，形成原始序列產生的原始因子、差值序列產生的差值因子；然后，分別再使用0.75、0.25的加權因子進行第3層加權，從而形成軸溫因子、氣壓因子、油耗因子3個評價因子。最后，在分別使用0.55、0.20、0.25這3個加權因子再次進行第4層加權，從而獲得貨車系統的綜合評價因子。對軸溫因子、氣壓因子、油耗因子、綜合因子分別進行模糊矩陣處理，得到紅色、橙色、黃色、藍色4層預警機制并提供無預警狀態。模糊矩陣為二階原始數據、差值數據交叉矩陣，因為該模糊矩陣為常見模糊矩陣的基本形式，此處不展開論述。

3 算法效能仿真測試

綜合所述，該加權整合因子算法，除使用了二階模糊矩陣外，并未引入任何傳統意義的人工智能算法，所有算法模塊僅限于移動數據窗口、一維差值重組、線性重投影、線性回歸等傳統數據挖掘算法。這些算法模塊對系統算力要求較小，所以該算法同時管理神華鐵路上運行的數十列重載貨車時，響應速度極快及中央機房的算力設備占用量較少。

參考相關文獻中對同類分析需求提出的神經網絡算法、蟻群算法、超限學習機算法等，在Matlab環境中加載神華鐵路2020年全年所有列車的實時采集數據進行試運行仿真模擬，判斷4種算法在不同預警級別下的故障檢出率，得到如表1所示的結果。

表1 不同預警級別下故障檢出率比較Tab.1 Comparison of fault detection rate under different warning levels

由表1可知，本研究設計的加權因子算法相比較其他3種比較算法，除紅色預警的故障檢出率略高外，其他橙色、黃色、藍色預警的故障檢出率均無統計學差異；但研究設計的加權因子算法的無預警狀態時的故障檢出率顯著低于3種比較算法；加權因子算法無預警狀態的故障檢出率，為神經網絡算法的8.65%，為蟻群算法的7.84%，為超限學習機算法的9.82%。究其原因，3種比較算法均依賴于機器學習的數據判斷，而該算法屬于剛性數據分析算法，該算法更貼近系統的實際表現。

因為前文假設中提出該算法對硬件算力的需求較低，所以在Matlab仿真驗證過程中將所有預警的反饋時間限定在190～200 ms，比較運行4種算法所需的算力硬件，比較結果如表2所示。

表2 不同算法的算力硬件需求量比較Tab.2 Comparison of computing power and hardware requirements of different algorithms 臺

由表2可知，相關算力設備均在IBM架構服務器平臺上構建，所有背板帶寬均為40 Gbps，主板總線結構均完全一致，因為原始數據結構一致，所以該比較過程并不包含數據倉庫的數據容量設備，其中：GPU(graphics processing unit)為浮點處理器，用于運行浮點數據的計算線程，為2.4 GHz，16線程，128位處理器，CPU(central processing unit)為通用處理器；用于運行操作系統并驅動算力平臺，為2.0 GHz，8線程，64位處理器，SSD(Solid State Disk)為高速硬盤驅動器；用于存儲操作系統和應用程序數據，為1 TB大容量硬盤驅動器，RAM(Random Access Memory)為動態緩存器；用于支持GPU或CPU的高速數據緩存，為DDR4代1TB高速緩存器。綜合上述數據，發現在190～200 ms響應速度下，加權因子算法的實際算力設備需求遠低于3種比較算法。

4 結語

基于加權因子算法的重載貨車狀態預警算法，相比較相關研究中普遍使用的神經網絡算法、蟻群算法、超限學習機算法，在紅色預警狀態下擁有更高的故障檢出率；在無預警狀態下擁有更低的故障檢出率，且在190～200 ms響應速度需求下，其實際算力硬件需求遠低于上述3種比較算法。表明該加權因子算法適用于神華鐵路的重載貨車狀態監測預警系統。