基于轴温动态阈值的列车轴承故障预测

刘光俊 牟琳 张珍文

摘 要：随着我国高铁的飞速发展，列车运行安全面临日益严峻的挑战，列车转向架作为列车核心部件不允许出现问题，因此对列车转向架轴承故障预测具有十分重大的意义。本文研究基于轴温动态阈值的列车轴承故障预测，提醒列车相关人员进行关注并采取处置措施，保障列车运行安全。

关键词：轴温；动车组；动态阈值；故障预测

中图分类号：TH133.33 文献标志码：A

0 引言

在动车和高铁的运行过程中，列车转向架轴承一旦出现故障将导致重大交通事故，因此对列车转向架轴承故障预测具有十分重大的意义。然而，目前车地系统对列车转向架轴承状态的监测主要来自各轴温传感器。因此，如何通过车地系统发送的轴温数据来判断轴承的健康状态并预测列车故障成为一个亟待解决的重大课题。

目前采用的故障预测依据：（1）轴温差过大。（2）轴温温升斜率过大。这两种方法都是通过使用人的经验总结归纳出来的判别物理量来进行故障预测的，有很大的局限性。

好处：物理意义明确，便于理解。

坏处：首先，不能充分的考虑多种影响因素，例如列车的运行状态（速度、加速度），外温（环境温度），仅仅考虑了几个类似物理量的变化的一致性特征。其次，仅仅考虑了简单时序特性，轴温的变化是一个积累的过程，不仅与当前时刻的各种因素相关，而且与之前一段时间内的各种影响因素相关。

然而列车实际运行过程中，这些因素与轴温有着很强的相关性。因此故障预测模型的建立必须充分地考虑到这些因素。从图1可以看出，轴温与外界环境温度无论是线性和非线性相关性都比较强。

综上所述，由于轴温的影响外界温度（与季节、运行线路有关）、速度、加速度等都是随着时间动态的变化的，因此我们认为轴温的合理范围也是随时间动态变化的，而非一个固定的值。如何建立一个随时间变化的动态阈值正是我们要解决的根本问题。

1 解决方案与原理

1.1 一部件一模型

模型是针对部件的，某辆列车的某个部件训练一个模型。举例来说，A列车1位轴端温度和B列车的1位轴端温度对应的模型就是不一样的。A列车的1位轴端温度和2位轴端温度以及1轴小齿轮箱车轮侧轴承温度所对应的模型也是不一样的。但仅仅是模型的参数不同，模型的构建原理是一样的。

1.2 模型更新频率

为了使模型适应大环境的变化，大环境包括季节、运行线路的调整等。模型可以进行定期更新，更新频率可以为每周或者每月。模型的定期更新是为了弥补长期训练数据的缺失。同时也是为了适应特定列车号列车运行线路的调整。

弥补长期训练数据的缺失，目前我们的大数据系统中仅保留了3个月解析后的数据，勉强可以满足训练数据量的要求。但是不能反映出列车轴温的季节性的变化。因此构建的模型自然也无法学习到季节变化的因素。但是我们可以通过每周更新模型，使得模型能够反映近期环境温度下的规律。

适应特定列车号运行线路的调整。每趟列车的列车号是固定的，一辆列车通常需要跑多条线路，但是相对一段时期内是不变的。因此，模型可以学习到列车在多条线路上运行的状态信息。如果运行线路发生重大调整，就需要重新训练模型。定期更新模型也是为了适应这种线路调整的变化。

1.3 动态阈值的计算

以1位轴端温度的动态阈值的计算为例。

1.3.1 训练阶段

训练输入：一段时间范围内（30min）列车运行状态（速度、加速度）、环境因素（户外温度）、2-7轴端时间范围初始和结束的轴温值。训练数据需要包括尽可能多的数据，至少包括一个月内的数据，越长越好，学习到的环境因素越复杂。

回归量：1位轴端温度。

训练输出：模型文件（二进制文件），保存了模型的结构以及模型系数。

1.3.2 动态阈值计算

动态阈值的计算可以是实时的，也可以是事后的。根據已经训练好的模型计算动态阈值的速度是可以很快达到实时的计算要求。但是由于故障的预测是以天为单位的，因此也可以在列车入库后进行。

输入量：当天运行数据，包括列车状态（速度、加速度）、环境温度（户外温度）、2-7轴端时间范围初始和结束的轴温值。与训练数据的组织结构是相同的。

输出量：1位轴端温度的预测值。

动态阈值=预测值+预测误差精度。

当实际测量的温度高于动态阈值时，则预警。

2 实验成果

使用了A列车某段时间共计66915条数据作为训练数据。对某段时间共计13065条数据做预测，得到图2实验结果。

对实验结果进行评价，如图3所示，可以看出真实值和预测值的R2分数达到0.99，说明预测值很好地诠释了真实值。误差均值为-0.04接近0均值符合预期，均方根误差rmse为0.65，预测误差在1℃以内的数据量占总数据量的89.5%，预测误差在2℃以内的占比99.5%，全部数据的误差在3℃以内，其中最大预测误差为2.75℃。我们认为已经达到了工业应用的标准。

参考文献

[1]赵泽斌.高速动车组轴温自动控制分析[C]//.中国智能交通年会，2013.