基于K邻近分类模型的车辆减速器健康状态智能监测系统研究与试验.pdf

目前车辆减速器设备的维护维修工作完全依靠现场工作人员定期巡检和经验，存在工作量大、问题处理不及时、故障定位不准确等问题。本文研究基于邻近分类模型的车辆减速器健康状态智能监测系统，通过设备端的多传感器采集气压变化数据、电磁换向阀电参数、位置表示状态等关键数据，应用邻近分类模型对数据进行智能分析，研究故障特征。通过车辆减速器健康状态智能监测系统，实现减速器健康状态的识别和故障的判断，能够为现场人员提供故障报警和维修提示，有效辅助现场人员实现“精准维修”。关键词：车辆减速器；邻近分类模型；健康状态；智能诊断；故障识别文章编号：（）中图分类号：文献标识码：，铁道技术标准（，；，；，）：，：，：，“”：；：（）：引言编组站是货运铁路网上的重要节点，车辆减速器是编组站的主要调速设备。货运车辆从编组站的驼峰向下溜放，重力势能向动能转化，货运车辆的速度会不断升高，通过车辆减速器的制动轨或制动梁与溜放的货运车辆的车轮摩擦，实现对货运车辆的减速，保证编组站的作业效率和作业安全。随着铁路货运运量的逐年增长，各个主要编组站作业量也在快速攀升，如襄阳北站年日均办理列车为 辆，年日办理列车已经突破 辆，增幅达到了。车辆减速器的作业负荷也随之增大，另外，现在安全管理要求又不断压缩现场作业人员上道维护维修的时间。当车辆减速器出现设备指标超标或故障时，现场作业人员往往来不及仔细分析故障点，而且故障也经常不能复现，事后很难查找故障原因，存在较大的安全风险。为解决上述问题，本文研究车辆减速器健康状态智能监测系统（以下简称“减速器监测系统”），采集车辆减速器设备端数据，利用邻近分类模型分析数据，判断车辆减速器健康状态，识别故障隐患，为现场工作人员提供故障报警和维护维修提示，实现“精准维修”。监测参数目前全国各编组站主要安装使用的是电空重力式车辆减速器，占车辆减速器设备使用数量的以上，因此本文以电空重力式车辆减速器为研究对象。车辆减速器见图，主要由执行装置、基胡淼等：基于邻近分类模型的车辆减速器健康状态智能监测系统研究与试验础、动力系统等部分组成，电空重力式车辆减速器的执行装置为钳夹式机械结构，基础采用减速器专用轨枕板或轨道板，动力系统为集中控制的气动控制阀箱及管路。图车辆减速器减速器监测系统通过安装的传感器采集被监测车辆减速器的外部指令、位置表示状态、控制阀工作腔气压变化以及阀箱内部的环境参数等数据，减速器监测系统主要监测参数见表。表减速器监测系统主要监测参数序号 监测参数实现手段气压通过在控制阀转接块上安装压力传感器高频采集数据，记录控制阀制动腔和缓解腔气压变化曲线。电磁阀电压值通过在控制电缆上安装非接触式的电压互感器采集电压数据，同时记录控制电信号的发生时刻，与位置表示状态信号发生时刻配合可以计算得到动作时间。温度湿度通过在控制阀箱内安装温度湿度传感器采集数据，记录温度湿度变化曲线。设备位置表示状态通过位置开关传感器采集数据，记录执行装置运动到位的时刻，与控制电信号的发生时刻配合可以计算得到动作时间，也可以记录动作次数。系统架构减速器监测系统架构见图，总体分为室内系统主机、室外采集器和传感器以及室内外通信。通常每个驼峰配置一台室内系统主机，安放在电务维修车间的值班室，方便现场工作人员查看和值守，每个车辆减速器阀箱配置一个采集器和若干传感器，安装于车辆减速器设备端，实现快速、准确的数据采集。室内系统主机主要由服务器、交换机、操作终端、通信主站及一些辅件组成。操作终端具备数据管理和展示功能，接收室外采集器发送的控制阀气图减速器监测系统架构压、制动缓解电磁阀电压、制动缓解位置状态表示、阀箱温湿度等关键参数以及计算统计得到动作时间、动作次数等数据，并对这些数据进行存储。同时在操作终端上部署机器学习模型，对这些数据进行特征识别，判断设备的健康状态，对发现的隐患和问题进行提示和报警。室外传感器根据各自功能和监测目标分别安装在控制阀转接块、控制电缆、控制阀箱和执行装置上。室外采集器具备数据采集、临时存储和数据上传功能。采集器与传感器连接，采集传感器的实时数据，并为传感器供电。室内外通信由交换机、通信主站以及集成在采集器上的通信模块组成，根据现场实际情况可以采取灵活的通信方式。一个通信主站可以连接多个采集器，监测参数的数据存储在采集器的卡上，根据通信主站的分配机制，各个采集器轮流将数据上传至通信主站，再通过交换机分别发送给服务器和操作终端。邻近分类模型的建立在减速器监测系统收集的数据中，部分参数如电压、动作时间、温度、湿度等数据可以通过设置阈值范围简单判别状态，而对于高频气压变化数据则无法通过阈值范围的方法进行工况识别。一些试验数据表明，同一设备在相同工况（正常或故障）下的控制阀高频气压数据特征具有高度一致性，而不同工况下曲线形态、细节特征存在差异。因此本文采用机器学习模型，对控制阀气压数据进行识别，为提高模型准确性和效率，需要对采集的气压数据进行预处理。铁道技术标准 数据预处理数据预处理过程主要包括数据整理、类标签独热化、归一化处理、数据样本集划分等个步骤。（）数据整理在样本采集试验中，多次动作的控制阀气压数据是连续采集的，需要将每次动作数据从中分离出来，并剔除不完整的数据，组成数据集。为保证数据分离的准确，在分离后应对数据进行查验，将异常值、缺失值等去除。（）类标签独热化在机器学习算法中，各数据特征之间距离的计算和相似度的计算是非常重要的，而常用的距离或相似度的计算都在欧式空间进行，将离散的特征通过独热编码映射到欧式空间，可以更容易处理属性数据，并且在一定程度上也起到了扩充特征的作用。（）归一化处理为了让不同维度的特征在数值上有一定可比性，有效提高分类模型的准确度，同时加快模型的收敛速度，需对样本数据进行归一化操作。由于本项目的样本数据气压数据值相对集中，宜采用线性归一化方法。（）数据样本集划分在有监督的机器学习中，一般需要将样本随机分成独立的部分：训练集、验证集和测试集。其中训练集用来训练模型，验证集用来确定网络结构和调节模型参数，测试集检验最终模型的泛化能力。对于模型来说，参数分为普通参数和超参数，普通参数是通过梯度下降进行更新的，而超参数（如网络结构、迭代次数、学习率）并不在模型的学习范围，需要验证集协助人工调参，使得模型在验证集上最优，所以需要一个完全没有参与模型构建过程的测试集来检验模型的真实性能。邻近分类模型邻近分类模型（，），即给定一个训练集，对新的输入实例，遍历所有的训练数据集，找到与该实例最邻近即距离最近的个实例，而在特征空间中两个实例点的距离可以反映出两个实例点之间的相似性程度，将该实例归为个实例中数量最多的类。模型学习方式是将训练样本存储起来，直到需要分类新的实例时才分析其与所存储样例的关系，据此确定新实例的目标函数值，即只有在需要决策时才会利用已有数据进行决策。其算法一般步骤如下：（）计算已知类别的所有训练集样本与当前实例之间的距离；（）按距离递增排序；（）选取与当前实例距离最近的个实例；（）确定个实例中所属类别出现的频次；（）返回频次最高的类别作为当前实例所属类别。根据以上步骤，实现模型需要确定距离度量方法和值。模型的特征空间一般是维实数向量空间，通常使用的距离函数有如下种，以计算两个实例（，）和（，）之间距离为例：（）欧式距离。最常见的两点之间或多点之间的距离度量方法，既（，）（）槡（）式中：（，）为实例和之间欧式距离。（）曼哈顿距离。在欧式空间中固定直角坐标系上两点线段对轴产生投影的总和，既（，）（）式中：（，）为实例和之间的曼哈顿距离。（）切比雪夫距离。二个点之间的距离是其各坐标数值差绝对值的最大值，是由一致范数所衍生的度量，也是超凸度量的一种，既（，）（）（）式中：（，）为实例和之间的切比雪夫距离。欧式距离计算存在平方和开方，增加模型算法的复杂性，而切比雪夫距离计算较粗糙，会影响模型算法的精度，因此本文的模型采用了曼哈顿距离计算两个实例的距离。值的选择也会对模型的结果产生重大影响，如果选择较小的值，相当于用较小的领胡淼等：基于邻近分类模型的车辆减速器健康状态智能监测系统研究与试验域中的训练实例进行预测，学习的近似误差会减小，只有与输入实例很近的训练实例才会对预测结果起作用，整体模型变得复杂，容易发生过拟合；而如果选择较大的值，相当于用较大领域中的训练实例进行预测，优点是可以减少学习的估计误差，但是近似误差会增大，与输入实例较远的训练实例也会对预测结果产生影响，整体模型变得简单。在实际应用中，一般取 ，并采用交叉验证多次尝试的方法来选择最优的值。训练结果将已经完成数据预处理的气压数据集作为模型输入，完成每个测试集样本的分类预测。混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总，横坐标为测试集标签预测值，纵坐标为测试集标签真实值，模型生成的混淆矩阵见图。图 算法混淆矩阵本文的模型计算时间为 ，对测试集的预测准确率为，达到了较好的预测效果。现场试验在中国铁路沈阳局集团有限公司某编组站现场选取一台型车辆减速器，减速器监测系统现场试验见图，在电务维修车间的值班室布置了室内系统主机，在车辆减速器的阀箱上安装了室外采集器和传感器。图减速器监测系统现场试验安装完成后，首先确认室内系统主机和室外采集器之间的通信，响应时间为 ，通信连接正常，响应迅速；然后，控制车辆减速器动作，进行空载测试，制动时触发采集条件，室外采集器能够采集压力传感器、电压互感器、温度湿度传感器、位置开关传感器的数据，并能够回传至室内系统主机；最后，驼峰进行溜放作业，数据采集和传输均正常，由于有负载，制动过程气压上升过程的细节与空载测试时略有不同。为了进一步验证模型的训练成果，本文在现场试验期间，利用停轮点和临时天窗点等时间，模拟了低流量、低气压、气缸卡阻等故障，每种故障均进行了多次试验，采集气压数据，不同工况下气压变化曲线见图。部分故障的气压变化曲线与正常工况的曲线差异明显，如低流量、低气压等，虽然能够通过人工进行辨识，但是每天这样的曲线有几百个，工作量非常大，长时间的工作也会降低识别准确率。而部分故障的曲线与正常工况的曲线没有明显区别，如气缸卡阻，通过人工无法识别。通过减速器监测系统内置的模型，就可以高效、准确的识别这些故障。铁道技术标准图不同工况下气压变化曲线结语减速器监测系统主要由室内系统主机、室外采集器和传感器以及室内外通信组成，实现监测制动缓解电磁阀电压、设备位置状态表示、动作时间、控制阀气压、控制阀箱温湿度等关键参数。室内系统主机对各项关键参数进行存储、显示、统计、分析及报警提示，内置模型对气压变化曲线进行智能分析，扩展了减速器监测系统识别故障的范围，经过训练，对故障的识别准确率也达到了较高的水平。减速器监测系统为驼峰车辆减速器设备提供了有效可行的监测手段，为指导减速器维护维修工作提供了量化依据。参考文献：施卫忠，李秀杰，胡淼，等重载条件下驼峰调速制式的研究铁道学报，（）：高宝襄阳北站作业效率影响因素分析及提升对策铁道货运，（）：，刘海祥，高立中，胡淼我国车辆减速器技术研究现状与发展 铁道通信信号，（）：高立中，甄宇阳，李秀杰，等驼峰车辆减速器健康状态智能监测系统研究 铁道通信信号，（）：甄宇阳，高立中车辆减速器测试平台的研发与应用铁道通信信号，（）：冯立伟，张成，李元，等基于权重近邻的多模态过程故障检测方法控制工程，（）：闾城，陈时熠，华心果，等基于改进算法的汽轮机通流故障诊断方法及应用 热力发电，（）：邱英，冯春雨，谢锋云，等基于邻近算法的转向架构架状态识别研究 测控技术，（）：责任编辑：张航