CN106080655B - 一种列车轴温异常的检测方法、装置以及列车 - Google Patents

Abstract

本发明公开了一种列车轴温异常的检测方法及装置，通过实时采集列车轴温的当前数据；将当前数据与预先建立的温度分布模型进行比对，温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；在当前数据超过列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。本申请通过对历史轴温数据进行全面的分析，深度挖掘数据特征，解析日常轴温分布情况以及异常情况，推断轴温异常的可能性，找出识别轴温异常的规则，基于数据分析结果和专家知识设定轴温异常与否的判断阈值，提高了轴温异常检测的准确性，确保列车的安全运行。此外，本发明还提供了一种具有上述技术效果的列车。

Description

一种列车轴温异常的检测方法、装置以及列车

技术领域

本发明涉及轨道交通技术领域，特别是涉及一种列车轴温异常的检测方法、装置以及列车。

背景技术

火车是现代主要交通工具之一，在旅客及货物运输方面发挥了极大的作用，其安全问题一直受到各界人士的重点关注。列车为了防止轮对轴承内部故障，造成燃轴、切轴、甚至甩车等事故的发生，在各轴箱体的侧面安装了对轴箱轴承状态进行监视的轴承温度传感器，并将此温度数据传递给列车网络控制系统，当发现轴温异常时，列车网络控制系统通过司机室显示屏显示相应信息，提醒司机采取减速、限速处理，必要时停车，确保列车的安全运行。

目前，已有的轴温异常基本上是基于专家经验进行定性的判断，主要靠检修经验和业务知识做定性的判断处理。采用这种方法，一方面检测人员劳动强度大、效率低；另一方面检测人员的经验知识存在差异，导致许多判断带有主观性，不能很好的揭示客观事物内在的本质区别和联系，缺少从实际数据方面定量的统计分析与检验，未形成完善的、统一的轴温异常判断标准。

各类异常情况判断的准确度不高，会导致列车运行过程中产生误报或者漏报的问题。频繁的误报会影响列车的正常运行，但漏报又可能导致列车异常情况的进一步演变，误报率与漏报率之间的平衡点依据经验无法准确定位。因此，迫切需要一种提高判断轴温异常准确性的方法。

发明内容

本发明的目的是提供一种列车轴温异常的检测方法、装置以及列车，以解决现有判断轴温异常的方法准确性不高的问题。

为解决上述技术问题，本发明提供一种列车轴温异常的检测方法，包括：

实时采集列车轴温的当前数据；

将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。

可选地，所述温度分布模型的建立过程为：

获取列车历史轴温数据；

对所述历史轴温数据进行预处理，输出降噪后的数据；

采用凝聚的层次聚类方法对所述历史轴温数据进行分析，对数据进行分类与特征提取，确定轴温异常判断第一阈值；

对所述历史轴温数据进行主成分分析，将第一主成分贡献率与对应的第一特征向量作为特征指标，确定轴温异常判断第二阈值；

对所述历史轴温数据进行斜率分析，统计预设时间内的毛刺数量分布情况，确定轴温异常判断第三阈值。

可选地，在所述将所述当前数据与预先建立的温度分布模型进行比对之前还包括：

对所述当前数据进行预处理，输出降噪后的数据。

可选地，所述将所述当前数据与预先建立的温度分布模型进行比对包括：

通过聚类分析提取特征，将提取到的特征与所述轴温异常判断第一阈值进行比较，以判断轴温是否出现异常；

当判断当前轴温为正常状态时，采用主成分分析方法提取指标，将提取到的指标与所述轴温异常判断第二阈值进行比较，以判断轴温是否出现异常；

当判断当前轴温为正常状态时，计算所述预设时间内的毛刺数量，将所述毛刺数量与所述轴温异常判断第三阈值进行比较，以判断轴温是否出现异常。

可选地，还包括：

当判定当前轴温为异常状态时，生成轴温异常的报警信息。

可选地，对所述历史轴温数据、当前数据进行预处理，输出降噪后的数据包括：

对所述历史轴温数据、当前数据进行离群点检测，采用插值对异常数据进行修正，输出降噪后的数据。

可选地，对所述历史轴温数据、当前数据进行预处理，输出降噪后的数据包括：

对所述历史轴温数据、当前数据进行方差检测或峰值检测，对异常数据进行修正，输出降噪后的数据。

可选地，在所述生成判定当前轴温为异常状态的结果信息之后还包括：

对所述结果信息进行实时显示。

本发明还提供了一种列车轴温异常的检测装置，包括：

采集模块，用于实时采集列车轴温的当前数据；

比对模块，用于将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

生成模块，用于当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。

本发明还提供了一种列车，包括上述列车轴温异常的检测装置。

本发明所提供的列车轴温异常的检测方法及装置，通过实时采集列车轴温的当前数据；将当前数据与预先建立的温度分布模型进行比对，温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；在当前数据超过列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。本申请通过对历史轴温数据进行全面的分析，深度挖掘数据特征，解析日常轴温分布情况以及异常情况，推断轴温异常的可能性，找出识别轴温异常的规则，基于数据分析结果和专家知识设定轴温异常与否的判断阈值，提高了轴温异常检测的准确性，确保列车的安全运行。此外，本发明还提供了一种具有上述技术效果的列车。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的列车轴温异常的检测方法的一种具体实施方式的流程图；

图2为本发明所提供的列车轴温异常的检测方法的另一种具体实施方式的温度分布模型的建立过程示意图；

图3为本发明所提供的列车轴温异常的检测方法的另一种具体实施方式的流程图；

图4为本发明实施例所提供的数据预处理流程图；

图5为本发明实施例提供的列车轴温异常的检测装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的列车轴温异常的检测方法的一种具体实施方式的流程图如图1所示，该方法包括：

步骤S101：实时采集列车轴温的当前数据；

步骤S102：将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

具体地，可以基于列车的历史轴温数据，采用层次聚类分析、主成分分析以及斜率分析建立正常工况下的温度分布模型，对数据进行定量的统计分析与检验。

步骤S103：当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。

本发明所提供的列车轴温异常的检测方法，通过实时采集列车轴温的当前数据；将当前数据与预先建立的温度分布模型进行比对，温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；在当前数据超过列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。本申请通过对历史轴温数据进行全面的分析，深度挖掘数据特征，解析日常轴温分布情况以及异常情况，推断轴温异常的可能性，找出识别轴温异常的规则，基于数据分析结果和专家知识设定轴温异常与否的判断阈值，提高了轴温异常检测的准确性，确保列车的安全运行。

在上述实施例的基础上，本申请可以基于列车的历史轴温数据，采用层次聚类分析、主成分分析以及斜率分析建立正常工况下的温度分布模型，对数据进行定量的统计分析与检验，提取相应数据特征并与业务知识相结合，通过平衡热轴的误报及漏报率设定轴温异常与否的判断阈值，进而确保列车安全、正常的运行。

请参照图2本发明所提供的列车轴温异常的检测方法的另一种具体实施方式的温度分布模型的建立过程示意图，该过程包括：

步骤S201：获取列车历史轴温数据；

步骤S202：对所述历史轴温数据进行预处理，输出降噪后的数据；

步骤S203：采用凝聚的层次聚类方法对所述历史轴温数据进行分析，对数据进行分类与特征提取，确定轴温异常判断第一阈值；

聚类分析起源于分类学，它是研究(样品或指标)分类问题的一种统计分析方法，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，根据数据特征自动对样本进行分类。聚类分析是数据挖掘的主要任务之一，聚类能够作为一个独立的工具获得数据的分布状况，通过观察每一簇数据的特征，对特定的簇集作进一步分析。聚类分析是通过数据建模简化数据的一种方法，是一个无监督学习的过程，在商业、地理、保险、生物学、经济学、电子商务等多方面有着非常广泛的应用。

基于数据的相似性出发，采用凝聚的层次聚类方法对历史轴温数据进行分析，完成数据的分类与特征提取，并结合业务知识设定轴温异常判断第一阈值Q₀。

步骤S204：对所述历史轴温数据进行主成分分析，将第一主成分贡献率与对应的第一特征向量作为特征指标，确定轴温异常判断第二阈值；

主成分分析(Principal Component Analysis)也称主分量分析，是由皮尔逊于1901年引入，旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。主成分分析使得问题简单化，同时得到的结果包含更加科学有效的数据信息。主成分分析作为基础的数学分析方法，在很多领域的应用十分广泛，比如人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等问题中均有应用，是一种常用的多变量分析方法。

基于数据波动一致性考虑，对历史轴温数据进行主成分分析，利用数据自身的相关性对数据降维，以便抓住数据的主要特征。本发明实施例以第一主成分贡献率和第一特征向量作为特征指标，结合历史轴温出现异常的概率设定轴温异常判断第二阈值(P₀，V₀)；

步骤S205：对所述历史轴温数据进行斜率分析，统计预设时间内的毛刺数量分布情况，确定轴温异常判断第三阈值。

基于短时间内温度不会急剧变化，对历史轴温数据进行斜率分析，通过检查数据的波动频率和幅值发现数据中的突变、毛刺等现象，统计时间T内的毛刺数量分布情况，并结合业务知识设定轴温异常判断第三阈值S₀。

在所述将所述当前数据与预先建立的温度分布模型进行比对之前还包括：

对所述当前数据进行预处理，输出降噪后的数据。

在上述实施例的基础上，本发明所提供的列车轴温异常的检测方法的另一种具体实施方式的流程图如图3所示，该方法包括：

步骤S301：实时采集列车轴温的当前数据；

步骤S302：对所述当前数据进行预处理，输出降噪后的数据；

步骤S303：通过聚类分析提取特征Q，将提取到的特征Q与所述轴温异常判断第一阈值Q₀进行比较，以判断轴温是否出现异常；如果出现异常，轴温监测报警系统报出相应的轴温信息，判断流程结束，否则进行下一步判断；

步骤S304：当判断当前轴温为正常状态时，采用主成分分析方法提取指标(P，V)，将提取到的指标(P，V)与所述轴温异常判断第二阈值(P₀，V₀)进行比较，以判断轴温是否出现异常；如果出现异常，轴温监测报警系统报出相应的轴温信息，判断流程结束，否则进行下一步判断；

步骤S305：当判断当前轴温为正常状态时，计算所述预设时间T内的毛刺数量S，将所述毛刺数量S与所述轴温异常判断第三阈值S₀进行比较，以判断轴温是否出现异常；如果出现异常，轴温监测报警系统报出相应的轴温信息，否则轴温正常，轴温监测报警系统正常运行。

优选地，在上述任一实施例的基础上，本发明还可以进一步包括：

当判定当前轴温为异常状态时，生成轴温异常的报警信息；以及对结果信息进行实时显示。

本实施例基于数据驱动，采用层次聚类分析、主成分分析、斜率分析的统计分析方法对列车实时轴温数据进行分析获取列车运行时的温度变化情况，通过上述三种分析方法计算对应的特征指标，并利用相关指标实时检测轴温异常与否，使得分析结果更加可靠，进而提高轴温异常情况的识别率，从而提高列车运行的安全性。

需要指出的是，本实施例中基于数据驱动的分析方法采用的是聚类分析完成数据的分类，并进行特征提取，可选地，利用相关系数进行分析也可以达到相应的目的。本实施例采用主成分分析的方法对数据进行降维和提取数据特征，也可以用因子分析替代完成相应的降维处理和特征提取。此外，本实施例采用斜率分析的方法检测数据中的毛刺现象，也可以用方差检测替代完成毛刺现象的检测。

本申请中，为了保证数据的有效性，提高结果的准确性，优选地，可以对所述列车历史轴温数据、当前数据进行预处理。预处理以输出降噪后的数据的过程可以包括：

对所述列车历史轴温数据、当前数据进行离群点检测，采用插值对异常数据进行修正，输出降噪后的数据。

对于数据集D，令r(r≥0)是距离阈值，δ(0<δ≤1)是分数阈值，对象o是一个DB(r，δ)离群点，如果

其中dist(·,·)是距离度量，||·||表示数据个数。

如图4本发明实施例所提供的数据预处理流程图所示，该过程包括：

步骤S401：输入采样数据集D；

步骤S402：进行离群点检测；

步骤S403：当检测到离群点时，采样插值对异常数据进行修正，输出降噪后的数据集D。

本实施例通过DB(r，δ)离群点检测方法降低了轴温数据在采集和传输过程中由于电磁干扰等原因产生的噪声，提高了数据的鲁棒性，使得分析结果更加可靠。

可选地，还可以对所述列车历史轴温数据、当前数据进行方差检测或峰值检测，对异常数据进行修正，输出降噪后的数据。其他能够实现数据降噪的方法均可，并不限于这几种。

下面对本发明实施例提供的列车轴温异常的检测装置进行介绍，下文描述的列车轴温异常的检测装置与上文描述的列车轴温异常的检测方法可相互对应参照。

图5为本发明实施例提供的列车轴温异常的检测装置的结构框图，参照图5列车轴温异常的检测装置可以包括：

采集模块100，用于实时采集列车轴温的当前数据；

比对模块200，用于将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

生成模块300，用于当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。

本发明所提供的列车轴温异常的检测装置，通过对历史轴温数据进行全面的分析，深度挖掘数据特征，解析日常轴温分布情况以及异常情况，推断轴温异常的可能性，找出识别轴温异常的规则，基于数据分析结果和专家知识设定轴温异常与否的判断阈值，提高了轴温异常检测的准确性，确保列车的安全运行。

此外，本发明还提供了一种列车，包括上述列车轴温异常的检测装置，具有上述相同的技术效果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的列车轴温异常的检测方法、装置以及列车进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种列车轴温异常的检测方法，其特征在于，包括：

实时采集列车轴温的当前数据；

将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息；

所述温度分布模型的建立过程为：

获取列车历史轴温数据；

对所述历史轴温数据进行预处理，输出降噪后的数据；

采用凝聚的层次聚类方法对所述历史轴温数据进行分析，对数据进行分类与特征提取，确定轴温异常判断第一阈值；

对所述历史轴温数据进行主成分分析，将第一主成分贡献率与对应的第一特征向量作为特征指标，确定轴温异常判断第二阈值；

对所述历史轴温数据进行斜率分析，统计预设时间内的毛刺数量分布情况，确定轴温异常判断第三阈值；

在所述将所述当前数据与预先建立的温度分布模型进行比对之前还包括：

对所述当前数据进行预处理，输出降噪后的数据；

所述将所述当前数据与预先建立的温度分布模型进行比对包括：

通过聚类分析提取特征，将提取到的特征与所述轴温异常判断第一阈值进行比较，以判断轴温是否出现异常；

当判断当前轴温为正常状态时，采用主成分分析方法提取指标，将提取到的指标与所述轴温异常判断第二阈值进行比较，以判断轴温是否出现异常；

当判断当前轴温为正常状态时，计算所述预设时间内的毛刺数量，将所述毛刺数量与所述轴温异常判断第三阈值进行比较，以判断轴温是否出现异常。

2.如权利要求1所述的列车轴温异常的检测方法，其特征在于，还包括：

当判定当前轴温为异常状态时，生成轴温异常的报警信息。

3.如权利要求1或2所述的列车轴温异常的检测方法，其特征在于，对所述历史轴温数据、当前数据进行预处理，输出降噪后的数据包括：

对所述历史轴温数据、当前数据进行离群点检测，采用插值对异常数据进行修正，输出降噪后的数据。

4.如权利要求1或2所述的列车轴温异常的检测方法，其特征在于，对所述历史轴温数据、当前数据进行预处理，输出降噪后的数据包括：

对所述历史轴温数据、当前数据进行方差检测或峰值检测，对异常数据进行修正，输出降噪后的数据。

5.如权利要求1或2所述的列车轴温异常的检测方法，其特征在于，在所述生成判定当前轴温为异常状态的结果信息之后还包括：

对所述结果信息进行实时显示。

6.一种列车轴温异常的检测装置，其特征在于，所述检测装置采用如权利要求1至5任一项所述的列车轴温异常的检测方法，所述检测装置包括：

采集模块，用于实时采集列车轴温的当前数据；

比对模块，用于将所述当前数据与预先建立的温度分布模型进行比对，所述温度分布模型为通过对正常工况下的历史轴温数据进行建模分析，提取相应数据特征，确定列车轴温异常判断阈值的模型；

生成模块，用于当所述当前数据超过所述列车轴温异常判断阈值时，生成判定当前轴温为异常状态的结果信息。

7.一种列车，其特征在于，包括如权利要求6所述的列车轴温异常的检测装置。