CN107776606B - 一种轴温监测系统故障检测方法 - Google Patents

Abstract

一种轴温监测系统故障检测方法，其包括：轴温网络模型确定步骤，根据轴温监测系统中各个轴温传感器的位置以及轴温传感器所监测的轴温数据建立轴温网络模型，并计算轴温网络模型的指标参数的当前取值；故障判断步骤，获取指标参数的参考取值，并判断指标参数的当前取值与参考取值是否匹配，如果不匹配，则判定轴温监测系统存在故障。本方法采用基于复杂网络的方法来对轴温监测系统进行故障诊断，与现有技术相比，该方法提高了数据质量，从而使得计算成本降低。

Description

一种轴温监测系统故障检测方法

技术领域

本发明涉及轨道交通技术领域，具体地说，涉及一种轴温监测系统故障检测方法。

背景技术

在轨道交通领域，随着我国高速铁路的快速发展，对列车性能提出了越来越高的要求。由于动车组转向架轴重和空间体积有限，电机的输出功率更大，其中大工作电流将使电机的损耗增加，造成牵引电机各部件工作温度升高(有时甚至达到200摄氏度以上)导致热点温度频繁超限。同时，牵引电机的高速运转也使得轴承以及其他相关部件正常工作温度相对传统列车较高，工作中的损耗更大。因此，精准的对动车组轴温进行测量评估以及故障诊断，对动车安全运行和轴承热切事故预防具有重要意义。

传统的列车轴温监测以通过对运行线路上的列车轴箱温度进行红外线探测为主。自1978年开始推广红外线探测技术以来，历经30年的发展，至2009年已经覆盖全国铁路7.8万km的营业里程，探测设备安装总量达3412台，形成了完备的红外线轴温探测网络，预防了大量轴承热切事故。然而，如何更加准确地对用于检测列车轴温的轴温传感器的故障状态进行检测是亟待解决的技术问题。

发明内容

为解决上述问题，本发明提供了一种轴温监测系统故障检测方法，所述方法包括：

轴温网络模型确定步骤，根据轴温监测系统中各个轴温传感器的位置以及所述轴温传感器所监测的轴温数据建立轴温网络模型，并计算所述轴温网络模型的指标参数的当前取值；

故障判断步骤，获取所述指标参数的参考取值，并判断所述指标参数的当前取值与参考取值是否匹配，如果不匹配，则判定所述轴温监测系统存在故障。

根据本发明的一个实施例，所述指标参数包括以下所列项中的任一项或几项：

平均度、模块度、聚类系数和平均距离。

根据本发明的一个实施例，根据如下表达式计算所述平均度：

其中，

表示所述轴温网络模型的网络平均度，N表示所述轴温网络模型所包含的节点总数，k_i表示所述轴温网络模型中第i个节点的度。

根据本发明的一个实施例，根据如下表达式计算所述模块度：

其中，Q表示所述轴温网络模型的模块度，N表示所述轴温网络模型所包含的节点总数，k_i和k_j表示所述轴温网络模型中第i个节点和第j个节点的度，α_ij表示第i个节点和第j个节点之间的连边，δ(σ_i,σ_j)表示第i个节点的社团编号σ_i与第j个节点的社团编号σ_j的隶属度函数。

根据本发明的一个实施例，计算所述聚类系数的步骤包括：

根据与所述轴温网络模型中一节点相连的节点的实际边数，计算所述该节点的聚类系数；

根据所述轴温网络模型中各个节点的聚类系数，计算所述轴温网络模型的聚类系数。

根据本发明的一个实施例，根据如下表达式计算所述聚类系数：

其中，C表示所述轴温网络模型的聚类系数，C_i表示所述轴温网络模型中第i个节点的聚类系数，N表示所述轴温网络模型所包含的节点总数，k_i表示所述轴温网络模型中第i个节点的度，E_i表示与所述轴温网络模型中第i个节点相连的节点的实际边数。

根据本发明的一个实施例，根据如下表达式计算所述平均距离：

其中，L表示所述轴温网络模型中节点间的平均距离，d_ij表示第i个节点与第j个节点之间的距离，V表示所述轴温网络模型中所有节点的集合。

根据本发明的一个实施例，在所述故障判断步骤中，

计算指标参数的当前取值与其参考取值之间差值的绝对值，并判断该绝对值是否大于对应的差值阈值，如果大于，则判定该指标参数存在故障，否则判定该指标参数正常；

统计存在故障的指标参数的数量，并判断该数量是否大于预设数值阈值，如果大于，则判定所述轴温监测系统存在故障。

根据本发明的一个实施例，所述方法还包括：

故障类型确定步骤，根据所述轴温网络模型中各个指标参数的故障状态以及历史故障信息数据库，判断所述轴温监测系统的故障类型。

根据本发明的一个实施例，在所述故障类型确定步骤中，能够检测到的所述轴温监测系统的故障类型包括：

传感器故障、数据传输线路故障和列车故障。

本发明所提供的轴温监测系统故障检测方法采用基于复杂网络的方法来对轴温监测系统进行故障诊断，与现有技术相比，该方法提高了数据质量，从而使得计算成本降低。

同时，该方法的历史数据分析过程可以在大数据平台上进行，通过大数据平台的分布式并行处理，能够有效提高计算效率和复杂网络的故障诊断的准确率。此外，本方法进行实时故障检测的数据分析是即时处理的，其有助于降低对于单个节点的硬件性能要求。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要的附图做简单的介绍：

图1是根据本发明一个实施例的轴温监测系统故障检测方法的实现流程图；

图2是根据本发明一个实施例的确定轴温监测系统故障类型的流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

动车组轴温监测系统由轴温传感器、轴温转换装置、模拟量输入模块和列车网络控制系统(TCMS)等组成。其中轴温传感器分布在动车走行部和牵引传动系统的多个位置，轴温传感器所监测的温度变量之间具有一定的关联性和相似的动力学性质。

本发明提出一种基于复杂网络的动车轴温故障诊断方法，通过对轴温传感器数据的分析以判断轴温监测系统是否发生故障以及故障类型。当轴温传感器故障或与轴温传感器所监测的温度变化相关的动车故障发生时，相当于在多个温度变量组成的复杂系统中引入了一个或多个随机扰动。本发明所提供的方法正是通过分析随机扰动下网络特征参数的变化来对故障进行精确判断并及时预警报警，以达到保障动车安全运行和预防轴承热切事故的目标。

复杂网络利用相互关联性和多尺度特性理解系统复杂性和行为，是目前刻画复杂系统的有力工具，为系统分析提供了一种新的科学方法。用复杂网络来描述各类实际复杂系统及动态特征，更好地评价系统的动力学行为并加以控制。

图1示出了本实施例所提供的轴温监测系统故障检测方法的实现流程图。

如图1所示，本实施例所提供的轴温检测系统故障检测方法首先在步骤S101中根据轴温监测系统中各个轴温传感器的位置以及轴温传感器所监测到的轴温数据建立轴温网络模型。

具体地，本实施例中，该方法首先在步骤S101中根据轴温监测系统各个轴温传感器的位置以及轴温传感器所监测到的轴温数据来计算轴温监测系统中各个节点之间的相关系数，随后根据各个节点的相关系数来构建轴温监测系统的网络模型，即轴温网络模型。

在步骤S102中，该方法利用轴温监测系统无故障运行时所采集到的数据来计算轴温网络模型中指标参数的参考取值。随后在步骤S103中利用轴温监测系统实际运行时所采集到的数据来计算轴温网络模型中指标参数的当前取值。

具体地，本实施例中，该方法在判断轴温监测系统是否发生故障的过程中所使用的指标参数优选地包括：平均度、模块度、聚类系数和平均距离。需要指出的是，在本发明的其他实施例中，该方法既可以仅采用以上所列参数中的任一项或几项来作为指标参数，也可以采用其他未列出的合理项(例如网络直径等)与上述所列项的任意组合来作为指标参数，本发明不限于此。

平均度是描述复杂网络中单独节点属性的一个重要概念。其中，本实施例中，轴温网络模型的平均度优选地可以根据如下表达式计算所述平均度：

其中，

表示轴温网络模型的网络平均度，N表示轴温网络模型所包含的节点总数，k_i表示轴温网络模型中第i个节点v_i的度。本实施例中，轴温网络模型中第i个节点v_i的度即为轴温网络模型中节点v_i的邻居节点的个数。

轴温网络模型为一复杂网络，复杂网络中会存在一些社团，这些社团内部连接紧密而社团间连接松散，模块度则可以定量地描述复杂网络中社团的划分情况。

具体地，本实施例中，该方法优选地可以根据如下表达式计算轴温网络模型的模块度：

其中，Q表示轴温网络模型的模块度，N表示轴温网络模型所包含的节点总数，k_i和k_j表示轴温网络模型中第i个节点v_i和第j个节点v_j的度，α_ij表示第i个节点v_i和第j个节点v_j之间的连边，δ(σ_i,σ_j)表示第i个节点v_i的社团编号σ_i与第j个节点v_j的社团编号σ_j的隶属度函数。

本实施例中，如果轴温网络模型中第i个节点v_i与第j个节点v_j之间存在连边，那么参数α_ij则取值为1；而如果轴温网络模型中第i个节点v_i与第j个节点v_j之间不存在连边，那么参数α_ij则取值为0。

对于隶属度函数δ(σ_i,σ_j)来说，如果第i个节点v_i与第j个节点v_j属于同一社团，即存在σ_i＝σ_j，那么对应的隶属度函数δ(σ_i,σ_j)则取值为1，否则对应的隶属度函数δ(σ_i,σ_j)则取值为0。

聚类系数能够描述复杂网络的聚类性，本实施例中，平均聚类系数(即该轴温网络模型的聚类系数)表示轴温网络模型中有相同邻居节点的两个节点之间也相互连接的概率。

本实施例中，在计算轴温网络模型的聚类系数的过程中，首先根据与轴温网络模型中一节点相连的节点的实际边数，计算节点的聚类系数。依此类推，能够计算得到轴温网络模型中各个节点的聚类系数。随后，根据轴温网络模型中各个节点的聚类系数，便可以计算得到轴温网络模型的聚类系数。

在该轴温网络模型中，假设节点v_i有k_i条边与其他节点相连，那么与节点v_i相连的节点的实际边数E_i与总的可能存在边数之比边称为该节点v_i的聚类系数C_i，即存在：

其中，E_i表示与轴温网络模型中第i个节点v_i相连的节点的实际边数。

节点v_i的聚类系数C_i描述了与节点v_i相邻的其它节点之间的紧密程度。聚类性说明该轴温网络模型中存在一些三角形，这反应出该节点的最近邻居节点之间的集团性质。其中，节点v_i的近邻节点之间的联系约紧密，该节点所对应的聚类系数C_i的取值也就越大。

本实施例中，整个轴温网络模型的聚类系数C表示该网络模型中全部聚类系数的平均值，即对一个具有N个节点的轴温网络模型而言，其聚类系数C可以根据如下表达式计算得到：

轴温网络模型中两个节点v_i和v_j之间的距离d_ij表示这两个节点之间最少的一条简单路径所经过的边的数量，轴温网络模型的平均路径长度(也成为平均距离)是指该网络中全部节点对的平均距离，即所有节点两两之间的最短路径所经过的边的数量的算术平均值，即存在：

其中，L表示轴温网络模型中节点间的平均距离，V表示所述实时轴温网络模型中所有节点的集合。

需要指出的是，在本发明的不同实施例中，轴温网络模型中节点间的平均距离L还可以采用其他合理方式来计算得到，本发明不限于此。例如在本发明的一个实施例中，该方法还可以采用Dijkstra算法、Bellman-Ford算法、SPFA算法、Floyd算法或Johnson算法来计算轴温网络模型中节点间的平均距离L。

由于复杂网络是基于数据驱动的，因此将实时计算的指标参数的取值与系统正常运行时的指标参数的取值(即参考取值)进行对比，若指标参数的取值存在较大差异，则可以认为系统可能发生故障。

此外，当故障发生时，会导致某些变量的数据发生较大的变化，必然会改变这些变量与其他变量之间的相关性，从而故障节点的节点度的值也可能会有很大变化。因此寻找故障图中节点度的值发生较大变化的节点，就是最有可能发生故障的节点。

因此，如图1所示，本实施例所提供的方法在得到轴温网络模型的指标参数的参考取值和当前取值后，其会在步骤S104中判断这些指标参数的参考取值与当前取值是否匹配。其中，如果指标参数的参考取值与其当前取值匹配，那么该方法则可以判定该指标参数正常；否则可以判定该指标参数异常。

具体地，本实施例中，该方法在判断指标参数的参考取值与当前取值是否匹配时，会首先计算该指标参数的当前取值与其参考取值之间的差值的绝对值，随后判断该绝对值是否大于对应的差值阈值。其中，如果绝对值大于对应的差值阈值，那么该方法则可以判定该指标参数存在异常；否则可以判定该指标参数正常。

在判断出各个指标参数是否存在异常后，该方法会统计存在异常的指标参数的数量，并判断该数量是否大于预设数值阈值。如果大于，那么该方法也就可以在步骤S105中判定此时轴温监测系统存在故障；否则该方法会在步骤S106中判定此时轴温监测系统正常。

本实施例中，当判断出轴温监测系统存在故障后，该方法还可以进一步判断出此时轴温监测系统的故障类型。具体地，本实施例中，轴温监测系统可能出现的故障类型优选地包括三种，即传感器故障、数据传输线路故障和列车故障。

图2示出了本实施例中确定轴温监测系统故障类型的实现流程图。

如图2所示，本实施例所提供的方法在判断轴温监测系统故障类型的过程中，首先在步骤S201中根据轴温监测网络的各个指标参数的异常状态，来生成该轴温监测网络的实时故障信息。

在得到轴温监测网络的实时故障信息后，该方法会在步骤S202中获取历史故障信息库，并在步骤S203中根据历史故障信息库和实时故障信息，确定出轴温监测网络的故障类型。

本实施例中，历史故障信息库中存储了各类故障类型下各个指标参数的异常特征，该方法在步骤S203中通过分析可以得到历史故障信息库中与实时故障信息匹配程度最高的故障类型，该故障类型即为轴温监测系统当前的故障类型。

需要指出的是，在本发明的其他实施例中，该方法还可以通过其他合理方式来确定出轴温监测系统的故障类型，本发明不限于此。

从上述描述中可以看出，本发明所提供的轴温监测系统故障检测方法采用基于复杂网络的方法来对轴温监测系统进行故障诊断，与现有技术相比，该方法提高了数据质量，从而使得计算成本降低。

同时，该方法的历史数据分析过程可以在大数据平台上进行，通过大数据平台的分布式并行处理，能够有效提高计算效率和复杂网络的故障诊断的准确率。此外，本方法进行实时故障检测的数据分析是即时处理的，其有助于降低对于单个节点的硬件性能要求。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。

Claims (9)

1.一种轴温监测系统故障检测方法，其特征在于，所述方法包括：

轴温网络模型确定步骤，根据轴温监测系统中各个轴温传感器的位置以及所述轴温传感器所监测的轴温数据建立轴温网络模型，并计算所述轴温网络模型的指标参数的当前取值，其中，所述轴温网络模型是基于由各个轴温传感器的位置以及所述轴温传感器所监测的轴温数据所确定出的轴温监测系统中各个节点之间的相关系数构建得到的；

故障判断步骤，获取所述指标参数的参考取值，并判断所述指标参数的当前取值与参考取值是否匹配，如果不匹配，则判定所述轴温监测系统存在故障；

其中，在所述故障判断步骤中，

计算指标参数的当前取值与其参考取值之间差值的绝对值，并判断该绝对值是否大于对应的差值阈值，如果大于，则判定该指标参数存在故障，否则判定该指标参数正常；

统计存在故障的指标参数的数量，并判断该数量是否大于预设数值阈值，如果大于，则判定所述轴温监测系统存在故障。

2.如权利要求1所述的方法，其特征在于，所述指标参数包括以下所列项中的任一项或几项：

平均度、模块度、聚类系数和平均距离。

3.如权利要求2所述的方法，其特征在于，根据如下表达式计算所述平均度：

其中，

表示所述轴温网络模型的网络平均度，N表示所述轴温网络模型所包含的节点总数，k_i表示所述轴温网络模型中第i个节点的度。

4.如权利要求2所述的方法，其特征在于，根据如下表达式计算所述模块度：

其中，Q表示所述轴温网络模型的模块度，N表示所述轴温网络模型所包含的节点总数，k_i和k_j表示所述轴温网络模型中第i个节点和第j个节点的度，α_ij表示第i个节点和第j个节点之间的连边，δ(σ_i,σ_j)表示第i个节点的社团编号σ_i与第j个节点的社团编号σ_j的隶属度函数。

5.如权利要求2～4中任一项所述的方法，其特征在于，计算所述聚类系数的步骤包括：

根据与所述轴温网络模型中各个节点相连的节点的实际边数，计算各个节点的聚类系数；

根据所述轴温网络模型中各个节点的聚类系数，计算所述轴温网络模型的聚类系数。

6.如权利要求5所述的方法，其特征在于，根据如下表达式计算所述聚类系数：

其中，C表示所述轴温网络模型的聚类系数，C_i表示所述轴温网络模型中第i个节点的聚类系数，N表示所述轴温网络模型所包含的节点总数，k_i表示所述轴温网络模型中第i个节点的度，E_i表示与所述轴温网络模型中第i个节点相连的节点的实际边数。

7.如权利要求2～4中任一项所述的方法，其特征在于，根据如下表达式计算所述平均距离：

其中，L表示所述轴温网络模型中节点间的平均距离，d_ij表示第i个节点与第j个节点之间的距离，V表示所述轴温网络模型中所有节点的集合。

8.如权利要求1～4中任一项所述的方法，其特征在于，所述方法还包括：

故障类型确定步骤，根据所述轴温网络模型中各个指标参数的故障状态以及历史故障信息数据库，判断所述轴温监测系统的故障类型。

9.如权利要求8所述的方法，其特征在于，在所述故障类型确定步骤中，能够检测到的所述轴温监测系统的故障类型包括：

传感器故障、数据传输线路故障和列车故障。

Images