CN110243599A - 多维离群列车动车组轴箱轴承温度异常状态监测方法 - Google Patents

Abstract

本发明涉及信息数据处理技术领域，具体涉及一种多维离群列车动车组轴箱轴承温度异常状态监测方法，基于孤立森林算法，包括训练模型和温度异常状态监测，训练模型具体为训练建立包括三个独立孤立森林的多维孤立森林模型；温度异常状态监测包括：采集列车动车组轴箱轴承温度数据，然后对数据进行预处理；将处理好的数据输入训练好的多维孤立森林模型中，在三个独立的孤立森林模型中有两个或两个以上孤立森林检测出某一测点的异常得分超过阈值时，则判定该测点的温度异常或反常。本发明是一种无监督异常检测方法，因此不会有温度阈值出现，一年四季通用，同时可以很好解决漏报与误报的平衡问题，对促进保护列车动车组安全、高效运行具有重要意义。

Description

多维离群列车动车组轴箱轴承温度异常状态监测方法

技术领域

本发明涉及信息数据处理技术领域，具体涉及一种多维离群列车动车组轴箱轴承温度异常状态监测方法。

背景技术

动车、全称动力车辆，是指轨道交通系统中装有动力装置的车辆，包括机车和动力车厢两大类。动车装配有驱动车轮，而与之相对应的无驱动装置车辆就是拖车。列车要能在轨道上正常运行，就必须有动车为整列火车提供足够牵引力，但可以不挂没有动力的拖车。动车是安装有车轮驱动机器设备的铁路车辆，而不是动车组。不仅高速列车中有动车，所有火车类型的交通工具，包括常速动车组、普速列车、地铁列车、轻轨列车、单轨列车和磁悬浮列车等都有动车。

截止2018年底，中国共有动车组3256标准组，共计26048辆，而每辆车有8个轴箱轴承；轴箱轴承承受载荷大，运行工况恶劣多变，每年都会有大量的轴箱轴承损坏，导致列车降速运行而晚点，甚至临时停车。轴箱轴承是保证高速动车组安全、高效运行的核心零部件之一，因此对高速动车组的轴箱轴承状态监测具有非常实际的研究价值。现有的技术是通过车载动车组轴温报警系统进行报警，报警系统通过双通道的温度传感器采集温度数据，来实现冗余采集，当检测温度达到车载逻辑设定的绝对阈值或差值阈值后，车载轴温报警系统报警。

但是，高速动车组一年四季所运行环境的温度变化剧烈，就算在一天之中，南北气温差异也巨大，而高速动车组同一天可能运行在南方也可能运行在北方。众所周知，温差越大热交换越快，而现有的列车动车组轴箱轴承报警系统的阈值一年四季恒定不变，因此恒定不变的温度阈值必然不适合实际情况，要么造成漏报，要么造成误报。

为此，本发明提供一种基于孤立森林算法，不会有温度阈值出现，一年四季通用的多维离群列车动车组轴箱轴承温度异常状态监测方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种多维离群列车动车组轴箱轴承温度异常状态监测方法，是一种无监督异常检测方法，因此不会有温度阈值出现，一年四季通用，同时可以很好解决漏报与误报的平衡问题，对促进保护列车动车组安全、高效运行具有重要意义。

本发明的目的是通过以下技术方案来实现的：

一种多维离群列车动车组轴箱轴承温度异常状态监测方法，基于孤立森林算法，包括训练模型和温度异常状态监测，其结构特点为：

所述训练模型具体为：将采集到的一年内的列车动车组轴箱轴承温度数据进行整理，将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，形成三个独立的数据集，然后将整理好的三个数据集输入模型进行训练，得到训练好的包括三个独立孤立森林的多维孤立森林模型；

所述温度异常状态监测包括以下步骤：

步骤S1，采集列车动车组轴箱轴承温度数据及对应的采样时间，然后对采集的温度数据进行去重、去异常值和插值处理；

步骤S2，将经过步骤S1处理好的数据输入训练好的多维孤立森林模型中，在三个独立的孤立森林模型中有两个或两个以上孤立森林检测出某一测点的异常得分超过阈值时，则判定该测点的温度异常或反常。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，在步骤S1中，所述去重处理具体为：某一时刻如果采集到同一测点有多个数据时，则取这些数据的平均值作为测点的有效值。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，在步骤S1中，所述去异常值处理具体为：对前一时刻开始的前十个数据进行线性回归，如不足十个数据时，则有几个数据就用几个数据进回归，通过回归方程计算此时刻的温度数据z，如果采集到此时刻的温度数据不在z-20至z+20的范围内，则视为该时刻的温度数据为异常，去除。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，在步骤S1中，在去除异常值后，在异常值位置进行插值处理，具体为：对前一时刻开始的前十个数据进行线性回归，不足十个数据时，则有几个数据就用几个数据进回归，通过计算得到的回归值即为该插值，将该计算得到的回归值插入到去除的异常值位置。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，在步骤S2中，异常得分的公式定义如下：

其中：

c(n)＝2H(n-1)-(2(n-1)/n)

式中：H(i)是调和函数，通过ln(i)+0.5772156649估算；

h(x)是路径长度，E(h(x))是路径长度的期望。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，孤立森林模型模型中异常得分阈值取0.8，计算结果小于0.8为正常，大于0.8为异常或反常。

进一步地，通过最小二乘法进行线性回归，先通过最小二乘法拟合出线性方程式z＝at+b，拟合出a和b，其中t是时间。

更进一步的，如果用10个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8、9、10；此时刻t＝11；如果用8个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8；此时刻t＝9；如果用5个点进行拟合，那么t的取值分别为1、2、3、4、5；此时刻t＝6；代入公式z＝at+b，计算出此刻温度数据z。

优选的，在孤立森林中有多个孤立树，每个孤立树都会算一个路径，E(h(x))是所有孤立树算出的路径的平均值。

上述多维离群列车动车组轴箱轴承温度异常状态监测方法，将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，所形成的三个独立的数据集，分别为：同架数据、同车数据、同侧数据。

本发明的有益效果是：本发明提出的基于孤立森林的多维离群列车动车组轴箱轴承温度异常状态监测方法，是一种无监督异常检测方法，因此不会有温度阈值出现，一年四季通用，同时可以很好解决漏报与误报的平衡问题，对促进保护列车动车组安全、高效运行具有重要意义。

附图说明

图1为本发明多维孤立森林模型图；

图2为本发明孤立森林算法1的算法步骤图；

图3为本发明孤立森林算法2的算法步骤图；

图4为本发明孤立森林算法3的算法步骤图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1至图4所示，一种多维离群列车动车组轴箱轴承温度异常状态监测方法，基于孤立森林算法，包括训练模型和温度异常状态监测，

孤立森林算法是一种无监督异常检测方法，与其他异常检测算法通过距离、密度等量化指标来刻画样本间的疏离程度不同，孤立森林算法通过对样本点的孤立来检测异常值(也称反常值)。具体来说，该算法利用一种名为孤立树的二叉搜索树结构来孤立样本。由于异常值(也称反常值)的数量较少且与大部分样本的疏离性，因此，异常值(也称反常值)会被更早的孤立出来，也即异常值(也称反常值)会距离孤立树的根节点更近，而正常值则会距离根节点更远。

所述训练模型具体为：将采集到的一年内的列车动车组轴箱轴承温度数据进行整理，将同一时刻的一个测点的同转向架的同一类型数据、同车厢的同一类型数据、整列车同侧相同测点的数据分别进行整理，形成三个独立的数据集，分别是：同转向架同类型数据集、同车厢同类型数据集、列车同侧相同测点数据集，分别简称为：同架数据、同车数据、同侧数据。然后将整理好的三个数据集输入模型进行训练，得到训练好的包括三个独立孤立森林的多维孤立森林模型，具体如图1所示；

所述温度异常状态监测包括以下步骤：

S1.采集列车动车组轴箱轴承温度数据，然后对数据进行去重、去异常值和插值处理；

上述去异常值是指在采集轴箱轴承温度时，有可能会因为采集过程中出现故障或偏差，而导致其采集的轴箱轴承原始温度值中有可能会存在其采集的温度值明显显示为异常值的情况，针对这种明显为异常的温度采集数据，应该予以去除，并在去除后的空位上插入一个正常值，以填补去除后的空位。

S2.将经过步骤S1处理好的数据输入训练好的多维孤立森林模型中，在三个独立的孤立森林模型中有两个或两个以上孤立森林检测计算出某一测点的异常得分超过阈值时，则判定该测点的温度异常或反常。

异常得分的公式定义如下：

其中：c(n)＝2H(n-1)-(2(n-1)/n)

式中：H(i)是调和函数，通过ln(i)+0.5772156649估算；h(x)是路径长度，E(h(x))是路径长度的期望；

模型中异常得分阈值取0.8，大于0.8则视为反常。即上式的计算结果小于0.8为正常，大于0.8为异常或反常。

在孤立森林里面有多个孤立树，每个孤立树都会算一个路径，所有孤立树算出的路径的平均值就是E(h(x))。

在上述步骤S1中，对数据进行去重处理的具体方法：某一时刻如果采集到同一测点有多个数据时，则取这些数据的平均值作为测点的有效值。

在上述步骤S1中，对数据去异常值的具体处理方法为：对前一时刻开始的前十个数据进行线性回归，如不足十个则有几个就用几个回归，通过回归方程计算此时刻的温度数据z，如果采集到此时刻的温度数据不在(z-20，z+20)范围内，则视该时刻的温度采集数据为异常，去除。

线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。本实施方式主要适用于一元线性回归分析。

在本实施方式中，线性回归通过最小二乘法求出其方程，先通过最小二乘法拟合出线性方程式z＝at+b，拟合出a和b，其中t是时间，如果用10个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8、9、10；此时刻t＝11，代入公式可以计算出此刻温度数据z。

在步骤S1去除异常值后，在异常值位置需进行插值处理，具体为：对前一时刻开始的前十个数据进行线性回归，不足十个则有几个就用几个回归，通过计算得到的回归值即为该插值，将该计算得到的回归值插入到去除的异常值位置。

本发明的工作原理：一般异常检测算法是描述正常样本点，如果数据不在正常样本点范围则视为异常或反常，而孤立森林算法则是孤立异常点；在孤立森林中，递归随机分割数据集，直到所有样本点都孤立，在这种随机分割策略下，异常点通常具有较短的路径；

如图2所示，先按照算法1构建孤立树，然后再根据算法2构建孤立森林，具体如图3所示，最后通过算法3计算路径长度，其计算过程如图4所示；路径长度h(x)是指点x从根节点到外部节点通过的边的个数。

试验例1

本试验基于独立森林算法，首先将采集到的一年内的列车动车组轴箱轴承温度数据进行整理，将同一时刻的一个测点的同转向架的轴箱轴承温度数据(同架数据)、同车厢的轴箱轴承温度数据(同车数据)、整列车同侧的轴箱轴承温度数据(同侧数据)分别进行整理，形成三个独立的数据集，然后将整理好的三个数据集输入模型进行训练，得到训练好的包括三个独立孤立森林的多维孤立森林模型。

然后利用安装在列车动车组上的传感器检测列车动车组轴箱轴承温度数据，如表1所示，

表1采集到的列车动车组轴箱轴承温度数据表

从表1可以看出，1号轴承温度有重复值，3好轴承温度缺失，4号轴承温度为异常值，然后对采集到的列车动车组轴箱轴承温度数据表依次进行去重、去异常值、插值预处理，处理结果如表2所示：

表2轴箱轴承温度数据预处理结果表

将处理好的上述表2中的数据输入训练好的多维孤立森林模型中，当有两个或两个以上孤立森林检测计算出某一测点的异常得分超过阈值0.8时，则判定该测点的温度异常或反常。在上述表2中，经过孤立森林检测计算出的每一测点的异常得分均没有超过阈值0.8，即上述表2中的数据，经过孤立森林检测计算后，没有温度异常或反常值。

试验例2

基于试验例1，利用安装在列车动车组上的传感器继续检测列车动车组轴箱轴承温度数据，采集到某轴箱轴承温度为105.24℃，同架数据为[105.24，78.56，76.80，75.45]，同车数据为[105.24，78.56，76.80，75.45，81.29，74.23，75.22，78.93]，同侧数据为[105.24，69.26，72.78，70.56，78.45，82.30，79.90，84.33]；对采集到的列车动车组轴箱轴承温度数据表依次进行去重、去异常值、插值预处理，将处理好的数据依次输入训练好的多维孤立森林模型中。经过模型计算，105.24℃在同架模型中的异常得分为0.87，在同车模型中的异常得分为0.83，在同侧模型中的异常得分为0.78，其中同车模型和同架模型的异常得分超过0.8，因此可以判定105.24℃的轴箱轴承温度反常。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种多维离群列车动车组轴箱轴承温度异常状态监测方法，基于孤立森林算法，包括训练模型和温度异常状态监测，其特征在于：

所述训练模型具体为：将采集到的一年内的列车动车组轴箱轴承温度数据进行整理，将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，形成三个独立的数据集，然后将整理好的三个数据集输入模型进行训练，得到训练好的包括三个独立孤立森林的多维孤立森林模型；

所述温度异常状态监测包括以下步骤：

步骤S1，采集列车动车组轴箱轴承温度数据及对应的采样时间，然后对采集的温度数据进行去重、去异常值和插值处理；

步骤S2，将经过步骤S1处理好的数据输入训练好的多维孤立森林模型中，在三个独立的孤立森林模型中有两个或两个以上孤立森林检测出某一测点的异常得分超过阈值时，则判定该测点的温度异常或反常。

2.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，所述去重处理具体为：某一时刻如果采集到同一测点有多个数据时，则取这些数据的平均值作为测点的有效值。

3.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，所述去异常值处理具体为：对前一时刻开始的前十个数据进行线性回归，如不足十个数据时，则有几个数据就用几个数据进回归，通过回归方程计算此时刻的温度数据z，如果采集到此时刻的温度数据不在z-20至z+20的范围内，则视为该时刻的温度数据为异常，去除。

4.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S1中，在去除异常值后，在异常值位置进行插值处理，具体为：对前一时刻开始的前十个数据进行线性回归，不足十个数据时，则有几个数据就用几个数据进回归，通过计算得到的回归值即为该插值，将该计算得到的回归值插入到去除的异常值位置。

5.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在步骤S2中，异常得分的公式定义如下：

其中：

c(n)＝2H(n-1)-(2(n-1)/n)

式中：H(i)是调和函数，通过ln(i)+0.5772156649估算；

h(x)是路径长度，E(h(x))是路径长度的期望。

6.根据权利要求1或5所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：孤立森林模型模型中异常得分阈值取0.8，计算结果小于0.8为正常，大于0.8为异常或反常。

7.根据权利要求3或4所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：通过最小二乘法进行线性回归，先通过最小二乘法拟合出线性方程式z＝at+b，拟合出a和b，其中t是时间。

8.根据权利要求7所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：用10个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8、9、10；此时刻t＝11；用8个点进行拟合，那么t的取值分别为1、2、3、4、5、6、7、8；此时刻t＝9；用5个点进行拟合，那么t的取值分别为1、2、3、4、5；此时刻t＝6；代入公式z＝at+b，计算出此刻温度数据z。

9.根据权利要求5所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：在孤立森林中有多个孤立树，每个孤立树都会算一个路径，E(h(x))是所有孤立树算出的路径的平均值。

10.根据权利要求1所述的一种多维离群列车动车组轴箱轴承温度异常状态监测方法，其特征在于：将同一时刻的一个测点的同转向架的轴箱轴承温度数据、同车厢的轴箱轴承温度数据、整列车同侧的轴箱轴承温度数据分别进行整理，所形成的三个独立的数据集，分别为：同架数据、同车数据、同侧数据。