CN111829693B - 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 - Google Patents

Abstract

本发明公开了基于时间与空间维度的LSTM模型的轴承温度检测方法及系统，本发明的方法包括以下步骤：步骤一、生成基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；步骤二、根据实时监测数据，由轴承温度时间预测模型得到目标轴位轴承温度时间预测值，由轴承温度空间预测模型得到目标轴位温度空间预测值；步骤三、基于目标轴位轴承温度时间预测值和轴承温度空间预测值，根据温度报警机制判断目标轴位轴承运行状态，输出报警结果。本发明提出了一种融合时间维度和空降维度的LSTM模型的轴承温度检测方法，利用两种模型进行互相修正，提高检测与预警的精度，且能够发现同位之间相互影响与印证的关系。

Description

基于时间与空间维度的LSTM模型的轴承温度检测方法及系统

技术领域

本发明涉及铁路运输安全监控以及列车故障检测领域，尤其涉及一种基于时间与空间维度的LSTM模型的轴承温度检测方法及系统。

背景技术

随着我国高速、重载铁路和城市轨道交通的快速发展，对轨道交通车辆运营和维护提出了挑战，而滚动轴承是列车转向架关键部件之一，其运行状态直接影响列车的稳定性和安全性，因此突破高速列车关键部件健康状态监测和在线故障诊断技术，是保障高速列车安全高效运行的重要途径。

因此，为了提高轴承报警系统的准确性和稳定性，为行车应急预留充足的时间，降低温度报警系统的错报率和误报率，一些现有技术中通过引入神经网络进行温度预测，通过输入具有时间连续性目标温度对未来轴承温度的预测，如果轴承温度异常，那么预测出来的未来温度也异常，如预测温度超过轴承温度阈值，即可实现提前预警，并给应急处理预留一定的时间。由于此类模型包含本身历史数据，模型预测精度都非常高，但是此类模型通常需要保证输入轴温数据的有效性，且当机车重载或加速过程中温度上升过快时会出现预测值偏离真实温度，造成温度误报警。

另外还有一些现有技术中利用与预测轴位物理位置一致的同位温度数据预测本轴轴承理想温度，通过理想值与真实值的差异判断轴承运行的状态，例如直接通过判断预测值和真实轴承温度的差值超过设定阈值时即输出温度报警。此类模型也同样存在一些缺陷：(1)当他轴温度出现异常，同样会导致本轴预测值出现异常(2)无法避免轴承润滑不良导致的短时温度报警。

通过上述分析可知，单独使用一个轴温预测模型进行温度预测与报警诊断都会存在误报或精度不高的情况，无法进行现场使用，同样引起列车运行的安全隐患。

发明内容

为了克服单一的轴承温度预测模型都存在本身无法优化的边界缺陷，从而导致误报或检测精度不高的技术问题，本发明提供了基于时间与空间维度的LSTM模型的轴承温度检测方法。本发明考虑了具有时间连续的历史轴温以及空间同位的他轴温度，能够实现对目标轴位未来一段时间轴承温度的预测，并根据温度报警识别逻辑进行温度报警识别，无需前期有效性判断等工作，提高了检测的准确性。

本发明通过下述技术方案实现：

基于时间与空间维度的LSTM模型的轴承温度检测方法，该方法包括以下步骤：

步骤一、生成基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；

步骤二、根据实时监测数据，由轴承温度时间预测模型得到目标轴位轴承温度时间预测值，由轴承温度空间预测模型得到目标轴位轴承温度空间预测值；

步骤三、基于目标轴位轴承温度时间预测值和轴承温度空间预测值，根据温度报警机制判断目标轴位轴承运行状态，输出报警结果。

本发明提出了一种融合时间维度和空间维度的LSTM模型的轴承温度检测方法，利用两种模型进行互相修正，提高检测与预警的精度，且能够发现同位之间相互影响与印证的关系。

优选的，本发明通过历史轴温数据、环温数据和机车运行参数，将其进行归一化处理得到相关输入参数，输入到LSTM模型训练得到基于LSTM的轴承温度时间预测模型，即本发明的步骤一的生成基于LSTM的轴承温度时间预测模型具体包括：

步骤S111，获取t时刻及t时刻前预设时段内的机车目标轴位的历史轴承温度数据和目标轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为训练模型的输入数据；

步骤S112，获取(t+n)时刻机车目标轴位的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；其中，n为预测时长；

步骤S113，将步骤S111获得的输入数据和步骤S112获得的输出数据输入到LSTM模型中，不断调整LSTM模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型。

优选的，本发明通过获取当前时刻的轴承温度数据、环温数据和机车运行参数，将其进行归一化处理得到相关输入参数，输入到LSTM模型训练得到基于LSTM的轴承温度空间预测模型，即本发明的步骤一的生成基于LSTM的轴承温度空间预测模型具体包括：

步骤S121，获取当前时刻机车辅助轴位轴承温度历史数据和辅助轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为训练模型的输入数据；

步骤S122，获取当前时刻机车目标轴位轴承温度历史数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；

步骤S123，将步骤S121获得的输入数据和步骤S122获得的输出数据输入到LSTM模型中，不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型。

优选的，本发明的步骤二具体包括：

步骤S21，获取i时刻及i时刻前预设时段内的机车目标轴位的轴承温度实测值和环境温度实测值、辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数；

步骤S22，将i时刻及i时刻前预设时段内的机车目标轴位的轴承温度实测值和环境温度实测值以及机车运行参数进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下目标轴位的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0；其中，n为预测时长；

步骤S23，将i时刻下机车辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下目标轴位的轴承温度空间预测值。

优选的，本发明的步骤三具体包括：

步骤S31，当i时刻下轴承温度实测值与i时刻下轴承温度空间预测值的差值绝对值大于温度告警阈值时，则进行空间模型温度报警；

步骤S32，当(i+n)时刻下轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；

步骤S33，当空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

另一方面，本发明还提出了基于时间与空间维度的LSTM模型的轴承温度检测系统，该系统包括：

模型训练模块、轴承温度时间预测模块、轴承温度空间预测模块和报警模块；

其中，所述模型训练模块用于训练得到基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；

所述轴承温度时间预测模块用于获取基于LSTM的轴承温度时间预测模型并根据实时监测数据预测得到轴承温度时间预测值；

所述轴承温度空间预测模块用于获取基于LSTM的轴承温度空间预测模型并根据实时监测数据预测得到轴承温度空间预测值；

所述报警模块用于获取实时监测数据中的轴承温度实测值、轴承温度时间预测值和轴承温度空间预测值，输出温度报警结果。

优选的，本发明的模型训练模块用于获取t时刻及t时刻前预设时段内的机车目标轴位的历史轴承温度数据和目标轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输入数据；

所述模型训练模块用于获取(t+n)时刻机车目标轴位的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输出数据；其中，n为预测时长；

所述模型训练模块不断调整LSTM模型参数，使得在训练时间范围内使得LSTM训练模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型并将其传输给轴承温度时间预测模块。

优选的，本发明的模型训练模块用于获取当前时刻机车辅助轴位轴承温度历史数据和辅助轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输入数据；

所述模型训练模块用于获取当前时刻机车目标轴位轴承温度历史数据并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输出数据；

所述模型训练模块不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率和预测精度达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型并将其传输给轴承温度空间预测模块。

优选的，本发明的轴承温度时间预测模块获取i时刻及i时刻前预设时段内的机车目标轴位实时轴承温度数据和实时环境温度数据以及列车运行参数并对其进行标准化处理；将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下目标轴位的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0；其中，n为预测时长；

本发明的轴承温度空间预测模块获取i时刻下机车辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数并对其进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下目标轴位的轴承温度空间预测值。

优选的，本发明的报警模块用于计算i时刻下轴承温度实测值与i时刻下轴承温度空间预测值之间的差值，当该差值的绝对值大于温度告警阈值时，则进行空间模型温度报警；

所述报警模块检测到(i+n)时刻下轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；

所述报警模块在空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

本发明具有如下的优点和有益效果：

1、本发明综合考虑了机车运行参数(运行里程和运行速度等)、环境温度和轴承温度，具有时间连续的历史轴温以及空间同位的他轴温度，能够实现对目标轴位未来一段时间轴承温度的预测，并根据温度报警识别逻辑进行温度报警识别，无需前期有效性判断等工作，增加了轴温检测的准确性，提高运输的高效性。

2、相较于现有采用单一的轴承温度预测模型实现轴温检测，本发明采用了一种融合时间维度与空间维度的LSTM模型的轴温报警检测技术，利用时间预测模型和空间预测模型两种模型进行互相修正，提高检测与预警的精度，同时能够发现同位之间相互影响与印证的关系。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的检测方法流程示意图。

图2为本发明的轴温测点传感器布置示意图。

图3为本发明的LSTM模型结构示意图。

图4为本发明的6个轴2位温度变化趋势图。

图5为本发明目标轴位轴承温度时间模型模拟预测结果。

图6为本发明目标轴位轴承温度空间模型模拟预测结果。

图7为本发明的检测系统结构示意图。

附图中标记及对应的零部件名称：

1-齿端轴箱，2-齿端电机，3-齿端抱轴，4-刷端报轴，5-刷端电机，6-刷端轴箱。

具体实施方式

在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。

在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。

在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本实施例提出了基于时间与空间维度的LSTM模型的轴承温度检测方法。

如图1所示，本实施例的检测方法包括以下步骤：

步骤一、生成基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；

步骤二、根据实时监测数据，由轴承温度时间预测模型得到目标轴位轴承温度时间预测值，由轴承温度空间预测模型得到目标轴位轴承温度空间预测值；

步骤三、基于目标轴位轴承温度时间预测值和轴承温度空间预测值，根据温度报警机制判断目标轴位轴承运行状态，输出报警结果。

本实施例选取某机务段某车型机车走行部轴温监测数据，该车型机车每个转向架上共有6轴，每一个转向架轴承上共6个测点，各测点分布示意图如图2所示。本发明以2轴2位(1)温度数据为目标轴位进行轴温预测和温度报警识别，则该节机车中1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)为辅助轴位。且转向架每根轴承测点位置安装方案必须一致，每根轴承轴温测点至少有1个点位。

本实施例的步骤一具体包括：

S11，提取该机车2轴2位(1)、1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)的轴温以及轴端环境温度历史数据，历史实验数据6个轴2位温度变化趋势曲线图如图3；对应时间的机车行驶里程和速度，对提取的数据进行预处理。数据时间包括从201 8年5月30日至2018年8月26日机车轴温数据，时间粒度为分钟，数据长度为45200条。

本实施例采用的预测模型为LSTM模型，其结构如图4所示：

LSTM模型又称长短记忆神经网络，是建立在RNN上的一种新型深度机器学习神经网络，利用记忆块代替普通的隐含层节点，确保将信息的存储跨越任意的延迟并将误差信号返回到很久的时间点，使网络学会忘记并远离饱和状态，避免了长时依赖、梯度消失和爆炸等难题。主要通过三个门进行控制，分别是输入门、遗忘门和输出门。

输入门单元功能：对t时刻的输入和t-1时刻记忆块的输出的加权和按sigmiod函数进行激活，并在激活值为0时切断来自另一个节点的信息流，在激活值为1时让信息流通过。

i_t＝σ(w_i*[x_t，h_t-1]+b_i)

遗忘门单元功能：对t时刻的输入和t-1时刻的输出加权和按sigmiod函数激活，用于判别是否对当前记忆块存储的历史信息进行保留，用于更新记忆细胞的状态。

f_t＝σ(w_f*[x_t，h_t-1]+b_f)

输出门单元功能：对t时刻的输入和t-1时刻的记忆块输出的加权和按sigmoid函数激活，判别是否将当前记忆块输出至下一层。

o_t＝σ(w_o*[x_t，h_t-1]+b_o)

输入模块状态：

当前模块状态：

模块的输出(递归神经网络的隐层输出)：

h_t＝o_t*tanh(C_t)

递归神经网络的输出：

其中，w_i、w_f、w_o、w_c是连续递归神经网络输入层和隐藏层的权重参数，w₁，b_i、b_f、b_o、b_c分别是输入门、记忆门、输出门和输入模块状态的偏置参数；w₂是连接递归神经网络隐层和输出层的权重参数，b是递归神经网络输出层的偏置参数，σ是sigmoid函数，tanh是双曲正切函数。h_t-1是t-1时刻的隐层输出，x_t是当前t时刻的输入，

是预测出t+1时刻的输出。

本实施例中LSTM模型搭建过程如下：

a)设置LSTM模型输入维度和输入数据的时间步长；

b)设置LSTM模型优化器和学习速率；

c)设置隐层神经节点数；

d)设置迭代次数；

e)不断调整参数，以模型损失查看模型收敛程度，选择高收敛参数，形成基于LSTM的轴位温度预测模型。

S12，利用S11的历史数据，生成基于LSTM的目标轴位轴承温度时间预测模型，具体包括：

步骤1A，获取t时刻及t时刻前预设时段内的机车2轴2位(1)的历史轴承温度数据、2轴2位(1)的环境温度历史数据以及机车运行参数(包括机车行驶里程和行驶速度)，然后并对上述数据进行标准化处理，标准化处理之后的数据作为训练模型的输入数据。其中，本实施例的预设时段为30min。

其中，本实施例中使用z-score标准化方法对历史数据进行标准化处理，z-score标准化公式为：

步骤2A，获取(t+n)时刻机车2轴2位(1)的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的先验预测数据；其中，n为预测时间步长，本实施例中n取值为10min。

步骤3A，将步骤1A获得的输入数据和步骤2A获得的输出数据输入到LSTM模型中，不断调整LSTM模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型。

本实施例对得到的基于LSTM的轴承温度时间预测模型进行测试，得到该轴承温度时间预测模型精度97.37％，损失值0.022，模型预测温度与真实温度对比趋势见图5。

S13，利用S11的历史数据，生成基于LSTM的目标轴位轴承温度空间预测模型，具体为：

步骤1B，获取t时刻机车，包括1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)历史轴温数据，机车6个轴的环境温度数据以及机车运行速度与里程，并对上述数据进行标准化处理(标准化处理方式同上述步骤S12中所述)，标准化处理之后的数据作为训练模型的输入数据；

步骤2B，获取t时刻机车2轴2位(1)的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；

步骤3B，将步骤1B获得的输入数据和步骤2B获得的输出数据输入到LSTM模型中，不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型。

本实施例对得到的基于LSTM的轴承温度空间预测模型进行测试，得到该轴承温度空间预测模型精度96.91％，损失值0.0688，模型预测温度与真实温度对比趋势见图6。

本实施例的步骤二具体包括：

步骤S21，实时获取该机车2轴2位(1)、1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)的轴温以及轴端环境温度监测数据，对应时间的机车行驶里程和速度，利用实测数据得到时间预测模型预测值和空间预测模型预测值。

步骤S22，对i时刻及i时刻前预设时段(本实施例的预设时段如上，为30min)内的2轴2位(1)的实时监测数据(包括2轴2位的轴温数据、环温数据以及机车运行参数)进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下2轴2位(1)的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0；其中，n为预测时间步长，取值为10min；

步骤S23，对i时刻下机车1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)的轴温以及轴端环境温度监测数据，对应时间的机车行驶里程和速度进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下2轴2位(1)的轴承温度空间预测值。

本实施例的步骤三具体包括：

步骤S31，当i时刻下2轴2位(1)轴承温度实测值与i时刻下2轴2位(1)轴承温度空间预测值的差值绝对值大于温度告警阈值时，则进行空间模型温度报警；本实施例中的温度告警阈值取值为15°；

步骤S32，当(i+n)时刻下2轴2位(1)轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；本实施例中的警告累计时长取值为10min；

步骤S33，当空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

实施例2

基于上述实施例1，本实施例还提出了基于时间与空间维度的LSTM模型的轴承温度检测系统。

如图7所示，本实施例的检测系统包括：

模型训练模块、轴承温度时间预测模块、轴承温度空间预测模块和报警模块；

其中，模型训练模块用于训练得到基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型。

具体的本实施例的模型训练模块用于获取t时刻及t时刻前预设时段内的机车2轴2位(1)的历史轴承温度数据、2轴2位(1)的环境温度历史数据以及机车运行参数(包括机车行驶里程和行驶速度)，然后并对上述数据进行标准化处理，标准化处理之后的数据作为训练模型的输入数据；获取(t+n)时刻机车2轴2位(1)的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；不断调整LSTM模型参数，使得在训练时间范围内使得LSTM训练模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型并将其传输给轴承温度时间预测模块。

具体的本实施例的模型训练模块还用于获取当前时刻机车1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)历史轴温数据，机车6个轴的环境温度数据以及机车运行速度与里程并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输入数据；获取当前时刻机车2轴2位(1)轴承温度历史数据并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输出数据；不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型并将其传输给轴承温度空间预测模块。

本实施例的轴承温度时间预测模块实时获取i时刻及i时刻前预设时段内的机车2轴2位(1)实时轴承温度数据和实时环境温度数据以及列车运行参数并对其进行标准化处理；将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下2轴2位(1)的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0。

本实施例的轴承温度空间预测模块实时获取i时刻下机车1轴2位(2)、3轴2位(3)、4轴2位(4)、5轴2位(5)、6轴2位(6)的轴承温度实测值和环境温度实测值以及机车运行参数并对其进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下2轴2位(1)的轴承温度空间预测值。

本实施例的报警模块用于计算i时刻下轴承温度实测值与i时刻下轴承温度空间预测值之间的差值，当该差值的绝对值大于温度告警阈值时，则进行空间模型温度报警；

本实施例的报警模块检测到(i+n)时刻下轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；

本实施例的报警模块在空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于时间与空间维度的LSTM模型的轴承温度检测方法，其特征在于，该方法包括以下步骤：

步骤一、生成基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；

步骤二、根据实时监测数据，由轴承温度时间预测模型得到目标轴位轴承温度时间预测值，由轴承温度空间预测模型得到目标轴位轴承温度空间预测值；

步骤三、基于目标轴位轴承温度时间预测值和轴承温度空间预测值，根据温度报警机制判断目标轴位轴承运行状态，输出报警结果；

所述步骤二具体包括：

步骤S21，获取i时刻及i时刻前预设时段内的机车目标轴位的轴承温度实测值和环境温度实测值、辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数；

步骤S22，将i时刻及i时刻前预设时段内的机车目标轴位的轴承温度实测值和环境温度实测值以及机车运行参数进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下目标轴位的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0；其中，n为预测时长；

步骤S23，将i时刻下机车辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数进行标准化处理，将标准化处理之后的数据输入到基于LSTM的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下目标轴位的轴承温度空间预测值；

所述步骤三具体包括：

步骤S31，当i时刻下轴承温度实测值与i时刻下轴承温度空间预测值的差值绝对值大于温度告警阈值时，则进行空间模型温度报警；

步骤S32，当(i+n)时刻下轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；

步骤S33，当空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

2.根据权利要求1所述的基于时间与空间维度的LSTM模型的轴承温度检测方法，其特征在于，所述步骤一的生成基于LSTM的轴承温度时间预测模型具体包括：

步骤S111，获取t时刻及t时刻前预设时段内的机车目标轴位的历史轴承温度数据和目标轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为训练模型的输入数据；

步骤S112，获取(t+n)时刻机车目标轴位的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；其中，n为预测时长；

步骤S113，将步骤S111获得的输入数据和步骤S112获得的输出数据输入到LSTM模型中，不断调整LSTM模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型。

3.根据权利要求1所述的基于时间与空间维度的LSTM模型的轴承温度检测方法，其特征在于，所述步骤一的生成基于LSTM的轴承温度空间预测模型具体包括：

步骤S121，获取当前时刻机车辅助轴位轴承温度历史数据和辅助轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为训练模型的输入数据；

步骤S122，获取当前时刻机车目标轴位轴承温度历史数据并对其进行标准化处理，标准化处理之后的数据作为训练模型的输出数据；

步骤S123，将步骤S121获得的输入数据和步骤S122获得的输出数据输入到LSTM模型中，不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型。

4.基于时间与空间维度的LSTM模型的轴承温度检测系统，其特征在于，该系统包括：

模型训练模块、轴承温度时间预测模块、轴承温度空间预测模块和报警模块；

其中，所述模型训练模块用于训练得到基于LSTM的轴承温度时间预测模型和基于LSTM的轴承温度空间预测模型；

所述轴承温度时间预测模块用于获取基于LSTM的轴承温度时间预测模型并根据实时监测数据预测得到轴承温度时间预测值；

所述轴承温度空间预测模块用于获取基于LSTM的轴承温度空间预测模型并根据实时监测数据预测得到轴承温度空间预测值；

所述报警模块用于获取实时监测数据中的轴承温度实测值、轴承温度时间预测值和轴承温度空间预测值，输出温度报警结果；

所述轴承温度时间预测模块获取i时刻及i时刻前预设时段内的机车目标轴位实时轴承温度数据和实时环境温度数据以及列车运行参数并对其进行标准化处理；将标准化处理之后的数据输入到基于LSTM的轴承温度时间预测模型，并将该轴承温度时间预测模型的输出数据进行反标准化处理后得到第(i+n)时刻下目标轴位的轴承温度时间预测值，当轴承温度时间预测值大于温度报警阈值时，计时器cnt累计计时，否则计时器cnt＝0；其中，n为预测时长；

所述轴承温度空间预测模块获取i时刻下机车辅助轴位的轴承温度实测值和环境温度实测值以及机车运行参数并对其进行标准化处理；将标准化处理之后的数据输入到基于LSTM 的轴承温度空间预测模型，并将该轴承温度空间预测模型的输出数据进行反标准化处理后得到第i时刻下目标轴位的轴承温度空间预测值；

所述报警模块用于计算i时刻下轴承温度实测值与i时刻下轴承温度空间预测值之间的差值，当该差值的绝对值大于温度告警阈值时，则进行空间模型温度报警；

所述报警模块检测到(i+n)时刻下轴承温度时间预测值大于温度报警阈值时，且计时器cnt大于警告累计时长，则进行时间模型温度报警；

所述报警模块在空间模型温度报警和时间模型温度报警同时发生时，则输出温度预警。

5.根据权利要求4所述的基于时间与空间维度的LSTM模型的轴承温度检测系统，其特征在于，所述模型训练模块用于获取t时刻及t时刻前预设时段内的机车目标轴位的历史轴承温度数据和目标轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输入数据；

所述模型训练模块用于获取(t+n)时刻机车目标轴位的历史轴承温度数据并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输出数据；其中，n为预测时长；

所述模型训练模块不断调整LSTM模型参数，使得在训练时间范围内使得LSTM训练模型损失率达到预设值则停止训练，得到基于LSTM的轴承温度时间预测模型并将其传输给轴承温度时间预测模块。

6.根据权利要求4所述的基于时间与空间维度的LSTM模型的轴承温度检测系统，其特征在于，所述模型训练模块用于获取当前时刻机车辅助轴位轴承温度历史数据和辅助轴环境温度历史数据以及机车运行参数并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输入数据；

所述模型训练模块用于获取当前时刻机车目标轴位轴承温度历史数据并对其进行标准化处理，标准化处理之后的数据作为LSTM训练模型的输出数据；

所述模型训练模块不断调整模型参数，使得在训练时间范围内使得LSTM模型损失率和预测精度达到预设值则停止训练，得到基于LSTM的轴承温度空间预测模型并将其传输给轴承温度空间预测模块。

Images