CN113065219B - 一种列车牵引变压器冷却系统异常检测方法及装置 - Google Patents

Abstract

本发明提供一种列车牵引变压器冷却系统异常检测方法，包括：获取列车运行时的油温数据；对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。本发明提供的列车牵引变压器冷却系统异常检测方法，通过对列车运行时的油温数据进行预处理，并进行时间序列分析建模，能够得到油温分布的时间序列模型，对列车实时运行时的油温数据形成定量的牵引变压器冷却系统异常判断标准，能够基于采集的数据高效、准确的判断牵引变压器冷却系统是否存在异常。

Description

一种列车牵引变压器冷却系统异常检测方法及装置

技术领域

本发明涉及列车检测技术领域，尤其涉及一种列车牵引变压器冷却系统异常检测方法及装置。

背景技术

随着列车运行速度的提高及列车牵引吨位的增加，车辆设备的检修和维护面临着更高的要求，牵引变压器作为整个列车的心脏和动力来源，其运行状况直接关系列车能否稳定、高效的运行。

牵引变压器工作时会产生大量热量使得油箱里油温升高，油泵为变压器油的流动提供动力，将热油从油箱顶部抽出进入冷却器，冷却后的油从底部进入牵引变压器油箱中，如此循环往复，使牵引变压器达到预期的冷却效果，保障牵引变压器持续正常工作。冷却系统作为牵引变压器安全运行的重要组成部分，如果出现故障或冷却效果变差不能及时将热量传递出去，致使牵引变压器内部温度升高，会导致线圈老化、绝缘失效等后果，轻则影响列车功率，造成列车临停或者途停，重则容易发生火灾等安全事故。

目前牵引变压器冷却系统异常的检测方式主要依靠人工的经验进行判断，存在判断不够准确且耗时很长等问题，因此，迫切需要一种新的检测牵引变压器冷却系统是否正常的方法。

发明内容

有鉴于此，本发明的目的在于提出一种牵引变压器冷却系统异常检测法及装置，以解决常用的检测方法判断不够准确且耗时很长的问题。

基于上述目的，本发明提供了一种列车牵引变压器冷却系统异常检测方法，包括：

获取列车运行时的油温数据；

对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；

对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。

在其中一个实施例中，所述对所述原始油温数据进行时间序列分析建模包括：

对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的非白噪声油温数据序列拟合自回归滑动平均模型。

在其中一个实施例中，所述根据检验结果，选取平稳的油温数据序列包括：

当所述检验结果为符合平稳性要求时，选取所述油温数据为平稳的油温数据序列；

当所述检验结果为不符合平稳性要求时，对所述油温数据进行差分运算，并对差分运算所得油温数据重新进行平稳性检验，直至符合平稳性要求。

在其中一个实施例中，所述对所述原始油温数据进行时间序列分析建模包括通过差分自回归移动平均模型建模，所述差分自回归移动平均模型建模包括：

其中，Φ(B)＝1-φ₁B-…-φ_pB_p为平稳可逆ARMA(p,q)模型的自回归系数多项式，p为自回归项数，q为移动平均项数，d为时间序列成平稳时所需的差分次数，

x_t为t时刻需要分析的油温数据序列，Θ(B)＝1-θ₁B-…-θ_qB_q为平稳可逆ARMA(p,q)模型的移动平滑系数多项式，{ε_t}为零均值白噪声序列。

在其中一个实施例中，所述根据所述油温分布的时间序列模型对油温数据进行异常分析包括：

将平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

如果所述预测值低于预设的判定阈值，判断所述冷却系统异常。

本发明还提供一种列车牵引变压器冷却系统异常检测装置，包括：

油温数据获取模块，用于获取列车运行时的油温数据；

油温数据预处理模块，用于对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；

时间序列模型建立模块，用于对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

检测模块，用于根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。

在其中一个实施例中，所述时间序列模型建立模块包括：

平稳性检测子模块，用于对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

白噪声检测子模块，用于对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的非白噪声油温数据序列拟合自回归滑动平均模型。

在其中一个实施例中，所述检测模块包括：

预测子模块，用于将平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

判断子模块，用于当所述预测值低于预设的判定阈值时，判断所述冷却系统异常。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。

本发明还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的方法。

从上面所述可以看出，本发明提供的列车牵引变压器冷却系统异常检测方法，通过对列车运行时的油温数据进行预处理，并进行时间序列分析建模，能够得到油温分布的时间序列模型，对列车实时运行时的油温数据形成定量的牵引变压器冷却系统异常判断标准，能够基于采集的数据高效、准确的判断牵引变压器冷却系统是否存在异常。

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使用的附图作简单地介绍，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为本发明实施例的列车牵引变压器冷却系统异常检测方法的流程图；

图2为本发明实施例的对所述原始油温数据进行时间序列分析建模的流程图；

图3为本发明实施例的根据检验结果，选取平稳的油温数据序列的流程图；

图4为本发明实施例的列车正常运行时的油温数据的分布图；

图5为本发明实施例的另一种列车牵引变压器冷却系统异常检测方法的流程图；

图6为本发明实施例的另一种时间序列模型的构建流程图；

图7为本发明实施例的一种更为具体的电子设备硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本申请的发明人在长期的列车牵引变压器的冷却系统的检测工作中发现，目前牵引变压器冷却系统异常的检测方式基本是以专家知识进行判别，主要靠业务知识和经验做定性的判断处理，对人员的要求和依赖性很高。对于复杂的情况可能需要多个专家进行讨论给出判断，需要耗费很多的时间，如果判断错误，可能会引发火灾等安全事故，对于铁路运输的效率产生严重的影响。

本申请提供一种列车牵引变压器冷却系统异常检测方法，通过从运行数据方面的定量统计分析与建模诊断，形成完善的牵引变压器冷却系统异常判断标准，能够基于采集的数据高效、准确的判断牵引变压器冷却系统是否存在异常。

请参阅图1，本发明提供一种列车牵引变压器冷却系统异常检测方法，包括：

S100，获取列车运行时的油温数据；

S200，对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；

S300，对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

S400，根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。

步骤S100中，油温为牵引变压器的油箱中的油温，与牵引变压器的工作状态和冷却系统的工作状态密切相关。如果牵引变压器和冷却系统出现异常或发生故障，油温的数据与正常工况有明显区别，因此，油温数据可以反应牵引变压器及冷却系统的工作状态。

所述油温数据可以通过传感器来获取，传感器在采集时可以基于时间序列对油温数据进行采集，并将采集的油温数据存储在数据库中。较佳地，在采集时，可以设置多个传感器，分别设置在牵引变压器的油箱的不同部位，建立针对各个不同监测点的子数据库。在不同的子数据库中，分别记载监测点对应的油温数据、采集时间及采集部位。不同的子数据库的建立，可以为牵引变压器冷却系统异常的检测提供有力的数据支撑，提高冷却系统异常检测的准确率和及时率。

步骤S200中，预处理可以为基于密度的离群点检测方法、基于聚类的离群点检测以及数据的野值检测等方法。

预处理可以为基于密度的离群点检测方法。具体地，该检测方法的基本假定是非离群点油温数据周围的密度与其邻域周围密度类似，而离群点油温数据周围的密度显著不同于邻域周围的密度。对给定的油温数据集D，记dist_k(o)为油温数据o与其第k个最近邻数据之间的距离，那么油温数据o的k-距离邻域包含到油温数据o点距离不大于dist_k(o)的所有数据，记为N_k(o)＝{o'|o'∈D,dist(o,o')≤dist_k(0)}。N_k(0)中的对象到油温数据o点的平均距离为油温数据o的局部密度度量。

采用基于密度的离群点检测方法对实时监控的油温数据进行降噪，可以去除明显异常的数据，例如明显大于历史油温数值和明显小于历史油温数值的数据，从而提高用于分析的油温数据的有效性，进而提高检测结果的准确性。

步骤S300中，可以通过ARIMA(p,d,q)模型，即差分自回归移动平均模型对油温数据进行时间序列分析建模。其中AR是自回归模型，MA为移动平均模型，p为自回归项数，q为移动平均项数，d为时间序列成平稳时所需的差分次数。其中，p通过自相关函数确定，q通过偏自相关函数确定。

所述差分自回归移动平均模型建模包括：

其中，Φ(B)＝1-φ₁B-…-φ_pB_p为平稳可逆ARMA(p，q)模型的自回归系数多项式，p为自回归项数，q为移动平均项数，d为时间序列成平稳时所需的差分次数，

x_t为t时刻需要分析的油温数据序列，Θ(B)＝1-θ₁B-…-θ_qB_q为平稳可逆ARMA(p,q)模型的移动平滑系数多项式，{ε_t}为零均值白噪声序列。应当说明的是，公式中的第二行是要求随机干扰序列{ε_t}为零均值白噪声序列。

通过差分自回归移动平均模型进行时间序列分析建模，可以基于油温数据发展的延续性，应用历史油温数据推测油温数据的发展趋势，并考虑到油温数据发展的随机性，利用加权平均等方法对历史油温数据进行处理消除偶然因素的影响，通过分析获取三种典型变化规律：趋势变化、周期性变化、随机性变化。因此本发明通过时间序列分析提取油温数据的中长期时序特征，能够获取油温数值及变化率的分布情况，并建立能够分析油温数据变化趋势的模型。

请参阅图2，具体地，步骤S300，即所述对所述原始油温数据进行时间序列分析建模可以包括：

S310，对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

S320，对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的油温数据序列拟合自回归滑动平均模型。

具体地，如图3所示，步骤S310中，所述根据检验结果，选取平稳的油温数据序列包括：

S311，当所述原始油温数据的检验结果为符合平稳性要求时，选取该符合平稳性要求的原始油温数据为平稳的油温数据序列；

S312，当所述检验结果为不符合平稳性要求时，对所述原始油温数据进行差分运算，并对差分运算所得油温数据序列重新进行平稳性检验，直至符合平稳性要求，选取符合平稳性要求的数据序列为平稳的油温数据序列。

具体地，步骤S311中，对所述原始油温数据进行平稳性检验，能够减少油温数据序列的波动性，尽可能提高油温数据的稳定性，提高后续分析建模的可靠性。

符合平稳性要求的油温数据序列指的是均值、方差和自回归函数不随时间变化的油温数据序列。平稳性检验可采用迪基-福勒检验Dickey–Fuller检验，其零假设为序列存在单位根，即序列不平稳。由于油温数据序列是一个时间序列，反映了在某一时间段内，传感器采集的油温数据按照时间的排列顺序，因此，可对油温数据序列进行时间序列建模，得到时间序列模型。

步骤S312中，差分运算的阶数d，即对不符合平稳性要求的原始油温数据进行差分运算的次数，可通过观察差分前后的数据波形来确定。一般地，差分的次数为2～3次，当经过2～3次的差分运算之后，如果仍然得不到符合平稳性要求的数据，需要舍弃预处理之后得到的油温数据序列，并重新对油温数据序列进行选取。

步骤S320中，通过对平稳的油温数据序列进行白噪声检验，判断平稳的油温数据序列是否为白噪声序列，当平稳的油温数据序列非白噪声序列时，对该平稳的油温数据序列进行拟合预测，得到自相关系数和偏自相关系数，作为模型建立时的阶数p和q。当平稳的油温数据序列为白噪声序列时，则分析结束。其中，自回归滑动平均模型即为时间序列模型。

白噪声检验可采用Ljung–Box检验或Box–Pierce检验，其零假设为序列为白噪声。对符合平稳性要求的油温数据进行白噪声检验，可以进一步提高分析建模的可靠性。

步骤S320还可进一步地包括，对原始油温数据中选取平稳的油温数据序列后剩余的油温数据进行白噪声检验，当剩余的油温数据符合白噪声检验时，分析结束。

请参阅图4，为对油温数据进行时间序列分析建模后所得到的列车正常运行时的油温数据的分布图。

步骤S400中，所述根据所述油温分布的时间序列模型对所述模型进行异常分析包括：

将所述平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

如果所述预测值高于预设的判定阈值，判断所述冷却系统异常。

建立好时间序列模型后，可以将获取的平稳的非白噪声的油温数据序列作为输入数据输入时间序列模型中，得到未来某段时间或者某个时间点的预测值。

判定阈值，可以根据经验设定。当时间序列模型输出的预测值，高于根据经验设定的判定阈值时，即可判断冷却系统发生异常。

进一步地，当检测结果为冷却系统异常时，还可包括进行预警，对可能发生的异常进行处理，提高冷却系统和牵引变压器的工作安全性。

本发明通过时间序列分析方法对列车运行时的油温数据进行定量预测分析，挖掘数据长期趋势、变化率、数据分布等特征，对均值、方差和自回归函数不随时间变化，且非白噪声的油温数据序列，通过曲线拟合、参数估计等来建立模型，并基于数据分析结果和预设的油温数据阈值，判断冷却系统是否异常。

参见图5，为本发明实施例提供的另一种列车牵引变压器冷却系统异常检测方法的流程图。该方法包括：获取牵引变压器运行时的油温数据；通过基于密度的离群点检测对所述油温数据进行预处理；对经过预处理的油温数据进行统计挖掘特征提取和时间序列分析建模，得到时间序列模型；将平稳的非白噪声油温数据序列输入时间序列模型中，得到预测值；将预测值与预设的阈值进行比较，当预测值存在异常时，判断冷却系统存在异常，否则判断冷却系统正常。

其中，对经过预处理的油温数据进行统计挖掘特征提取和时间序列分析建模，得到时间序列模型的流程图如图6所示，可以包括：获取观察序列，观察序列即为列车运行时的油温数据序列；对油温数据序列进行平稳性检验，如果不符合平稳性要求则进行差分运算，并对差分运算后所得数据序列重新进行平稳性检验；如果符合平稳性要求则继续进行白噪声检验，如果非白噪声序列，则拟合ARMA(自回归滑动平均模型)，如果为白噪声序列，则分析结束。

本发明实施例还提供一种实现上述的列车牵引变压器冷却系统异常检测方法的装置，包括：

油温数据获取模块，用于获取列车运行时的油温数据；

油温数据预处理模块，用于对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；

时间序列模型建立模块，用于对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

检测模块，用于根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。

油温数据获取模块可以为包括感器，传感器用于基于时间序列对油温数据进行采集，并将采集的油温数据存储在数据库中。较佳地，在采集时，传感器的数量可以设置多个，分别设置在牵引变压器的油箱的不同部位。在不同部位分别设置传感器，可以从多个位点检测油温数据，提高冷却系统异常检测的准确率和及时率。

油温数据预处理模块可以通过基于密度的离群点检测方法、基于聚类的离群点检测以及数据的野值检测等方法对采集的油温数据进行预处理，去除明显异常的噪声数据。

所述时间序列模型建立模块包括：

平稳性检测子模块，用于对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

白噪声检测子模块，用于对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的非白噪声油温数据序列拟合自回归滑动平均模型。

所述平稳性检测子模块，具体可以用于：选取检验结果符合平稳性要求的原始油温数据为平稳的油温数据序列；对检验结果不符合平稳性要求的油温数据进行差分运算，并重新验证差分运算所得油温数据序列的平稳性，直至符合平稳性要求。

所述检测模块包括：

预测子模块，用于将平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

判断子模块，用于当所述预测值低于预设的判定阈值时，判断所述冷却系统异常。

进一步地，列车牵引变压器冷却系统异常检测装置还包括预警模块，用于当所述检测模块判断所述冷却系统异常时，进行预警，对可能发生的异常进行处理，提高冷却系统和牵引变压器的工作安全性。

预警模块可以为警报器，蜂鸣器等，具体可以包括控制器、计量芯片、信号调理电路、电压数据采集组件和预警组件，其中：所述电压数据采集组件电连接至所述信号调理电路，所述信号调理电路电连接至所述计量芯片，所述计量芯片与所述控制器电连接，所述控制器与所述预警组件电连接。

上述实施例的装置用于实现前述方法实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的方法。

图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

所述处理器1010具体用于执行一种列车牵引变压器冷却系统异常检测方法，具体包括：

获取列车运行时的油温数据；

对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；

对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果。

本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权如上所述的方法。

本实施例的计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (5)

1.一种列车牵引变压器冷却系统异常检测方法，其特征在于，包括：

获取列车运行时的油温数据；所述油温数据通过传感器来获取，传感器在采集时基于时间序列对油温数据进行采集，并将采集的油温数据存储在数据库中；所述传感器设置为多个传感器，分别设置在牵引变压器的油箱的不同部位，以建立针对各个不同监测点的子数据库；

对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；所述预处理为基于密度的离群点检测方法；

对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果；

其中，所述根据所述油温分布的时间序列模型对油温数据进行异常分析包括：

将平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

如果所述预测值高于预设的判定阈值，判断所述冷却系统异常；

所述对所述原始油温数据进行时间序列分析建模包括：

对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的非白噪声油温数据序列拟合自回归滑动平均模型；

所述对所述原始油温数据进行时间序列分析建模包括通过差分自回归移动平均模型建模，所述差分自回归移动平均模型建模包括：

其中，Φ(B)＝1-φ₁B-…-φ_pB_p为平稳可逆ARMA(p,q)模型的自回归系数多项式，p为自回归项数，q为移动平均项数，d为时间序列成平稳时所需的差分次数，

x_t为t时刻需要分析的油温数据序列，Θ(B)＝1-θ₁B-…-θ_qB_q为平稳可逆ARMA(p,q)模型的移动平滑系数多项式，{ε_t}为零均值白噪声序列。

2.根据权利要求1所述的列车牵引变压器冷却系统异常检测方法，其特征在于，所述根据检验结果，选取平稳的油温数据序列包括：

当所述检验结果为符合平稳性要求时，选取所述油温数据为平稳的油温数据序列；

当所述检验结果为不符合平稳性要求时，对所述油温数据进行差分运算，并对差分运算所得油温数据重新进行平稳性检验，直至符合平稳性要求。

3.一种列车牵引变压器冷却系统异常检测装置，其特征在于，包括：

油温数据获取模块，用于获取列车运行时的油温数据；所述油温数据通过传感器来获取，传感器在采集时基于时间序列对油温数据进行采集，并将采集的油温数据存储在数据库中；所述传感器设置为多个传感器，分别设置在牵引变压器的油箱的不同部位，以建立针对各个不同监测点的子数据库；

油温数据预处理模块，用于对所述油温数据进行预处理，去除噪声数据，得到原始油温数据；所述预处理为基于密度的离群点检测方法；

时间序列模型建立模块，用于对所述原始油温数据进行时间序列分析建模，得到油温分布的时间序列模型；

检测模块，用于根据所述油温分布的时间序列模型对油温数据进行异常分析，得到检测结果；

所述检测模块包括：

预测子模块，用于将平稳的非白噪声油温数据序列输入所述时间序列模型，得到预测值；

判断子模块，用于当所述预测值高于预设的判定阈值时，判断所述冷却系统异常；

所述时间序列模型建立模块包括：

平稳性检测子模块，用于对所述原始油温数据进行平稳性检验，根据检验结果，选取平稳的油温数据序列；

白噪声检测子模块，用于对所述平稳的油温数据序列进行白噪声检验，当所述平稳的油温数据序列为非白噪声序列时，对所述平稳的非白噪声油温数据序列拟合自回归滑动平均模型；

所述对所述原始油温数据进行时间序列分析建模包括通过差分自回归移动平均模型建模，所述差分自回归移动平均模型建模包括：

其中，Φ(B)＝1-φ₁B-…-φ_pB_p为平稳可逆ARMA(p,q)模型的自回归系数多项式，p为自回归项数，q为移动平均项数，d为时间序列成平稳时所需的差分次数，

x_t为t时刻需要分析的油温数据序列，Θ(B)＝1-θ₁B-…-θ_qB_q为平稳可逆ARMA(p,q)模型的移动平滑系数多项式，{ε_t}为零均值白噪声序列。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任意一项所述的方法。

5.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至2任一项所述的方法。

Images