一种铁道车辆故障检测方法技术

本发明专利技术公开了一种铁道车辆故障检测方法。根据行车安全的需要，确定一个或多个部件作为监测异常的待检测对象。构建轻量级梯度提升机模型，确立车辆各项行车参数对于单个待检测对象温度或形变量预测的重要性；确定预测变量所需要的特征的输入时间步长；结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的变量同时进行预测；构建预测模型，用卷积网络对时序信号进行预测，得到真实值与预测值的残差值；将得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，对轨道车辆行车过程中监测到的部件异常提前预警。

A fault detection method for railway vehicles

【技术实现步骤摘要】
一种铁道车辆故障检测方法
本专利技术属于轨道车辆异常检测领域，涉及一种铁道车辆故障检测方法。
技术介绍
近几年，我国轨道车辆不断发展，铁路的安全性和可靠性，持续地受到整个行业的关注。在铁路领域，北京交通大学，中南大学，西南交通大学，中车青岛四方研究所等均对轨道车辆行车安全有所研究。列车在行驶过程中走行部的安全对列车的安全运行而言尤为重要，它的安全问题得到广大工程师的关注。列车在行驶过程中，行走部主要的故障形式有：列车部件温度过高而导致的车轴、轴承、刹车盘失效，车轮磨损过大而导致的车轮多边形故障、车轴裂纹过深而导致的断轴，上述故障会造成机车破损、机车故障，严重时甚至造成重大的列车出轨事故。现有技术中，2017年，专利“基于磁记忆检测技术的列车轮对踏面故障检测装置及方法”中记载了通过磁感应探头对轮对踏面进行扫描以发现轮对踏面磨损故障。2015年，专利“机车车辆车轴裂纹深度测量方法”中记载了通过超声波探头探测车轴裂纹深度的方法。上述检测多数是在检测场地完成，然后受检测场地的限制，致使列车必须在指定检测站才能完成检测工作，不能对在途列车发生故障的进行预测，不能良好的诊断行进在非检测区域时发生的故障。因此，对于运行中对于关键部件进行预测和监测，建立一个实时的故障检测模型，并辅设预警决策，可以有效地提升部件的运行安全并提早诊断发现故障。对于由于早期故障方面，在计算机能力不断攀升过程中，基于车辆行车的历史履历数据使用统计学习方法来研究。同样，深度学习进入计算机领域后，通过深度学习，对于早期故障方面研究更进一步，诊断效率持续提升，效果持续变好，使得对于故障的早期诊断和预警成为可能。对于早期故障方面，在计算机能力不断攀升过程中，基于车辆行车的历史履历数据使用统计学习方法来研究。同样，深度学习进入计算机领域后，通过深度学习，对于早期故障方面研究更进一步，诊断效率持续提升，效果持续变好，使得对于故障的早期诊断和预警成为可能。对于铁道车辆故障的早期诊断和预警，2016年，专利“基于逐步回归分析的轨道车辆车轴温度预测方法”公开了利用逐步回归分析方法，预处理数据，建立轴温预测方程，使用其偏回归平方和最大的因素，逐一对特征进行显著性检验来获取最佳特征；2018年，专利“基于数据驱动支持向量机的轨道车辆车轴温度预测方法”则运用支持向量机的方法，利用互信息和皮尔逊相关系数进行数据因素分析，选择用于车轴温度预测模型的核函数，建立车轴温度预测模型。2019年，专利“一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法”记载了通过深度学习算法进行故障诊断，经过inceptionV3网络进行特征提取各个阶段的特征；采用softmax分类器和辅助分类器对提取的不同尺度融合特征对踏面图像进行损伤程度的图像匹配，最终得到踏面由正常到不同损伤程度的精细分类。现有的基于数据驱动的方法在轨道车辆故障预测中取得了较好的成果，已经成为了最常用的预测方法。但这类方法仍然有一定局限性，比如模型的数据处理能力不强导致的预测精度低、应用范围小以及单个目标进行预测导致的定位、训练缓慢等问题。综上所述，提出一种预测精度高、应用范围广、异常点定位快的预测方法是非常重要的。
技术实现思路
针对
技术介绍
中所提到的，目前模型的数据处理能力不强导致的预测精度低、应用范围小以及单个目标进行预测导致的定位、训练缓慢等问题，本专利技术提出了一种通过轻量级梯度提升机对传感器采集数据进行辅助分析，选取预测数据所需要的车辆履历数据的输入时间步长，并结合各个待检测部件空间位置分布与皮尔逊系数对对应部件相互关系进行分析，设立对多个关键部件的常规故障同时进行预测的方法。为实现上述功能，本专利技术的技术方案具体包括以下技术步骤：第一步：确定待检测对象以及待检测指标；第二步：对待检测指标进行检测，获取故障信号；第三步：将检测到的故障信号发送到列车运行监控系统；第四步：列车运行监控系统根据故障信号发出警告信息。优选的，将车轴、轴承、车轮、制动盘作为待检测对象；将车轴温度、轴承温度、制动盘温度、车轮踏面圆周磨耗率、车轴裂纹深度中的一个或多个作为待检测指标；优选的，第二步包括以下步骤；步骤1：构建轻量级梯度提升机模型，对行车过程中采集到的数据进行数据分析，确立车辆各项行车参数对于单个待检测对象数值变化的重要性；步骤2：对待检测部件按照同类测点进行区分，确定预测数值所需要的特征的输入时间步长；步骤3：结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的数值同时进行预测；步骤4：构建预测模型，将卷积神经网络进行时序处理，通过卷积层的膨胀、因果卷积与残差连接，用卷积网络对时序信号进行预测；步骤5：采用步骤4所构建的网络进行预测，得到真实数值与预测数值的残差值；步骤6：将步骤5得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，当出现不符合正常分布的异常数据之时，即认为该待检测对象出现异常。优选的，步骤1具体包括以下步骤；步骤1.1：在车辆运营过程中，获取轨道车辆传感器采集的履历数据，通过降采样，去空值，填补缺失值处理对上述数据进行预处理；步骤1.2：构建轻量级梯度提升机模型，以各待检测部件的测点为预测目标，将预处理后的其他通道数据输入轻量级梯度提升机模型，在此基础上对与待检测部件相关的特征，进行特征重要度排序；步骤1.3：排序后的数据按照特征变量名重要性从高到底依次排布，重要性经过加权平均计算后总和等于1，选取重要性大于F的特征变量，保证重要度大于F的特征变量的重要性总和超过F*，F*为重要性经过降维重新挑选过后的占比，一般设定为重要性总和的0.85～0.9，则此时经过挑选的特征代表之前所有特征总量的F*。优选的，在轴承检测的步骤3中，按照轴承空间位置排布，预测一个轴承时，将另三个轴承输入模型作为特征，按照一节车辆共两转向架四轴的设计，一个轴上分布九个轴承，均不为同类轴承，按照其他输入不变的情况下，将输入从三个同类轴承扩充到二十七个分布在不同轴上的同类轴承，输出从单个轴承扩充到九个分布在一根轴的不同类轴承，单个轴承预测模型转变为单个模型来预测共九个轴承，则将需要三十六个预测模型转变为仅需要四个预测模型。优选的，在车轴检测的步骤3中，同类车轴是承载类似工况和激励的重要特征，预测一个车轴时，将另三个车轴输入模型作为特征。优选的，在制动盘检测的步骤3中，同类制动盘是承载类似工况和激励的重要特征，预测一个制动盘时，将另三个车轴上同位置的制动盘输入模型作为特征。优选的，步骤3中，对于车轮而言，同类车轮是承载类似工况和激励的重要特征，预测一个车轮时，将另三个车轴上同位置的车轮输入模型作为特征。优选的，步骤4中，构建网络的核心是卷积层的膨胀、因果卷积与残差连接，采用以下公式进行卷积层的膨胀，式中d为膨胀系数，k为卷积核尺寸，s-d·i为过去因子：采用以下公式进行因果卷积：...

【技术保护点】
1.一种铁道车辆故障检测方法，其特征在于，包括以下步骤：/n第一步：确定待检测对象以及待检测指标；/n第二步：对待检测指标进行检测，获取故障信号；/n第三步：将检测到的故障信号发送到列车运行监控系统；/n第四步：列车运行监控系统根据故障信号发出警告信息。/n

【技术特征摘要】
1.一种铁道车辆故障检测方法，其特征在于，包括以下步骤：
第一步：确定待检测对象以及待检测指标；
第二步：对待检测指标进行检测，获取故障信号；
第三步：将检测到的故障信号发送到列车运行监控系统；
第四步：列车运行监控系统根据故障信号发出警告信息。


2.根据权利要求1所述的一种铁道车辆故障检测方法，其特征在于，将车轴、轴承、车轮、制动盘作为待检测对象；将车轴温度、轴承温度、制动盘温度、车轮踏面圆周磨耗率、车轴裂纹深度中的一个或多个作为待检测指标。


3.根据权利要求2所述的一种铁道车辆故障检测方法，其特征在于，其中第二步包括以下步骤；步骤1：构建轻量级梯度提升机模型，对行车过程中采集到的数据进行数据分析，确立车辆各项行车参数对于单个待检测对象数值变化的重要性；
步骤2：对待检测部件按照同类测点进行区分，确定预测数值所需要的特征的输入时间步长；
步骤3：结合待检测部件的空间位置分布与皮尔逊系数分析同车部件相互关系，基于同类待检测部件概念，对多个待检测对象的数值同时进行预测；
步骤4：构建预测模型，将卷积神经网络进行时序处理，通过卷积层的膨胀、因果卷积与残差连接，用卷积网络对时序信号进行预测；
步骤5：采用步骤4所构建的网络进行预测，得到真实数值与预测数值的残差值；
步骤6：将步骤5得到的残差值按照同类部件概念在二维空间进行描绘，使用孤立森林方法对残差进行异常检测，当出现不符合正常分布的异常数据之时，即认为该待检测对象出现异常。


4.根据权利要求3所述的一种铁道车辆故障检测方法，其特征在于：步骤1具体包括以下步骤；步骤1.1：在车辆运营过程中，获取轨道车辆传感器采集的履历数据，通过降采样，去空值，填补缺失值处理对上述数据进行预处理；步骤1.2：构建轻量级梯度提升机模型，以各待检测部件的测点为预测目标，将预处理后的其他通道数据输入轻量级梯度提升机模型，在此基础上对与待检测部件相关的特征，进行特征重要度排序；步骤1.3：排序后的数据按照特征变量名重要性从高到底依次排布，重要性经过加权平均计算后总和等于1，选取重要性大于F的特征变量，保证重要度大于F的特征变量的重要性总和超过F*，F*为重要性经过降维重新挑选过后的占比，一般设定为重要性总和的0.85～0.9，则此时经过挑选的特征代表之前所有特征总量的F*。


5.根据权利要求4所述的一种铁道车辆故障检测方法，其特征在于：在轴承检测的步骤3中，按照轴承空间位置排布，预测一个轴承时，将另三个轴承输入模型作为特征，按照一节车辆共两转向架四轴的设计，一个轴上分布九个轴承，均不为同类轴承，按照其他输入不变的情况下，将输入从三个同类轴承扩充到二十七个分布在不同轴上的同类轴承，输出从单个轴承扩充到九个分布在一根轴的不同类轴承，单个轴承预测模型转变为单个模型来预测共九个轴承，则将需要三十六个预测模型转变为仅需要四个预测模型。


6.根据权利要求...

【专利技术属性】
技术研发人员：邹益胜，蒋雨良，丁国富，黎荣，张海柱，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51