基于溫度特征的高鐵動(dòng)車齒輪箱故障預(yù)測(cè)

文/王川 王偉 劉光俊

1 引言

國(guó)內(nèi)外關(guān)于工業(yè)機(jī)械故障早有研究，主要對(duì)利用傳感器獲取的振動(dòng)信號(hào)作特征提取，再結(jié)合神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等學(xué)習(xí)算法進(jìn)行故障預(yù)測(cè)。大部分采用振動(dòng)信號(hào)作為分析源，但振動(dòng)信號(hào)通過(guò)小波分析方法處理高速采集的振動(dòng)信號(hào)與實(shí)際齒輪箱的運(yùn)行狀態(tài)有較大差別，并且振動(dòng)信號(hào)存在難以提取和外部干擾過(guò)多等缺陷。神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建模是需要耗時(shí)的學(xué)習(xí)過(guò)程，且需要大量的正負(fù)樣本做支撐。對(duì)于故障樣本較少的情況下，上述兩種方法并不能很好的學(xué)習(xí)。

本文采用易于采集的齒輪箱溫度數(shù)據(jù)來(lái)分析齒輪箱故障，通過(guò)分析齒輪箱溫度、溫度變化趨勢(shì)、與同測(cè)點(diǎn)溫差，建立異常檢測(cè)模型得到溫度異常點(diǎn)，再通過(guò)分析異常點(diǎn)前十分鐘溫度趨勢(shì)和溫差趨勢(shì)，預(yù)測(cè)潛在故障，保障列車運(yùn)行安全。

圖1：測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果

圖2：過(guò)濾模型識(shí)別故障

2 異常檢測(cè)算法

2.1 Robust Covariance的基本思想

Robust Covariance基本思想是從總樣本n中隨機(jī)抽取h個(gè)樣本數(shù)據(jù)，并計(jì)算h個(gè)樣本均值T1和協(xié)方差C1，然后計(jì)算總樣本n個(gè)點(diǎn)到數(shù)據(jù)中心點(diǎn)T1的Mahalanobis距離，選出這n個(gè)距離最小的h個(gè)，再計(jì)算這h個(gè)樣本計(jì)算均值T2和協(xié)方差C2，不斷迭代下去，直到均值

T0和協(xié)方差穩(wěn)定C0。分別計(jì)算n個(gè)樣本點(diǎn)的均值T0的Mahalanobis距離di，di服從卡方分布，d2～x2(v)，d 近似服從 N，根據(jù)高斯概率密度估算每個(gè)點(diǎn)被分配到重心的概率，概率越小，離重心越遠(yuǎn)，越有可能是異常點(diǎn)。

2.2 模型構(gòu)建

本文使用sklearn中算法包，構(gòu)建基于Robust Covariance的齒輪箱異常檢測(cè)模型。

基于Robust Covariance的異常檢測(cè)模型：

算法：Robust Covariance

模型：EllipticEnvelope（contamination）.fit（X_train）

EllipticEnvelope（contamination）.predict（X_test）

輸入：contamination,異常數(shù)據(jù)比例；

X_train為訓(xùn)練樣本特征，選取齒輪箱溫度，與同測(cè)點(diǎn)溫差，1min溫升；

X_test為測(cè)試樣本。

輸出：Y_predict,正常為1，異常為-1

3 故障預(yù)測(cè)實(shí)例

3.1 樣本說(shuō)明

訓(xùn)練樣本選擇：選擇某列車的2017年7月31號(hào)到2017年8月21號(hào)的數(shù)據(jù)，數(shù)據(jù)包間隔30秒，樣本數(shù)共480702例。

測(cè)試樣本數(shù)據(jù)：選擇某列車2017年8月2號(hào)和2017年8月3號(hào)的數(shù)據(jù)，樣本數(shù)共3775例。

3.2 異常模型驗(yàn)證

用同樣的數(shù)據(jù)訓(xùn)練4種異常檢測(cè)模型，LOF異常檢測(cè)測(cè)試結(jié)果較差（圖1左上），孤立森林會(huì)遺漏部分異常數(shù)據(jù)（圖1右上），One-Class SVM（圖1左下）和Robust Covariance（圖1右下）可檢測(cè)出所有真實(shí)異常數(shù)據(jù)，但也會(huì)過(guò)多檢測(cè)出部分非標(biāo)記異常的數(shù)據(jù)，相較之下Robust Covariance檢測(cè)更適合。綜上，Robust Covariance模型較適用于齒輪箱異常檢測(cè)，從業(yè)務(wù)和模型綜合考慮，考慮使用過(guò)濾模型進(jìn)一步確認(rèn)齒輪箱異常數(shù)據(jù)。

3.3 故障過(guò)濾模型

與現(xiàn)有異常策略對(duì)比，異常檢測(cè)模型不僅檢測(cè)出了異常數(shù)據(jù)，同時(shí)也檢測(cè)出了一些非異常數(shù)據(jù)，過(guò)濾模型的目的主要是進(jìn)一步確認(rèn)異常檢測(cè)模型中檢測(cè)出的“異?！睌?shù)據(jù)是否為真實(shí)異常。過(guò)濾模型規(guī)則：

10分鐘不間斷溫升：3min同側(cè)溫差的趨勢(shì)大于等于0，10min的累計(jì)趨勢(shì)大于10℃，否則為0。

同側(cè)溫差趨勢(shì)：3min同側(cè)溫差的趨勢(shì)大于等于0，10min的累計(jì)趨勢(shì)大于10，否則為0。

3.4 結(jié)果分析

綜合高斯密度異常檢測(cè)和過(guò)濾模型綜合挖掘，共3735例測(cè)試數(shù)據(jù)，共識(shí)別出異常11例,如圖2。

4 結(jié)論

（1）本文使用齒輪箱溫度及其衍生數(shù)據(jù)做齒輪箱故障預(yù)測(cè)，預(yù)測(cè)效果良好，大部分論文用齒輪箱振動(dòng)信號(hào)的時(shí)域和頻域分析，忽略了齒輪箱溫度的數(shù)據(jù)。

（2）本文將齒輪箱溫度數(shù)據(jù)與異常檢測(cè)算法結(jié)合用于溫度異常檢測(cè)，再結(jié)合溫度趨勢(shì)和溫差趨勢(shì)的過(guò)濾規(guī)則模型，是異常檢測(cè)算法新的應(yīng)用方式，實(shí)例故障分析，異常檢測(cè)算法在基于溫度的故障檢測(cè)應(yīng)用中，效果良好。

參考文獻(xiàn)

[1]趙洪山,郭偉,鄧嵩.一種基于溫度數(shù)據(jù)的風(fēng)機(jī)齒輪箱子空間故障預(yù)測(cè)方法.CN103743563A[P].2014.