基于人工智能的高鐵動(dòng)車組智能運(yùn)維數(shù)據(jù)分析系統(tǒng)的構(gòu)建

王 平，吳文波，楊友蘭，馬毅華，許 江，宗智誠(chéng)

（中國(guó)鐵路上海局集團(tuán)有限公司 信息技術(shù)所，上海 200071）

近年來(lái)，我國(guó)高速鐵路（簡(jiǎn)稱：高鐵）事業(yè)飛速發(fā)展，高鐵動(dòng)車組列車保有量快速增長(zhǎng)，服役車型種類日益增多，高鐵產(chǎn)業(yè)正由制造為主的階段轉(zhuǎn)向全壽命周期運(yùn)營(yíng)維護(hù)（簡(jiǎn)稱：運(yùn)維）為主的階段。因此，提高動(dòng)車組運(yùn)行的安全性和可靠性，降低運(yùn)維成本，具有重大意義。

目前，動(dòng)車組故障預(yù)測(cè)與健康管理（PHM ，Prognostic and Health Management）系統(tǒng)[1]已在全國(guó)鐵路投入使用[2]，基于對(duì)24種動(dòng)車組關(guān)鍵部件傳感器數(shù)據(jù)的分析，構(gòu)建了預(yù)警預(yù)測(cè)、視情維修等故障診斷和預(yù)測(cè)應(yīng)用。2021年，動(dòng)車組PHM系統(tǒng)（由中國(guó)鐵路上海局集團(tuán)公司開(kāi)發(fā)的部分）生成故障診斷預(yù)警數(shù)據(jù)近3萬(wàn)條，準(zhǔn)確率約為80%，預(yù)報(bào)了動(dòng)車組聯(lián)軸節(jié)脫開(kāi)、軸箱軸承故障、蓄電池?zé)龘p等典型故障，有效保障了動(dòng)車組運(yùn)行安全；針對(duì)動(dòng)車組的散熱裝置進(jìn)行健康度預(yù)測(cè)，動(dòng)車組濾棉更換次數(shù)、散熱裝置清潔沖洗次數(shù)顯著下降，降低了維修成本。

現(xiàn)階段的動(dòng)車組PHM系統(tǒng)運(yùn)維算法模型尚存在如下問(wèn)題：（1）模型設(shè)計(jì)依賴于專家經(jīng)驗(yàn)，具有主觀性[3-4]；（2）模型主要基于動(dòng)車組系統(tǒng)運(yùn)行機(jī)理構(gòu)建，對(duì)較復(fù)雜的部件故障難以進(jìn)行有效預(yù)測(cè)；（3）利用傳統(tǒng)故障診斷方法難以構(gòu)建動(dòng)車組部件“健康”與“非健康”的狀態(tài)分界面，不利于健康管理的深化；（4）利用監(jiān)督學(xué)習(xí)構(gòu)建算法需要高質(zhì)量的數(shù)據(jù)標(biāo)注，但動(dòng)車組關(guān)鍵部件的故障標(biāo)注數(shù)據(jù)尚在積累階段，健康度標(biāo)注則還在研究中。

為深化發(fā)展高鐵動(dòng)車組智能運(yùn)維算法，亟需在基于人工智能（AI ，Artificial Intelligence）的高鐵動(dòng)車組智能運(yùn)維算法研究平臺(tái)中構(gòu)建數(shù)據(jù)分析系統(tǒng)，將AI算法引入特征工程和數(shù)據(jù)標(biāo)注環(huán)節(jié)，利用AI算法打通高鐵動(dòng)車組智能運(yùn)維算法研究的全過(guò)程。

1 系統(tǒng)概述

1.1 平臺(tái)概述

高鐵動(dòng)車組智能運(yùn)維算法研究平臺(tái)包括數(shù)據(jù)分析系統(tǒng)和建模分析系統(tǒng)，如圖1所示。動(dòng)車組PHM系統(tǒng)將動(dòng)車組車載信息無(wú)線傳輸系統(tǒng)（WTDS ，Wireless Transmission Device System）數(shù)據(jù)存入離線數(shù)據(jù)倉(cāng)庫(kù)，作為平臺(tái)的數(shù)據(jù)支撐，數(shù)據(jù)接入平臺(tái)后，經(jīng)過(guò)數(shù)據(jù)處理、特征工程、數(shù)據(jù)標(biāo)注、模型訓(xùn)練和模型驗(yàn)證等步驟，反復(fù)迭代、優(yōu)化形成穩(wěn)定可靠的模型，最終部署至動(dòng)車組PHM系統(tǒng)。

圖1 高鐵動(dòng)車組智能運(yùn)維算法研究平臺(tái)總體架構(gòu)

數(shù)據(jù)分析系統(tǒng)負(fù)責(zé)進(jìn)行數(shù)據(jù)處理、特征工程和數(shù)據(jù)標(biāo)注，包括數(shù)據(jù)管理、數(shù)據(jù)處理、特征管理和數(shù)據(jù)標(biāo)注功能模塊；建模分析系統(tǒng)負(fù)責(zé)進(jìn)行模型訓(xùn)練和模型驗(yàn)證[5-6]，包括算法管理、任務(wù)管理、模型管理和成果管理功能模塊。數(shù)據(jù)分析系統(tǒng)作為建模分析系統(tǒng)的前置環(huán)節(jié)，可為建模分析系統(tǒng)作好特征工程與數(shù)據(jù)標(biāo)注準(zhǔn)備。

1.2 數(shù)據(jù)處理流程

動(dòng)車組部件的數(shù)據(jù)海量而繁雜，在現(xiàn)階段數(shù)據(jù)標(biāo)注較為匱乏的情況下，難以進(jìn)行高效的算法探索與模型分析，針對(duì)此問(wèn)題，數(shù)據(jù)分析系統(tǒng)設(shè)計(jì)了具體的處理流程，如圖2所示。系統(tǒng)的特征工程部分細(xì)分為降維聚類和結(jié)果分析2個(gè)流程。降維聚類后的結(jié)果需經(jīng)專業(yè)人員分析確認(rèn)后才能作為特征工程環(huán)節(jié)的輸出。數(shù)據(jù)特征數(shù)量較多時(shí)，高維度數(shù)據(jù)樣本在空間的分布呈現(xiàn)稀疏性，難以進(jìn)行進(jìn)一步分析，在數(shù)據(jù)處理中被稱為“維數(shù)災(zāi)難”[7]，降維是解決維數(shù)災(zāi)難的重要方法，降維的目的是在壓縮數(shù)據(jù)的同時(shí)讓信息損失最小化。在降維的基礎(chǔ)上，聚類算法可顯著降低數(shù)據(jù)分析的復(fù)雜性，提高聚類結(jié)果的可解釋性。經(jīng)“降維—聚類”后的數(shù)據(jù)可更加直觀地反映數(shù)據(jù)間的潛在關(guān)系，有助于后續(xù)的數(shù)據(jù)標(biāo)注和建模分析。

圖2 數(shù)據(jù)分析系統(tǒng)的處理流程

2 關(guān)鍵算法

2.1 降維算法

2.1.1 主成分分析

主成分分析（PCA ，Principal Component Analysis）是一種經(jīng)典的線性降維方法[8]。PCA的主要思想是將高維數(shù)據(jù)通過(guò)線性變換投影到低維空間中，并期望在所投影維度上數(shù)據(jù)的信息量最大（方差最大）。

2.1.2 t-分布隨機(jī)鄰域嵌入

t-分布隨機(jī)鄰域嵌入（t-SNE ，t-distributed Stochastic Neighbor Embedding）是一種非線性降維算法[9]。該算法的基本思想是保持樣本點(diǎn)在高維空間和低維空間中的概率分布盡量相似，以達(dá)到降維的目的。

2.1.3 均勻流形逼近和投影

均勻流形逼近和投影（UMAP ，Uniform Manifold Approximation and Projection）是一種基于黎曼幾何和代數(shù)拓?fù)淅碚摽蚣軜?gòu)建的非線性流形學(xué)習(xí)算法[10]。UMAP依據(jù)高維空間映射到低維空間相似度的定性結(jié)論，將高維數(shù)據(jù)的拓?fù)浣Y(jié)構(gòu)進(jìn)行低維映射以達(dá)到降維結(jié)果，主要包含構(gòu)造1個(gè)特殊的加權(quán)K鄰域圖和計(jì)算該圖低維表示2個(gè)階段。

2.2 聚類算法

2.2.1 K-means

K-means算法是一種劃分聚類算法。給定一個(gè)數(shù)據(jù)點(diǎn)集合和需要的聚類數(shù)目K，該算法根據(jù)距離函數(shù)反復(fù)把數(shù)據(jù)分入K個(gè)聚類中。

2.2.2 Louvain

Louvain算法[11]是一種基于圖數(shù)據(jù)的社區(qū)發(fā)現(xiàn)算法，優(yōu)化目標(biāo)為最大化整個(gè)數(shù)據(jù)的模塊度，模塊度的計(jì)算公式為

其中，m為圖中邊的總數(shù)量；ki、kj分別表示所有指向節(jié)點(diǎn)i、j的連邊權(quán)重之和；Ai,j表示節(jié)點(diǎn)i、j之間的連邊權(quán)重，Ci表示節(jié)點(diǎn)i所屬的社區(qū)，當(dāng)Ci=Cj時(shí) ， δ (Ci,Cj)=1，否則 δ (Ci,Cj)=0。 通過(guò)Q值可確定社區(qū)的分類度，其取值范圍為 [0,1]，Q值越大，分類度越好。

2.2.3 變分自編碼器

變分自編碼器（VAE ，Variational Auto-Encoder）是自編碼器（AE，Auto Encoder）在生成模型上的變體?；谏疃葘W(xué)習(xí)的聚類模型選用不同的神經(jīng)網(wǎng)絡(luò)提升聚類效果，AE、VAE、生成式對(duì)抗網(wǎng)絡(luò)（GAN ，Generative Adversarial Networks）用于聚類的原理類似。

VAE要求AE的中間特征服從給定的高斯分布，通過(guò)變分推斷法推斷出樣本概率的最大下界，最大化下界的過(guò)程會(huì)使樣本的中間特征逼近給定的先驗(yàn)分布。

3 系統(tǒng)應(yīng)用與分析

故障的發(fā)生具有突發(fā)性和隱蔽性，故障診斷和預(yù)測(cè)有較大難度。本文采用“PCA+Louvain+UMAP”的降維聚類算法，以高鐵動(dòng)車組客室空調(diào)的數(shù)據(jù)分析為例，說(shuō)明高鐵動(dòng)車組智能運(yùn)維數(shù)據(jù)分析系統(tǒng)的應(yīng)用。高鐵動(dòng)車組客室空調(diào)故障是動(dòng)車組夏季常見(jiàn)的故障之一，動(dòng)車組在運(yùn)行過(guò)程中車體呈全密閉式，當(dāng)空調(diào)制冷系統(tǒng)發(fā)生故障時(shí)，車內(nèi)室溫不斷升高，將影響車內(nèi)乘客的乘車環(huán)境，甚至可能導(dǎo)致動(dòng)車組無(wú)法繼續(xù)運(yùn)行，嚴(yán)重影響動(dòng)車組運(yùn)行秩序[3]。

3.1 數(shù)據(jù)處理

本文選取動(dòng)車組客室空調(diào)相關(guān)部件傳感器數(shù)據(jù)用于分析其健康狀況的特征，數(shù)據(jù)來(lái)源為20列CRH380B型和20列CRH380BL型動(dòng)車組在2020年6月～8月運(yùn)行期間的客室空調(diào)相關(guān)WTDS數(shù)據(jù)，共4 725 120條記錄，每條記錄的10維特征選取如表1所示。

表1 客室空調(diào)特征列表

本文對(duì)選取的10維特征進(jìn)行缺失值處理、去量綱等數(shù)據(jù)預(yù)處理，并結(jié)合業(yè)務(wù)知識(shí)和經(jīng)驗(yàn)[12]對(duì)其進(jìn)行特征擴(kuò)展，新的特征與客室空調(diào)故障有更好的相關(guān)性，有助于進(jìn)行數(shù)據(jù)分析。最終將特征從10維擴(kuò)展至16維，擴(kuò)展后的特征如表2所示。

表2 擴(kuò)展后的客室空調(diào)特征列表

3.2 降維聚類

（1）降維：對(duì)擴(kuò)展后的16維特征數(shù)據(jù)，利用PCA方法進(jìn)行線性降維，降維結(jié)果如圖3所示，橫坐標(biāo)代表主成分的序號(hào)，縱坐標(biāo)代表主成分對(duì)應(yīng)的標(biāo)準(zhǔn)差。由圖3可知，大部分信息在前9個(gè)主成分中捕獲，因此，選擇前9個(gè)主成分進(jìn)行后續(xù)分析。

圖3 PCA降維的成分分析

（2）聚類：選擇降維后數(shù)據(jù)的前9個(gè)主成分作為輸入，利用Louvain算法進(jìn)行基于圖的聚類，其中resolution參數(shù)為0.5。

（3）可視化：對(duì)于聚類后的數(shù)據(jù)進(jìn)行UMAP降維，在2維空間上進(jìn)行可視化展示，如圖4所示，以供專業(yè)人員進(jìn)行結(jié)果分析。

圖4 動(dòng)車組客室空調(diào)健康狀況降維聚類結(jié)果

3.3 結(jié)果分析

對(duì)16維特征數(shù)據(jù)進(jìn)行“PCA+Louvain+UMAP”降維聚類分析的結(jié)果如圖4所示，數(shù)據(jù)被聚類為12個(gè)類別，不同的顏色代表不同的類別。專業(yè)人員通過(guò)對(duì)結(jié)果的分析發(fā)現(xiàn)，可將圖中的12個(gè)類別劃分為4類區(qū)域A、B、C和D，各類數(shù)據(jù)的主要特征如表3所示。

表3 各類數(shù)據(jù)對(duì)應(yīng)的主導(dǎo)特征列表

A類數(shù)據(jù)為一級(jí)故障預(yù)警；B類數(shù)據(jù)為二級(jí)故障預(yù)警；C類數(shù)據(jù)為三級(jí)故障預(yù)警；D類數(shù)據(jù)為客室空調(diào)健康狀態(tài)下的數(shù)據(jù)，可被分類為正常[12]。

3.4 數(shù)據(jù)標(biāo)注

根據(jù)圖4的聚類效果和結(jié)果分析，發(fā)現(xiàn)動(dòng)車組客室空調(diào)健康狀況是可劃分的，并且劃分后的4類區(qū)域可反映不同程度的客室空調(diào)健康狀況，說(shuō)明16維特征的選取是合理的，可作為特征工程環(huán)節(jié)的輸出。在建模分析階段可將這16維特征作為特征池，形成客室空調(diào)健康度判定算法。同時(shí)，可將A、B、C、D這4種分類的聚類結(jié)果轉(zhuǎn)換為客室空調(diào)健康度的數(shù)據(jù)標(biāo)簽。標(biāo)注后的數(shù)據(jù)作為模型分析系統(tǒng)的輸入，利用監(jiān)督學(xué)習(xí)的方法，形成客室空調(diào)故障診斷和預(yù)測(cè)方法。

4 結(jié)束語(yǔ)

本文概述了高鐵動(dòng)車組智能運(yùn)維算法研究平臺(tái)的總體架構(gòu)，著重闡述了高鐵動(dòng)車組智能運(yùn)維數(shù)據(jù)分析系統(tǒng)的構(gòu)建，包括關(guān)鍵算法和數(shù)據(jù)處理流程。并以高鐵動(dòng)車組客室空調(diào)故障的數(shù)據(jù)分析為例進(jìn)行了應(yīng)用研究與分析，證明了該系統(tǒng)的可用性。

下一步應(yīng)進(jìn)行的工作包括：（1）利用“降維—聚類”的算法框架完成塞拉門(mén)、軸承類等部件的特征工程和數(shù)據(jù)標(biāo)注；（2）利用特征工程和數(shù)據(jù)標(biāo)注的結(jié)果，建立有監(jiān)督的客室空調(diào)健康評(píng)估模型，實(shí)現(xiàn)客室空調(diào)故障診斷和預(yù)測(cè)。