THDS热轴波形智能识别方法研究

2011-08-08扈海军曾宇清于卫东

铁道机车车辆 2011年6期

扈海军，曾宇清，于卫东

（中国铁道科学研究院机车车辆研究所，北京100081）

车辆轴温智能探测系统（Trace Hotbox Detection System，简称THDS）利用轨边红外线探头，动态监测通过列车轴承温度，发现热轴故障，并通过配套故障智能跟踪装置，实现热轴预报和跟踪，强化燃、切轴事故防范能力［1］。

目前，我国铁路沿线每隔约30 km即设立了1个无人值守的红外探测站进行轴温探测，由于探测现场环境复杂、恶劣，多种因素如冲击、意外热源、雨雪雾、安装缺陷、电压不稳等都可能影响检测，导致异常波形［2］。为解决该问题，相关厂家在探测站采取了许多措施，取得了一定的效果，但在铁路局红外联网集中报警中仍有较大数量的异常波形，加大了红外值班员的工作强度，有必要强化红外报警波形的自动智能识别。

分析了THDS轴温报警归一化波形数据的特征以及传统波形识别方法，提出了基于测点动态正常波形模型以及全新的智能识别方法；在此基础上，收集了近年大秦线1．6万条重载货车轴温报警轴承的归一化波形数据，以及与之对应的拦停、检查信息，对红外波形识别算法进行了校验及考核。

1 异常波形类型及原有处理方法

研究红外波形的智能识别方法，首先要了解异常波形的特点以及传统处理方法。由于轴承材料热传导特性良好，通过红外探头对轴承进行扫描而得到的轴承温度分布较为均匀。每个轴承的32点轴温归一化曲线相对平缓、符合不同种类轴承的温度分布规律，明显不符合轴承温度分布规律的波形即可视为异常波形。

1．1 异常波形类型

异常波形的种类及产生原因比较多，表1和图1中列举了常见的几种异常波形的成因、特征以及曲线图［3－8］。

表1 常见THDS热轴异常波形汇总

图1 常见THDS异常波形图表

1．2 传统处理方法

传统的异常波形识别方法大多数基于红外测点的软硬件配置，具体方法主要有以下几种［9－11］。

（1）差分及n（一般小于4）步差分法，计算轴温曲线相邻n点间的差分，通过n步差分的大小及分布（峰值个数）来判断波形是否异常，该方法一般用于处理各类毛刺型异常波形，同时n步差分为计算波形上升及下降沿提供标记；

（2）面积法，计算特征位置（如全部、前部、中部、后部）温度曲线包含的面积及其相对大小关系来判断是否波形异常，该方法一般用于处理阳光干扰波形；

（3）距离法，计算波形曲线与标准波形的距离，判断波形正常与否；

（4）相关法，计算波形曲线与标准波形的相关系数，判断波形正常与否；

（5）其他，如神经网络法等。

传统异常波形识别的典型流程包括尖峰判别，波动检测，浴盆曲线判别，波形变胖判别，波形移动判别和计算特征距离等。

可以看出传统红外波形识别方法存在一些问题：①传统异常波形识别方法是针对异常波形不同特征进行识别的，需要穷举；②传统算法主要依据轴温数据的顺序，反映数据特征的方法比较复杂，如主要针对各类毛刺的差分就有很多种；③传统算法中的标准波形是统一的，而事实上红外波形受具体测点影响较大，从而使得门槛范围较大，不易操作；④传统算法没有有效嵌入正常波形的特征。

2 红外波形智能识别模型

红外波形智能识别是一个典型的模式识别问题，它包含输入、传感器、分割器、特征提取器、分类器、后处理器及决策等部分。这些环节是相互关联的，各个环节的进展都有利于决策的优化。本文主要针对红外波形智能识别中的特征提取器及分类器环节，希望能采用简单、通用的方法提取有效特征，并进行分类器阈值设定。

传统红外波形识别方法是基于异常波形特征的，故此需要的方法比较多，本文提出的智能识别方法基于以下正常波形特征：

①大于某一归一化温度值的位置是连续的；②对于同一个测点，这些温度值的个数在一个较小的范围内变动；③对于同一个测点，这些温度值的位置在一个较小的范围内变动；④对于同一个测点，这些温度值构成的曲线是相似的且数值相近。

2．1 识别算法

新方法主要有两大环节：第1个环节基于测点的动态标准波形生成模型；依据已生成测点标准波形的轴温波形识别模型（图2）。

（1）基于测点的动态标准波形生成模型

①对某测点轴温数据进行初步的判别，得到该测点基本正常波形的集合；②统计提取该测点正常波形参数、波宽、中心、标准波形等；③正常波形也可针对特殊车型生成；④提取的测点动态标准波形与同类设备标准波形进行比较，确认正确性。

（2）依据已生成测点标准波形的轴温波形识别模型

①对新红外波形，取大于一定幅值的波形数据，提取连续性、波宽、中心参数；②按照测点标准波形的格式，生成当前波形的规范波形；③计算当前规范波形与测点动态标准波形的相关系数、幅值差参数；④根据各参数的阈值，评判该波形的正确性。

第2个环节实际上是依据正常波形的特征－连续性、波宽、中心，以及与测点动态标准波形的相关、幅值差进行轴温超限红外波形评判。

新方法区别于原有方法中最根本的一点是从正常波形特征提取出发，采用横向的＂扫描＂替代了原有方法竖向的＂扫描＂，反映了正常红外波形区别异常波形的本质，方法规范、简洁、适应性强。

新方法的第2个特点是评判基于测点的动态标准波形，其原因是标准波形与测点设备有一定的相关性，若采用统一的标准波形将使得正常波形与标准波形间的差异范围较大，不利于实现特性良好的基于正常波形的评判，测点动态标准波形的采用使得一致性的判断得以有效实现；同时，一个潜在的运用是通过某测点动态标准波形与红外中心其他同类设备标准波形的对比，可以判断测点设备状态、指导测点设备的调整、检修。

图2 智能波形判别简图

2．2 阈值设定

确定了波形识别需要提取的特征参数之后，要对这些参数的阈值进行设定，阈值设定有两个出发点：一是特征参数的分布特征；二是评判综合风险评估。其中特征参数分布可以直接从获得的红外轴温报警样本中提取，风险评估需要结合现场实际，本文主要考虑第1点，对归一化温度大于60的特征温度段进行分析。

图3显示了不同厂家设备红外报警有效波宽分布，可见不同厂家以及同厂家不同型号设备所产生的红外报警波形特征段宽度分布是不同的。厂家1有效波宽中心为20，厂家2有两个中心分别为13及19，分布较宽，厂家3的有效波宽中心为16左右、分布较集中；这也说明了，有必要依厂家及设备型号或者测点进行评判。

图3 不同厂家特征段宽度分布

图4显示了不同厂家设备红外报警波形特征段中心分布，可见不同厂家以及同厂家不同型号设备所产生的红外报警波形特征段中心分布是不同的。厂家1特征段中心为17、波形有较多的左移，厂家2中心为15、分布较宽状态不一致，厂家3的特征段中心为16左右、分布较为集中；有必要依厂家及设备型号或者测点进行评判。

图4 不同厂家特征段中心分布

从以上特征段参数分布上看：（1）不同红外设备厂家不同型号设备得到的红外报警波形是不完全一致的，需要不同对待或直接按测点处理；（2）从特征段参数分布可以估计不同厂家设备的设备状态，波形特征可以用于设备状态监测。

图5显示了红外报警波形特征段相似性参数分布的平面图和三维图，从数据特征的聚合性看可以初步把门槛值设为0．9及9左右。

2．3 方法验证

方法验证主要有两步：（1）波形识别结果观察；（2）与红外值班员判别结果对比。

图5 特征段相似性参数分布

对强、激热波形样本按厂家及型号对辨识结果进行了观察（如图6），以厂家1红外三代机辨识结果样本为例，图a．1为全部波形样本图，图a．2为参数分布图，图a．3为正常强、激热波形与标准波形对比图，图a．4为异常强、激热波形与标准波形对比图，其他厂家或设备也相同，从图中可以看出本方法识别结果准确。

2．4 初步评判结果

采用评判参数阈值：（1）波形连续；（2）有效波宽与该测点名义有效波宽差值不大于4；（3）中心位置与该测点名义中心差值不大于4；（4）相关系数不小于0．9；（5）最大幅值差不大于9。对全铁路（不含大秦线）强、激热报警波形16 951条进行自动辨识，结果如下：

不满足条件（1）～（3）的共8 260条，占总数的48．73%；其他8 691条满足条件（1）～（3）的报警样本中，满足条件（4）的有8 338条，满足条件（5）的有8 169条，同时满足条件（4）～（5）的共8 106条；

最终自动评判得到的有效波形为8 106条，约占总数的47．82%，剔除的异常波形8 845条，约占总数的52．18%，效果是显著的，这也从一个侧面反映了红外报警波形智能识别的重要性。

3 大秦线红外报警波形识别

为进一步研究热轴红外波形智能识别，有针对性地收集了大秦线2007年7月30日到2010年11月6日强、激、微热报警，总数16 228个。

其中的223个强、激热报警样本，在实际运用中经过人工判断并进行相应处理，有121个报警进行了拦停及反馈。以下从强、激热报警样本、拦停样本的波形智能评判结果构成、评判结果反馈情况统计两个方面对本文提出的波形智能评判效果进行评估。

考虑到实际运用参数采用了区间设置，即增加了评判不确定类，该类波形需要人工进行再确认，据此对223个强、激热报警样本以及121个拦停样本进行了智能判别，结果分布如图7。

图6 不同厂家及设备型号的THDS强、激热波形辨识

图7 红外波形智能识别结果分布图

表2 强、激热及拦停样本智能识别结果对比

智能识别结果如表2所示，可以看到：

（1）大秦线红外强、激热报警中的异常波形比例是比较高的，在223个样本中，50个明显异常，占22．42%；异常29个，占13．00%；总比例约为35%。

（2）目前的人工确认筛选是有意义的，相对强、激热报警，波形明显异常的比例从22．42%降至8．26%，相对下降63．14%；异常波形比例从13．00%降至8．26%，相对下降36．45%；与此同时，正常波形比例从51．12%升至71．07%，相对上升39．03%；不能确定的比例从12．56%下降至12．40%，相对下降1．27%。

如果智能评判的结果可靠，那么将有效减小工作人员的工作量，工作人员只需对不能确定的部分波形进行确认，减少的比例不小于85%。

要判断智能评判的结果是否可靠，需要对相应拦停反馈信息进行分析。目前拦停反馈有6种：①拦停后放行，②甩车后放行，③轴承退卸后有故障，④换轮不退卸，⑤轴承无故障，⑥其他1，其他2，由于⑥其他情况信息不明确，可以主要评估前5种情况（换轮不退卸不代表轴承有故障）。

图8 明显异常和异常而记录为换轮不退卸的波形样本

表3 识别结果与拦停反馈关系表

表3对121个拦停样本进行了波形识别，不考虑⑥其他情况，在明显异常和异常的18（20－2）个样本中13条的处理结果是拦停放行；正常样本包含了所有确认的4条轴承退卸有故障反馈，其中轴承有故障和换轮不退卸52条，比例为（4＋48）／（86－5－2）＝52／79＝65．82%，优于人工识别结果（4＋3＋48＋2＋9）／（121－5－2－1－1－1－1）＝66／110＝60．00%。

图8列出了所有智能识别结果为明显异常和异常而记录为换轮不退卸的5条归一化波形与标准波形对比图，可以看到这些波形显然是有问题的，也就是说智能评判为明显异常和异常的样本中没有误判样本，智能评判的结果是安全的。

采用提出的波形智能识别方法，可以在效果优于人工识别的前提下，有效减少误判，减小红外值班员的工作量，在保障行车安全的前提下避免对运输组织的干扰。