基于温度特征的高铁动车齿轮箱故障预测

文/王川 王伟 刘光俊

1 引言

国内外关于工业机械故障早有研究，主要对利用传感器获取的振动信号作特征提取，再结合神经网络、支持向量机等学习算法进行故障预测。大部分采用振动信号作为分析源，但振动信号通过小波分析方法处理高速采集的振动信号与实际齿轮箱的运行状态有较大差别，并且振动信号存在难以提取和外部干扰过多等缺陷。神经网络和支持向量机建模是需要耗时的学习过程，且需要大量的正负样本做支撑。对于故障样本较少的情况下，上述两种方法并不能很好的学习。

本文采用易于采集的齿轮箱温度数据来分析齿轮箱故障，通过分析齿轮箱温度、温度变化趋势、与同测点温差，建立异常检测模型得到温度异常点，再通过分析异常点前十分钟温度趋势和温差趋势，预测潜在故障，保障列车运行安全。

图1：测试数据预测结果

图2：过滤模型识别故障

2 异常检测算法

2.1 Robust Covariance的基本思想

Robust Covariance基本思想是从总样本n中随机抽取h个样本数据，并计算h个样本均值T1和协方差C1，然后计算总样本n个点到数据中心点T1的Mahalanobis距离，选出这n个距离最小的h个，再计算这h个样本计算均值T2和协方差C2，不断迭代下去，直到均值

T0和协方差稳定C0。分别计算n个样本点的均值T0的Mahalanobis距离di，di服从卡方分布，d2～x2(v)，d 近似服从 N，根据高斯概率密度估算每个点被分配到重心的概率，概率越小，离重心越远，越有可能是异常点。

2.2 模型构建

本文使用sklearn中算法包，构建基于Robust Covariance的齿轮箱异常检测模型。

基于Robust Covariance的异常检测模型：

算法：Robust Covariance

模型：EllipticEnvelope（contamination）.fit（X_train）

EllipticEnvelope（contamination）.predict（X_test）

输入：contamination,异常数据比例；

X_train为训练样本特征，选取齿轮箱温度，与同测点温差，1min温升；

X_test为测试样本。

输出：Y_predict,正常为1，异常为-1

3 故障预测实例

3.1 样本说明

训练样本选择：选择某列车的2017年7月31号到2017年8月21号的数据，数据包间隔30秒，样本数共480702例。

测试样本数据：选择某列车2017年8月2号和2017年8月3号的数据，样本数共3775例。

3.2 异常模型验证

用同样的数据训练4种异常检测模型，LOF异常检测测试结果较差（图1左上），孤立森林会遗漏部分异常数据（图1右上），One-Class SVM（图1左下）和Robust Covariance（图1右下）可检测出所有真实异常数据，但也会过多检测出部分非标记异常的数据，相较之下Robust Covariance检测更适合。综上，Robust Covariance模型较适用于齿轮箱异常检测，从业务和模型综合考虑，考虑使用过滤模型进一步确认齿轮箱异常数据。

3.3 故障过滤模型

与现有异常策略对比，异常检测模型不仅检测出了异常数据，同时也检测出了一些非异常数据，过滤模型的目的主要是进一步确认异常检测模型中检测出的“异常”数据是否为真实异常。过滤模型规则：

10分钟不间断温升：3min同侧温差的趋势大于等于0，10min的累计趋势大于10℃，否则为0。

同侧温差趋势：3min同侧温差的趋势大于等于0，10min的累计趋势大于10，否则为0。

3.4 结果分析

综合高斯密度异常检测和过滤模型综合挖掘，共3735例测试数据，共识别出异常11例,如图2。

4 结论

（1）本文使用齿轮箱温度及其衍生数据做齿轮箱故障预测，预测效果良好，大部分论文用齿轮箱振动信号的时域和频域分析，忽略了齿轮箱温度的数据。

（2）本文将齿轮箱温度数据与异常检测算法结合用于温度异常检测，再结合温度趋势和温差趋势的过滤规则模型，是异常检测算法新的应用方式，实例故障分析，异常检测算法在基于温度的故障检测应用中，效果良好。

参考文献

[1]赵洪山,郭伟,邓嵩.一种基于温度数据的风机齿轮箱子空间故障预测方法.CN103743563A[P].2014.