本发明公开了一种基于监测数据的高速列车轴温动态报警阈值设定方法，具体按照以下步骤实施：步骤1、对列车的监测数据进行预处理；步骤2、轴温预测模型的建立；步骤3、热轴判别模型的建立，根据轴温预测模型得到轴温预测值T'，以及真实轴温值得到其相对误差值R，基于预测值可以建立热轴判别模型，若预测值根实际值之间的差异突然变大，则可将此定为可能发生热轴故障，从而提前检查车辆，以防止车辆因热轴而发生的故障，根据实际情况，定出其热轴等级的动态阈值，此热轴的判别标准是基于一个动态的阈值而设定，这样就解决了热轴误报率高的问题，本发明解决了现有技术中存在的轨边设备故障率高，热轴兑现率低的问题。
1.一种基于监测数据的高速列车轴温动态报警阈值设定方法，其特征在于，具体按照以下步骤实施：步骤1、对列车的监测数据进行预处理；
步骤(1.1)、采集高速列车的运行速度v、轴温T、环境温度C、运行时间t以及载重L；
步骤(1.2)、将所述步骤(1.1)中采集到的高速列车的停车阶段去掉，即去掉v＝0的点，在每一个起停阶段加入初始的轴温值T0；
步骤(2.1)、预测变量的相关性，得到各变量之间的相关系数：具体为：对经过所述步骤1处理后的高速列车的预测变量进行相关性分析，即对运行速度v、每个起停阶段的初始轴温T0、环境温度C、运行时间t以及载重L与轴温T之间的相关性系数进行分析，其依据公式如下：其中，N为预测变量的个数，xi为自变量，yi为因变量——轴温T，r为皮尔逊Pearson相关系数，当(1)0.8≤r≤1时，变量为极强相关；
(5)0.0≤r＜0.2时，变量为极弱相关或者无相关，因此，可以根据此相关系数值的大小来确定变量的相关程度，也可以将无相关的变量去除掉，只分析相关的变量；
步骤(2.2.1)、对经过所述步骤1处理后轴温数据进行回归分析：根据所述步骤(2.1)得到的各变量之间的相关系数，去掉不相关或者极弱相关的变量；
步骤(2.2.2)、根据样本回归模型的矩阵 其中， 为偏回归系数，e表示残差，表示当其他自变量取值固定时，自变量xi每改变一个单位时yi的变化量，将每一个运行阶段中的变量速度v表示为x1i、每个起停阶段的初始轴温T0表示为x2i、环境温度C表示为x3i、运行时间t表示为x4i以及载重L表示为x5i，将x1i、x2i、x3i、x4i、x5i作为回归模型中的自变量xki，且生成自变量矩阵如下：上式中，i为每个自变量包含的元素数，回归模型中的因变量为轴温T，且生成包含所有目标集的k维向量，用 公式得出各回归系数 进而得到因变量T的预测值Ti'，进而得到轴温的预测模型为：
Ti'＝b0+b1x1i+...+bkxki，其中，X'为自变量组成的矩阵X的转置；
其中，步骤(2.2.2)中生成包含所有目标集的k维向量中的k＝5；
将步骤(2.2.2)中的回归系数 代入轴温预测模型中可以得到，轴温预测模型为T'＝b0+b1v+b2T0+b3C+b4t+b5L其中，T'为预测轴温值，t为时间，v为速度，T0为初始轴温值，L为载重；
步骤(3.1)、计算轴温预测值T'：对经过所述步骤1处理后高速列车的监测数据，根据所述步骤2得到的回归方程计算得到轴温的预测值T'；
步骤(3.2)、设定热轴的级别J：根据所述步骤(3.1)得到的轴温预测值T'，则根据相对误差 的大小来定义热轴的级别，其中T'为轴温预测值，T为真实值，故在此基础上定义以下热轴判别标准：
(2)th1≤R＜th2，则定义热轴等级为2，即为微热；
(3)th2≤R＜th3，则定义热轴等级为3，即为强热；
(4)th3≤R，则定义热轴等级为4，即为激热，其中，thi为动态阈值，thi，i＝1,2,3的取值范围为0.19≤th1≤0.22；
0.33≤th2≤0.36；0.44≤th3≤0.47，根据轴温预测模型得到轴温预测值T'，根据轴温预测值T'与真实值T得到相对误差R，基于相对误差R建立热轴判别模型，若轴温预测值与真实值之间的差异突然变大，则可将此定为可能发生热轴故障，从而提前检查车辆，以防止车辆因热轴而发生的故障，根据实际情况，定出其热轴等级的动态阈值，此热轴的判别标准是基于一个动态的阈值而设定，这样就解决了热轴误报率高的问题。
一种基于监测数据的高速列车轴温动态报警阈值设定方法
技术领域
[0001] 本发明属于高速列车故障诊断技术领域，具体涉及一种基于监测数据的高速列车轴温动态报警阈值设定方法。
背景技术
[0002] 随着我国高速列车的快速发展，运营里程的不断增加，高速列车的安全问题备受关注，其中车轴的安全尤为重要。列车在行驶过程中常因列车轴温过高而造成机车破损、机车故障，甚至造成重大的列车出轨事故。轴承产生热轴的主要原因有：轴承内圈或保持架崩裂，润滑油质量不符合标准要求，润滑油稠度过高，机构装配过紧，负载过大等。热轴是指那些与正常的运转热相比，温度异常高的轴承轴箱。热轴的判别就是将可能的热轴识别出来，并主要分为微热、强热和激热这三个等级处理。微热级是故障的初始阶段，这时可以沿线跟踪观察，做非停车处理；强热级是事故形成阶段，必须立即采取措施以免轴承永久性破坏，造成事故；激热级是故障到末期必须立即停车检查。热轴的准确判别和预报是列车安全运行的重要保证。现有车轴故障检测方法主要是在基于人工经验设定轴温阈值的基础上，然后实时监测轴温，并将轴温检测值与温度阈值进行比较，从而确定车轴故障类型并发出警报。显然，过高的温度阈值存在安全隐患，而过低的温度阈值会引起故障误报，降低行车效率。然而，由于影响车轴的因素复杂，现有方法尚未能考虑周围环境以及运行条件等因素对轴温的影响，因而为了保证行车安全，只得设置较低的安全阈值，使得误报频发。
发明内容
[0003] 本发明的目的是提供一种基于监测数据的高速列车轴温动态报警阈值设定方法，解决了现有技术中存在的轨边设备故障率高，热轴兑现率低的问题。
[0004] 本发明所采用的技术方案是，一种基于监测数据的高速列车轴温动态报警阈值设定方法，具体按照以下步骤实施：
[0005] 步骤1、对列车的监测数据进行预处理；
[0006] 步骤2、轴温预测模型的建立；
[0007] 步骤3、热轴判别模型的建立。
[0008] 本发明的特点还在于，
[0009] 步骤1具体为：
[0010] 步骤(1.1)、采集高速列车的运行速度v、轴温T、环境温度C、运行时间t以及载重L；
[0011] 步骤(1.2)、将步骤(1.1)中采集到的高速列车的停车阶段去掉，即去掉v＝0的点，在每一个起停阶段加入初始的轴温值T0。
[0012] 步骤2具体为：
[0013] 步骤(2.1)、预测变量的相关性，得到各变量之间的相关系数；
[0014] 步骤(2.2)、预测模型的建立。
[0015] 步骤(2.1)具体为：
[0016] 对经过所述步骤1处理后的高速列车的预测变量进行相关性分析，即对运行速度v、每个起停阶段的初始轴温T0、环境温度C、运行时间t以及载重L与轴温T之间的相关性系数进行分析，其依据公式如下：
[0017]
[0018] 其中，N为预测变量的个数，xi为自变量，yi为因变量——轴温T，r为皮尔逊Pearson相关系数，当
[0019] (1)0.8≤r≤1时，变量为极强相关；
[0020] (2)0.6≤r＜0.8时，变量为强相关；
[0021] (3)0.4≤r＜0.6时，变量为中等程度相关；
[0022] (4)0.2≤r＜0.4时，变量为弱相关；
[0023] (5)0.0≤r＜0.2时，变量为极弱相关或者无相关，因此，可以根据此相关系数值的大小来确定变量的相关程度，也可以将无相关的变量去除掉，只分析相关的变量。
[0024] 步骤(2.2)具体为：
[0025] 步骤(2.2.1)、对经过步骤1处理后轴温数据进行回归分析：根据步骤(2.1)得到的各变量之间的相关系数，去掉不相关或者极弱相关的变量；
[0026] 步骤(2.2.2)、根据样本回归模型的矩阵 其中， 为偏回归系数，e表示残差，表示当其他自变量取值固定时，自变量xi每改变一个单位时yi的变化量，将每一个运行阶段中的变量速度v(x1i)、每个起停阶段的初始轴温T0(x2i)、环境温度C(x3i)、运行时间t(x4i)以及载重L(x5i)作为回归模型中的自变量xki，且生成自变量矩阵如下：
[0027]
[0028] 上式中，i为每个自变量包含的元素数，回归模型中的因变量为轴温T，且生成包含所有目标集的k维向量，
[0029]
[0030] 用 公式得出各回归系数 进而得到因变量T的预测值Ti'，进而得到轴温的预测模型为：
[0031] Ti'＝b0+b1xi1+...+bkxik，
[0032] 其中，X'为自变量组成的矩阵X的转置。
[0033] 步骤(2.2.2)中生成包含所有目标集的k维向量中的k＝5。
[0034] 将步骤(2.2.2)中的回归系数 代入轴温预测模型中可以得到，轴温预测模型为[0035] T'＝b0+b1t+b2v+b3C+b4T0+b5L
[0036] 其中，T'为预测轴温值，t为时间，v为速度，T0为初始轴温值，L为载重。
[0037] 步骤3具体为：
[0038] 步骤(3.1)、计算轴温预测值T'：对经过步骤1处理后高速列车的监测数据，根据所述步骤2得到的回归方程计算得到轴温的预测值T'；
[0039] 步骤(3.2)、设定热轴的级别J：根据步骤(3.1)得到的轴温预测值T'，则根据相对误差 的大小来定义热轴的级别，其中T'为轴温预测值，T为真实值，故在此基础上定义以下热轴判别标准：
[0040] (1)R＜th1，则定义热轴等级为1，即为正常；
[0041] (2)th1≤R＜th2，则定义热轴等级为2，即为微热；
[0042] (3)th2≤R＜th3，则定义热轴等级为3，即为强热；
[0043] (4)th3≤R，则定义热轴等级为4，即为激热，
[0044] 其中，thi为动态阈值，thi，i＝1,2,3的取值范围为0.19≤th1≤0.22；0.33≤th2≤0.36；0.44≤th3≤0.47，
[0045] 根据轴温预测模型得到轴温预测值T'，以及真实轴温值得到其相对误差值R，基于预测值可以建立热轴判别模型，若预测值根实际值之间的差异突然变大，则可将此定为可能发生热轴故障，从而提前检查车辆，以防止车辆因热轴而发生的故障，根据实际情况，定出其热轴等级的动态阈值，此热轴的判别标准是基于一个动态的阈值而设定，这样就解决了热轴误报率高的问题。
[0046] 本发明的有益效果是，一种基于监测数据的高速列车轴温动态报警阈值设定方法，通过对高速列车的轴温数据进行预测分析，得到轴温数据的预测值，经过模型检验得到此结果始终在可接受的误差之内，根据轴温的预测值与真实值得到其相对误差值，然后，定义热轴判别标准，由此得到的热轴判别模型可以很好的对热轴的级别进行判别，从而可以在很大的程度上降低应为热轴而发生的列车事故。
附图说明
[0047] 图1是本发明一种基于监测数据的高速列车轴温动态报警阈值设定方法的总体流程图；
[0048] 图2是本发明一种基于监测数据的高速列车轴温动态报警阈值设定方法中建立的轴温预测流程图；
[0049] 图3是本发明一种基于监测数据的高速列车轴温动态报警阈值设定方法中热轴等级判别流程图。
具体实施方式
[0050] 下面结合附图和具体实施方式对本发明进行详细说明。
[0051] 在对数据进行预处理的过程中，发现轴温与速度v、一个起停阶段的初始轴温值T0、环境温度C、运行时间t以及载重L有明显的关系，因此我们用多元线性回归模型对高速列车运行的一系列数据进行分析得到轴温预测值，进而得到列车热轴的判别模型。
[0052] 本发明一种基于监测数据的高速列车轴温动态报警阈值设定方法，具体流程如图1所示，具体按照以下步骤实施：
[0053] 步骤1、对列车的监测数据进行预处理，具体为：
[0054] 步骤(1.1)、采集高速列车的运行速度v、轴温T、环境温度C、运行时间t以及载重L；
[0055] 步骤(1.2)、将步骤(1.1)中采集到的高速列车的停车阶段去掉，即去掉v＝0的点，在每一个起停阶段加入初始的轴温值T0；
[0056] 步骤2、轴温预测模型的建立，具体流程如图2所示，具体为：
[0057] 步骤(2.1)、预测变量的相关性，得到各变量之间的相关系数；
[0058] 步骤(2.2)、预测模型的建立。
[0059] 其中，步骤(2.1)具体为：
[0060] 对经过步骤1处理后的高速列车的预测变量进行相关性分析，即对运行速度v、每个起停阶段的初始轴温T0、环境温度C、运行时间t以及载重L与轴温T之间的相关性系数进行分析，其依据公式如下：
[0061]
[0062] 其中，N为预测变量的个数，xi为自变量，yi为因变量——轴温T，r为皮尔逊Pearson相关系数，当
[0063] (1)0.8≤r≤1时，变量为极强相关；
[0064] (2)0.6≤r＜0.8时，变量为强相关；
[0065] (3)0.4≤r＜0.6时，变量为中等程度相关；
[0066] (4)0.2≤r＜0.4时，变量为弱相关；
[0067] (5)0.0≤r＜0.2时，变量为极弱相关或者无相关，因此，可以根据此相关系数值的大小来确定变量的相关程度，也可以将无相关的变量去除掉，只分析相关的变量。
[0068] 步骤(2.2)具体为：
[0069] 步骤(2.2.1)、对经过步骤1处理后轴温数据进行回归分析：根据步骤(2.1)得到的各变量之间的相关系数，去掉不相关或者极弱相关的变量；
[0070] 步骤(2.2.2)、根据样本回归模型的矩阵 其中， 为偏回归系数，e表示残差，表示当其他自变量取值固定时，自变量xi每改变一个单位时yi的变化量，将每一个运行阶段中的变量速度v(x1i)、每个起停阶段的初始轴温T0(x2i)、环境温度C(x3i)、运行时间t(x4i)以及载重L(x5i)作为回归模型中的自变量xki，且生成自变量矩阵如下：
[0071]
[0072] 上式中，i为每个自变量包含的元素数，回归模型中的因变量为轴温T，且生成包含所有目标集的k维向量，
[0073]
[0074] 用 公式得出各回归系数 进而得到因变量T的预测值Ti'，进而得到轴温的预测模型为：
[0075] Ti'＝b0+b1xi1+...+bkxik，
[0076] 其中，X'为自变量组成的矩阵X的转置。
[0077] 步骤(2.2.2)中生成包含所有目标集的k维向量中的k＝5。
[0078] 将步骤(2.2.2)中的回归系数 代入轴温预测模型中可以得到，轴温预测模型为[0079] T'＝b0+b1t+b2v+b3C+b4T0+b5L
[0080] 其中，T'为预测轴温值，t为时间，v为速度，T0为初始轴温值，L为载重；
[0081] 步骤3、热轴判别模型的建立，具体流程如图3所示，具体为：
[0082] 步骤(3.1)、计算轴温预测值T'：对经过步骤1处理后高速列车的监测数据，根据所述步骤2得到的回归方程计算得到轴温的预测值T'；
[0083] 步骤(3.2)、设定热轴的级别J：根据步骤(3.1)得到的轴温预测值T'，则根据相对误差 的大小来定义热轴的级别，其中T'为轴温预测值，T为真实值，故在此基础上定义以下热轴判别标准：
[0084] (5)R＜th1，则定义热轴等级为1，即为正常；
[0085] (6)th1≤R＜th2，则定义热轴等级为2，即为微热；
[0086] (7)th2≤R＜th3，则定义热轴等级为3，即为强热；
[0087] (8)th3≤R，则定义热轴等级为4，即为激热，
[0088] 其中，thi为动态阈值，thi，i＝1,2,3的取值范围为0.19≤th1≤0.22；0.33≤th2≤0.36；0.44≤th3≤0.47，
[0089] 根据轴温预测模型得到轴温预测值T'，以及真实轴温值得到其相对误差值R，基于预测值可以建立热轴判别模型，若预测值根实际值之间的差异突然变大，则可将此定为可能发生热轴故障，从而提前检查车辆，以防止车辆因热轴而发生的故障，根据实际情况，定出其热轴等级的动态阈值，此热轴的判别标准是基于一个动态的阈值而设定，这样就解决了热轴误报率高的问题。
