扈海軍，曾宇清，于衛(wèi)東

（中國鐵道科學(xué)研究院 機(jī)車車輛研究所，北京100081）

車輛軸溫智能探測系統(tǒng)（Trace Hotbox Detection System，簡稱THDS）利用軌邊紅外線探頭，動態(tài)監(jiān)測通過列車軸承溫度，發(fā)現(xiàn)熱軸故障，并通過配套故障智能跟蹤裝置，實(shí)現(xiàn)熱軸預(yù)報(bào)和跟蹤，強(qiáng)化燃、切軸事故防范能力［1］。

目前，我國鐵路沿線每隔約30 km即設(shè)立了1個(gè)無人值守的紅外探測站進(jìn)行軸溫探測，由于探測現(xiàn)場環(huán)境復(fù)雜、惡劣，多種因素如沖擊、意外熱源、雨雪霧、安裝缺陷、電壓不穩(wěn)等都可能影響檢測，導(dǎo)致異常波形［2］。為解決該問題，相關(guān)廠家在探測站采取了許多措施，取得了一定的效果，但在鐵路局紅外聯(lián)網(wǎng)集中報(bào)警中仍有較大數(shù)量的異常波形，加大了紅外值班員的工作強(qiáng)度，有必要強(qiáng)化紅外報(bào)警波形的自動智能識別。

分析了THDS軸溫報(bào)警歸一化波形數(shù)據(jù)的特征以及傳統(tǒng)波形識別方法，提出了基于測點(diǎn)動態(tài)正常波形模型以及全新的智能識別方法；在此基礎(chǔ)上，收集了近年大秦線1．6萬條重載貨車軸溫報(bào)警軸承的歸一化波形數(shù)據(jù)，以及與之對應(yīng)的攔停、檢查信息，對紅外波形識別算法進(jìn)行了校驗(yàn)及考核。

1 異常波形類型及原有處理方法

研究紅外波形的智能識別方法，首先要了解異常波形的特點(diǎn)以及傳統(tǒng)處理方法。由于軸承材料熱傳導(dǎo)特性良好，通過紅外探頭對軸承進(jìn)行掃描而得到的軸承溫度分布較為均勻。每個(gè)軸承的32點(diǎn)軸溫歸一化曲線相對平緩、符合不同種類軸承的溫度分布規(guī)律，明顯不符合軸承溫度分布規(guī)律的波形即可視為異常波形。

1．1 異常波形類型

異常波形的種類及產(chǎn)生原因比較多，表1和圖1中列舉了常見的幾種異常波形的成因、特征以及曲線圖［3－8］。

表1 常見THDS熱軸異常波形匯總

圖1 常見THDS異常波形圖表

1．2 傳統(tǒng)處理方法

傳統(tǒng)的異常波形識別方法大多數(shù)基于紅外測點(diǎn)的軟硬件配置，具體方法主要有以下幾種［9－11］。

（1）差分及n（一般小于4）步差分法，計(jì)算軸溫曲線相鄰n點(diǎn)間的差分，通過n步差分的大小及分布（峰值個(gè)數(shù)）來判斷波形是否異常，該方法一般用于處理各類毛刺型異常波形，同時(shí)n步差分為計(jì)算波形上升及下降沿提供標(biāo)記；

（2）面積法，計(jì)算特征位置（如全部、前部、中部、后部）溫度曲線包含的面積及其相對大小關(guān)系來判斷是否波形異常，該方法一般用于處理陽光干擾波形；

（3）距離法，計(jì)算波形曲線與標(biāo)準(zhǔn)波形的距離，判斷波形正常與否；

（4）相關(guān)法，計(jì)算波形曲線與標(biāo)準(zhǔn)波形的相關(guān)系數(shù)，判斷波形正常與否；

（5）其他，如神經(jīng)網(wǎng)絡(luò)法等。

傳統(tǒng)異常波形識別的典型流程包括尖峰判別，波動檢測，浴盆曲線判別，波形變胖判別，波形移動判別和計(jì)算特征距離等。

可以看出傳統(tǒng)紅外波形識別方法存在一些問題：①傳統(tǒng)異常波形識別方法是針對異常波形不同特征進(jìn)行識別的，需要窮舉；②傳統(tǒng)算法主要依據(jù)軸溫?cái)?shù)據(jù)的順序，反映數(shù)據(jù)特征的方法比較復(fù)雜，如主要針對各類毛刺的差分就有很多種；③傳統(tǒng)算法中的標(biāo)準(zhǔn)波形是統(tǒng)一的，而事實(shí)上紅外波形受具體測點(diǎn)影響較大，從而使得門檻范圍較大，不易操作；④傳統(tǒng)算法沒有有效嵌入正常波形的特征。

2 紅外波形智能識別模型

紅外波形智能識別是一個(gè)典型的模式識別問題，它包含輸入、傳感器、分割器、特征提取器、分類器、后處理器及決策等部分。這些環(huán)節(jié)是相互關(guān)聯(lián)的，各個(gè)環(huán)節(jié)的進(jìn)展都有利于決策的優(yōu)化。本文主要針對紅外波形智能識別中的特征提取器及分類器環(huán)節(jié)，希望能采用簡單、通用的方法提取有效特征，并進(jìn)行分類器閾值設(shè)定。

傳統(tǒng)紅外波形識別方法是基于異常波形特征的，故此需要的方法比較多，本文提出的智能識別方法基于以下正常波形特征：

①大于某一歸一化溫度值的位置是連續(xù)的；②對于同一個(gè)測點(diǎn)，這些溫度值的個(gè)數(shù)在一個(gè)較小的范圍內(nèi)變動；③對于同一個(gè)測點(diǎn)，這些溫度值的位置在一個(gè)較小的范圍內(nèi)變動；④對于同一個(gè)測點(diǎn)，這些溫度值構(gòu)成的曲線是相似的且數(shù)值相近。

2．1 識別算法

新方法主要有兩大環(huán)節(jié)：第1個(gè)環(huán)節(jié)基于測點(diǎn)的動態(tài)標(biāo)準(zhǔn)波形生成模型；依據(jù)已生成測點(diǎn)標(biāo)準(zhǔn)波形的軸溫波形識別模型（圖2）。

（1）基于測點(diǎn)的動態(tài)標(biāo)準(zhǔn)波形生成模型

①對某測點(diǎn)軸溫?cái)?shù)據(jù)進(jìn)行初步的判別，得到該測點(diǎn)基本正常波形的集合；②統(tǒng)計(jì)提取該測點(diǎn)正常波形參數(shù)、波寬、中心、標(biāo)準(zhǔn)波形等；③正常波形也可針對特殊車型生成；④提取的測點(diǎn)動態(tài)標(biāo)準(zhǔn)波形與同類設(shè)備標(biāo)準(zhǔn)波形進(jìn)行比較，確認(rèn)正確性。

（2）依據(jù)已生成測點(diǎn)標(biāo)準(zhǔn)波形的軸溫波形識別模型

①對新紅外波形，取大于一定幅值的波形數(shù)據(jù)，提取連續(xù)性、波寬、中心參數(shù)；②按照測點(diǎn)標(biāo)準(zhǔn)波形的格式，生成當(dāng)前波形的規(guī)范波形；③計(jì)算當(dāng)前規(guī)范波形與測點(diǎn)動態(tài)標(biāo)準(zhǔn)波形的相關(guān)系數(shù)、幅值差參數(shù)；④根據(jù)各參數(shù)的閾值，評判該波形的正確性。

第2個(gè)環(huán)節(jié)實(shí)際上是依據(jù)正常波形的特征－連續(xù)性、波寬、中心，以及與測點(diǎn)動態(tài)標(biāo)準(zhǔn)波形的相關(guān)、幅值差進(jìn)行軸溫超限紅外波形評判。

新方法區(qū)別于原有方法中最根本的一點(diǎn)是從正常波形特征提取出發(fā)，采用橫向的＂掃描＂替代了原有方法豎向的＂掃描＂，反映了正常紅外波形區(qū)別異常波形的本質(zhì)，方法規(guī)范、簡潔、適應(yīng)性強(qiáng)。

新方法的第2個(gè)特點(diǎn)是評判基于測點(diǎn)的動態(tài)標(biāo)準(zhǔn)波形，其原因是標(biāo)準(zhǔn)波形與測點(diǎn)設(shè)備有一定的相關(guān)性，若采用統(tǒng)一的標(biāo)準(zhǔn)波形將使得正常波形與標(biāo)準(zhǔn)波形間的差異范圍較大，不利于實(shí)現(xiàn)特性良好的基于正常波形的評判，測點(diǎn)動態(tài)標(biāo)準(zhǔn)波形的采用使得一致性的判斷得以有效實(shí)現(xiàn)；同時(shí)，一個(gè)潛在的運(yùn)用是通過某測點(diǎn)動態(tài)標(biāo)準(zhǔn)波形與紅外中心其他同類設(shè)備標(biāo)準(zhǔn)波形的對比，可以判斷測點(diǎn)設(shè)備狀態(tài)、指導(dǎo)測點(diǎn)設(shè)備的調(diào)整、檢修。

圖2 智能波形判別簡圖

2．2 閾值設(shè)定

確定了波形識別需要提取的特征參數(shù)之后，要對這些參數(shù)的閾值進(jìn)行設(shè)定，閾值設(shè)定有兩個(gè)出發(fā)點(diǎn)：一是特征參數(shù)的分布特征；二是評判綜合風(fēng)險(xiǎn)評估。其中特征參數(shù)分布可以直接從獲得的紅外軸溫報(bào)警樣本中提取，風(fēng)險(xiǎn)評估需要結(jié)合現(xiàn)場實(shí)際，本文主要考慮第1點(diǎn)，對歸一化溫度大于60的特征溫度段進(jìn)行分析。

圖3顯示了不同廠家設(shè)備紅外報(bào)警有效波寬分布，可見不同廠家以及同廠家不同型號設(shè)備所產(chǎn)生的紅外報(bào)警波形特征段寬度分布是不同的。廠家1有效波寬中心為20，廠家2有兩個(gè)中心分別為13及19，分布較寬，廠家3的有效波寬中心為16左右、分布較集中；這也說明了，有必要依廠家及設(shè)備型號或者測點(diǎn)進(jìn)行評判。

圖3 不同廠家特征段寬度分布

圖4顯示了不同廠家設(shè)備紅外報(bào)警波形特征段中心分布，可見不同廠家以及同廠家不同型號設(shè)備所產(chǎn)生的紅外報(bào)警波形特征段中心分布是不同的。廠家1特征段中心為17、波形有較多的左移，廠家2中心為15、分布較寬狀態(tài)不一致，廠家3的特征段中心為16左右、分布較為集中；有必要依廠家及設(shè)備型號或者測點(diǎn)進(jìn)行評判。

圖4 不同廠家特征段中心分布

從以上特征段參數(shù)分布上看：（1）不同紅外設(shè)備廠家不同型號設(shè)備得到的紅外報(bào)警波形是不完全一致的，需要不同對待或直接按測點(diǎn)處理；（2）從特征段參數(shù)分布可以估計(jì)不同廠家設(shè)備的設(shè)備狀態(tài)，波形特征可以用于設(shè)備狀態(tài)監(jiān)測。

圖5顯示了紅外報(bào)警波形特征段相似性參數(shù)分布的平面圖和三維圖，從數(shù)據(jù)特征的聚合性看可以初步把門檻值設(shè)為0．9及9左右。

2．3 方法驗(yàn)證

方法驗(yàn)證主要有兩步：（1）波形識別結(jié)果觀察；（2）與紅外值班員判別結(jié)果對比。

圖5 特征段相似性參數(shù)分布

對強(qiáng)、激熱波形樣本按廠家及型號對辨識結(jié)果進(jìn)行了觀察（如圖6），以廠家1紅外三代機(jī)辨識結(jié)果樣本為例，圖a．1為全部波形樣本圖，圖a．2為參數(shù)分布圖，圖a．3為正常強(qiáng)、激熱波形與標(biāo)準(zhǔn)波形對比圖，圖a．4為異常強(qiáng)、激熱波形與標(biāo)準(zhǔn)波形對比圖，其他廠家或設(shè)備也相同，從圖中可以看出本方法識別結(jié)果準(zhǔn)確。

2．4 初步評判結(jié)果

采用評判參數(shù)閾值：（1）波形連續(xù)；（2）有效波寬與該測點(diǎn)名義有效波寬差值不大于4；（3）中心位置與該測點(diǎn)名義中心差值不大于4；（4）相關(guān)系數(shù)不小于0．9；（5）最大幅值差不大于9。對全鐵路（不含大秦線）強(qiáng)、激熱報(bào)警波形16 951條進(jìn)行自動辨識，結(jié)果如下：

不滿足條件（1）～（3）的共8 260條，占總數(shù)的48．73%；其他8 691條滿足條件（1）～（3）的報(bào)警樣本中，滿足條件（4）的有8 338條，滿足條件（5）的有8 169條，同時(shí)滿足條件（4）～（5）的共8 106條；

最終自動評判得到的有效波形為8 106條，約占總數(shù)的47．82%，剔除的異常波形8 845條，約占總數(shù)的52．18%，效果是顯著的，這也從一個(gè)側(cè)面反映了紅外報(bào)警波形智能識別的重要性。

3 大秦線紅外報(bào)警波形識別

為進(jìn)一步研究熱軸紅外波形智能識別，有針對性地收集了大秦線2007年7月30日到2010年11月6日強(qiáng)、激、微熱報(bào)警，總數(shù)16 228個(gè)。

其中的223個(gè)強(qiáng)、激熱報(bào)警樣本，在實(shí)際運(yùn)用中經(jīng)過人工判斷并進(jìn)行相應(yīng)處理，有121個(gè)報(bào)警進(jìn)行了攔停及反饋。以下從強(qiáng)、激熱報(bào)警樣本、攔停樣本的波形智能評判結(jié)果構(gòu)成、評判結(jié)果反饋情況統(tǒng)計(jì)兩個(gè)方面對本文提出的波形智能評判效果進(jìn)行評估。

考慮到實(shí)際運(yùn)用參數(shù)采用了區(qū)間設(shè)置，即增加了評判不確定類，該類波形需要人工進(jìn)行再確認(rèn)，據(jù)此對223個(gè)強(qiáng)、激熱報(bào)警樣本以及121個(gè)攔停樣本進(jìn)行了智能判別，結(jié)果分布如圖7。

圖6 不同廠家及設(shè)備型號的THDS強(qiáng)、激熱波形辨識

圖7 紅外波形智能識別結(jié)果分布圖

表2 強(qiáng)、激熱及攔停樣本智能識別結(jié)果對比

智能識別結(jié)果如表2所示，可以看到：

（1）大秦線紅外強(qiáng)、激熱報(bào)警中的異常波形比例是比較高的，在223個(gè)樣本中，50個(gè)明顯異常，占22．42%；異常29個(gè)，占13．00%；總比例約為35%。

（2）目前的人工確認(rèn)篩選是有意義的，相對強(qiáng)、激熱報(bào)警，波形明顯異常的比例從22．42%降至8．26%，相對下降63．14%；異常波形比例從13．00%降至8．26%，相對下降36．45%；與此同時(shí)，正常波形比例從51．12%升至71．07%，相對上升39．03%；不能確定的比例從12．56%下降至12．40%，相對下降1．27%。

如果智能評判的結(jié)果可靠，那么將有效減小工作人員的工作量，工作人員只需對不能確定的部分波形進(jìn)行確認(rèn)，減少的比例不小于85%。

要判斷智能評判的結(jié)果是否可靠，需要對相應(yīng)攔停反饋信息進(jìn)行分析。目前攔停反饋有6種：①攔停后放行，②甩車后放行，③軸承退卸后有故障，④換輪不退卸，⑤軸承無故障，⑥其他1，其他2，由于⑥其他情況信息不明確，可以主要評估前5種情況（換輪不退卸不代表軸承有故障）。

圖8 明顯異常和異常而記錄為換輪不退卸的波形樣本

表3 識別結(jié)果與攔停反饋關(guān)系表

表3對121個(gè)攔停樣本進(jìn)行了波形識別，不考慮⑥其他情況，在明顯異常和異常的18（20－2）個(gè)樣本中13條的處理結(jié)果是攔停放行；正常樣本包含了所有確認(rèn)的4條軸承退卸有故障反饋，其中軸承有故障和換輪不退卸52條，比例為（4＋48）／（86－5－2）＝52／79＝65．82%，優(yōu)于人工識別結(jié)果（4＋3＋48＋2＋9）／（121－5－2－1－1－1－1）＝66／110＝60．00%。

圖8列出了所有智能識別結(jié)果為明顯異常和異常而記錄為換輪不退卸的5條歸一化波形與標(biāo)準(zhǔn)波形對比圖，可以看到這些波形顯然是有問題的，也就是說智能評判為明顯異常和異常的樣本中沒有誤判樣本，智能評判的結(jié)果是安全的。

采用提出的波形智能識別方法，可以在效果優(yōu)于人工識別的前提下，有效減少誤判，減小紅外值班員的工作量，在保障行車安全的前提下避免對運(yùn)輸組織的干擾。

4 結(jié)束語

提出了基于測點(diǎn)正常波形的紅外軸溫智能辨識新方法，采用橫向的“掃描”替代了原有方法豎向的＂掃描＂，反映了正常紅外波形區(qū)別異常波形的本質(zhì)，方法規(guī)范、簡潔、適應(yīng)性強(qiáng)；

對全鐵路（不含大秦線）1．6萬余條強(qiáng)、激熱波形的識別表明強(qiáng)、激熱報(bào)警正常波形約為總體的50%。

對大秦線近年223個(gè)強(qiáng)、激熱報(bào)警樣本以及121條攔停反饋信息進(jìn)行了智能識別及對比分析，結(jié)果表明采用本文提出的波形智能識別方法，其識別效果優(yōu)于實(shí)際人工識別，能在保障行車安全的前提下有效的剔除THDS異常波形，減小紅外值班員的工作量。

［1］趙長波，陳 雷，楊紹清．鐵路貨車軸溫探測與應(yīng)運(yùn)概論［M］．北京．中國鐵道出版社，2010．

［2］中華人民共和國鐵道部．車輛軸溫智能探測系統(tǒng)（THDS）設(shè)備檢修維護(hù)管理規(guī)程［M］．北京：中國鐵道出版社，2009．

［3］張 震．紅外線二代機(jī)軸溫探測系統(tǒng)誤報(bào)熱軸淺析［J］．鐵道機(jī)車車輛工人，2007，（2）：14－17．

［4］韓增盛．紅外線二代機(jī)軸溫探測系統(tǒng)誤報(bào)熱軸淺析［J］．鐵道運(yùn)營技術(shù)，2006，12（3）：10－11．

［5］喻宏傳．紅外線軸溫探測的探測角度分析探討［J］．鐵道車輛，2007，45（4）：37－38，43．

［6］劉占功．紅外線軸溫探測系統(tǒng)熱軸誤報(bào)分析及建議［J］．鐵道機(jī)車車輛，2006，26（4）：63－64．

［7］馬建生，鄧 立．環(huán)境因素對紅外線軸溫探測設(shè)備技術(shù)指標(biāo)的影響［J］．鐵道車輛，2000，38（10）：41－42．

［8］徐 焱．再探陽光直射引起的二代機(jī)熱軸誤報(bào)問題［J］．鐵道車輛，2001，39（12）：34－35．

［9］秦 勤．列車軸溫探測系統(tǒng)數(shù)據(jù)處理算法及實(shí)現(xiàn)［D］．西安：西安電子科技大學(xué)，2003．

［10］葛文義．第二代紅外軸溫探測系統(tǒng)中軸溫曲線的分析方法［J］．哈爾濱鐵道科技，1998，（3）：31－32．

［11］田 軍．對HBDS－Ⅱ型熱軸探測系統(tǒng)中溫度曲線和熱軸判別標(biāo)準(zhǔn)設(shè)置的建議［J］．鐵道車輛，2005，43（8）：43－44．