佟衛(wèi)國(guó)

（天津南環(huán)鐵路有限公司機(jī)務(wù)分公司，天津 300450）

大功率電力機(jī)車(chē)異常運(yùn)行數(shù)據(jù)的檢測(cè)方法研究

佟衛(wèi)國(guó)

（天津南環(huán)鐵路有限公司機(jī)務(wù)分公司，天津 300450）

為了保障大功率電力機(jī)車(chē)安全穩(wěn)定的運(yùn)行，提出一種基于聚類(lèi)-規(guī)則的異常運(yùn)行數(shù)據(jù)檢測(cè)方法。利用聚類(lèi)算法對(duì)異常運(yùn)行數(shù)據(jù)進(jìn)行聚類(lèi)，然后根據(jù)聚類(lèi)中心獲得異常運(yùn)行數(shù)據(jù)的檢測(cè)規(guī)則庫(kù)，并由此構(gòu)建檢測(cè)模型，同時(shí)利用BP算法對(duì)模型參數(shù)進(jìn)行優(yōu)化，最終獲得準(zhǔn)確的異常運(yùn)行數(shù)據(jù)檢測(cè)模型。

電力機(jī)車(chē)運(yùn)行數(shù)據(jù)聚類(lèi)

引言

隨著我國(guó)交通運(yùn)輸?shù)难该桶l(fā)展，電力機(jī)車(chē)的功率也越來(lái)越大［1］。大功率電力機(jī)車(chē)具有復(fù)雜的結(jié)構(gòu)和惡劣的工作條件，很容易發(fā)生故障。一旦發(fā)生故障，就會(huì)影響電力機(jī)車(chē)運(yùn)行的穩(wěn)定性，甚至由此引發(fā)交通事故，造成重大的經(jīng)濟(jì)損失和人員傷亡［2］。因此，及時(shí)發(fā)現(xiàn)故障就顯得十分必要。事實(shí)上，故障在發(fā)生前往往會(huì)產(chǎn)生一些異常的運(yùn)行數(shù)據(jù)，而對(duì)這些異常的運(yùn)行數(shù)據(jù)進(jìn)行準(zhǔn)確檢測(cè)，往往能夠提前判斷和排除故障，從而消除電力機(jī)車(chē)的安全隱患，使電力機(jī)車(chē)能夠安全穩(wěn)定地運(yùn)行。因此，如何對(duì)大功率電力機(jī)車(chē)的異常運(yùn)行數(shù)據(jù)進(jìn)行檢測(cè)，已經(jīng)成為當(dāng)前交通領(lǐng)域中的一個(gè)熱點(diǎn)研究課題。

現(xiàn)階段，主要的異常運(yùn)行數(shù)據(jù)的檢測(cè)方法包括基于小波變換的異常運(yùn)行數(shù)據(jù)檢測(cè)方法、基于卡爾曼濾波的異常運(yùn)行數(shù)據(jù)檢測(cè)方法和基于數(shù)據(jù)挖掘的異常運(yùn)行數(shù)據(jù)檢測(cè)方法等。然而，上述方法主要是依據(jù)測(cè)量數(shù)據(jù)進(jìn)行檢測(cè)的，當(dāng)異常運(yùn)行數(shù)據(jù)的類(lèi)型比較復(fù)雜時(shí)，不但要增加檢測(cè)手段，同時(shí)還要增加運(yùn)算量和檢測(cè)時(shí)間，從而降低異常運(yùn)行數(shù)據(jù)的檢測(cè)效率，難以滿(mǎn)足電力機(jī)車(chē)對(duì)異常運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)性檢測(cè)的要求。為此，本文提出一種基于聚類(lèi)-規(guī)則的大功率電力機(jī)車(chē)異常運(yùn)行數(shù)據(jù)的檢測(cè)方法。

1　異常運(yùn)行數(shù)據(jù)的分類(lèi)

在進(jìn)行大功率電力機(jī)車(chē)異常運(yùn)行數(shù)據(jù)的檢測(cè)中，為了實(shí)現(xiàn)異常運(yùn)行數(shù)據(jù)的準(zhǔn)確檢測(cè)，首先需要獲得準(zhǔn)確的規(guī)則。

具體的方法如下：設(shè)置電力機(jī)車(chē)的運(yùn)行數(shù)據(jù)樣本為｛X1，X2，…XN｝，其中為運(yùn)行數(shù)據(jù)樣本的數(shù)目。為了避免數(shù)據(jù)樣本的較大值和較小值的影響，需要對(duì)樣本進(jìn)行歸一化處理，使數(shù)據(jù)樣本的值在［0，1］的范圍內(nèi)。在電力機(jī)車(chē)的異常運(yùn)行數(shù)據(jù)中，由于每一個(gè)異常運(yùn)行數(shù)據(jù)都可能是一個(gè)類(lèi)型，因此將每一個(gè)運(yùn)行數(shù)據(jù)都作為一個(gè)潛在的聚類(lèi)中心，則對(duì)于運(yùn)行數(shù)據(jù)，其成為聚類(lèi)中心的概率能夠用下述公式進(jìn)行計(jì)算。

其中，‖‖為歐氏距離，ra為非負(fù)數(shù)，表示其鄰域?yàn)閞a。由此可見(jiàn)，若一個(gè)運(yùn)行數(shù)據(jù)存在若干相鄰的數(shù)據(jù)，則該運(yùn)行數(shù)據(jù)成為聚類(lèi)中心的概率較大。ra以外的運(yùn)行數(shù)據(jù)對(duì)該運(yùn)行數(shù)據(jù)的影響較少。Di表示Xi與其他運(yùn)行數(shù)據(jù)之間的歐氏距離。根據(jù)上述公式的計(jì)算能夠獲得每一個(gè)運(yùn)行數(shù)據(jù)成為聚類(lèi)中心的概率，并選擇概率最大的運(yùn)行數(shù)據(jù)作為一個(gè)聚類(lèi)中心。設(shè)置Y1為異常運(yùn)行數(shù)據(jù)的第一個(gè)類(lèi)型，其概率為D1，則利用下述公式能夠重新計(jì)算其余運(yùn)行數(shù)據(jù)成為聚類(lèi)中心的概率：

其中，Yk表示第k個(gè)聚類(lèi)中心，即第k個(gè)異常數(shù)據(jù)的類(lèi)型，Dk為其概率。對(duì)運(yùn)行數(shù)據(jù)的概率設(shè)置一個(gè)閥值，當(dāng)上述迭代過(guò)程小于此閥值時(shí)，一般設(shè)置Dk＜0.15D1，即停止聚類(lèi)，從而獲得異常運(yùn)行數(shù)據(jù)的所有類(lèi)型，完成異常運(yùn)行數(shù)據(jù)的分類(lèi)。

2　異常運(yùn)行數(shù)據(jù)的檢測(cè)

2.1構(gòu)建異常運(yùn)行數(shù)據(jù)的檢測(cè)規(guī)則庫(kù)

通過(guò)上節(jié)獲得的聚類(lèi)中心的集合，能夠產(chǎn)生用于異常運(yùn)行數(shù)據(jù)檢測(cè)的規(guī)則。設(shè)置聚類(lèi)中心Ck對(duì)應(yīng)的異常運(yùn)行數(shù)據(jù)的類(lèi)型為c1，則能夠得到下述檢測(cè)規(guī)則：

其中，Xi=（xi1，xi2，…xin），為運(yùn)行數(shù)據(jù)向量的維度，yk為對(duì)應(yīng)的模糊規(guī)則，ak為一個(gè)常數(shù)。

檢測(cè)規(guī)則的觸發(fā)強(qiáng)度能夠用下述公式進(jìn)行計(jì)算：

其中，xij為第j個(gè)運(yùn)行數(shù)據(jù)的特征，Akj為第k條檢測(cè)規(guī)則的第j個(gè)數(shù)據(jù)特征的隸屬函數(shù)，可選用高斯函數(shù)作為隸屬函數(shù)，公式為：

其中，ckj為聚類(lèi)中心是ck的第j個(gè)運(yùn)行數(shù)據(jù)，σkj為聚類(lèi)中心的擴(kuò)展度，uk為檢測(cè)規(guī)則的觸發(fā)強(qiáng)度。按照相同的方法，可以對(duì)其余的聚類(lèi)中心建立對(duì)應(yīng)的檢測(cè)規(guī)則，從而構(gòu)建用于異常運(yùn)行數(shù)據(jù)檢測(cè)的規(guī)則庫(kù)。構(gòu)建好異常運(yùn)行數(shù)據(jù)檢測(cè)的規(guī)則庫(kù)后，能夠得到該規(guī)則庫(kù)下的異常運(yùn)行數(shù)據(jù)的檢測(cè)模型：

其中，yk表示第k條檢測(cè)規(guī)則的檢測(cè)結(jié)果，N為檢測(cè)規(guī)則的總數(shù)目。

2.2對(duì)異常運(yùn)行數(shù)據(jù)檢測(cè)規(guī)則進(jìn)行優(yōu)化

能夠根據(jù)上述方法，能夠獲得異常運(yùn)行數(shù)據(jù)的檢測(cè)模型。但是，為了獲得更準(zhǔn)確的檢測(cè)結(jié)果，還需要對(duì)檢測(cè)模型中的參數(shù)ak、σkj和cki進(jìn)行優(yōu)化。此處，用BP神經(jīng)網(wǎng)絡(luò)對(duì)模型中的參數(shù)、和進(jìn)行優(yōu)化，從而獲得更精確的檢測(cè)結(jié)果。設(shè)置輸入的異常運(yùn)行數(shù)據(jù)為Xi，若其類(lèi)型為c1，則檢測(cè)模型的理想輸出為1；反之，檢測(cè)模型的理想輸出為0。異常運(yùn)行數(shù)據(jù)檢測(cè)模型的檢測(cè)誤差由兩部分構(gòu)成，第一部分為ei1，計(jì)算公式為：

其中，μc1，max為檢測(cè)模型輸出結(jié)果為類(lèi)型對(duì)應(yīng)對(duì)檢測(cè)規(guī)則的最大觸發(fā)強(qiáng)度，μc1→max為檢測(cè)模型輸出結(jié)果不為c1類(lèi)型對(duì)應(yīng)對(duì)檢測(cè)規(guī)則的最大觸發(fā)強(qiáng)度。

從上述公式能夠得知，當(dāng)某一條檢測(cè)規(guī)則能正確檢測(cè)出異常運(yùn)行數(shù)據(jù)且其觸發(fā)強(qiáng)度為1，剩余檢測(cè)規(guī)則不能檢測(cè)異常運(yùn)行數(shù)據(jù)且觸發(fā)強(qiáng)度為0時(shí)，檢測(cè)模型的檢測(cè)誤差ei1=0。

異常運(yùn)行數(shù)據(jù)檢測(cè)模型的檢測(cè)誤差的第二部分ei2的計(jì)算公式為：

其中，y為檢測(cè)模型的檢測(cè)結(jié)果。同樣可知，當(dāng)檢測(cè)模型的輸出為1時(shí)，其誤差ei2=0。

對(duì)于全部的電力機(jī)車(chē)運(yùn)行數(shù)據(jù)樣本來(lái)說(shuō)，它們的訓(xùn)練誤差能夠用下述公式進(jìn)行計(jì)算：

其中，nc為訓(xùn)練樣本的總數(shù)目。

檢測(cè)模型中的參數(shù)ak、σkj和cki的學(xué)習(xí)方法如下：

大功率電力機(jī)車(chē)異常運(yùn)行數(shù)據(jù)檢測(cè)的具體步驟：

（1）對(duì)電力機(jī)車(chē)的運(yùn)行數(shù)據(jù)進(jìn)行聚類(lèi)，獲得異常運(yùn)行數(shù)據(jù)的聚類(lèi)中心；

（2）根據(jù)聚類(lèi)中心建立檢測(cè)異常運(yùn)行數(shù)據(jù)的規(guī)則；

（3）根據(jù)檢測(cè)規(guī)則構(gòu)建異常運(yùn)行數(shù)據(jù)的檢測(cè)模型；

（4）利用BP算法對(duì)異常運(yùn)行數(shù)據(jù)檢測(cè)模型中的參數(shù)進(jìn)行優(yōu)化；

（5）通過(guò)優(yōu)化后的模型進(jìn)行異常運(yùn)行數(shù)據(jù)的檢測(cè)。

3　結(jié)束語(yǔ)

本文提出了一種基于聚類(lèi)-規(guī)則的大功率電力機(jī)車(chē)異常運(yùn)行數(shù)據(jù)的檢測(cè)方法，能夠?yàn)榇蠊β孰娏C(jī)車(chē)安全、穩(wěn)定的運(yùn)行提供可靠保障。

［1］許麗.交直電力機(jī)車(chē)運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)視與故障診斷系統(tǒng)的總體設(shè)計(jì)及應(yīng)用現(xiàn)狀 ［J］.湖南鐵路科技職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2015，（2）：64-68.

［2］師誠(chéng)，杜銀兵.電力機(jī)車(chē)可靠性數(shù)據(jù)分析［J］.電力機(jī)車(chē)與城軌車(chē)輛，2014，（5）：83-85.

Research on Detection Method of Abnormal Operation Data of High Power Electric Locomotive

TONG Weiguo
（TianjinSouthCentralRailwayCompanyLimitedmaintenance branch，Tianjin 300450）

In order to ensure the safe and stable operation of high power electric locomotive，a new method based on clustering rule is proposed.The clustering algorithm to cluster the abnormal operation data.Then the detection rule base of abnormal operation data are obtained according to the clustering center，and thus build detection model and the BP algorithm is used to optimize the parameters of the model，finally get the accurate abnormal operation data detection model.

electric locomotive，running data，clustering