張士強(qiáng)，戴計(jì)生，徐海龍，詹彥豪

（中車株洲電力機(jī)車研究所有限公司，湖南 株洲 412001）

0 引言

牽引電機(jī)作為軌道交通車輛的動(dòng)力來源，對(duì)列車安全行駛具有至關(guān)重要的作用。電機(jī)濾網(wǎng)是電機(jī)散熱系統(tǒng)中非常重要的部件，其可以有效過濾風(fēng)冷系統(tǒng)中所帶有的灰塵。若電機(jī)濾網(wǎng)因累積灰塵過多而發(fā)生堵塞，必然直接影響電機(jī)的散熱效果，對(duì)電機(jī)及內(nèi)部器件的性能影響很大，是牽引電機(jī)的安全隱患。通過對(duì)軌道交通車輛的實(shí)際運(yùn)行情況進(jìn)行調(diào)研發(fā)現(xiàn)，牽引電機(jī)工作環(huán)境較差，濾網(wǎng)規(guī)格不一，現(xiàn)場(chǎng)電機(jī)濾網(wǎng)發(fā)生堵塞的頻率很高；而實(shí)際檢修多采用列車夜間回庫后由售后人員上車下載數(shù)據(jù)進(jìn)行對(duì)比分析、人工目視檢查的方式，現(xiàn)場(chǎng)實(shí)際維護(hù)周期較長(zhǎng)。為保證軌道交通車輛牽引電機(jī)安全可靠運(yùn)行，有必要實(shí)現(xiàn)對(duì)電機(jī)濾網(wǎng)堵塞情況進(jìn)行預(yù)警與診斷。

根據(jù)現(xiàn)場(chǎng)檢修方式可知，電機(jī)溫度是電機(jī)濾網(wǎng)堵塞的重要監(jiān)測(cè)指標(biāo)，但目前電機(jī)溫度預(yù)警存在以下問題與挑戰(zhàn)：（1）從電機(jī)原理角度考慮，電機(jī)溫度受到電壓、轉(zhuǎn)速、電流等因素以及列車運(yùn)行工況和影響；（2）從環(huán)境因素角度考慮，電機(jī)溫度受環(huán)境條件、天氣變化的影響也極為顯著。為此，本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）的電機(jī)濾網(wǎng)堵塞預(yù)警方法。其利用各種工況下真實(shí)的運(yùn)營數(shù)據(jù)對(duì)電機(jī)模型進(jìn)行訓(xùn)練，通過深度學(xué)習(xí)模型自適應(yīng)地提取特征，并引入各種影響因素構(gòu)建電機(jī)散熱模型，最終通過城市軌道交通智能運(yùn)維平臺(tái)來實(shí)現(xiàn)對(duì)電機(jī)濾網(wǎng)堵塞的預(yù)警。

1 RNN概述

RNN是一種循環(huán)、動(dòng)態(tài)的網(wǎng)絡(luò)模型，主要對(duì)形如 [x1,x2,x3,…,xn-1,xn]的時(shí)間序列數(shù)據(jù)進(jìn)行建模與預(yù)測(cè)[1]。RNN不同于其他神經(jīng)網(wǎng)絡(luò)，其各節(jié)點(diǎn)的神經(jīng)元都會(huì)接收前一節(jié)點(diǎn)輸出作為輸入傳遞給自身，由此構(gòu)成神經(jīng)元在不同節(jié)點(diǎn)上的反饋循環(huán)。RNN具有記憶功能，可以將時(shí)序數(shù)中隱藏的特征信息保存在隱藏狀態(tài)，通過網(wǎng)絡(luò)的更新與迭代，不斷向前傳遞，對(duì)著時(shí)間的推移，動(dòng)態(tài)地影響每一個(gè)神經(jīng)元的處理，通過這種方式構(gòu)建時(shí)序數(shù)據(jù)各元素的關(guān)聯(lián)關(guān)系。

經(jīng)典的RNN結(jié)構(gòu)如圖1所示，其與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，由輸入層（X）、隱藏層(S)和輸出層(O)構(gòu)成；不同的是，RNN引入了時(shí)間步的概念，并在隱藏層加入了循環(huán)，即隱藏層的輸入包括輸入層和上一時(shí)間步隱含層的輸出值兩部分[2]，同時(shí)，隱藏層的輸出不僅被送給輸出層，還要送至下一時(shí)間步的隱藏層。U,V,W作為各網(wǎng)絡(luò)層之間的權(quán)重矩陣，是各層網(wǎng)絡(luò)之間的主要連接關(guān)系。

圖1 RNN單層網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Single layer network structure of RNN

在RNN中，各節(jié)點(diǎn)參數(shù)在網(wǎng)絡(luò)結(jié)構(gòu)中的每一次輸入都會(huì)被共享。這樣做的好處是使得這個(gè)網(wǎng)絡(luò)的參數(shù)維度大大降低，隱藏層不僅可以連接輸入層與輸出層，還能記憶和儲(chǔ)存關(guān)鍵數(shù)據(jù)信息，傳遞數(shù)據(jù)關(guān)聯(lián)關(guān)系[3]，對(duì)時(shí)間序列數(shù)據(jù)的特征獲取起到至關(guān)重要的作用。其主要工作原理如下：

式中：t表示時(shí)間步；U,V,W為權(quán)重矩陣，主要作用是連接各節(jié)點(diǎn)；Xt為輸入層參數(shù)；St為隱藏層參數(shù)；Ot為輸出層參數(shù)。

將單個(gè)神經(jīng)元結(jié)構(gòu)按照時(shí)間維度展開，得到的RNN網(wǎng)絡(luò)結(jié)構(gòu)如圖 2所示。圖中，X={X1,X2, …,Xt+1, …} 為 RNN 的網(wǎng)絡(luò)輸入層部分，S={S1,S2, …,St+1, …} 為網(wǎng)絡(luò)的隱藏層部分，O={O1,O2, …,Ot+1, …}為網(wǎng)絡(luò)的輸出部分，且X，S，O均為時(shí)間序列數(shù)據(jù)；P={U,V,W}為各網(wǎng)絡(luò)層之間的連接權(quán)值參數(shù)，

圖2 RNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 RNN network structure

由圖2可知，各層網(wǎng)絡(luò)的參數(shù)相同，以減少整個(gè)網(wǎng)絡(luò)的參數(shù)；同時(shí)隨網(wǎng)絡(luò)層的推移，上一層網(wǎng)絡(luò)對(duì)下層一網(wǎng)絡(luò)的權(quán)值參數(shù)產(chǎn)生影響，可以有效提取時(shí)間序列數(shù)據(jù)內(nèi)部關(guān)聯(lián)特征，提高預(yù)測(cè)準(zhǔn)確度。

2 基于RNN的電機(jī)濾網(wǎng)堵塞預(yù)警方法

牽引電機(jī)濾網(wǎng)堵塞與電機(jī)溫度具有比較直接的聯(lián)系。電機(jī)溫度可被用于表征電機(jī)濾網(wǎng)堵塞狀態(tài)，電機(jī)溫度具有一定的周期性，屬于有規(guī)律變化的時(shí)間序列數(shù)據(jù)，且電機(jī)濾網(wǎng)堵塞具有隨時(shí)間變化的趨勢(shì)特點(diǎn)。考慮牽引電機(jī)工作原理，電機(jī)溫度升高是不同工況下電機(jī)轉(zhuǎn)速、電機(jī)電流、牽引力、制動(dòng)力和環(huán)境溫度共同作用的結(jié)果，是同一時(shí)間序列下多維度數(shù)據(jù)的結(jié)合，本方法將各類相關(guān)數(shù)據(jù)作為數(shù)據(jù)源，充分考慮了電機(jī)溫度的依賴關(guān)系，從而對(duì)電機(jī)濾網(wǎng)進(jìn)行更加全面的預(yù)測(cè)分析。

根據(jù)上述特點(diǎn)可以采用RNN方法對(duì)電機(jī)溫度進(jìn)行預(yù)測(cè)，其主要步驟如下：

（1）多維特征參數(shù)選取

對(duì)電機(jī)溫度進(jìn)行準(zhǔn)確預(yù)測(cè)需要選擇關(guān)聯(lián)度較大的參數(shù)，因此通過關(guān)聯(lián)度分析，見式(3)，對(duì)電機(jī)溫度相關(guān)參數(shù)進(jìn)行選擇，得到的特征參數(shù)集合為R={x1,x2, …x6}。

式中：a,b——向量；m——向量長(zhǎng)度， 且0≤i≤m。

（2）數(shù)據(jù)分析與預(yù)處理

采用線性歸一化方式對(duì)參數(shù)集合R進(jìn)行列歸一化，使多維數(shù)據(jù)去量綱化。采集的數(shù)據(jù)中常會(huì)出現(xiàn)缺失值或異常值，采用拉格朗日插值法對(duì)缺失值進(jìn)行填補(bǔ)。

式中：x,y——向量；n——向量長(zhǎng)度。

（3）數(shù)據(jù)轉(zhuǎn)化

將各特征參量樣本組合為原始數(shù)據(jù)矩陣（圖3），根據(jù)模型需求對(duì)其進(jìn)行轉(zhuǎn)化，將長(zhǎng)度為n的數(shù)據(jù)樣本根據(jù)窗口長(zhǎng)度m轉(zhuǎn)化為每個(gè)單獨(dú)樣本長(zhǎng)度為m，且將最后一個(gè)參量作為目標(biāo)參量。

圖3 數(shù)據(jù)轉(zhuǎn)化結(jié)構(gòu)圖Fig.3 Data conversion structure

（4）RNN結(jié)構(gòu)搭建與訓(xùn)練

根據(jù)實(shí)際數(shù)據(jù)結(jié)構(gòu)確定好RNN網(wǎng)絡(luò)各層結(jié)構(gòu)之后，本文采用Python3進(jìn)行編程，基于TensorFlow建立RNN模型，選擇Sigmoid函數(shù)作為模型輸出的激活函數(shù)。訓(xùn)練步數(shù)設(shè)置為100步；學(xué)習(xí)率為0.03；并根據(jù)實(shí)際需求設(shè)定輸入窗口長(zhǎng)度為1 200采樣點(diǎn)，輸出窗口長(zhǎng)度為60點(diǎn)，即通過20 min歷史數(shù)據(jù)預(yù)測(cè)未來1 min溫度數(shù)據(jù)。選取某地鐵36列車長(zhǎng)達(dá)2年的各工況、各季節(jié)正線運(yùn)營數(shù)據(jù)集，其中60%作為訓(xùn)練集，其余部分作為測(cè)試集。本文基于選取的數(shù)據(jù)集對(duì)模型進(jìn)行訓(xùn)練，可得到標(biāo)準(zhǔn)電機(jī)散熱模型。

3 仿真

為驗(yàn)證該預(yù)測(cè)模型的可靠性，本文利用均方根誤差（root mean squared error, RMSE）對(duì)訓(xùn)練結(jié)果進(jìn)行評(píng)價(jià)，見式(5)。均方根誤差越小，則模型的預(yù)測(cè)效果越好[4]。

利用訓(xùn)練好的模型對(duì)訓(xùn)練集中的樣本數(shù)據(jù)進(jìn)行處理，預(yù)測(cè)結(jié)果如圖4所示。

圖4 模型訓(xùn)練結(jié)果Fig.4 Model training results

通過計(jì)算預(yù)測(cè)值與實(shí)際值的差值，并利用差值與實(shí)際溫度的比值作為預(yù)測(cè)誤差，得到誤差曲線如圖5所示。

圖5 模型預(yù)測(cè)誤差Fig.5 Model prediction error

通過電機(jī)溫度預(yù)測(cè)圖，并結(jié)合對(duì)所有訓(xùn)練樣本的預(yù)測(cè)誤差統(tǒng)計(jì)，可以得到誤差在±3%范圍內(nèi)，即溫度預(yù)測(cè)偏差最大不超過3 ℃。根據(jù)現(xiàn)場(chǎng)電機(jī)溫度預(yù)警條件（即電機(jī)溫度持續(xù)高于160 ℃）可知，此誤差完全滿足溫度預(yù)測(cè)標(biāo)準(zhǔn)。

通過全部數(shù)據(jù)集對(duì)模型進(jìn)行檢驗(yàn)，以預(yù)測(cè)值與實(shí)際值誤差在±3%之內(nèi)為標(biāo)準(zhǔn)，訓(xùn)練集準(zhǔn)確率為99.79%，測(cè)試集準(zhǔn)確率為97.51%，可見此模型可以有效實(shí)現(xiàn)復(fù)雜工況下對(duì)電機(jī)溫度的有效預(yù)測(cè)。

為說明本模型預(yù)測(cè)精準(zhǔn)度，本文同時(shí)采用常用的自回歸模型（AR）、自回歸移動(dòng)平均模型（ARIMA）、神經(jīng)網(wǎng)絡(luò)（BP）進(jìn)行對(duì)比，各模型對(duì)電機(jī)溫度預(yù)測(cè)的RMSE值如表1所示。

表1 模型預(yù)測(cè)RMSE對(duì)比Tab.1 RMSE comparison of model prediction

由表1可知，本文采用的RNN方法得到的RMSE較小，相對(duì)于其他溫度預(yù)測(cè)方法，采用該法得到的結(jié)果更具有代表性，可實(shí)現(xiàn)對(duì)電機(jī)溫度的有效預(yù)測(cè)。

通過采集大量城軌車輛正式運(yùn)營數(shù)據(jù)，包括各工況下的不同程度牽引電機(jī)濾網(wǎng)堵塞情況有效數(shù)據(jù)，利用未發(fā)生濾網(wǎng)堵塞的正常數(shù)據(jù)對(duì)電機(jī)散熱模型進(jìn)行訓(xùn)練，可以得到標(biāo)準(zhǔn)電機(jī)溫度散熱模型。通過不同堵塞程度的故障數(shù)據(jù)對(duì)實(shí)際電機(jī)溫度與理論值偏差進(jìn)行統(tǒng)計(jì)，實(shí)現(xiàn)對(duì)電機(jī)濾網(wǎng)堵塞故障的預(yù)警。各級(jí)閾值設(shè)定如下：

（1）[0, 0.3)，表示濾網(wǎng)狀態(tài)正常；

（2）[0.3, 0.5)，表示濾網(wǎng)輕微堵塞；

（3）0.5及以上，表示濾網(wǎng)嚴(yán)重堵塞。

4 實(shí)際應(yīng)用

將訓(xùn)練好的電機(jī)散熱模型集成到FORESEE城市軌道交通智能運(yùn)維系統(tǒng)[8]中，通過實(shí)時(shí)采集牽引電機(jī)關(guān)聯(lián)變量并調(diào)用電機(jī)濾網(wǎng)堵塞預(yù)警模型進(jìn)行分析，可以實(shí)現(xiàn)對(duì)電機(jī)濾網(wǎng)堵塞狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。一旦濾網(wǎng)堵塞特征值大于設(shè)定閾值，系統(tǒng)便進(jìn)行預(yù)警，用戶可以通過智能運(yùn)維界面看到系統(tǒng)推送的故障信息，并根據(jù)處理建議進(jìn)行相應(yīng)的處理。配置有該電機(jī)散熱模型的FORESEE智能運(yùn)維系統(tǒng)自2019年9月以來已被應(yīng)用于多條地鐵線路。

以某地鐵線路為例，F(xiàn)ORESEE智能運(yùn)維系統(tǒng)對(duì)正線運(yùn)營車輛進(jìn)行檢測(cè)。2020年3月份，系統(tǒng)推送包括41號(hào)車3列車共7臺(tái)電機(jī)的濾網(wǎng)堵塞預(yù)測(cè)信息，2020年6月份，系統(tǒng)推送25號(hào)車3臺(tái)電機(jī)濾網(wǎng)嚴(yán)重堵塞預(yù)測(cè)信息，并推送包括56號(hào)車的8列車共9臺(tái)電機(jī)濾網(wǎng)輕微堵塞預(yù)測(cè)信息。地鐵均衡修班組人員對(duì)上述問題展開實(shí)際排查，發(fā)現(xiàn)實(shí)際情況與本方法預(yù)警結(jié)果完全一致。對(duì)濾網(wǎng)進(jìn)行清理后，故障預(yù)警現(xiàn)象消失。

提取41號(hào)車電機(jī)濾網(wǎng)堵塞故障發(fā)生前后數(shù)據(jù)利用預(yù)測(cè)模型進(jìn)行分析，濾網(wǎng)堵塞特征圖及現(xiàn)場(chǎng)檢查圖片如圖6和圖7所示?？梢钥吹?，2號(hào)和3號(hào)電機(jī)在濾網(wǎng)清洗前，特征值已經(jīng)超過二級(jí)預(yù)警閾值；經(jīng)過對(duì)故障濾網(wǎng)進(jìn)行現(xiàn)場(chǎng)清理后，特征值恢復(fù)正常范圍，故障特征明顯消失。

圖6 電機(jī)濾網(wǎng)堵塞特征值Fig.6 Blockage characteristics of motor filter

由現(xiàn)場(chǎng)檢查時(shí)拍攝的3號(hào)電機(jī)濾網(wǎng)圖片可見，該電機(jī)濾網(wǎng)堵塞情況較為嚴(yán)重，若不及時(shí)清理，必然影響電機(jī)正常工作；同時(shí)也驗(yàn)證了本文所提預(yù)警方法對(duì)識(shí)別電機(jī)濾網(wǎng)堵塞故障的有效性。

5 結(jié)語

針對(duì)軌道交通車輛電機(jī)濾網(wǎng)堵塞問題，本文從電機(jī)濾網(wǎng)堵塞故障機(jī)理出發(fā)，充分考慮了牽引電機(jī)工作特性及環(huán)境因素，提出一種基于RNN神經(jīng)網(wǎng)絡(luò)的電機(jī)濾網(wǎng)堵塞故障在線預(yù)警方法；并基于電機(jī)散熱過程數(shù)據(jù)集，建立了標(biāo)準(zhǔn)電機(jī)散熱模型，對(duì)電機(jī)濾網(wǎng)堵塞不同狀態(tài)進(jìn)行有效評(píng)估。

相較于傳統(tǒng)的單一溫度檢測(cè)或人工檢測(cè)的方式，本文所提方法實(shí)時(shí)性和準(zhǔn)確率較高，且可以根據(jù)系統(tǒng)通知安排檢查，減少了人力成本，促進(jìn)了狀態(tài)修的發(fā)展進(jìn)程。后續(xù)將對(duì)濾網(wǎng)堵塞程度進(jìn)行細(xì)分，對(duì)故障形式進(jìn)行預(yù)測(cè)，以達(dá)到預(yù)測(cè)修的目標(biāo)。