梁師嵩

(中車(chē)南京浦鎮(zhèn)車(chē)輛有限公司， 210031， 南京∥高級(jí)工程師)

0 引言

地鐵列車(chē)牽引系統(tǒng)的冷卻裝置故障關(guān)系到列車(chē)的運(yùn)行安全。列車(chē)牽引系統(tǒng)的冷卻裝置風(fēng)機(jī)濾網(wǎng)若發(fā)生臟堵，將對(duì)牽引系統(tǒng)的正常運(yùn)行產(chǎn)生重要影響[1]。列車(chē)牽引部件(如變流器、變壓器等)的濾網(wǎng)若未及時(shí)清洗、除塵，容易降低列車(chē)運(yùn)行可靠性，造成安全隱患[2]。因此，如何建立準(zhǔn)確、有效的濾網(wǎng)臟堵預(yù)警模型，用以指導(dǎo)濾網(wǎng)臟堵的預(yù)測(cè)維修，是亟需解決的問(wèn)題。

為保證列車(chē)牽引變流器的工作可靠性，應(yīng)確定合理的濾網(wǎng)維修方式與維修周期。目前，對(duì)于濾網(wǎng)的運(yùn)用維修仍以計(jì)劃預(yù)防修為主，并結(jié)合換件修、集中修，以確保濾網(wǎng)的維護(hù)質(zhì)量。但經(jīng)驗(yàn)表明，列車(chē)運(yùn)行的外界環(huán)境變化對(duì)計(jì)劃修的影響非常大，對(duì)一級(jí)修的影響尤為顯著[1]。因此，列車(chē)的運(yùn)用維修應(yīng)結(jié)合外部運(yùn)行環(huán)境，適當(dāng)縮短或延長(zhǎng)各部件的維修周期，以避免因不及時(shí)維修造成的系統(tǒng)可靠性隱患或頻繁維修增加的額外維修成本。為此，利用數(shù)據(jù)挖掘技術(shù)，在列車(chē)現(xiàn)有數(shù)據(jù)上構(gòu)建系統(tǒng)預(yù)測(cè)模型，以推動(dòng)由計(jì)劃修到狀態(tài)修、再到預(yù)測(cè)修的進(jìn)程，是近年的發(fā)展熱點(diǎn)；利用預(yù)測(cè)維修理論，能夠有效降低維修成本、縮短維修周期，且能夠更有針對(duì)性地進(jìn)行維修處理[3-4]。

根據(jù)故障清單的樣本條件，可將列車(chē)牽引變流器濾網(wǎng)部件的故障預(yù)測(cè)方法分為兩類(lèi)：一是依靠異常檢測(cè)的方法[5-6]。該類(lèi)方法完全基于健康狀態(tài)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)模型的正常域標(biāo)定，如文獻(xiàn)[3]構(gòu)建了油冷卻器的油溫、溫升、溫差等加權(quán)特征指標(biāo)，并通過(guò)無(wú)臟堵健康數(shù)據(jù)確定指標(biāo)正常邊界。與性能退化模型相比，基于閾值參數(shù)判別的檢測(cè)方法的性能相對(duì)更依賴歷史數(shù)據(jù)集的大小，故異常識(shí)別結(jié)果受閾值參數(shù)取值變化的影響較大。二是利用歷史故障數(shù)據(jù)擬合性能指標(biāo)的退化軌跡，該類(lèi)方法需建立在足夠的故障試驗(yàn)數(shù)據(jù)基礎(chǔ)上。文獻(xiàn)[1]基于不同臟堵程度的模擬數(shù)據(jù)標(biāo)定風(fēng)機(jī)電流值，采用設(shè)定多級(jí)電機(jī)電流控制門(mén)限的方式，以進(jìn)一步減少故障誤判；文獻(xiàn)[7]利用多任務(wù)深度學(xué)習(xí)技術(shù)，擬合出變流器性能退化的曲線，實(shí)現(xiàn)臟堵程度的量化。

事實(shí)上，列車(chē)的外界環(huán)境多變(如受沙塵天氣等影響)，且濾網(wǎng)臟堵程度量化指標(biāo)的定義依賴主觀經(jīng)驗(yàn)，缺乏確切的定義標(biāo)準(zhǔn)，因此，如何基于現(xiàn)階段的列車(chē)牽引系統(tǒng)實(shí)時(shí)采集數(shù)據(jù)來(lái)實(shí)現(xiàn)濾網(wǎng)臟堵預(yù)警，仍需進(jìn)一步探討。

本文在不增加傳感設(shè)備的前提下，利用列車(chē)歷史數(shù)據(jù)，采用聚類(lèi)方法進(jìn)行濾網(wǎng)臟堵的異常檢測(cè)，并對(duì)臟堵程度完成了量化。首先，根據(jù)變流器濾網(wǎng)的計(jì)劃修清洗記錄對(duì)列車(chē)采集的歷史數(shù)據(jù)標(biāo)簽進(jìn)行處理，并利用隨機(jī)森林模型進(jìn)行特征權(quán)重分析，以篩選出模型特征；其次，利用孤立森林模型構(gòu)建牽引變流器濾網(wǎng)臟堵預(yù)警模型，并對(duì)模型的參數(shù)進(jìn)行設(shè)定。本文所構(gòu)建的孤立森林模型的模型分?jǐn)?shù)能夠直接反映變流器濾網(wǎng)的臟堵程度，可用于濾網(wǎng)臟堵的維修決策。

1 牽引變流器冷卻系統(tǒng)原理分析

列車(chē)牽引變流器主要包括逆變整流模塊、熱交換器、風(fēng)機(jī)等部件，其散熱的原理是：冷卻水在流經(jīng)熱交換器依靠風(fēng)機(jī)換風(fēng)降溫后，再次回流至冷卻水管路，完成循環(huán)降溫。顯然，相同的外界環(huán)境條件下，如果變流器濾網(wǎng)發(fā)生嚴(yán)重臟堵，必然導(dǎo)致定功率、或風(fēng)機(jī)的有效換風(fēng)面積減小，進(jìn)而可能引發(fā)柜體溫度上升、柜體內(nèi)外溫差增大等問(wèn)題。

在建立預(yù)警模型時(shí)，一方面需要考慮外部環(huán)境變化、濾網(wǎng)清洗標(biāo)準(zhǔn)控制等差異，低信噪比數(shù)據(jù)并不利于復(fù)雜回歸模型的擬合效果；另一方面，還要認(rèn)識(shí)到故障數(shù)據(jù)標(biāo)簽不足的現(xiàn)狀。本文利用冷卻水進(jìn)口和出口的溫度差、壓力差等特征向量，構(gòu)建孤立森林模型，以確定濾網(wǎng)臟堵的正常域邊界。

2 牽引變流器濾網(wǎng)臟堵預(yù)警模型的建立

2.1 樣本分析與篩選

如表1所示，模型的輸入數(shù)據(jù)至少應(yīng)包括冷卻風(fēng)機(jī)狀態(tài)、列車(chē)參考速度、環(huán)境溫度、冷卻水進(jìn)出口溫度、冷卻水進(jìn)出口壓力等方面。

表1 濾網(wǎng)臟堵預(yù)警模型的輸入數(shù)據(jù)類(lèi)型

為降低外部環(huán)境、列車(chē)運(yùn)行狀態(tài)等因素對(duì)模型的干擾，本文將列車(chē)以大于50 km/h的速度運(yùn)行時(shí)的數(shù)據(jù)作為歷史數(shù)據(jù)集，并設(shè)定數(shù)據(jù)樣本篩選的條件為：① 列車(chē)參考速度大于50 km/h；② 冷卻風(fēng)機(jī)為運(yùn)行狀態(tài)(即狀態(tài)信號(hào)為“1”)；③ 冷卻器出水口、入水口的壓力無(wú)明顯異常(基于設(shè)定參考閾值)；④ 冷卻器出水口、入水口的溫度無(wú)明顯異常(基于設(shè)定參考閾值)。

2.2 特征構(gòu)建與特征選擇

將隨機(jī)森林分類(lèi)器的分類(lèi)準(zhǔn)確率作為可分性判據(jù)進(jìn)行特征的重要性度量，這是機(jī)器學(xué)習(xí)中經(jīng)典的特征評(píng)價(jià)策略[8]。因此，為明確特征變量對(duì)于區(qū)分濾網(wǎng)臟堵與潔凈狀態(tài)的貢獻(xiàn)度大小，應(yīng)確定構(gòu)建模型使用的輸入特征。本文利用隨機(jī)森林分類(lèi)模型來(lái)量化特征變量的重要性。

2.2.1 數(shù)據(jù)準(zhǔn)備

每次進(jìn)行濾網(wǎng)清洗維護(hù)時(shí)，濾網(wǎng)在臟堵程度、清洗標(biāo)準(zhǔn)均不可避免地存在一定的差異性[9]，但濾網(wǎng)物理臟堵程度的主觀量化值差異性水平并不會(huì)對(duì)分類(lèi)的準(zhǔn)確性產(chǎn)生根本性影響，因此，本文認(rèn)為清洗前1 d采集的數(shù)據(jù)可以作為濾網(wǎng)臟堵的故障數(shù)據(jù)，清洗維修后次日采集的數(shù)據(jù)可以作為濾網(wǎng)的健康數(shù)據(jù)。根據(jù)該原則，本文隨機(jī)選取了2次濾網(wǎng)清洗過(guò)程，記錄清洗前1 d和清洗后1 d的數(shù)據(jù)，依次對(duì)數(shù)據(jù)進(jìn)行篩選和標(biāo)簽處理。

2.2.2 特征生成

所構(gòu)建的數(shù)據(jù)特征包括原始物理特征、再生物理特征的統(tǒng)計(jì)特征。其中:原始物理特征參數(shù)包括柜體溫度、環(huán)境溫度、進(jìn)水口溫度、出水口溫度、進(jìn)水口壓力、出水口壓力和列車(chē)參考速度;再生物理特征參數(shù)包括柜體溫度和環(huán)境溫度的差值、進(jìn)水口溫度和出水口溫度的差值、進(jìn)水口壓力和出水口壓力的差值。再生物理特征指基于原始物理特征形成的數(shù)學(xué)特征,包括最大值、中位值、平均值、差分值等。

2.2.3 特征篩選

上述數(shù)據(jù)經(jīng)標(biāo)簽處理、特征提取后得到特征變量數(shù)據(jù)。本文針對(duì)雙路冷卻水構(gòu)成的冷卻系統(tǒng)(存在進(jìn)口1、進(jìn)口2和出口1、出口2)，利用隨機(jī)森林分類(lèi)模型進(jìn)行強(qiáng)分類(lèi)能力特征變量篩選，得到特征變量的權(quán)重分布如圖1所示。由圖1可知：區(qū)分濾網(wǎng)臟堵與清潔的主要特征變量重要性按照從大到小排序，前6位分別為：柜體溫度和環(huán)境溫度差值的中位值、柜體溫度和環(huán)境溫度差值的平均值、冷卻水進(jìn)口1壓力和出口1壓力差值的平均值、冷卻水進(jìn)口2壓力和出口2壓力差值的平均值、冷卻水進(jìn)口1溫度和環(huán)境溫度差值的平均值、冷卻水進(jìn)口2溫度和環(huán)境溫度差值的平均值。因此，本文將選定這6個(gè)特征變量作為模型特征。

圖1 濾網(wǎng)臟堵預(yù)警模型特征變量的權(quán)重分布Fig.1 Weight distribution of characteristic variables of filter fouling early warning model

本文選擇某列車(chē)的A、B兩節(jié)車(chē)廂作為研究對(duì)象進(jìn)行對(duì)比分析。如圖2所示，以測(cè)試當(dāng)日作為時(shí)間參照，A車(chē)在測(cè)試日的前1 d未進(jìn)行濾網(wǎng)清洗，B車(chē)在測(cè)試日的前1 d進(jìn)行了濾網(wǎng)清洗。從測(cè)試當(dāng)日柜體溫度和環(huán)境溫度差值的變化曲線可以看出：A車(chē)的溫度差值明顯大于B車(chē)的溫度差值。

圖2 濾網(wǎng)清洗(B車(chē))和濾網(wǎng)未清洗(A車(chē))的 車(chē)輛柜體溫度和環(huán)境溫度差值的對(duì)比

如圖3所示，另選某個(gè)檢測(cè)日，在該檢測(cè)日前累計(jì)7 d內(nèi)A、B車(chē)均未進(jìn)行過(guò)清洗，此時(shí)A、B車(chē)在檢測(cè)當(dāng)日柜體溫度和環(huán)境溫度的差值變化曲線非常接近。這說(shuō)明柜體溫度和環(huán)境溫度的差值是關(guān)聯(lián)濾網(wǎng)清洗與否的直接、關(guān)鍵的變量，這與本文特征篩選得到的結(jié)論相符。

圖3 累計(jì)7 d未進(jìn)行濾網(wǎng)清洗的車(chē)輛柜體溫度和 環(huán)境溫度差值的對(duì)比

2.3 模型的建立與訓(xùn)練

由于故障標(biāo)簽的數(shù)據(jù)量不足，應(yīng)結(jié)合所構(gòu)建的特征建立孤立森林的異常檢測(cè)模型，用以作為濾網(wǎng)臟堵預(yù)警模型。本文結(jié)合列車(chē)的實(shí)際維修清洗記錄，默認(rèn)僅有極少數(shù)日期發(fā)生過(guò)濾網(wǎng)嚴(yán)重臟堵的情況，即異常點(diǎn)占總樣本量比例極小。根據(jù)該原則，選定2020年3月、4月列車(chē)白天的運(yùn)行數(shù)據(jù)作為訓(xùn)練樣本，在綜合實(shí)際檢修記錄數(shù)據(jù)的基礎(chǔ)上確定模型孤立異常點(diǎn)的比例值。

濾網(wǎng)臟堵預(yù)警模型的整體輸入為當(dāng)前時(shí)刻的列車(chē)參考速度、柜體溫度、環(huán)境溫度、冷卻水進(jìn)出口溫度、冷卻水進(jìn)出口壓力等數(shù)據(jù)；模型的整體輸出為當(dāng)前時(shí)刻濾網(wǎng)臟堵的模型分?jǐn)?shù)，其取值范圍為0～100，數(shù)值上等于異常樣本數(shù)占總樣本數(shù)的比例。因此，該分值越高，則表面濾網(wǎng)的臟堵情況越嚴(yán)重。圖4為濾網(wǎng)臟堵預(yù)警模型的計(jì)算流程。

圖4 濾網(wǎng)臟堵預(yù)警模型的計(jì)算流程Fig.4 Calculation process of filter fouling early warning model

如圖4所示，濾網(wǎng)臟堵預(yù)警模型的訓(xùn)練流程為：

1) 數(shù)據(jù)處理模塊。篩選滿足上文所述條件的列車(chē)數(shù)據(jù)，目的是通過(guò)數(shù)據(jù)清洗規(guī)則排除非運(yùn)行狀態(tài)的干擾噪聲。

2) 特征工程模塊。針對(duì)處理后的數(shù)據(jù)，生成柜體溫度和環(huán)境溫度差值的中位值、柜體溫度和環(huán)境溫度差值的平均值、冷卻水進(jìn)口1壓力和出口1壓力差值的平均值、冷卻水進(jìn)口2壓力和出口2壓力差值的平均值、冷卻水進(jìn)口1溫度和環(huán)境溫度差值的平均值、冷卻水進(jìn)口2溫度和環(huán)境溫度差值的平均值。

3) 模型訓(xùn)練模塊。以上述6個(gè)特征變量作為孤立森林算法的輸入，在訓(xùn)練集上進(jìn)行網(wǎng)格搜索，并結(jié)合經(jīng)驗(yàn)，對(duì)孤立森林模型超參數(shù)作進(jìn)一步的優(yōu)化。

4) 模型分?jǐn)?shù)模塊。計(jì)算檢測(cè)當(dāng)日異常數(shù)據(jù)的比例，并將異常樣本比例作為濾網(wǎng)臟堵的預(yù)警模型分?jǐn)?shù)結(jié)果輸出，將結(jié)果進(jìn)行記錄，如表2所示。

表2 訓(xùn)練數(shù)據(jù)集中清洗日期前后的模型分?jǐn)?shù)對(duì)比

根據(jù)檢修記錄，2020年的3月18日和4月24日列車(chē)在完成載客任務(wù)回庫(kù)后，在夜間進(jìn)行了濾網(wǎng)清洗。表2的實(shí)際檢修結(jié)果顯示，濾網(wǎng)在3月18日、4月24日白天處于臟堵?tīng)顟B(tài)。

表2數(shù)據(jù)表明，3月18日(清洗前)的模型分?jǐn)?shù)明顯高于3月19日(清洗后)的模型分?jǐn)?shù)，4月24日(清洗前)的模型分?jǐn)?shù)同樣高于4月25日(清洗后)的模型分?jǐn)?shù)。這說(shuō)明所建立模型的輸出分值能夠真實(shí)地反映濾網(wǎng)的清潔狀態(tài)。

2.4 模型預(yù)測(cè)結(jié)果分析

本文選定某3列車(chē)(T1、T2、T3)2020年的5月17日至5月22日的歷史數(shù)據(jù)，用以驗(yàn)證濾網(wǎng)臟堵預(yù)警模型的準(zhǔn)確性。預(yù)警模型在測(cè)試數(shù)據(jù)上的模型分?jǐn)?shù)如表3所示，其中：T1的濾網(wǎng)清洗時(shí)間為5月18日夜間和5月20日夜間;T2的濾網(wǎng)清洗時(shí)間為5月17日夜間和5月19日夜間;T3的濾網(wǎng)清洗時(shí)間為5月17日夜間、5月19日夜間和5月21日夜間。

由表3可以看出：

1) 以T1為例，濾網(wǎng)清洗當(dāng)日(清洗前)所得的濾網(wǎng)臟堵預(yù)警模型分?jǐn)?shù)顯著高于次日(清洗后)的模型分?jǐn)?shù)，這表明本文建立的孤立森立模型分?jǐn)?shù)能夠反映濾網(wǎng)臟堵程度的狀態(tài)變化，即臟堵越嚴(yán)重，模型分?jǐn)?shù)越高；

表3 濾網(wǎng)臟堵預(yù)警模型在測(cè)試集上的模型分?jǐn)?shù)

2) 以T2、T3為例，清洗前、后模型分?jǐn)?shù)差值幅度差異的原因可能在于清洗前的濾網(wǎng)臟堵程度受當(dāng)日環(huán)境因素影響，或清洗前濾網(wǎng)有效流通面積存在差距，但這些差異并不影響臟堵程度模型分?jǐn)?shù)符合預(yù)期規(guī)律；

3) 對(duì)T3在5月21日濾網(wǎng)清洗維護(hù)后臟堵評(píng)分的情況進(jìn)行原始物理特征觀測(cè)，發(fā)現(xiàn)目標(biāo)對(duì)象在濾網(wǎng)清洗后1 d內(nèi)列車(chē)參考速度偏小，該原因或?qū)е吕鋮s牽引變流系統(tǒng)的散熱效果變差。

綜上所述，本文所建立的濾網(wǎng)臟堵預(yù)警模型，其在測(cè)試數(shù)據(jù)集上的模型分?jǐn)?shù)變化能夠表征濾網(wǎng)清洗的數(shù)據(jù)變化規(guī)律，可有效地反映濾網(wǎng)的臟堵程度。

3 結(jié)語(yǔ)

本文針對(duì)列車(chē)牽引變流器冷卻系統(tǒng)的濾網(wǎng)臟堵問(wèn)題，提出了基于機(jī)器學(xué)習(xí)的變流器濾網(wǎng)臟堵預(yù)警模型，用以指導(dǎo)濾網(wǎng)的預(yù)測(cè)維修決策。

1) 基于特征工程與特征權(quán)重分析手段，確定采用柜體溫度和環(huán)境溫度差值的中位值、柜體溫度和環(huán)境溫度差值的平均值、冷卻水進(jìn)口1和出口1壓差的平均值、冷卻水進(jìn)口2和出口2壓力差的平均值、冷卻水進(jìn)口1和出口1環(huán)境溫差的平均值、冷卻水進(jìn)口2和出口2環(huán)境溫差的平均值等6個(gè)變量作為判別濾網(wǎng)臟堵的強(qiáng)分類(lèi)能力特征變量。采用這些特征變量進(jìn)行預(yù)警分析，在提升模型效果的同時(shí)也降低了濾網(wǎng)臟堵異常預(yù)警模型的復(fù)雜度。

2) 本文建立了基于孤立森林的濾網(wǎng)臟堵預(yù)警模型，該模型能夠在歷史數(shù)據(jù)集上較好地反應(yīng)當(dāng)前列車(chē)牽引變流器的濾網(wǎng)臟堵?tīng)顟B(tài)，并能有效識(shí)別濾網(wǎng)清洗前后的故障狀態(tài)。

3) 目前影響濾網(wǎng)臟堵預(yù)警模型所輸出的臟堵程度量化指標(biāo)準(zhǔn)確性的因素包括訓(xùn)練集數(shù)據(jù)量的限制、外界環(huán)境變化的不可控性、計(jì)劃清洗作業(yè)規(guī)范性的主觀影響等。如何提高輸出指標(biāo)的準(zhǔn)確性，是未來(lái)進(jìn)一步研究的方向之一。