基于数据融合的动车组健康状态评估

李莉;贾志凯;张瑜

【摘 要】Chinese EMU has got more and more tourists'' favor for its high speed, comfort and convenience. Passenger volume has increased year by year. In the case of limited number of EMU, EMU operating pressure is also growing. How to ensure EMU running safety in the terms of high-density use has become an important research topic. From the data point of view, this article used the method of data fusion to evaluate the health status of real-time EMU, analyzed the operation characteristics of EMU and the status of existing monitoring data, selected feature vectors, performed data fusion, and finally got the health index of the EMU. It was proved that the health index could reflect the health status of the EMU in real time, and has practical significance for ensuring EMU operation safety.%中国动车组以其高速、舒适、便捷,受到越来越多的旅客的青睐,高铁客流量逐年增多.在有限的动车组保有量的情况下,动车组运营压力也越来越大.如何在动车组高频率运用的情况下保证动车组运行安全已成为一个重要的研究课题.本文从数据角度出发,采用数据融合的方法进行实时在线动车组健康状态评估研究.对动车组运用特征和现有监测数据现状进行分析,选择特征特征向量,然后数据融合,得出动车组健康指数.经验证,健康指数可以实时反映动车组健康状态,对动车组运行安全保障具有实际意义. 【期刊名称】《铁路计算机应用》 【年(卷),期】2017(026)007 【总页数】6页(P15-20)

【关键词】健康状态评估;数据融合;加权表决;Sharply值;动车组 【作 者】李莉;贾志凯;张瑜

【作者单位】中国铁道科学研究院,北京,100081;中国铁道科学研究院,北京,100081;北京经纬信息技术公司,北京 100081 【正文语种】中 文 【中图分类】U266.2;TP39

中国高铁在旅客运输中发挥着越来越重要的作用。虽然中国高铁运营里程和动车组保有量逐年增加，但在客流量较大的客运专线上，动车组仍然无法满足日益增长的高铁旅客运输需求。在有限的动车组保有量的情况下，动车组运营压力也越来越大，动车组运行安全保障能力也亟需提高。如何在动车组高频率运用的情况下保证动车组运行安全已成为一个重要的研究课题。

动车组结构复杂，共15个子系统，零部件众多，运用环境复杂，运用频率高，为保障动车组运行安全，需要实时在线评估动车组健康状态。而监测系统存在大量的误报漏报现象，很难直接由监测数据准确判断动车组健康状态。目前，国内外学者采用基于机理、基于模型、基于故障模式、影响及危害分析等评估方法[1-4]进行复杂设备健康状态评估，在航天、船舶、电力领域推进了设备健康状态评估的发展。然而动车组由于运行速度高，地域跨度大，运行环境复杂，连续运行时间长等问题，使得在进行机理研究和建立模型时，难以全面考虑影响因素，主观因素影响大，给动车组健康状态评估带来困难。从动车组实际运行监测数据出发，深入分析，可以更为客观正确地进行健康状态评估。动车组车载监控系统已相对成熟，监测传感器多达几百个，在车组运行期间不间断的采集各系统数据，数据存量巨大，可以为数据驱动的动车组健康状态评估提供支撑。因此，本文利用数据融合技术，从数据分

析角度出发，进行动车组健康状态评估。 1.1 数据融合简介较多，目前应用最为广泛。

常用的数据融合方法有：彩色空间（HIS）变换、主成分分析（PCA）变换、小波变换、加权平均等经典方法，适合于数据级数据融合，常用于多源图像复合、图像分析和理解等；聚类分析法、贝叶斯估计法、信息熵法、加权平均法、D-S证据推理法、表决法及神经网络法等，适合于特征层数据融合，主要用于多传感器目标跟踪、参数相关分析及状态向量估计等；贝叶斯估计法、专家系统、神经网络法、模糊集理论、可靠性理论以及逻辑模板法等，适合于决策层数据融合，可为控制指挥与决策提供支持。 1.2 数据融合策略

通过分析，动车组的直接监测对象为动车组的零部件，评估动车组健康状态需要融合不同部件的监测数据。根据现场应用经验，动车组转向架及其辅助系统、牵引系统和主供电系统的故障对动车组

数据融合[5-7]是指对同一空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释和描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能。

数据融合的基本策略就是对同一层次上的信息进行融合，从而得到更高层次的信息，再进入相应的高层次的融合。根据融合时数据所表征的信息层次可以将数据融合分为3类：数据层融合、特征层融合、决策层融合[8]。这3种层次的融合各有优缺点，各有自己比较适合的应用领域。（1）数据层融合保留了最完整的信息，但所用的数据量过大，融合压力最大；（2）决策层融合所需的信息量最小，融合代价最低，容错性能最好，要求每个信息源都具有独立决策能力，预处理的代价大；（3）而特征层融合介于上述两种融合之间，适当的特征提取可以在保留关键信息

的同时，过滤掉次要信息，降低了融合的复杂度，是3种融合中最灵活的，可供选择的融合算法也比运行安全影响最大。通过对动车组运行故障统计分析，各组成系统中除外车门及车内设施系统外，转向架及其辅助系统和供电及牵引系统的故障率最高。因此选择这两个系统的健康状态对动车组整车进行健康状态评估。转向架及其辅助系统包括构架组成、轮对轴承箱组成、一系悬挂、二系悬挂、齿轮箱、转向架附件。其中，运动部件轮轴承箱、齿轮箱是故障高发部件，对转向架健康状态影响最大。牵引系统中牵引电机故障高发，对牵引系统健康状态影响最大。综上所述，考虑车载监控项目和数据的易得性与可靠性，选择转向架的轴温、齿轮箱温度和牵引电机温度作为动车组健康状态评估的指标。

动车组状态监测信息的数据级融合主要在监测设备内进行，由于动车组运行状态监测数据可直接从已有信息系统直接获取，本文对数据级数据融合不做研究；当同一监测对象有多个传感器监测同一参数时，适合在特征层进行融合，选取特征量和适合算法建立模型进行状态估计；当由多个零部件健康状态逐层融合综合评估系统的健康状态时需要进行决策层融合，数据融合策略，如图1所示。 1.3 特征层数据融合

齿轮箱分别测量大齿轮、小齿轮温度，牵引电机分别测量定子、两端轴承温度，都是测量不同位置的相同参数，因此特征层数据融合是选择对同一个检测量在不同位置的测量值进行融合处理的算法，即基于均值的分批估计理论[9-11]。实现原理是，对于同一类型的传感器，得到一组测量数据，按照空间位置相邻的两个传感器不在一组的原则把它们分成两组进行计算。算法如下：

假设有k个传感器，根据相邻两个传感器不在一组的原则分成两组。第1组的测量数据为X11, X12, …, X1m，第2组的测量数据为X21, X22, …, X2n，m+n=k。则两组数的算数平均值和标准差分别为

σ–和X–表示上次测量值的标准差和融合结果，σ+和X+表示当前测量值的标准差

和融合结果。处理后得到方差为：

式（1）中，H为测量方程的系数矩阵，C为测量噪声的协方差，带入式（1），得：

则进而得到融合结果：

这是下一批数据到来时，σ+和X+即为下一次数据融合时的σ–和X–，σ–和X–的初始值分别是∞和当前数据的平均值。 1.4 决策层数据融合

以下两种情况下的数据融合需要具有较好的适时性、容错性，一般选择决策层融合：（1）在一个监测对象有多个监测系统时；（2）在一个对象由多个部件构成时。动车组健康状态评估存在以上两种情况，因此进行决策层融合。首先利用加权表决法[12]进行决策层融合，将轴承箱、齿轮箱、牵引电机的监测视为3个监测系统数据进行融合，获得动车组健康评估最终结果。本文采用系统不良程度反映健康程度，即利用系统状态退化或故障情况描述系统不良程度，不良程度越高，健康指数越小。 加权表决法可描述为有N+1个阈值，每个监测系统需要的表决数各有一个。若监测系统监测量大于给定阈值，则表决支持该监测系统。当某个判决的表决数大于给定阈值时，则支持此判决。用Mi表示第i个监测子系统的测量值的数据融合值，Ti表示第i个监测子系统的阈值。假设共有N个监测系统，第i个监测系统对监测结果的判决可以表示为： N个监测子系统的监测结果： T为判决总阈值。

考虑到不同监测系统融合过程中由于各监测系统性能和接收信号环境不同，对判别结果所起作用不同，判决结果应倾向于贡献更大的系统。不同系统反映了待评估对象不同的侧面，将其联合起，可以获取更多的判决信息，使判决结果“较为”可信。为应对上述情况，一个加权表决融合为：

ωi为第i个监测子系统的权重值。

所选3个评价指标对动车组健康状态影响程度各不相同，在融合过程中需要对各部件的监测数据进行加权。由于动车组运用与检修特点，要求算法效率高，稳定性高，广泛应用其他领域的自适应学习的方法并不适用于获得各自权重。几个系统联合做出最终判决，每个系统所分配的权重应反映系统对最终判决所起作用的大小。显然多个监测系统联合判别要比单独分别判决准确率要高，误判漏判现象会大大减少，因此可将这种多系统共同作用看成 N人合作对策模型。

N个人从事某项活动，对于他们之中若干人组合的每一种合作（单人也视为一种合作），都会收到一定的效益，当人们之间的利益是非对抗性时，合作中人数的增加不会引起效益的减少，全体N个人的合作将带来最大利益。这样N个人的集合及各种合作的效益就构成N人合作对策，Shapley值[13]是分配这个最大效益的一种方案。其定义如下：

设集合I={1, 2, …, n}，如果对于I的任一子集s都对应着一个实值函数v(s)，满足v(φ)=0，v(s1∪s2)≥v(s1)+v(s2)，s1∪s2=φ，称[I, v]为N人合作对策，v为对策的特征函数。

用xi表示集合I的成员i从合作的最大效益v(I)中所应得的一份收入。x=(x1, x2,…, xn)叫做合作对策的分配，这种分配满足≥vi， i=1, 2, …, N。Shapley值由特征函数v确定，记作φ(v)=(φ1(v),φ2(v),…, φN(v))，是一种特定的分配，即 φi(v)=xi，其中，

其中，|s| 是s中的元素个数，ω(|s|)为加权因子。 2.1 特征层健康数据融合

长期现场应用经验表明，测量温度能够反映部件运行异常情况，然而温度同侧差值（同一车厢前进方向的左侧或右侧不同位置差值）和温度同位置差值（同一列车不同车厢同一位置差值），反映部件异常情况更为准确，可以消除日夜温差、日晒等

因素影响，本文选取温度同位置差值进行评估。因此利用上文提到的基于均值的分批估计理论分别对齿轮箱、牵引电机温度、温度差值及温度变化趋势进行数据融合，轴温只有一个测点，无需数据融合，图2为测量值。因此分别对齿轮箱和牵引电机的测量温度及温度差值进行融合，融合结果如图3、图4所示。图2～图4中，上方图线为温度值，下方图线为温度差值。

另外，实时跟踪温度变化趋势，及时发现温度连续升高现象对于在温度达到上限值触发温度报警之前预测故障具有重要作用，本文采用温度同位置差值曲线的包络线的斜率表示温度变化趋势。 2.2 决策层健康数据融合

将部件轴承箱、齿轮箱、牵引电机特征层融合结果（包括温度、差值、变化趋势）视为3个监测系统监测数据。3个监测系统温度监测系统、差值监测系统、变化趋势监测系统分别为系统A、系统B、系统C，即根据现场专家经验定义温度、差值、变化趋势监测系统对各部件健康评估的贡献度。若利用单个监测系统进行部件不良程度评估，系统A的贡献度为75%，系统B的贡献度为80%，系统C的贡献度为70%。两两联合评估时，系统A，B联合评估的贡献度为90%；系统A，C联合评估的贡献度为80%；系统B，C联合评估的贡献度为85%。3个系统联合评估贡献度为95%。数学建模与数据处理过程与下文相同，限于篇幅，此处不再描述。融合结果为部件的不良程度R，如图5所示，其中 ，蓝色图线为轴承箱不良程度、红色图线为齿轮箱不良程度、绿色图线为牵引电机不良程度。因此式（6）中

动车组的3个监测系统包括轴承箱监测系统、齿轮箱监测系统、牵引电机监测系统分别为系统1、系统2、系统3，即N=3。根据现场专家经验定义车轴、齿轮箱、牵引电机监测系统对动车组健康评估的贡献度。若利用单个监测系统进行动车组健康状态评估，系统1的贡献度为60%，系统2的贡献度为40%，系统3的贡献度

为20%。两两联合评估时，系统1，2联合评估的贡献度为76%；系统1，3联合评估的贡献度为68%；系统2，3联合评估的贡献度为45%。3个系统联合评估贡献度为81%。

则集合I={1, 2, 3}，评估贡献度定义为I上的特征函数，即v(φ)=0，v(1)=60%， v(2)=40%，v(3)=20%，v(1U2)=76%，v(1U3)=68%，v(2U3)=45%，v(I)=81%，利用表1、表2、表3计算系统1、系统2、系统3在加权表决中的比重。

将表1、表2、表3中末行数据分别代入式（7）可得：φ1(v)=46%、φ2(v)=24.5%、φ3(v)=10.5%。则动车组的不良程度f为：

定义动车组健康指数h=1–f。显然，当f越大，动车组不良程度越严重，健康指数越小，健康状态越差，将f值划分为3个区间。

当h∈[0.85, 1]，说明健康状态良好（good），不用采取任何措施；当h∈[0.60, 0.85]，说明健康状态正常（normal），需要将车组设为重点车组，重点盯控，入库检修时重点检查；当h∈[0, 0.6)，说明健康状态严重（severe），需要立即采取措施，进行人工确认，必要时采取限速甚至拦停等措施。 利用上述方法数据融合的结果为动车组健康指数，如图6所示。

从图2～图4可以看出，轴承箱、齿轮箱、牵引电机在8月中旬时温度存在多次超标的情况，对应于图5可以看出，轴承箱、齿轮箱、牵引电机的不良指数在该时段内上升明显，而图6中健康指数在该时段严重下滑至0.6左右。结合该车组故障数据，确实在该时段之后发现该轴承出现裂纹。作者利用某动车组3个月的运行数据及检修数据对本方法进行了进一步验证，在此期间的发现的危及安全的故障发生时段，健康指数都有较为明显的下滑，而且在故障发生前数日内可以发现健康指数下滑的趋势，评估准确性达到74%。表明本文提出的数据驱动的健康评估方法可以实现对动车组健康状态的评估，并能够一定程度上预测健康发展趋势。

本文在分析动车组结构和监测现状的基础上提出了基于数据融合的健康评估方法，通过一级特征层数据融合和两级决策层数据融合，即三级融合方式实现了通过转向架及其辅助系统和牵引系统的监测数据得到动车组整体健康状态的评估结果，且验证了方法的准确性与有效性，具有一定的应用价值。但本方法也存在一定问题需要改进，比如部件对整体评估的贡献度的给出带有主观性；随着动车组监测的广度和深度增加，数据质量提高，需要更加全面的考虑影响因素。如何解决以上问题将成为下一步的研究方向。

【相关文献】

[1] 李 俨，陈 海，张清江，等. 无人机系统健康状态评估方法研究[J]. 系统工程与电子技术，2011, 33（3）：562-567.

[2] 李振柱,谢志成,熊卫红，等.考虑绝缘剩余寿命的变压器健康状态评估方法[J].电力自动化设备，2016，36（8）：137-142.

[3] 邱文昊,黄考利,连光耀，等.基于不确定性与重要度的改进DSmT健康状态评估[J].航空动力学报，2017，32（1）：96-104.

[4] 康守强,王玉静,崔历历,等.基于CFOA-MKHSVM 的滚动轴承健康状态评估方法[J].仪器仪表学报，2016，37（9）：2029-2035.

[5] Hall D. L., Llinas J. An introduction to multisensor data fusion[J]. Proceedings of the IEEE 1997, 85(1): 6-23.

[6] LuoRC., Kay MG. Multisensor Integration and Fusion in Intelligent Systems[J]. IEEE Trans. Syst., Man Cybern., 1989, 19(5): 901-931.

[7] 康耀红. 数据融合理论与应用[M]. 西安：西安电子科技大学出版社, 1997.

[8] 黄漫国, 樊尚春, 郑德智, 等. 多传感器数据融合技术研究进展[J]. 传感器与微系统, 2010 ，29（3）： 5-8.

[9] 阎 馨，付 华. 基于案例推理和数据融合的煤与瓦斯突出预测[J]. 东南大学学报，2011，41（s1）： 59-63.

[10] 邱 爽，吴 巍. 无线传感器网络数据融合算法研究[J].武汉理工大学学报， 2008，30（7）：119-122.

[11] 熊博杰， 周华平. 基于多传感器数据融合的煤矿安全状态评估[J]. 计算机与现代化，2014，222（2）：138-141.

[12] 程汉文，陈 亮，吴乐南. 基于加权表决的决策层融合多系统调制识别[J]. 系统工程与电子技术，

2010，32（2）：342-345.

[13] 董臻圃. 数学建模方法与实践[M].北京：国防工业出版社，2006.