羅怡瀾，鄒益勝，王 超，鄧佳林

（西南交通大學(xué)機(jī)械工程學(xué)院先進(jìn)設(shè)計(jì)與制造研究所，四川 成都 610031）

1 引言

溫度是反映軸承熱狀態(tài)的最直接參量，因此可基于溫度信號對軸承異常溫升進(jìn)行診斷，進(jìn)而預(yù)警熱軸故障。軸承磨損退化可能造成軸溫升高，而正常工況下軸承轉(zhuǎn)速、載荷、環(huán)境溫度的變化亦可引起軸承溫升[1]。軸承溫度信息能有效表征其健康狀況，而軸承溫升原因的不確定性是基于溫度信號進(jìn)行故障診斷的難點(diǎn)。

在機(jī)車車輛軸溫異常判別在熱軸判別研究方面，文獻(xiàn)[2-5]分別基于模糊判別法、模糊神經(jīng)網(wǎng)絡(luò)、增量型極限學(xué)習(xí)機(jī)、DTW算法建立了熱軸等級判別模型，避免了絕對閾值判別的局限性，提高了熱軸判別準(zhǔn)確性，此類方法本質(zhì)上屬于建立固定異常模型，為獲得準(zhǔn)確且具有泛化能力的異常判別模型，需要大量不同工況不同等級下熱軸故障歷史數(shù)據(jù)，而在車輛運(yùn)行中引起軸承溫升原因多樣且耦合作用，列車軸溫測點(diǎn)分布于整車，測點(diǎn)數(shù)量多，工況差異大且熱軸故障發(fā)生次數(shù)較少，難以建立準(zhǔn)確有效的基于已標(biāo)記歷史數(shù)據(jù)的故障識(shí)別模型，且難以規(guī)避軸承溫升原因多樣性帶來的誤判。文獻(xiàn)[6]針對風(fēng)電設(shè)備齒輪箱狀態(tài)監(jiān)測問題、應(yīng)用非線性估計(jì)法（NSET）基于歷史數(shù)據(jù)建立了運(yùn)行工況-齒輪箱溫度的狀態(tài)估計(jì)模型，以實(shí)測溫度值與模型估計(jì)值偏差統(tǒng)計(jì)量評價(jià)設(shè)備溫度異常程度。此類方法致力于構(gòu)建標(biāo)準(zhǔn)正常模型，在建模數(shù)據(jù)選取中難以保證設(shè)備不存在退化或異常狀況，而正常模型偏差量將通過估計(jì)值影響判別結(jié)果。綜上所述，在基于溫度信號的故障診斷中由引起溫升因素的多樣性和復(fù)雜性帶來的判別難點(diǎn)仍然未得到良好解決。

針對上述問題，提出基于關(guān)聯(lián)測點(diǎn)進(jìn)行軸承異常溫升診斷的思想：即基于列車同車相對位置一致測點(diǎn)，在車輛運(yùn)行過程中所受外界激勵(lì)相似，其溫度變化應(yīng)呈現(xiàn)近似趨勢的假設(shè)，將異常溫升診斷問題轉(zhuǎn)化為尋找多組關(guān)聯(lián)序列中少數(shù)持續(xù)離群子序列的問題。

同時(shí)，通過對軸溫特征空間分布特點(diǎn)的進(jìn)一步分析發(fā)現(xiàn)：當(dāng)測點(diǎn)溫升正常時(shí)，空間分布均勻，無明顯密度差異，而當(dāng)少數(shù)測點(diǎn)溫升異常時(shí)，溫度特征的空間分布發(fā)生改變，具體表現(xiàn)為：（1）溫升特征空間位置分化；（2）高密度區(qū)域和低密度區(qū)域的分化。因此，對異常溫升的診斷問題進(jìn)一步轉(zhuǎn)化為：（1）特征空間中少數(shù)分布位置離群樣本的檢測問題；（2）特征空間高密度區(qū)域與低密度區(qū)域的分割問題。

由于聚類算法能在沒有歷史訓(xùn)練數(shù)據(jù)的前提下較好解決離群樣本的判別問題和密度區(qū)域的分割問題，故擬采用該種算法?，F(xiàn)有聚類算法主要分為層次型聚類算法和分割式聚類算法[7]。層次型聚類算法采用自底向上的凝聚模型或自頂向下的分裂模型，不斷將相似的簇合并或不斷分裂出不同的簇。分割式聚類算法同時(shí)找出數(shù)據(jù)中相似簇，在模式識(shí)別問題中應(yīng)用更為廣泛，文獻(xiàn)[7]是應(yīng)用最為廣泛的分割式聚類算法，具有收斂速度快、簡單等優(yōu)點(diǎn)，但Kmeans以絕對距離作為相似度評價(jià)指標(biāo)，并以所有樣本點(diǎn)到聚類中心距離的均值作為收斂標(biāo)準(zhǔn)，使得其只能發(fā)現(xiàn)數(shù)據(jù)中規(guī)則的球形簇，對非規(guī)則形狀簇易出現(xiàn)樣本混疊，且聚類中心位置受噪聲點(diǎn)擾動(dòng)較大。針對這一問題文獻(xiàn)[8]提出k-medias算法以中位值代替均值，增強(qiáng)算法抗擾動(dòng)能力。文獻(xiàn)[9]提出核k均值法，通過將數(shù)據(jù)向核空間映射，使簇間的非規(guī)則邊界顯著化，再在核空間內(nèi)進(jìn)行Kmeans聚類，提高了算法處理非規(guī)則形狀數(shù)據(jù)的能力。文獻(xiàn)[10]針對滾動(dòng)軸承故障診斷中內(nèi)圈、滾動(dòng)體或多點(diǎn)故障時(shí)很難從解調(diào)譜線分辨故障類型的問題，提出了一種新的基于模糊聚類的滾動(dòng)軸承故障診斷方法，該方法以模糊Fisher準(zhǔn)則為聚類目標(biāo)，通過對待測樣本與已知狀態(tài)樣本數(shù)據(jù)聚類，求得待測樣本隸屬度，進(jìn)而判斷滾動(dòng)軸承的故障類型。

經(jīng)典的Kmeans及其相關(guān)改進(jìn)算法，本質(zhì)上根據(jù)樣本點(diǎn)之間距離評價(jià)其相似度，結(jié)合策略能有效辨別異常溫升，但不能對局部密度差異進(jìn)行判別，導(dǎo)致正常溫升誤判嚴(yán)重。文獻(xiàn)[11]是一種基于密度的經(jīng)典聚類方法，但該算法中的簇半徑和鄰域內(nèi)最小密度這兩個(gè)參數(shù)對判別結(jié)果比較敏感，而合理選取這兩個(gè)參數(shù)主要依賴使用者的經(jīng)驗(yàn)，導(dǎo)致判別結(jié)果的不確定性增大。針對參數(shù)選擇問題，文獻(xiàn)[11]采用K鄰域方法，文獻(xiàn)[12]采用網(wǎng)格劃分技術(shù)等進(jìn)行了改進(jìn)，但由于軸溫?cái)?shù)據(jù)特征隨著軸承故障的動(dòng)態(tài)發(fā)展在不同階段分布體現(xiàn)出不同的特點(diǎn)，且有較大的隨機(jī)性，因此在聚類參數(shù)選取的自適應(yīng)性方面需要進(jìn)一步研究。

針對經(jīng)典聚類算法在機(jī)車車輛軸承異常溫升診斷中存在的不足，提出一種基于Kmeans-DBSCAN融合聚類的軸溫異常診斷模型。通過對同車同類關(guān)聯(lián)測點(diǎn)溫度特征進(jìn)行聚類找出溫度變化離群測點(diǎn)，實(shí)現(xiàn)了無歷史訓(xùn)練模型的軸溫異常檢測。根據(jù)異常溫升測點(diǎn)溫度特征相比其鄰近同類測點(diǎn)，具有空間位置和分布局部密度差異性的特點(diǎn)，首先利用Kmeans對溫度特征進(jìn)行聚類，對關(guān)聯(lián)測點(diǎn)溫度特征空間分布進(jìn)行初步判斷，確定其空間位置差異性。在此基礎(chǔ)上，以多數(shù)簇半徑作為鄰域半徑進(jìn)行DBSCAN聚類，確定其密度評價(jià)鄰域，實(shí)現(xiàn)溫度特征分布局部密度差異性檢測，通過兩種聚類算法的融合實(shí)現(xiàn)了異常溫升的準(zhǔn)確診斷，大大降低了漏判率和誤判率。最后通過某軌道車輛的運(yùn)行數(shù)據(jù)驗(yàn)證了這里方法的正確性和可靠性。

2 關(guān)聯(lián)測點(diǎn)軸溫異常診斷原理及其特征分析

2.1 關(guān)聯(lián)測點(diǎn)溫升異常檢測原理

根據(jù)對軸承溫升機(jī)理的分析，軸承溫升與其轉(zhuǎn)速、載荷、環(huán)境溫度、等工況參數(shù)密切相關(guān)，同列車同類溫度測點(diǎn)軸承運(yùn)行工況參數(shù)近似，是關(guān)聯(lián)測點(diǎn)，如圖1所示。為同車4根軸上小齒輪箱電機(jī)側(cè)軸承測點(diǎn)溫度變化情況，相關(guān)測點(diǎn)狀態(tài)均無明顯異常，其溫度應(yīng)隨列車運(yùn)行工況同步變化，趨勢近似。反之，故障軸承測點(diǎn)溫度與其同類關(guān)聯(lián)測點(diǎn)相比呈現(xiàn)明顯差異，如圖2所示。且差異持續(xù)存在并隨工況變化（加速、制動(dòng)、載荷增加）趨于顯著化。從軸承可靠性設(shè)計(jì)角度出發(fā)，同車同類測點(diǎn)在壽命周期內(nèi)同時(shí)失效的概率小于0.01%[13]，且歷史履歷數(shù)據(jù)中并未發(fā)現(xiàn)多個(gè)同類測點(diǎn)同時(shí)發(fā)生故障的工況。基于上述分析，假設(shè)多個(gè)同類測點(diǎn)軸承不會(huì)同時(shí)失效，通過檢測關(guān)聯(lián)溫度測點(diǎn)中高溫持續(xù)離群測點(diǎn)，進(jìn)而實(shí)現(xiàn)軸承異常溫升的診斷。

圖1 正常工況關(guān)聯(lián)測點(diǎn)溫度變化Fig.1 Correlation Measure Points Temperature Change in Normal Condition

圖2 異常工況下關(guān)聯(lián)測點(diǎn)溫度變化Fig.2 Correlation Measure Points Temperature Change in Abnormal Condition

2.2 關(guān)聯(lián)測點(diǎn)軸溫特征空間分布特點(diǎn)分析

基于上節(jié)所述思想，為避免關(guān)聯(lián)測點(diǎn)單個(gè)時(shí)間點(diǎn)溫度值比較的隨機(jī)性，側(cè)重于展現(xiàn)關(guān)聯(lián)測點(diǎn)間溫度變化差異隨時(shí)間變化趨勢，同時(shí)滿足后續(xù)聚類檢測中樣本數(shù)量要求，以原溫度信號輸入，采用滑動(dòng)時(shí)間窗口將溫度序列從一維空間向高維空間映射，將某時(shí)刻溫度歷史鄰域劃分為多個(gè)時(shí)間窗口，提取其最大值、最小值、峰值、峰-峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指標(biāo)、波形指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)15維時(shí)域特征，由于Kmeans算法及DBSCAN算法對低維度數(shù)據(jù)的聚類效果更優(yōu)，且時(shí)域特征空間中存在特征冗余。在軸溫異常檢測中需構(gòu)建合理的樣本空間，使得異常測點(diǎn)與正常測點(diǎn)溫度特征分化明顯，以保證準(zhǔn)確判別異常溫升，同時(shí)避免誤判。異常溫升測點(diǎn)（測點(diǎn)3），及其關(guān)聯(lián)測點(diǎn)溫度時(shí)域特征空間分布情況，如圖3所示。圖3為最大值、方差特征布情況，由圖3可知，正常測點(diǎn)，測點(diǎn)1、測點(diǎn)2、測點(diǎn)4特征分布集中與異常測點(diǎn)3溫度特征分布分化較為顯著。波形指標(biāo)、峰值標(biāo)構(gòu)成的特征空間，其中正常測點(diǎn)與異常測點(diǎn)分布差異顯著度相對圖3較低，如圖4所示。綜上所述需對特征空間進(jìn)行空間重構(gòu)，消除噪聲及冗余信息。

圖3 異常溫升最大值-方差分布Fig.3 The Maximum Value and Variance Distribution of Abnormal Temperature

圖4 異常溫升波形指標(biāo)、峰值指標(biāo)分布Fig.4 Shape Factor and Crest Factor Distribution of Abnormal Temperature Rise

主成分分析法（PCA）可以將高維數(shù)據(jù)向低維空間映射，去除冗余數(shù)據(jù)同時(shí)保留原數(shù)據(jù)最主要特征[14]。將PCA應(yīng)用于15維時(shí)域特征空間，按95%特征貢獻(xiàn)率提取其特征主成分。異常溫升工況與正常工況下關(guān)聯(lián)測點(diǎn)溫度時(shí)域特征主成分，如圖5、圖6所示。由圖5可知當(dāng)異常溫升出現(xiàn)時(shí)，異常測點(diǎn)特征主成分離群現(xiàn)象明顯，具體體現(xiàn)為特征空間位置與局部密度的差異。而正常工況下則無特征離群測點(diǎn)出現(xiàn)，如圖6所示。

圖5 異常溫升特征主成分分布Fig.5 The Principal Component Distribution of Abnormal Temperature Rise

圖6 正常溫升關(guān)聯(lián)測點(diǎn)特征分布Fig.6 The Principal Component Distribution of Normal Temperature Rise

3 基于Kmeans-DBSCAN融合聚類的異常溫升診斷模型

根據(jù)對關(guān)聯(lián)測點(diǎn)溫度特征空間分布的分析，異常溫升測點(diǎn)特征相比其鄰近同類測點(diǎn)具有空間位置和分布局部密度差異性。Kmeans聚類算法能較好地辨識(shí)特征空間位置差異性，實(shí)現(xiàn)異常溫升的判別，但對正常溫升誤判較多，DBSCAN聚類算法能有效識(shí)別特征空間分布的密度差異，但其密度評價(jià)鄰域由輸入?yún)?shù)鄰域半徑（Eps）決定，Eps的確定需基于特征空間分布的先驗(yàn)信息。高速列車軸溫的異常檢測需實(shí)時(shí)在線進(jìn)行，故要求聚類算法能夠根據(jù)不同的軸溫特征分布自適應(yīng)地選擇參數(shù)。

針對上述問題提出一種基于Kmeans-DBSCAN融合聚類的異常溫升診斷模型。結(jié)合異常溫升特征空間分布特點(diǎn)及異常檢測二分類問題特點(diǎn)，先對溫度特征空間進(jìn)行一次Kmeans聚類（k=2），對特征位置差異進(jìn)行判斷，按各測點(diǎn)多數(shù)樣本所屬簇給定類標(biāo)簽，避免由于個(gè)別樣本帶來的誤判，考察是否有測點(diǎn)屬于孤立類，同時(shí)獲取溫度特征分布先驗(yàn)信息。若存在孤立類，則以多數(shù)簇的最大半徑作為鄰域半徑Eps，以單個(gè)測點(diǎn)樣本數(shù)作為最小鄰域密度Minpts，進(jìn)行DBSCAN聚類，判斷其分布密度是否存在顯著差異。若測點(diǎn)特征同時(shí)滿足位置差異性與分布密度差異性即判斷為異常溫升。算法設(shè)計(jì)針對異常溫升特征特點(diǎn)，結(jié)合Kmeans、DBSCAN聚類算法對不同問題的判別優(yōu)勢，最大可能避免了漏判誤判情況的發(fā)生。算法流程，如圖7所示。

圖7 基于Kmeans-DBSCAN融合聚類的異常溫升診斷模型算法Fig.7 Abnormal Temperature Rise Diagnosis Model Algorithm Based on Kmeans-DBSCAN Fusion Clustering

（1）算法步驟1

為建立測點(diǎn)某時(shí)刻溫度與其時(shí)間鄰域內(nèi)溫度值關(guān)聯(lián)關(guān)系，同時(shí)滿足后續(xù)聚類檢測中樣本數(shù)量要求，針對時(shí)間點(diǎn)t，在其歷史時(shí)間鄰域［t-T+1，t］內(nèi)設(shè)置寬度為w的滑動(dòng)窗口，滑動(dòng)因子為δ=1，用滑窗將同列車同類s個(gè)關(guān)聯(lián)測點(diǎn)溫度監(jiān)測數(shù)據(jù)片段化，提取共（T-w+1）s個(gè)時(shí)間窗口內(nèi)的最大值、最小值、峰值、峰峰值、均值、方差、均方值、均方幅值、方根幅值、平均幅值、峰值指標(biāo)、波形指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)、峭度指標(biāo)共15維時(shí)域特征，得描述窗口內(nèi)溫度變化的關(guān)聯(lián)測點(diǎn)特征空間X，其中，單個(gè)測點(diǎn)樣本數(shù)N=T-w+1。

提取特征空間主成分：

（1）對15維時(shí)域特征樣本進(jìn)行標(biāo)準(zhǔn)化處理消除不同特征量綱帶來的差異，得標(biāo)準(zhǔn)化特征矩陣并計(jì)算其協(xié)方差矩陣：

（2）求特征矩陣和特征值與特征向量：

（3）按特征累積貢獻(xiàn)率確定主成分個(gè)數(shù)，特征貢獻(xiàn)率表征主成分表達(dá)前n維主成分所包含信息占原特征集X信息比例，取累積貢獻(xiàn)率大于95%確定主成分維數(shù)n。

則確定主成分分析投影方向?yàn)榍皀個(gè)特征值向量即V15×n=［v1，v2，…，vn］將原特征集合X向該方向投影，得降維后特征空間Y。

（2）算法步驟2

對關(guān)聯(lián)測點(diǎn)溫度特征主成分特征集Y進(jìn)行Kmeans聚類，k=2，給定各關(guān)聯(lián)測點(diǎn)的數(shù)據(jù)樣本類標(biāo)簽向量label（label=1，2），按測點(diǎn)統(tǒng)計(jì)樣本類標(biāo)簽，對測點(diǎn)k（k=1，2…s）按如下準(zhǔn)則進(jìn)行統(tǒng)計(jì)，以測點(diǎn)樣本所屬多數(shù)類作為該測點(diǎn)類標(biāo)簽。

得s個(gè)關(guān)聯(lián)測點(diǎn)類標(biāo)簽class，統(tǒng)計(jì)各類測點(diǎn)數(shù)量，考察是否存在孤立類測點(diǎn)：

式中：r0—孤立類測點(diǎn)判別閾值，當(dāng)某類測點(diǎn)數(shù)量小于r0時(shí)，outliter=1，存在孤立類測點(diǎn)，孤立類測點(diǎn)即為滿足判別條件測點(diǎn)。

（3）算法步驟3

若Kmeans聚類檢測出孤立測點(diǎn)，計(jì)算多數(shù)簇最大簇半徑：

其中：n—多數(shù)簇內(nèi)樣本數(shù)。

對關(guān)聯(lián)測點(diǎn)溫度特征集合D按[11]中所述流程進(jìn)行DBSCAN聚類：根據(jù)關(guān)聯(lián)測點(diǎn)異常溫升特征呈現(xiàn)，異常測點(diǎn)樣本分布稀疏，而多數(shù)正常測點(diǎn)樣本分布相對集中的特點(diǎn)。Eps取為上步Kmeans聚類結(jié)果中多數(shù)類樣本最大距離的一半dmax/2，Minpts設(shè)為單個(gè)測點(diǎn)樣本數(shù)。若多數(shù)類與少數(shù)類間分布密度差異顯著，聚類結(jié)果中出現(xiàn)多數(shù)類測點(diǎn)樣本均歸為同類，而少數(shù)類測點(diǎn)樣本全被歸為噪聲，則判定該噪聲類測點(diǎn)為異常測點(diǎn)。若多數(shù)類與少數(shù)類分布密度相近，DBSCAN聚類結(jié)果為同類，判定為不存在異常溫升測點(diǎn)。

4 實(shí)例驗(yàn)證

4.1 實(shí)驗(yàn)條件

以某型機(jī)車車輛履歷服役軸溫監(jiān)測數(shù)據(jù)為例，對提出的基于Kmeans-DBSCAN融合聚類的機(jī)車車輛軸承異常溫升診斷模型的有效性及優(yōu)越性進(jìn)行驗(yàn)證。數(shù)據(jù)來源為某型機(jī)車車輛車載軸溫監(jiān)測系統(tǒng)測得同列車上多個(gè)軸溫測點(diǎn)溫度，溫度傳感器為pt100采樣頻率為1Hz，監(jiān)測軸溫?cái)?shù)據(jù)傳輸頻率為每分鐘一次，以齒輪箱軸溫測點(diǎn)為例，其位置分布，如圖8所示。根據(jù)同車同類測點(diǎn)工況相近（轉(zhuǎn)速、載荷），相對位置相近，將齒輪箱上16個(gè)軸溫測點(diǎn)劃分為4類關(guān)聯(lián)測點(diǎn)，每類包含同車4根車軸上4個(gè)測點(diǎn)，如表1所示。根據(jù)異常溫升測點(diǎn)溫度特征連續(xù)時(shí)間段內(nèi)離群，且為同類關(guān)聯(lián)測點(diǎn)中最高溫度測點(diǎn)的特點(diǎn)，設(shè)置預(yù)警策略。運(yùn)用Kmeans-DBSCAN融合的異常診斷模型進(jìn)行異常溫升預(yù)警。

圖8 測點(diǎn)分布位置Fig.8 Location of Measure Points

表1 關(guān)聯(lián)測點(diǎn)劃分Tab.1 Location of Measure Points

4.2 驗(yàn)證結(jié)果

選取小齒輪箱電機(jī)側(cè)軸承、小齒輪箱電機(jī)側(cè)軸承軸溫?cái)?shù)據(jù)200min，如圖9、圖10所示。其中3軸測點(diǎn)存在異常溫升，現(xiàn)有閾值預(yù)警法在測點(diǎn)絕對溫度超過環(huán)境溫度80℃時(shí)報(bào)警，分別運(yùn)用這里的判別方法，Kmeans，DBSCAN（K鄰域方法確定鄰域半徑）采用同樣的預(yù)警策略結(jié)果，如表2所示。提出的Kmeans-DBSCAN融合判別方法與基于Kmeans的判別法對異常溫升的判別準(zhǔn)確率達(dá)100%，而DBSCAN由于參數(shù)選擇不當(dāng)判別準(zhǔn)確率為77.6%，較絕對閾值預(yù)警法，這里方法預(yù)警時(shí)間提前57min。選取大齒輪箱車輪側(cè)軸承溫升正常數(shù)據(jù)200min片段、大齒輪電機(jī)側(cè)溫升正常數(shù)據(jù)200min片段分別應(yīng)用三種方法對各時(shí)刻溫度數(shù)據(jù)進(jìn)行異常溫升檢測其誤判率，如圖11、圖12及表3所示。Kmeans和DBSCAN最高誤判率分別為12.5%和19%，提出方法誤判率低至0.5%?；贙means-DBSCAN融合聚類的軸溫異常診斷模型相比DBSCAN、Kmeans這兩類經(jīng)典的聚類誤判率顯著降低。對軸承異常溫升與正常溫升數(shù)據(jù)檢測，Intelcore i5-7200，2.5GHz，12GB內(nèi)存，windows10操作系統(tǒng)環(huán)境下模型平均單次運(yùn)行時(shí)間分別為：60ms。算法滿足實(shí)時(shí)檢測要求。

圖9 小齒輪箱電機(jī)側(cè)軸承異常溫升Fig.9 Abnormal Temperature Rise of Bearing in Small Gearbox Motor Side

圖10 小齒輪箱車輪側(cè)軸承異常溫升Fig.10 Abnormal Temperature Rise of Bearing in Small Gearbox Wheel Side

表2 異常溫升判別準(zhǔn)確率Tab.2 Diagnostic Accuracy of Abnormal Temperature Rise

綜合對異常軸承溫升診斷的準(zhǔn)確率及對正常溫升的誤判率，提出的Kmeans-DBSCAN融合聚類算法判別準(zhǔn)確性優(yōu)于兩種經(jīng)典聚類算法，且算法計(jì)算效率滿足隨車實(shí)時(shí)診斷的要求。

圖11 大齒輪箱車輪側(cè)軸承正常溫升Fig.11 Normal Temperature Rise of Bearing in Large Gearbox Wheel Side

圖12 大齒輪箱電機(jī)側(cè)軸承正常溫升Fig.12 Normal Temperature Rise of Bearing in Large Gearbox Motor Side

表3 誤判率Tab.3 Misjudgment Rate

5 結(jié)論

針對高速列車異常軸溫預(yù)警中缺乏足夠的已標(biāo)記歷史數(shù)據(jù)難以建立有效的故障辨識(shí)模型，及關(guān)聯(lián)測點(diǎn)異常溫升判別準(zhǔn)確率低的問題進(jìn)行了深入研究，獲得了以下主要結(jié)論：

（1）以工況相近的關(guān)聯(lián)測點(diǎn)溫度變化互為參照通過對其溫度特征進(jìn)行聚類找出溫度變化離群測點(diǎn)，實(shí)現(xiàn)了無歷史訓(xùn)練模型的軸溫異常檢測。

（2）提出了一種基于Kmeans-DBSCAN的關(guān)聯(lián)測點(diǎn)軸溫融合聚類模型，并實(shí)現(xiàn)了模型參數(shù)的自適應(yīng)選擇，提高了基于聚類的異常溫升檢測算法準(zhǔn)確性。

（3）實(shí)例驗(yàn)證結(jié)果表明：所提出的Kmeans-DBSCAN融合聚類的軸承異常溫升診斷模型，繼承了Kmeans和DBSCAN算法的優(yōu)點(diǎn)，對故障診斷的準(zhǔn)確率達(dá)100%，與Kmeans算法保持一致，比DBSCAN算法提高22.4%；誤報(bào)率低至0.5%，比Kmeans算法降低18.5%，比DBSCAN算法降低12%，較好地滿足了機(jī)車車輛對于軸承異常溫升的診斷要求，同時(shí)預(yù)警時(shí)間較現(xiàn)有基于絕對閾值的預(yù)警法提前了57min，該模型的單次運(yùn)行時(shí)間為60ms，可以滿足軸溫在途診斷的實(shí)時(shí)性要求。

由于僅通過單一的測點(diǎn)溫度信息難以確定引起軸溫異常的原因，在下一步研究中將結(jié)合振動(dòng)信號分析得出早期異常溫升原因，準(zhǔn)確評價(jià)其危害性，從而為做出合理的行車或維護(hù)策略調(diào)整提供依據(jù)。