CN109186813A - 一种温度传感器自检装置及方法 - Google Patents

Abstract

本发明提供了一种温度传感器自检装置及方法，对列车在正常情况下的温度数据序列进行差分处理得到分段标准差序列，并通过对标准差序列进行统计分析得到异常检测阈值；对实时输入温度数据序列进行差分处理得到分段标准差序列；基于阈值及标准差序列判断分段温度差值序列是否存在异常；如果某段分段标准差序列大于或等于阈值，则判断该段温度差值序列存在异常，并进入下一步，否则传感器正常；判断存在异常的某段温度差值序列与正常基准序列及前一相邻时段温度差值序列的分布一致性；如果存在一致性，则判断传感器正常，如果否，则传感器异常。本发明能解决现有技术无法对温度传感器进行快速、有效的自检，不能保障列车安全、高效运行的技术问题。

Description

一种温度传感器自检装置及方法

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种应用于列车温度传感器的自检装置及方法。

背景技术

温度传感器是列车传动、控制、走行部等各个系统的重要部件之一，担负着全车与温度有关的关键部件的监测和感知功能，是保障设备安全、正常运行的核心装置，是整个列车的监测的关键指标之一。通常，在大多数情况下本领域技术人员关注的是传感器所监测对象的运行情况，而较少考虑监测者和温度传感器(系统)本身内在联系的问题。事实上，同样作为一个装置，温度传感器必然存在故障的可能。当传感器所测得的温度值出现异常时，通常无法完全肯定该异常是所测对象真实发生了问题，还是传感器或通信系统出现了异常。如果是真实的测量对象异常，则需要采取紧急列车安全应对措施，如降功率或停车检修等。然而，如果是因为传感器(系统)异常，采取紧急应对措施则会大量增加运维成本，甚至于在某些情况下还可能导致安全问题的发生。因此，在实际应用时必然需要解决一个问题，那就是如何确保温度传感器本身工作的正常性，或者换一种说法，即如何确定出现的异常温度值是是否是传感器本身的异常导致的。

基于以上问题，当前所需要解决的技术关键就在于采用何种方式来发现温度传感器本身是否正常，其中，包括：如何利用与温度传感器相关的信息和数据来有效鉴别异常源头，实现有效预警，以及如何通过额外加装传感器或依靠现有的数据实现异常判别。

目前，关于检查传感器本身运行状态的研究和应用很多，其中针对温度传感器异常与否的检测手段也有很多，有通过检测传感器电压、电流情况来判断传感器工作状态的，有结合专业知识设定温度阈值来判断传感器工作状态的，也有通过在相似位置加装传感器，对比两个或多个温度值的变化来判断传感器工作状态的。但是，这些现有的温度传感器检测方法均存在着或是判断结果不准确，存在误判、漏判等情况，或是需要专业人员利用专业知识进行判断，应用场合和领域受到限制，或是需要加装额外的装置，导致系统复杂度增加等各种技术缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种温度传感器自检装置及方法，以解决现有列车系统无法对温度传感器进行快速、有效的自检，进而不能保障列车安全、高效运行的技术问题。

为了实现上述目的，本发明具体提供了一种温度传感器自检装置的技术实现方案，温度传感器自检装置，包括：

异常检测阈值计算模块，用于对列车在正常运行情况下传感器所测的温度数据序列T进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

关键特征值提取模块，用于对实时输入的传感器所测温度数据序列t进行差分处理得到温度差值序列δt的分段标准差序列η；

第一异常检测模块，用于根据所述异常检测阈值计算模块输出的异常检测阈值K，及所述关键特征值提取模块输出的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并输出该段存在异常的温度差值序列δt，否则判断传感器正常；

一致性检验模块，用于对所述第一异常检测模块输出存在异常的温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt进行分布一致性检验；

第二异常检测模块，用于判断所述一致性检验模块输出的分布一致性检验发生概率P值是否小于设定标准，如果小于设定标准，则输出传感器异常预警信号，否则传感器正常。

进一步的，所述异常检测阈值计算模块获取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间ΔT计算温度差值序列δT。对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_i，并形成标准差序列Θ。分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率 的原则构建列车该部位对应的异常检测阈值K。

其中，θ为温度差值序列δT的标准差。

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

进一步的，所述关键特征值提取模块获取实时输入传感器所测的温度数据序列t，按单位时间Δt计算温度差值序列δt，对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

进一步的，所述一致性检验模块通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t，同时获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t,…,zn_t，并就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}逐一地进行K-S分布检验。

进一步的，所述一致性检验模块在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性。当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的分布概率P值小于某一设定标准值时，则两个温度差值序列之间不具备一致性。

其中，温度差值序列x_t的样本量为n1，温度差值序列y_t,z1_t,…,zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本。

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值。检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本。

经验分布函数B(t)为：

其中，x为自变量，i为自然数。

本发明还另外具体提供了一种温度传感器自检方法的技术实现方案，温度传感器自检方法，包括以下步骤：

S10)对列车在正常运行情况下传感器所测的温度数据序列T进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

S20)对实时输入的传感器所测温度数据序列t进行与步骤S10)相同的差分处理得到温度差值序列δt的分段标准差序列η；

S30)基于步骤S10)得到的异常检测阈值K及步骤S20)得到的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并进入步骤S40)，否则判断传感器正常；

S40)判断步骤S30)中存在异常的某段温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt的分布一致性；如果存在一致性，则判断传感器正常，如果不存在一致性，则判断传感器异常。

进一步的，所述步骤S10)进一步包括：

S11)选取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间ΔT计算温度差值序列δT；

S12)对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_i，并形成标准差序列Θ；

S13)分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率的原则构建列车该部位对应的异常检测阈值K；

其中，θ为温度差值序列δT的标准差。

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

进一步的，所述步骤S20)进一步包括：

S21)实时输入传感器所测的温度数据序列t；

S22)按单位时间Δt计算温度差值序列δt；

S23)对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

进一步的，所述步骤S40)进一步包括：

S41)通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t；

S42)获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t,…,zn_t；

S43)就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}逐一地进行K-S分布检验；

S44)当所有检验的发生概率P值均小于设定标准，则输出传感器异常预警信号，否则传感器正常。

进一步的，所述步骤S103)进一步包括：

设温度差值序列x_t的样本量为n1，温度差值序列y_t,z1_t,…,zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本。

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值。检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本。

经验分布函数B(t)为：

其中，x为自变量，i为自然数；

在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性。当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的分布概率P值小于某一设定标准值时，则两个温度差值序列之间不具备一致性。

通过实施上述本发明提供的温度传感器自检装置及方法的技术方案，具有如下有益效果：

(1)本发明基于传感器(系统)本身所测温度值的变化值进行自检和预警，相对现有技术中基于电流、电压等其它变量或对比多装置测量结果的技术方案来说，能够更有效、更直接地发现可能存在的异常，监测和预警结果将会更加真实、准确；

(2)本发明不仅利用阈值指标进行自检预警，而且从对比分布变化的角度进行进一步检测和发现异常，相对现有技术仅仅使用一到两个指示指标对传感器故障进行分析来说，自检和预警的规则、结果更加准确和有效；

(3)本发明基于大量实际运行过程中正常和异常的数据开展分析和应用，相对现有技术中基于的数据量较少等问题来说，模型结果的更加可靠，考虑的因素更加充分、合理，可检验性和实用性也更强；

(4)本发明基于列车运行过程中测量的大量温度数据进行实时自检测和预警，并基于不断更新的数据自动调整阈值和分布检验分段方式，具有显著的高效性和智能化水平。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其它的实施例。

图1是本发明温度传感器自检装置一种具体实施例的系统结构框图；

图2是本发明温度传感器自检方法一种具体实施例的工作流程原理示意图；

图3是本发明温度传感器自检方法一种具体实施例的程序流程图；

图4是本发明温度传感器自检方法一种具体实施例中K-S检验的示意图；

图中：1-异常检测阈值计算模块，2-关键特征值提取模块，3-第一异常检测模块，4-一致性检验模块，5-第二异常检测模块。

具体实施方式

为了引用和清楚起见，将下文中使用的技术名词、简写或缩写记载如下：

非参数检验：指在总体方差未知或知道甚少的情况下，利用样本数据对总体分布形态等进行推断的方法。由于非参数检验方法在推断过程中不涉及有关总体分布的参数，因而被称为“非参数”检验。

K-S检验：柯尔莫哥洛夫-斯米尔诺夫检验基于累计分布函数，用以检验两个经验分布是否不同或一个经验分布与另一个理想分布是否不同。它与t检验之类的其他方法不同是K-S检验不需要知道数据的分布情况，可以算是一种非参数检验方法。在样本量比较小的时候，K-S检验作为一种非参数检验在分析两组数据之间是否存在不同时是一种常用的方法。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如附图1至附图4所示，给出了本发明温度传感器自检装置及方法的具体实施例，下面结合附图和具体实施例对本发明作进一步的说明。

实施例1

通过大量数据的分析和研究发现，列车上各相关部位的温度变化通常是一个相对缓慢的过程。也就是说，在短时间内温度的变化出现大幅波动的可能性较小，特别是在极短时间内出现温度大幅下降的情况几乎很难发生。因而，基于此方面的考虑，如果发现在某段较短的时间内温度变化值出现急剧波动，且相近时段内变化值的分布存在明显差别时，则说明相应的温度传感器(系统)很可能出现了异常。因此，本发明具体实施例通过单位时间内温度差分值的标准差来度量波动水平，并结合K-S分布检验法来实现对相近时段温差分布的检验对比，以此来综合判断温度传感器是否存在异常。本实施例描述的温度传感器自检装置共包含两大部分功能，第一部分为温差异常检测阈值的确定(建模)，第二部分为结合阈值和K-S检验实现对温度传感器异常的自检。

在温差异常检测阈值确定方面，首先通过对列车系统正常情况下各温度类时间序列数据进行差分处理，然后以处理后的温差数据按原则分段计算波动性(标准差)，形成相应的标准差序列，再以形成的标准差序列为基准估计相应的分布情况，计算波动序列的均值和标准差，最后结合统计分布原理得到异常检测阈值μ+3σ(即异常检测阈值K)。

在结合异常检测阈值和K-S检验实现对温度传感器异常自检方面，对于实时输入的温度检测数据，首先按照与温差异常检测阈值确定阶段同样的规则计算差分及相应的波动序列，再基于前面所得异常检测阈值判断分段波动序列的异常可能性，如大于或等于异常检测阈值则判断该段温度值疑似异常，进而进一步深入判断该段温差序列与基础温差序列及前期序列的分布差异性，如存在明显差异，则说明传感器(系统)存在异常；反之，则认为暂无异常。

以下将基于上述工作原理的温度传感器自检装置的具体实现方案详述如下。

如附图1所示，一种温度传感器自检装置的实施例，具体包括：

异常检测阈值计算模块1，用于对列车在正常运行情况下传感器所测的温度数据序列T(如：可以是油温、轴温、水温等数据)进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

关键特征值提取模块2，用于对实时输入的传感器所测温度数据序列t进行差分处理得到温度差值序列δt的分段标准差序列η；

第一异常检测模块3，用于根据异常检测阈值计算模块1输出的异常检测阈值K，及关键特征值提取模块2输出的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并输出该段存在异常的温度差值序列δt，否则判断传感器正常；

一致性检验模块4，用于对第一异常检测模块3输出存在异常的温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt进行分布一致性检验；

第二异常检测模块5，用于判断一致性检验模块4输出的分布一致性检验发生概率P值是否小于设定标准，如果小于设定标准，则输出传感器异常预警信号，否则传感器正常。

异常检测阈值计算模块1获取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间ΔT计算温度差值序列δT。对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_i，并形成标准差序列Θ。分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率(即分布一致性检验发生概率)的原则构建列车该部位对应的异常检测阈值K。

其中，θ为温度差值序列δT的标准差。

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

关键特征值提取模块2获取实时输入传感器所测的温度数据序列t，按单位时间Δt计算温度差值序列δt，对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

一致性检验模块4通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t，同时获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t,…,zn_t，并就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}逐一地进行K-S分布检验。

一致性检验模块4在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性。当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的K-S分布概率P值(即分布一致性检验发生概率P值)小于某一设定标准值时，则两个温度差值序列之间不具备一致性。

其中，温度差值序列x_t的样本量为n1，温度差值序列y_t,z1_t,…,zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本。

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值。检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本。

经验分布函数B(t)为：

其中，x为自变量，i为自然数。

实施例2

在本实施例中，由于所使用的数据主要是传感器所测的时序型温度数据，在进行实时异常自检时，因为不同列车所处环境、线路及状态的不同而存在相对差异，不能直接通过温度值进行判断，因此需要对温度序列数据进行数据分类重构，建立差分序列并分段计算波动性后再进行异常检测。如附图2和附图3所示，一种温度传感器自检方法的实施例，具体包括以下步骤：

S10)对列车在正常运行情况下传感器所测的温度数据序列T进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

S20)对实时输入的传感器所测温度数据序列t进行与步骤S10)相同的差分处理得到温度差值序列δt的分段标准差序列η；

S30)基于步骤S10)得到的异常检测阈值K及步骤S20)得到的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并进入步骤S40)，否则判断传感器正常；

S40)判断步骤S30)中存在异常的某段温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt的分布一致性；如果存在一致性，则判断传感器正常，如果不存在一致性，则判断传感器异常。

步骤S10)进一步包括：

S11)选取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间ΔT(如：1s)计算温度差值序列δT；

S12)对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_i，并形成标准差序列Θ；

S13)分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率的原则构建列车该部位对应的异常检测阈值K；

S14)按照步骤S11)～S13)相同的方式计算同列车不同部位、不同列车各部位对应的异常检测阈值K，并形成温度传感器异常自检阈值矩阵。

其中，θ为温度差值序列δT的标准差。

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

此处的均值—μ通常指样本的算术平均数，表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数，它是反映数据集中趋势的一项指标。

标准差—σ是离均差平方和平均后的方根，也即方差的算术平方根。标准差能反映一个数据集的离散程度，或者也可称之为波动程度。平均数相同的，标准差未必相同。标准差可以当作不确定性的一种测量。例如：在实际测量科学中，进行重复性测量时，测量数值集合的标准差代表这些测量的精确度。当要确定测量值是否符合预测值时，测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远(同时与标准差数值做比较)，则认为测量值与预测值互相矛盾。因为如果测量值都落在一定数值范围之外，则可以合理推论预测值是否正确。

步骤S20)进一步包括：

S21)实时输入传感器所测的温度数据序列t；

S22)按单位时间Δt计算温度差值序列δt；

S23)对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

由于通过前述步骤基于温差分段序列波动的分布阈值来判断传感器(系统)异常，还存在一些可能误报异常的问题，譬如：偶尔某个时点因信号问题导致的跳变，本不属于传感器或系统异常，而通过阈值判别则有可能将其判别为传感器(系统)异常，从而出现误报。为此，需要在阈值判别的基础上再结合温差总体分布的特点强化判断原则。

而之所以通过分布检验来提高异常自检准确率的原因在于，通常情况下，在短时间内，同一列车相同位置影响温度变化的因素不可能发生很大、根本性的改变，因而相邻短时间内温差分布应该属于同一总体分布，不至于出现显著的分布差异，除非测量温度的传感器或系统出现了问题。另外，在无法确定不同列车、不同部位温差变化属于何种参数分布的情况下，通过非参数检验分布的一致性更加符合实际数据本身变化的特点，因而K-S两样本分布检验法在本实施例描述的技术方案中成为一种非常合适的选择。

对于分别来自两个不同总体的两个样本，想要检验它们背后的总体分布是否一致，可以进行两样本的K-S检验，其原理与单样本的K-S检验相同，只需要将检验统计量中零假设的分布换成另一个样本的经验分布即可，具体步骤如下。

步骤S40)进一步包括：

S41)通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t；

S42)获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t,…,zn_t；

S43)就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}逐一地进行K-S分布检验；

S44)当所有检验的发生概率P值均小于设定标准，则输出传感器异常预警信号，否则传感器正常，不输出传感器异常预警信号。

步骤S103)进一步包括：

设温度差值序列x_t的样本量为n1，温度差值序列y_t,z1_t,…,zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本。

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值。检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本。

经验分布函数(即Kolmogonov分布函数)B(t)为：

其中，x为自变量，i为自然数；

如附图4所示，在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t,…,zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性。当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的K-S分布概率P值小于某一设定标准值时，则拒绝两个序列来自于同一分布总体的假设，两个温度差值序列之间明显不具备一致性。即有理由说明，两个序列之间存在明显的差异性，与前述所认为的短时间内温差序列分布不会出现极大变化的前提不符，进而说明异常是由温度传感器(系统)原因所导致。

本发明具体实施例描述的温度传感器自检装置及方法以大数据平台为基础，结合现场实地反馈的列车各相关部件(车轴、电机、变压器、变流器等)的传感器测量所得的温度数据，构建了一套温度传感器(系统)异常自检装置及方法，实现了列车传感系统的自动化、智能化自检测和预警，通过将实际数据与统计分析算法有机结合，能够实现列车系统对温度传感器快速、有效自检，进而保障了列车的安全、高效运行。本发明具体实施例通过计算温度差值的波动序列的分布特征，以一定的概率确定温差异常检测阈值，将传感器异常数据在短时间内的波动变化良好的体现出来，有效地侦测到传感器(系统)异常所引起的测量温度值的异常变化，极大地提升了传感器(系统)异常自检效率。同时，本发明具体实施例基于列车部件温度变化的特点和规律，利用短时间内温差分布变化不大的性质，结合非参数检验方法对比不同时段间温差分布的差异性，极有效地降低了传感器(系统)异常自检和预警的误报率，大大提高了预测的总体准确率。

特别需要说明的是，在本发明上述具体实施例中，通过标准差对温差序列进行处理的方式，亦可以通过离散系数、极差等指标开展研究和应用。同时，本发明具体实施例中所使用的K-S非参数分布检验法，也可以尝试采用单位根检验、符号检验等非数参方法及其它参数检验法进行分布差异性检验。本发明具体实施例描述的温度传感器自检装置及方法可以采用基准代码为R和Python代码，或者也可以采用C、MATLAB、Java等一系列语言予以具体实现。

通过实施本发明具体实施例描述的温度传感器自检装置及方法的技术方案，能够产生如下技术效果：

(1)本发明具体实施例描述的温度传感器自检装置及方法，基于传感器(系统)本身所测温度值的变化值进行自检和预警，相对现有技术中基于电流、电压等其它变量或对比多装置测量结果的技术方案来说，能够更有效、更直接地发现可能存在的异常，监测和预警结果将会更加真实、准确；

(2)本发明具体实施例描述的温度传感器自检装置及方法，不仅利用阈值指标进行自检预警，而且从对比分布变化的角度进行进一步检测和发现异常，相对现有技术仅仅使用一到两个指示指标对传感器故障进行分析来说，自检和预警的规则、结果更加准确和有效；

(3)本发明具体实施例描述的温度传感器自检装置及方法，基于大量实际运行过程中正常和异常的数据开展分析和应用，相对现有技术中基于的数据量较少等问题来说，模型结果的更加可靠，考虑的因素更加充分、合理，可检验性和实用性也更强；

(4)本发明具体实施例描述的温度传感器自检装置及方法，基于列车运行过程中测量的大量温度数据进行实时自检测和预警，并基于不断更新的数据自动调整阈值和分布检验分段方式，具有显著的高效性和智能化水平。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (10)

1.一种温度传感器自检装置，其特征在于，包括：

异常检测阈值计算模块(1)，用于对列车在正常运行情况下传感器所测的温度数据序列T进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

关键特征值提取模块(2)，用于对实时输入的传感器所测温度数据序列t进行差分处理得到温度差值序列δt的分段标准差序列η；

第一异常检测模块(3)，用于根据所述异常检测阈值计算模块(1)输出的异常检测阈值K，及所述关键特征值提取模块(2)输出的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并输出该段存在异常的温度差值序列δt，否则判断传感器正常；

一致性检验模块(4)，用于对所述第一异常检测模块(3)输出存在异常的温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt进行分布一致性检验；

第二异常检测模块(5)，用于判断所述一致性检验模块(4)输出的分布一致性检验发生概率P值是否小于设定标准，如果小于设定标准，则输出传感器异常预警信号，否则传感器正常。

2.根据权利要求1所述的温度传感器自检装置，其特征在于：所述异常检测阈值计算模块(1)获取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间ΔT计算温度差值序列δT；对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_i，并形成标准差序列Θ；分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率的原则构建列车该部位对应的异常检测阈值K；

其中，θ为温度差值序列δT的标准差；

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

3.根据权利要求1或2所述的温度传感器自检装置，其特征在于：所述关键特征值提取模块(2)获取实时输入传感器所测的温度数据序列t，按单位时间Δt计算温度差值序列δt，对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

4.根据权利要求3所述的温度传感器自检装置，其特征在于：所述一致性检验模块(4)通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t，同时获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t，…，zn_t，并就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t，…，zn_t}逐一地进行K-S分布检验。

5.根据权利要求1、2或4任一项所述的温度传感器自检装置，其特征在于：所述一致性检验模块(4)在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t，…，zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性；当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的分布概率P值小于某一设定标准值时，则两个温度差值序列之间不具备一致性；

其中，温度差值序列x_t的样本量为n1，温度差值序列y_t，z1_t，…，zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本；

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值；检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本；

经验分布函数B(t)为：

其中，x为自变量，i为自然数。

6.一种温度传感器自检方法，其特征在于，包括以下步骤：

S10)对列车在正常运行情况下传感器所测的温度数据序列T进行差分处理得到温度差值序列δT的分段标准差序列Θ，并通过对标准差序列Θ进行统计分析得到异常检测阈值K；

S20)对实时输入的传感器所测温度数据序列t进行与步骤S10)相同的差分处理得到温度差值序列δt的分段标准差序列η；

S30)基于步骤S10)得到的异常检测阈值K及步骤S20)得到的标准差序列η判断分段温度差值序列δt是否存在异常；如果某段温度差值序列δt的分段标准差序列η大于或等于异常检测阈值K，则判断该段温度差值序列δt存在异常，并进入步骤S40)，否则判断传感器正常；

S40)判断步骤S30)中存在异常的某段温度差值序列δt与正常基准序列及前一相邻时间段温度差值序列δt的分布一致性；如果存在一致性，则判断传感器正常，如果不存在一致性，则判断传感器异常。

7.根据权利要求6所述的温度传感器自检方法，其特征在于，所述步骤S10)进一步包括：

S11)选取正常情况下列车某部位运行过程中传感器所测的温度数据序列T，按单位时间AT计算温度差值序列δT；

S12)对单位时间内的温度差值序列δT按相同时长T1分段，计算每段温度差值序列δT的标准差θ_j，并形成标准差序列Θ；

S13)分析标准差序列Θ的分布情况，并计算标准差序列Θ的均值μ和标准差σ，按照发生概率的原则构建列车该部位对应的异常检测阈值K；

其中，θ为温度差值序列δT的标准差；

其中，ω_i为加权系数，此处x_i为样本值，n为样本数。

8.根据权利要求6或7所述的温度传感器自检方法，其特征在于，所述步骤S20)进一步包括：

S21)实时输入传感器所测的温度数据序列t；

S22)按单位时间Δt计算温度差值序列δt；

S23)对单位时间内的温度差值序列δt按相同时长T2分段，计算每段温度差值序列δt的标准差，并形成标准差序列η。

9.根据权利要求8所述的温度传感器自检方法，其特征在于，所述步骤S40)进一步包括：

S41)通过比较异常检测阈值K和标准差序列η发现列车运行过程中某段温度差值序列δt出现疑似异常的数据后，记录该段异常温度差值序列δt的信息，并获取该段温度差值序列x_t及其前一相邻时间段的温度差值序列y_t；

S42)获取相同时间段列车其它相似位置传感器所测的温度差值序列z1_t，…，zn_t；

S43)就疑似异常的温度差值序列x_t分别与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t，…，zn_t}逐一地进行K-S分布检验；

S44)当所有检验的发生概率P值均小于设定标准，则输出传感器异常预警信号，否则传感器正常。

10.根据权利要求6、7或9任一项或所述的温度传感器自检方法，其特征在于，所述步骤S103)进一步包括：

设温度差值序列x_t的样本量为n1，温度差值序列y_t，z1_t，…，zn_t中任一差值序列的样本量为n2，F₁(x)和F₂(x)分别表示两个样本的累积经验分布函数，j为温度差值序列分段标识，x为样本；

记D_j＝F₁(x_j)-F₂(x_j)， 代表D_j绝对距离的最大值；检验统计量Z近似于正态分布，其表达式为：

当零假设为真时，Z依密度分布d收敛于K分布，即当样本取自一维连续分布F时，

为取B(F(x))绝对距离的最大值，x为样本；

经验分布函数B(t)为：

其中，x为自变量，i为自然数；

在判断待检验温度差值序列x_t与前一相邻时间段的温度差值序列y_t，及其它相似位置传感器所测的温度差值序列{z1_t，…，zn_t}的分布一致性时，通过检验序列间经验分布函数的最大差距值D来确定温度差值序列x_t的显著性；当实际计算所得的最大差距值D大于某一设定标准值，或最大差距值D所对应的分布概率P值小于某一设定标准值时，则两个温度差值序列之间不具备一致性。