基于XGBoost的列控车载设备故障预测方法

作     者：刘江 许康智 蔡伯根 郭忠斌 王剑 LIU Jiang;XU Kangzhi;CAI Baigen;GUO Zhongbin;WANG Jian

作者机构：北京交通大学电子信息工程学院北京100044 北京交通大学智慧高铁系统前沿科学中心北京100044 北京交通大学北京市轨道交通电磁兼容与卫星导航工程技术研究中心北京100044 北京交通大学计算机与信息技术学院北京100044 

出 版 物：《北京交通大学学报》 (JOURNAL OF BEIJING JIAOTONG UNIVERSITY)

年 卷 期：2021年第45卷第4期

页      面：95-106页

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：北京市自然科学基金-丰台轨道交通前沿研究联合基金资助项目(L191014) 国家自然科学基金(61873023,62027809) 北京市科技新星计划(Z191100001119066) 中国国家铁路集团有限公司科技研究开发计划项目(P2020G005) 

主　　题：列车控制 车载设备 故障预测 健康管理 极端梯度提升 

摘      要：列控车载设备的健康管理和故障预测是实现高速铁路关键装备智能化视情维护的重要途径.为了克服列控车载设备故障建模的复杂性和健康监测手段受限等问题,充分运用现场收集的设备运行记录数据,提出一种基于数据驱动的列控车载设备故障预测体系框架.建立了高速列车列控车载设备运行数据管理平台,基于大量历史现场数据构建训练及测试样本集,运用极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法实施特定故障类型的模型训练与学习,并将所得故障模型用于故障概率的预测分析.以CTCS2-200H型列控车载设备为对象,运用实际数据对所提出的故障建模方法进行了验证,对不同建模样本规模、故障类型维度下的模型性能以及不同建模算法性能进行了对比.结果表明:基于XGBoost算法的建模方法能够有效揭示各特征量与故障之间的关联,所采用树的深度值越高,迭代收敛速度越快;相较于GBDT、RF算法,基于XGBoost的建模方法能够实现更高的预测正确率,在给定样本条件下达到稳定正确率所需训练时间分别减少了78.55%、12.47%,验证了该方法在大规模数据条件下的适用性和性能优势.