背景介绍

现今的高速列车上建立了车载传感器网络,将传感器散布于多个关键部位上,采集温度、速度、应力等信息,全面监测车辆的运行状态。而轨道车辆走行部的异常状态可以通过温度异常、振动异常等物理量表现出来，有利于及早发现列车故障隐患,杜绝突发事故、中途停车事故的发生。

轮轨样图

解决方案

通过轨旁在线监测系统的振动和温度传感器采集每列过车的数据，针对异常检测问题，一方面可以通过 K-means 聚类分析方法，对于轨旁平轮振动量进行建模，模型用来检测平轮振动量的异常值，从数据的角度发现数据的异常点；另一方面也可以通过贝叶斯变点检测算法计算每个时点是变点的可能性，并找出可能性超过一定阈值的点视为可能的变点，从数据角度反映了车轮或轨道的某种异常（或变化），作为运维人员维修的参考依据。

总结说明

下图展示的是对某地铁一组车轮轮对的振动有效值随时间变化的曲线图，通过贝叶斯变点检测算法能够快速的检测出振动有效值出现变化的时刻点，及时通知运维人员进行轮对检测。

某车轮对振动有效值变点检测图