基于轉(zhuǎn)轍機牽引力和PSO-SVM的道岔故障診斷研究

楊小銳,王 安,安邦軍

(西北工業(yè)大學 自動化學院，西安 710129)

基于轉(zhuǎn)轍機牽引力和PSO-SVM的道岔故障診斷研究

楊小銳,王 安,安邦軍

(西北工業(yè)大學 自動化學院，西安 710129)

隨著高速鐵路的快速發(fā)展，道岔故障頻發(fā)，成為一直是急需解決的重大安全問題；首先從道岔的運行原理出發(fā)，研究了轉(zhuǎn)轍機拉力對道岔的影響；然后進行了轉(zhuǎn)轍機的電動機的功率和電流參數(shù)的比較，結(jié)果表明，轉(zhuǎn)轍機拉力更能直觀反映道岔的運行情況；最后提出了用轉(zhuǎn)轍機拉力參數(shù)實現(xiàn)基于粒子群算法優(yōu)化支持向量機(PSO-SVM)的道岔故障診斷算法；經(jīng)過對實際數(shù)據(jù)的處理，表明此種診斷方法對道岔的故障有較好的分辨能力。

道岔；故障診斷；支持向量機

0 引言

由于我國經(jīng)濟發(fā)展和資源分布的不均衡，鐵路承擔了大量的中長途旅客運輸以及長距離的貨物運輸，給人們提供了極大的方便。道岔作為鐵路線路變更的轉(zhuǎn)換設備，是線路的交合分離點。鐵路道岔更像是整個鐵路網(wǎng)的關節(jié)和咽喉，也是整個鐵路網(wǎng)最薄弱的環(huán)節(jié)，是鐵路事故的多發(fā)點。

道岔故障的隱蔽性比較強，復雜度高，并且長期以來沒有完善的智能檢測分析和預警的系統(tǒng)。現(xiàn)階段，關于道岔設備的監(jiān)控和故障分析主要是由現(xiàn)場維護者完成，采用故障修和定期維修的方法。故障修是指在設備發(fā)生故障后再進行維修，通常都伴隨著巨大的安全問題。定期維修是指維護者按一定的周期對道岔設備的運行狀態(tài)進行維護，容易造成過剩維修，帶有很大的盲目性?，F(xiàn)已提出狀態(tài)修的概念，即依據(jù)道岔運行狀態(tài)對道岔進行維護，動態(tài)掌握道岔的運行特性[1-2]。

目前國內(nèi)外的諸多學者都對道岔的故障進行了研究，研究的算法多種多樣，包括專家系統(tǒng)、神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡的優(yōu)化、卡爾曼濾波、貝葉斯等[4-8]。選取的數(shù)據(jù)基本上是電流或者功率，但是就轉(zhuǎn)轍機搬動道岔的運行過程看，轉(zhuǎn)轍機牽引力能直觀的反映道岔的運行狀態(tài)，因此，選取了拉力數(shù)據(jù)來研究。

1 道岔故障模式分析

1.1 轉(zhuǎn)轍機拉力數(shù)據(jù)獲取

從圖1中可以看出轉(zhuǎn)轍機與道岔是通過連接桿和連接銷連接的，即轉(zhuǎn)轍機提供的動力通過連接桿和連接銷傳遞到道岔，使道岔做相應的運動。因此，轉(zhuǎn)轍機的牽引力與道岔的轉(zhuǎn)換阻力是作用力與反作用力的關系，力的轉(zhuǎn)換點在連接銷處。若用銷式力傳感器替換連接銷，就可以測量出轉(zhuǎn)轍機牽引力的大小，這對于所有的轉(zhuǎn)轍機和道岔都是成立的。因為力傳感器對力的測量是直接的，所以測量精度取決于力傳感器本身，而且對力變化的響應是及時的，所以拉力曲線的變化能夠?qū)崟r顯示出來。

圖1 S700K型轉(zhuǎn)轍機結(jié)構(gòu)圖

便攜式轉(zhuǎn)轍機拉力測試儀是應用力傳感器測量道岔轉(zhuǎn)換阻力的方法。由于便攜式轉(zhuǎn)轍機拉力測試儀是目前國內(nèi)使用最多的，也是國家鐵道標準規(guī)定的道岔阻力測量儀器，所以下面所用到的測試數(shù)據(jù)均是使用拉力測試儀在現(xiàn)場獲得。

1.2 道岔正常動作曲線分析

《鐵路信號維護規(guī)則技術標準I》中指出，S700K型電動轉(zhuǎn)轍機在正常情況下，其動作時間應小于等于6.6 s，牽引點的額定轉(zhuǎn)換力也是固定的。下圖是一組轉(zhuǎn)轍機在道岔無故障時的牽引力曲線。

圖2 拉力測試曲線圖(正常)

道岔轉(zhuǎn)換的主要動作過程分為3個階段：解鎖、轉(zhuǎn)換、鎖閉。

第一階段：解鎖。解鎖的時候，道岔剛啟動時，需要克服較大的阻力來帶動傳動設備運轉(zhuǎn)，完成轉(zhuǎn)轍機內(nèi)部的解鎖。同時，也需要推動外鎖閉裝置完成外部解鎖。因此，轉(zhuǎn)轍機需要輸出足夠大的牽引力。解鎖快結(jié)束時的牽引力通常要大于轉(zhuǎn)換時的牽引力，并且從解鎖開始到解鎖結(jié)束，力是呈上升趨勢的。

第二階段：轉(zhuǎn)換。在轉(zhuǎn)換過程中，轉(zhuǎn)轍機拉動尖軌移動，設備運行平穩(wěn)，牽引力穩(wěn)定在一定值左右，曲線較為平緩。在這個運行過程中，除去其他因素，牽引力應是越小越好，因為這表明需要克服的外界阻力比較小。

第三階段：鎖閉。道岔尖軌或心軌轉(zhuǎn)換到指定位置后進行鎖閉，鎖閉時要克服鎖閉裝置的阻力，因此，在鎖閉剛開始的時候，牽引力會比轉(zhuǎn)換時要稍大一些，而后趨于0。

鎖閉后道岔控制電路切斷電源。道岔控制電路被切斷，電流曲線的值會迅速下降。又因為鎖閉狀態(tài)下接通了表示電路，而這個電路接通時，轉(zhuǎn)轍機的電源端子也是接通狀態(tài)。但是，1DQJ具有緩放特性，道岔電流不為0。

1.3 道岔故障曲線分析

道岔的故障大致分為機械故障和電氣故障，而道岔的機械故障占道岔故障總數(shù)的90%以上，并且，道岔的機械故障總是能夠?qū)е聡乐氐陌踩鹿省?/p>

主要研究了機械故障中的三類故障：尖軌反彈、轉(zhuǎn)換阻力過大和多點牽引出力不均勻問題。分析S700K電動轉(zhuǎn)轍機的拉力曲線，探究其產(chǎn)生原因，并給出可能的解決辦法。

1)尖軌反彈(故障模式1)。

反彈現(xiàn)象一般發(fā)生在解鎖的時候，能聽見“咣當”一聲，尖軌會順著移動的方向“竄動”一下，表現(xiàn)在力曲線上就是圖3中力3。道岔是從縮回狀態(tài)往伸出狀態(tài)轉(zhuǎn)換，但是表現(xiàn)出來在解鎖階段會向縮回狀態(tài)瞬移。

圖3 拉力測試曲線圖(故障模式1)

可能的原因有：尖軌有側(cè)彎跡象，曲尖軌動程偏小，所以在扳動尖軌，尖軌與基本軌不能同時密貼，在再次扳動尖軌時，尖軌容易反彈；連接桿、接頭鐵和連結(jié)銷銹蝕或螺栓過緊，形成整體框架，尖軌扳動時轉(zhuǎn)轍不靈活；尖軌爬行等。

2)轉(zhuǎn)換阻力過大(故障模式2)。

轉(zhuǎn)換過程中的某個時間段出力較大，轉(zhuǎn)換困難，可能存在尖軌爬行，拉來曲線抖動幅值較大。轉(zhuǎn)換阻力過大的現(xiàn)象表現(xiàn)在力曲線上就是圖4中的力2、力3。

圖4 拉力測試曲線圖(故障模式2)

可能的原因有：外鎖閉桿中心線與固定在基本軌上的鎖閉框中心線不垂直平行，鎖閉框與鎖閉桿磨卡，造成道岔轉(zhuǎn)換阻力急劇加大，使道岔不能正常轉(zhuǎn)換；道岔桿件連接部分，如道岔尖軌爬行，道岔尖軌在天氣因素影響下由于熱脹冷縮而引起伸長或縮短，這種情況下與尖軌相連的鎖閉桿位置也隨尖軌爬行而變化，導致轉(zhuǎn)轍機動作桿的動作無法順暢完成，產(chǎn)生異常阻力。

3)出力不均勻(故障模式3)。

出力不均勻現(xiàn)象表現(xiàn)在力曲線上就是圖5中力2和力3，在整個過程中有一段時間不出力。

圖5 拉力測試曲線圖(故障模式3)

可能的原因：解鎖不同步，先解鎖的走得快會拉著后解鎖的，所以先解鎖的力會大一點；滑床板不夠規(guī)整，因為尖軌在轉(zhuǎn)換過程中會落在滑床板上，整個過程都會摩擦滑床板，前后牽引點的滑床板不夠規(guī)整，可能造成牽引點出力的不均勻。

2 道岔轉(zhuǎn)轍機拉力曲線的特征表示

常用的時域特征參數(shù)分為有量綱特征參數(shù)和無量綱特征參數(shù)，主要包括：最大值、最小值、平均值、峰峰值、方差值、標準差、均方根值、峭度值、波形因子、峰值因子、峭度因子、脈沖因子和裕度因子等。除此之外，道岔的穩(wěn)態(tài)力也是很重要的指標。穩(wěn)態(tài)力就是道岔在鎖閉的狀態(tài)下，尖軌對轉(zhuǎn)轍機施加的力，對最后轉(zhuǎn)轍機鎖閉狀態(tài)是一個很好的衡量標準。

1)最大值：表示轉(zhuǎn)轍機拉動道岔受到的最大阻力。

2)最小值：表示轉(zhuǎn)轍機拉動道岔受到的最小阻力。

3)平均值：能夠反映轉(zhuǎn)轍機拉力的中心趨勢。

4)峰峰值：在轉(zhuǎn)轍機拉動道岔過程中，拉力值的波動情況。

5)方差值：主要描述轉(zhuǎn)轍機拉力值在平均值附近的離散程度。

6)標準差：描述轉(zhuǎn)轍機拉力值在平均值附近的離散程度。

7)均方根值：描述了轉(zhuǎn)轍機拉力值的波動情況。

8)波形因子：反映區(qū)段內(nèi)拉力信號的波動趨勢，且與振幅無關。

9)峰值因子：反映拉力信號中是否存在沖擊信號的指標。

10)峭度因子：對脈沖故障敏感。

11)脈沖因子：對拉力信號中的沖擊脈沖類信號敏感。

12)裕度因子：對拉力信號中的沖擊脈沖信號比較敏感，且減少了偏差差異。

13)穩(wěn)態(tài)力：衡量道岔轉(zhuǎn)換到位后的狀態(tài)。

3 基于PSO-SVM的道岔故障診斷方法

3.1 故障診斷整體流程

首先把原始數(shù)據(jù)依據(jù)一定的規(guī)則劃分成訓練集和測試集，然后對數(shù)據(jù)進行預處理，包括歸一化處理和特征提取等等，再之后利用訓練集數(shù)據(jù)對SVM模型進行訓練，得到最后的分類模型，再用測試集數(shù)據(jù)來測試測試集的分類，流程圖如圖6所示。

圖6 SVM模型整體流程

3.2 SVM模型建立

對于線性可分的問題，平面H1、H2都能將兩類樣本正確的分開，即保證經(jīng)驗風險最小，這樣的平面有無數(shù)個，最優(yōu)分類面即離兩類樣本間隔最大的平面。

這樣最優(yōu)分類面的計算轉(zhuǎn)化為待約束的最小值問題：

yi[(w·xi)+b]-1≥0 (i=1,2,…,n)

(1)

上式可轉(zhuǎn)化為:

(2)

依矩陣形式表示如下：

(3)

由此可得到最優(yōu)分類面如下：

(4)

對于線性不可分的問題，SVM采用將低維空間轉(zhuǎn)化為高維空間的方法將其變成線性可分的，而將低維空間的輸入轉(zhuǎn)化為高維空間的內(nèi)積值的映射函數(shù)就稱之為核函數(shù)。V.Vapnik在引入核空間定理的同時提出，滿足Mercer條件的對稱函數(shù)都可作為核函數(shù)。

論文選用的是徑向基核函數(shù)，主要因為RBF核函數(shù)能夠滿足Mercer條件，可對非線性可分的數(shù)據(jù)進行分類，需設置的參數(shù)個數(shù)較少，計算起來比較穩(wěn)定[3]。

3.3 粒子群算法

因為SVM分類結(jié)果影響比較大的因素是核函數(shù)的參數(shù)選取和懲罰因子，而粒子群算法參數(shù)少、 簡單、 全局搜索能力強等優(yōu)點。

粒子群算法(PSO)是一種新興群體智能優(yōu)化技術，該算法最早是由Kennedy和Eberhart于1995年提出的，它的基本概念源于對人工生命和鳥群捕食行為的研究。

假設粒子群有m個粒子在一個解空間(n維空間)運動，粒子群為Z={Z1,Z2,…,Zm}，這m個粒子各個粒子的位置為Zi={zi1,zi2,…,zin}，每個位置都是一個解。粒子會調(diào)整自己來尋找新解，并且具有記憶性，會保留搜索到的最優(yōu)解pid和目前群體的最優(yōu)解pgd。粒子的速度為Vi={vi1,vi2,…,vin}，如果已經(jīng)找到了兩個最優(yōu)解，則粒子就更新自己。依據(jù)式(5)更新速度，依據(jù)式(6)更新位置。

vid(t+1)=wvid(t)+η1rand()(pid-zid(t))+

η2rand()(pgd-zid(t))

(5)

zid(t+1)=zid(t)+vid(t+1)

(6)

vid(t+1)為粒子在t+1次迭代中第d維上的速度。w為0時，粒子失去記憶性，失去搜索最優(yōu)解的能力，所以一般取0～1之間的隨機數(shù)。η1、η2為速度調(diào)節(jié)參數(shù)，rand()是0～1之間的隨機數(shù)。此外，還可以限制粒子速度大小，設粒子最大速度是vmax，vid(t+1)>=vmax時，令vid(t+1)=vmax，vid(t+1)<=-vmax時，vid(t+1)=-vmax。

其參數(shù)流程如圖7所示。

圖7 PSO優(yōu)化流程圖

4 結(jié)果分析

所使用的數(shù)據(jù)是來自于S700k轉(zhuǎn)轍機在全國各地不同地區(qū)的實地測量。所使用的測量儀器是教研室自己研制的轉(zhuǎn)轍機拉力測試儀，并且教研室研制的這款儀器已經(jīng)在全國范圍內(nèi)得到了廣泛使用。

所使用的樣本共109個，分為四類：無故障、故障模式1、故障模式2和故障模式3，分別貼的標簽為0、1、2、3。其中每類又分訓練樣本和測試樣本，其詳細信息如表1所示。

表1 樣本集詳細信息

利用MATLAB的SVM工具箱，編寫PSO-SVM算法程序，參數(shù)c和g的搜索范圍為[0.1,100]，PSO最大進化代數(shù)100，粒子群的個數(shù)為 30, CV 折數(shù)為 4。

圖8是粒子群算法對模型進行優(yōu)化的適應度曲線。平均適應度為所有粒子在每一代中平均的適應度值，最佳適應度曲線為粒子群中所有粒子在每一代中的最大適應度值。從圖8中可以看到，適應度曲線在前期收斂較快，隨后逐漸趨于平緩，最終收斂水平趨近一致，即實現(xiàn)了參數(shù)的優(yōu)化。

圖8 PSO優(yōu)化過程的適應度曲線

圖9 PSO-SVM診斷結(jié)果

5 結(jié)論

在研究道岔運行原理的基礎上，選取轉(zhuǎn)轍機拉力參數(shù)對道岔常見的三類故障進行分析，選取了對故障敏感的時域特征，在建立PSO-SVM的故障診斷方法的基礎上，通過實際收集的數(shù)據(jù)對算法進行了仿真驗證，結(jié)果表明，模型最終的分類結(jié)果準確率達到了100%，選用拉力數(shù)據(jù)和PSO-SVM算法對此類故障診斷具有較好的效果。

[1] 賓任祥. 鐵路運輸安全管理概論[M]，成都：西南交通大學出版社，2002.

[2] 丁家望. 高速鐵路道岔設備維修的探索與思考[J]. 鐵道通信信號, 2011, 47(5):53-55.

[3] Nelllo Cristianini,John Shawe-Taylor.支持向量機導論[M].北京：電子工業(yè)出版社, 2004.

[4] Atamuradov V, Camci F, Baskan S, et al. Failure diagnostics for railway point machines using expert systems[A].Diagnostics for Electric Machines, Power Electronics and Drives, 2009. SDEMPED 2009. IEEE International Symposium on[C]. IEEE, 2009: 1-5.

[5] 李雅美, 魏文軍. 基于模糊神經(jīng)網(wǎng)絡的道岔故障診斷系統(tǒng)研究[J]. 鐵路計算機應用, 2012, 21(1): 35-39.

[6] 關 瓊. 基于 FOA-LSSVM 的高速鐵路道岔故障診斷[J]. 科技通報, 2015(4):76.

[7] Eker O F, Camci F, Kumar U. SVM based diagnostics on railway turnouts[J]. International Journal of Performability Engineering, 2012, 8(3): 289.

[8] Yilboga H, Eker O F, Guclu A, et al. Failure prediction on railway turnouts using time delay neural networks[A].Computational Intelligence for Measurement Systems and Applications (CIMSA), 2010 IEEE International Conference on[C]. IEEE, 2010: 134-137.

Research on Turnout Fault Diagnosis Algorithm Based on SVM

Yang Xiaorui,Wang An,An Bangjun

(School of Automation, Northwestern Polytechnical University, Xi’an 710129，China)

With the rapid development of high-speed railway, turnout faults have been an urgent problem to be solved. Firstly, from the operation principle of turnout, the influence of traction force of switch machine on turnout is studied; then compared to the power and current parameters of the switch motor, and it was found that the switch traction can more directly reflect the operation conditions of turnouts; finally it put forward the turnout fault diagnosis algorithm based on PSO-SVM and the switch traction parameters. After the processing of the actual data, it was found that this diagnostic method had good resolving power on the turnout faults.

turnout; fault diagnosis; support vector machine

2017-01-21；

2017-02-21。

楊小銳(1989-),女，碩士研究生，河南濟源人，主要從事嵌入式計算機、儀器儀表、機器學習等領域方向的研究。

1671-4598(2017)07-0055-04

10.16526/j.cnki.11-4762/tp.2017.07.014

TP206

A