融合粗糙集與灰色模型的道岔故障預(yù)測

張友鵬，江雪瑩，趙斌

融合粗糙集與灰色模型的道岔故障預(yù)測

張友鵬，江雪瑩，趙斌

(蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070)

以高鐵常用S700K型轉(zhuǎn)轍機(jī)為例，通過預(yù)測電流特征實現(xiàn)對未發(fā)生故障的預(yù)先檢修。結(jié)合粗糙集與灰色理論提出一種新方法用于道岔故障預(yù)測，該方法通過粗糙集的知識獲取與規(guī)則約簡，獲得最小診斷規(guī)則；通過離散灰色預(yù)測模型的建模方法，實時建立不同故障類型的預(yù)測模型。隨機(jī)抽取30組故障進(jìn)行診斷，其中96.67%與實際情況相符，可滿足診斷準(zhǔn)確率的要求；隨機(jī)抽取1組預(yù)測情況，預(yù)測值與實際值之間的殘差較小，可滿足預(yù)測準(zhǔn)確率的要求。所提出方法能夠有效減少由故障帶來的安全問題，可操作性高，更具實用性。

道岔；故障預(yù)測；粗糙集；離散灰色預(yù)測模型

道岔是鐵路信號設(shè)備中最重要同時也是極易發(fā)生故障的設(shè)備[1]，其安全性和可靠性直接關(guān)系鐵路的正常運營，因此，對于道岔的故障診斷是十分關(guān)鍵且必要的。經(jīng)過現(xiàn)場調(diào)研發(fā)現(xiàn)，道岔故障常常是造成重大事故的主要原因之一，一旦發(fā)生故障，即可能造成脫軌、追尾等險性事故[2]。因此，研究道岔故障預(yù)測具有重要意義，可在故障發(fā)生前，根據(jù)預(yù)測結(jié)果采取針對性措施，確保道岔安全可靠運行。研究表明[3?4]，道岔動作電流可以清晰反映道岔當(dāng)前所處狀態(tài)，通過預(yù)測，分析道岔動作電流的變化，能得出道岔的變化趨勢。近些年，基于Adaboost算法和神經(jīng)網(wǎng)絡(luò)等智能技術(shù)的故障預(yù)測，均取得了一定的成果[5?6]，但由于Adaboost算法迭代次數(shù)難以確定且訓(xùn)練時間長；神經(jīng)網(wǎng)絡(luò)的收斂速度慢有時還會發(fā)散，且需要大量的歷史數(shù)據(jù)，因此，需要尋找一種更為優(yōu)越的方法。離散灰色模型所需數(shù)據(jù)少，計算量小、預(yù)測精度高，是一種較為理想的預(yù)測模型[7]。然而，該模型并不能反映與故障類型的關(guān)系，因此，不能單獨用于故障預(yù)測。研究發(fā)現(xiàn)[8?9]，道岔故障類型與其動作電流之間存在很強(qiáng)的對應(yīng)關(guān)系，但通過動作電流獲取的數(shù)據(jù)并不能夠很好地滿足現(xiàn)有道岔故障診斷方法所需數(shù)據(jù)量的要求，使得診斷結(jié)果的準(zhǔn)確率較低，而通過粗糙集知識獲取方法，能夠在數(shù)據(jù)量較少的情況下，更加準(zhǔn)確地對故障進(jìn)行分類。因此，提出基于粗糙集與離散灰色模型的道岔故障預(yù)測方法，利用粗糙集建立決策表，并對電流特征與故障類型間的規(guī)則進(jìn)行簡化；再建立模型對電流特征進(jìn)行預(yù)測，獲得預(yù)測特征后，對照規(guī)則得出最終預(yù)測結(jié)果。該方法結(jié)合預(yù)測的動作電流特征和診斷規(guī)則，盡早發(fā)現(xiàn)還未發(fā)生的故障，能預(yù)先有針對性地對故障處進(jìn)行檢修。

1 基于粗糙集理論的知識提取與規(guī)則約簡

粗糙集理論由Pawlak提出[10]，該理論能夠有效地對信息進(jìn)行分析與處理，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律[11]，尤其適用于數(shù)據(jù)量較少的故障診斷。

粗糙集理論能有效處理不精確、不一致的信息數(shù)據(jù)，發(fā)現(xiàn)內(nèi)部潛在關(guān)系，得到有用知識[12]，并把研究對象抽象為一個信息系統(tǒng)，在這個信息系統(tǒng)中存在屬性與值[13]，而這種屬性與值的關(guān)系構(gòu)成一張二維表，稱之為決策表。

決策表的生成、化簡方法如下：

1) 構(gòu)建。將選出的電流特征作為條件屬性，故障作為決策屬性，列出初步?jīng)Q策表。

2) “替換”。將每個數(shù)據(jù)與其正常狀態(tài)時的數(shù)據(jù)進(jìn)行比較：大于記為2，等于記為1(將屬于正常值的±0.1范圍內(nèi)記作等于)，小于記為0。

3) 屬性約簡。刪除多余的條件屬性，得到簡化決策表。

4) 規(guī)則生成。簡化決策表的條件屬性為規(guī)則前件，決策屬性為規(guī)則后件，生成規(guī)則。

2 離散灰色模型的預(yù)測原理

離散灰色模型(Discrete Grey Model, DGM)是以微分方程為核心的建模方法，其根據(jù)已有信息，通過對初始數(shù)據(jù)的累加、累減等計算建立模型，利用提供的已知或不確定的數(shù)據(jù)來計算各參量，并對數(shù)據(jù)進(jìn)行預(yù)測。

DGM(1,1)的定義形式[14]為：

DGM(1,1)建模及預(yù)測具體步驟[15]如下：

2) 建立矩陣和，

本文利用DGM(1,1)對道岔動作電流特征進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果，結(jié)合診斷規(guī)則，確定故障類型，為現(xiàn)場道岔故障的預(yù)先檢修提供依據(jù)。

3 基于粗糙集與DGM(1,1)的道岔故障預(yù)測方法

利用粗糙集獲得最小診斷規(guī)則，利用DGM(1,1)獲取高精度的道岔動作電流特征的預(yù)測值。具體預(yù)測過程如圖1所示。

圖1 具體預(yù)測過程

采用直接多步預(yù)測，設(shè)定某一時刻動作電流特征預(yù)測點數(shù)目為，通過預(yù)測點建模得到預(yù)測值，但不宜過大，因為DGM(1,1) 長期預(yù)測會出現(xiàn)較大偏差，而短期預(yù)測效果好[16]。每一組預(yù)測點都反映了道岔動作電流在某一時刻的特征，將特征“替換”后，對照診斷規(guī)則，若符合則可知預(yù)測的故障類型。

其中：b為類間離散距離，如式(12)所示；w為類內(nèi)離散距離，如式(13)所示。

根據(jù)式(11)~(15)，即可選出最優(yōu)特征。

選出最優(yōu)特征之后，進(jìn)行“替換”。即將特征值用“0，1和2”來替換，“替換”規(guī)則為：大于基準(zhǔn)值替為2，小于替為0，在基準(zhǔn)值正負(fù)0.1范圍內(nèi)替為1(基準(zhǔn)值選取為道岔正常動作電流曲線的特征值)。

“替換”后，建立決策表，約簡得到最小決策表和最小診斷規(guī)則。

根據(jù)系統(tǒng)已監(jiān)測到的動作電流數(shù)據(jù)，計算其特征值，建立DGM(1,1)預(yù)測模型(模型中每5個實際值為1組進(jìn)行預(yù)測，預(yù)測10次)，并對相應(yīng)故障類型特征進(jìn)行預(yù)測。截取其中1組預(yù)測值，結(jié)合“替換”方法，與最小診斷規(guī)則的條件屬性進(jìn)行比對，判斷符合哪一種，即可得出預(yù)測的道岔故障類型。

4 應(yīng)用實例

本文主要研究高速鐵路道岔故障，因此提到轉(zhuǎn)轍機(jī)相關(guān)故障時，均為S700K型。由于S700K型為交流轉(zhuǎn)轍機(jī)，因此對其三相動作電流進(jìn)行故障預(yù)測。根據(jù)現(xiàn)場調(diào)研可知幾種常見的故障如表1所示。

表1 常見故障

以正常動作電流為例，對其進(jìn)行分區(qū)：1DQJ吸起后，曲線開始記錄：0?1為啟動區(qū)；1?2為解鎖區(qū)，2?3為轉(zhuǎn)換區(qū)，3?4為鎖閉區(qū)；4?5為緩放區(qū)，但在其緩放時間內(nèi)，啟動電路中仍會有兩相小電流存在；最后1DQJ落下，曲線終止，如圖2 所示。

按照圖2所示，對其余8種故障類型(2?9)按相應(yīng)時間區(qū)段對電流曲線進(jìn)行區(qū)域劃分，提取時域特征參數(shù)，利用Fisher準(zhǔn)則選出最優(yōu)特征分別如下。A相：1,7，2,9，3,9，4,9和5,6；B相：1,8，2,9，3,4，4,9和5,2；C相：1,2，2,9，3,9，4,9和5,6。這里做一個簡單的解釋：A相的1,7就代表A相動作電流曲線在第1個區(qū)段內(nèi)的第9個時域特征參數(shù)所對應(yīng)的值，以此類推，然后通過前文所述的“替換”方法建立決策表，如表2所示。其中，為序號集，為決策屬性集，1?15分別為三相動作電流的最優(yōu)特征所對應(yīng)的時域特征參數(shù)經(jīng)過“替換”之后得到的狀態(tài)特征，這些狀態(tài)特征的集合稱為條件屬性集。例如：故障8的3，其對應(yīng)的時域特征參數(shù)數(shù)值為1.01，經(jīng)過與正常狀態(tài)的對比，“替換”為1，即3所對應(yīng)的值。

分別去掉1?15，對比發(fā)現(xiàn)，去掉其中某些條件屬性會對診斷結(jié)果有影響，根據(jù)粗糙集規(guī)則簡化方法，可得最小診斷規(guī)則如表3所示。

從表3可以看出，原來需要15個條件屬性得到的決策屬性，在經(jīng)過規(guī)則簡化之后僅需4個條件屬性即可得到，如第8行獲取的規(guī)則：3(1)∩5(2)∩10(0)∩11(2)T(f8)。

由于條件屬性的減少，減少了后續(xù)故障預(yù)測的復(fù)雜性。從原有故障數(shù)據(jù)集中抽取30組進(jìn)行診斷準(zhǔn)確率的驗證，結(jié)果表明，其中96.67%是符合實際情況的。

圖2 正常(f1)動作電流分區(qū)示意

表2 決策表

表3 最小診斷規(guī)則

武漢鐵路局電務(wù)段管轄內(nèi)，設(shè)備名稱為1J1的道岔于2015?02?06，12:23:03發(fā)生道岔表示整流匣開路故障，取其故障前15次動作的電流數(shù)據(jù)，將這15次中的第1~5次作為一組初始序列，分別對3，5，10和11建立模型，建立模型分別如式(16)~(19)所示。

3的DGM(1,1)：

5的DGM(1,1)：

10的DGM(1,1)：

11的DGM(1,1)：

利用式(16)~(19)所建立的模型以及第1~5次的實際動作電流數(shù)據(jù)所提取的時域特征參數(shù)，對后續(xù)電流特征參數(shù)進(jìn)行10步預(yù)測，得到10次預(yù)測的電流特征參數(shù)后，對其進(jìn)行“替換”，然后根據(jù)“替換”后的狀態(tài)特征結(jié)合最小診斷規(guī)則，得到最后預(yù)測的道岔故障類型。

將第1次至第5次的實際值與其相應(yīng)預(yù)測值(這里的預(yù)測值其實相當(dāng)于是模擬值，即根據(jù)遞推公式以及還原值公式推出來的值)進(jìn)行對比，并得出殘差(模擬誤差)，如表4所示。

從表4可以看出，殘差(%)均較小，說明預(yù)測值與實際值之間的差別較小，滿足預(yù)測的準(zhǔn)確率要求。

根據(jù)所建立模型計算預(yù)測故障類型的時域特征參數(shù)，對其進(jìn)行“替換”，并最終得出故障預(yù)測結(jié)果如表5所示，其中預(yù)測次數(shù)共為10次，即故障發(fā)生前的10次道岔動作電流特征的預(yù)測，但需要說明的一點是：預(yù)測出的并不是準(zhǔn)確值，而是接近于準(zhǔn)確值的一種趨勢。

表4 實際值與預(yù)測值對比

表5 故障預(yù)測數(shù)據(jù)結(jié)果

從表5可以看出，第1~3次預(yù)測時，故障代碼分別為“1211”和“1212”，根據(jù)最小診斷規(guī)則(表3)可知無此種代碼對應(yīng)的故障類型；當(dāng)?shù)?~10次動作時，故障代碼為“1202”，由表3可知故障類型為8，因而表示電路故障的概率為70%，無對應(yīng)故障代碼概率為30%。

由于無對應(yīng)故障代碼概率低于表示電路故障概率，因此，最終此次預(yù)測結(jié)果為表示電路故障(未構(gòu)通)。預(yù)測結(jié)果與實際情況相符。

若通過早期動作電流特征直接進(jìn)行故障診斷，則診斷結(jié)果為60%正常，40%無對應(yīng)故障代碼，不能正確及時的診斷出故障，如表6所示。這是由于早期電流特征不足以直接準(zhǔn)確診斷出道岔的故障，而通過預(yù)測則可以獲得更多后期可能出現(xiàn)的特征，幫助故障的早期識別。

為進(jìn)一步驗證本文方法的有效性，試驗分析了117個實例，其中110例符合實際情況，預(yù)測所得故障中，概率最高的特征所對應(yīng)的故障即為實際發(fā)生的故障，預(yù)測準(zhǔn)確率達(dá)到94.02%，而在預(yù)測前同時刻基于粗糙集故障診斷方法的準(zhǔn)確率僅為17.09%。

據(jù)此對比，充分說明，在還未發(fā)生故障之時直接利用故障診斷方法是無法有效準(zhǔn)確地得出診斷結(jié)果，而經(jīng)過預(yù)測后續(xù)特征的方法得出可能出現(xiàn)的結(jié)果，再對預(yù)測結(jié)果進(jìn)行故障診斷能夠更為高效、準(zhǔn)確的針對還未發(fā)生故障的設(shè)備進(jìn)行檢修。

部分較為典型的實例如表7所示。對于表7中提出的任一故障，其中實際值特征代碼均來自于用于預(yù)測的5次實際動作中的最后一次。預(yù)測次數(shù)為10次。所得故障類型用表1中各故障類型的對應(yīng)代碼表示。

表6 早期故障診斷

表7 實例分析表

從表7可以看出，在早期故障未發(fā)生時，利用粗糙集的診斷方法直接對故障進(jìn)行診斷，準(zhǔn)確率是相當(dāng)?shù)偷?，原因就在于早期故障特征并不明顯，不能準(zhǔn)確作出診斷。

5 結(jié)論

1) 基于粗糙集的知識獲取與規(guī)則化簡方法，得到用于診斷故障的最小決策表及最小診斷規(guī)則，能夠更好地反映電流與故障之間的關(guān)系，提高了診斷的準(zhǔn)確率。

2) 選用的樣本是從眾多實例中選取的典型案例，因而獲取的規(guī)則可信度較高。

3) 本文所提方法結(jié)合預(yù)測電流特征與最小診斷規(guī)則，能盡早且準(zhǔn)確地發(fā)現(xiàn)還未發(fā)生的故障，根據(jù)預(yù)測結(jié)果，有針對地對其進(jìn)行檢修，可有效減少故障的發(fā)生，避免故障真實發(fā)生所帶來的安全性問題。

4) 由于電流數(shù)據(jù)可隨道岔動作獲得，因此規(guī)則庫的建立是容易的；又因為預(yù)測模型的建立是隨數(shù)據(jù)而變換的，因此是實時建立的，更具實用性。

[1] 林海香, 李陽慶. 面向高速鐵路道岔的隱患分析與故障定位改進(jìn)[J]. 鐵道科學(xué)與工程學(xué)報, 2018, 15(9): 2217?2223. LIN Haixiang, LI Yangqing. Hidden-security-risk analysis and fault location improvement for high-speed railway switch[J]. Journal of Railway Science and Engineering, 2018, 15(9): 2217?2223.

[2] 劉明明, 王良順, 趙輝, 等. 基于群決策的道岔控制電路故障診斷方法研究[J]. 自動化學(xué)報, 2017, 43(5): 1? 10. LIU Mingming, WANG Liangshun, ZHAO Hui, et al. Fault diagnosis method of turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2017, 43(5): 1?10.

[3] 張星. 基于相似度的道岔故障電流曲線識別方法研究與實現(xiàn)[D]. 蘭州: 蘭州交通大學(xué), 2016: 10?15. ZHANG Xing. Research and implementation of switch fault current curve recognition method based on similarity[D]. Lanzhou: Lanzhou Jiaotong University, 2016: 10?15.

[4] 王鐵軍, 董昱, 馬彩霞, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的道岔智能故障診斷技術(shù)[J]. 鐵道運營技術(shù), 2011, 17(2): 4?7. WANG Tiejun, DONG Yu, MA Caixia, et al. Fault diagnosis of turnout based on BP neural network[J]. Railway Operation Technology, 2011, 17(2): 4?7.

[5] Yilboga H, Eker O F, Gü?lü A, et al. Failure prediction on railway turnouts using time delay neural networks[C]// Computational Intelligence for Measurement Systems and Applications (CIMSA), Taranto: IEEE Xplore, 2010: 1521?1524.

[6] WANG Guang, XU Tianhua, WANG Haifeng, et al. AdaBoost and least square based failure prediction of railway turnouts[C]// 2016 9th International Symposium on Computational Intelligence and Design (ISCID), Hangzhou: IEEE Xplore, 2016: 2488?2491.

[7] 丁松, 黨耀國, 徐寧, 等. 基于時滯效應(yīng)的多變量離散灰色預(yù)測模型[J]. 控制與決策, 2017, 32(11): 1997? 2004. DING Song, DANG Yaoguo, XU Ning, et al. Multi- variable time-delayed discrete grey model[J]. Control and Decision, 2017, 32(11): 1997?2004.

[8] 趙林海, 陸橋. 基于灰關(guān)聯(lián)的道岔故障診斷方法[J]. 鐵道學(xué)報, 2014, 36(2): 69?74. ZHAO Linhai, LU Qiao. Fault diagnosis method of turnout based on grey relation[J]. Journal of the China Railway Society, 2014, 36(2): 69?74.

[9] 程宇佳. 基于核方法的高速鐵路道岔故障診斷方法研究[D]. 北京: 北京交通大學(xué), 2016: 3?9. CHENG Yujia. Research on fault diagnosis method of high-speed railway turnout based on kernel method[D]. Beijing: Beijing Jiaotong University, 2016: 3?9.

[10] 黃文濤, 趙學(xué)增, 王偉杰, 等. 基于粗糙集理論的故障診斷決策規(guī)則提取方法[J]. 中國電機(jī)工程學(xué)報, 2003, 23(11): 150?154. HUANG Wentao, ZHAO Xuezeng, WANG Weijie, et al. Fault diagnosis decision rules extraction method based on rough set theory[J]. Journal of Chinese Electrical Engineering, 2003, 23(11): 150?154.

[11] 費勝巍, 孫宇. 融合粗糙集與灰色理論的電力變壓器故障預(yù)測[J]. 中國電機(jī)工程學(xué)報, 2008, 28(16): 154? 160. FEI Shengwei, SUN Yu. Fault prediction of power transformer by combination of rough sets and grey theory[J]. Journal of Chinese Electrical Engineering, 2008, 28(16): 154?160.

[12] 張明. 粗糙集理論中的知識獲取與約簡方法的研究[D].南京: 南京理工大學(xué), 2012: 7?13. ZHANG Ming. Research on knowledge acquisition and reduction in rough set theory[D]. Nanjing: Nanjing University of Science & Technology, 2012: 7?13.

[13] 朱敏玲, 吳海艋, 石磊. 粗糙集規(guī)則匹配算法及其在文本分類中的應(yīng)用[J]. 計算機(jī)系統(tǒng)應(yīng)用, 2018, 27(4): 131?137. ZHU Minling, WU Haimeng, SHI Lei. Rough set rule matching algorithm and its application in text categorization[J]. Computer Systems & Applications, 2018, 27(4): 131?137.

[14] 蘇先娜, 謝富紀(jì). DGM(1,1)模型的特性及其在科技創(chuàng)新領(lǐng)域中的應(yīng)用[J]. 系統(tǒng)工程理論與實踐, 2016, 36(3): 635?641. SU Xianna, XIE Fuji. The properties of model DGM(1,1) and its application in technology innovation[J]. Systems Engineering-Theory & Practice, 2016, 36(3): 635?641.

[15] 謝乃明,張可.離散灰色預(yù)測模型及其應(yīng)用[M]. 北京: 科學(xué)出版社, 2016: 51?57. XIE Naiming, ZHANG Ke. Discrete grey forecasting model and its application[M]. Beijing: Science Press, 2016: 51?57.

[16] WU Lifeng, WANG Yinao. Modelling DGM(1,1) under the criterion of the minimization of mean absolute percentage error[C]// 2009 Second International Symposium on Knowledge Acquisition and Modeling. Wuhan: IEEE Xplore, 2009: 123?126.

[17] 武漢鐵路局電務(wù)處. 信號集中監(jiān)測信息分析指南[M].北京: 中國鐵道出版社, 2016: 24?26. Wuhan Railway Bureau Electric Service. Analysis of signal centralized monitoring information[M]. Beijing: China Railway Press, 2016: 24?26.

Turnout fault prediction based on Rough Set and Grey Model

ZHANG Youpeng, JIANG Xueying, ZHAO Bin

(School of Automatic & Electric Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Taking S700K switch machine which is often used in high speed railway as an example, by predicting current characteristics, the fault of turnout which has not happened can be examined and repaired in advance. A new method for fault prediction of turnout based on Rough Set and Grey Theory was presented. And the minimum diagnosis rules were obtained by knowledge acquisition and rule reduction methods which are based on Rough Set. Then through modeling method, discrete grey prediction models of different fault types were established in real time. Thirty groups of faults were randomly selected for diagnosis, and 96.67% of them were consistent with the actual situation, which could meet the requirements of diagnostic accuracy. A group of cases were randomly selected for prediction, and it could be known that the residual between the predictive value and the actual value is small, which could meet the requirement of predictive accuracy. The proposed method can effectively reduce accident rate caused by faults, and also have high operability and practicability.

turnout; fault prediction; Rough Set; Discrete Grey Prediction Models

TP206+.3；U213.6

A

1672 ? 7029(2019)09? 2331 ? 08

10.19713/j.cnki.43?1423/u.2019.09.027

2018?11?22

中國鐵路總公司科技研究開發(fā)計劃項目(2016J006-A，2015X007-H)；蘭州交通大學(xué)青年科學(xué)基金資助項目(2017052)

張友鵬(1965?)，男，甘肅慶陽人，教授，從事故障診斷及預(yù)測研究；E?mail：Jiangxy_105@163.com

(編輯 陽麗霞)