基于SA-CPSO優(yōu)化HSMM的轉(zhuǎn)轍機(jī)故障預(yù)測(cè)模型研究

陳永剛，戴乾軍，李俊武

?

基于SA-CPSO優(yōu)化HSMM的轉(zhuǎn)轍機(jī)故障預(yù)測(cè)模型研究

陳永剛，戴乾軍，李俊武

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

針對(duì)目前鐵路現(xiàn)場(chǎng)轉(zhuǎn)轍機(jī)PHM中故障發(fā)生的模糊性與隨機(jī)性等不確定問題，提出一種基于自適應(yīng)混沌粒子群(SA-CPSO)優(yōu)化隱半馬爾科夫(HSMM)的設(shè)備退化過程故障預(yù)測(cè)模型。根據(jù)轉(zhuǎn)轍機(jī)全生命周期機(jī)械部件狀態(tài)退化過程對(duì)其進(jìn)行退化狀態(tài)劃分；建立SA-CPSO優(yōu)化HSMM的設(shè)備狀態(tài)評(píng)估和故障預(yù)測(cè)模型，再結(jié)合前向-后向算法對(duì)優(yōu)化后的模型進(jìn)行參數(shù)估計(jì)；通過實(shí)例分析驗(yàn)證該方法的有效性和可行性，實(shí)現(xiàn)傳統(tǒng)信號(hào)維修策略的方法改進(jìn)。

轉(zhuǎn)轍機(jī)；故障預(yù)測(cè)；自適應(yīng)混沌粒子群；隱半馬爾科夫；前向-后向算法

轉(zhuǎn)轍機(jī)作為鐵路信號(hào)系統(tǒng)中實(shí)現(xiàn)道岔操縱的重要基礎(chǔ)設(shè)備，對(duì)于保證行車安全、提高運(yùn)營(yíng)效率至關(guān)重要[1?2]。傳統(tǒng)轉(zhuǎn)轍機(jī)采用的事后和定時(shí)維修模式存在“維修過?！焙汀熬S修不足”等對(duì)維修時(shí)機(jī)把握不清的問題，且其數(shù)量多、結(jié)構(gòu)復(fù)雜，故障發(fā)生帶有明顯隨機(jī)性和不確定性，對(duì)轉(zhuǎn)轍機(jī)進(jìn)行狀態(tài)評(píng)估與故障預(yù)測(cè)具有現(xiàn)實(shí)意義。近年來，鐵路信號(hào)設(shè)備健康狀態(tài)診斷及預(yù)測(cè)方面的研究不斷增加。李娜等[4]針對(duì)單一電氣故障診斷精度偏低的問題，提出基于D-S證據(jù)理論信息融合的方法對(duì)軌道電路進(jìn)行分析，采用BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評(píng)判法進(jìn)行診斷，取得了可信度較高的效果；董昱等[5]采用小波分析性方法對(duì)轉(zhuǎn)轍機(jī)動(dòng)作電流曲線進(jìn)行故障分析；肖蒙等[6]提出基于快速貝葉斯網(wǎng)絡(luò)的轉(zhuǎn)轍機(jī)電氣故障診斷方法；翟琛等[7]借助BN算法分析轉(zhuǎn)轍機(jī)控制電路和道岔工作原理，分析其機(jī)械故障類型及故障原因；王瑞峰等[8]結(jié)合灰色神經(jīng)網(wǎng)絡(luò)算法建立轉(zhuǎn)轍機(jī)動(dòng)作過程的功率曲線和故障曲線之間的灰色關(guān)聯(lián)度，便于維修檢測(cè)。通過對(duì)目前轉(zhuǎn)轍機(jī)相關(guān)研究文獻(xiàn)的分析可得：1) 轉(zhuǎn)轍機(jī)故障的研究主要集中在電氣方面，然而實(shí)際故障絕大部分為機(jī)械故障[7]；2) 各種智能的故障診斷方法得到行業(yè)專家的肯定；3) 轉(zhuǎn)轍機(jī)的研究主要局限在故障診斷方面，缺乏對(duì)設(shè)備全生命周期機(jī)械狀態(tài)實(shí)時(shí)監(jiān)控與故障預(yù)測(cè)。隨著設(shè)備“計(jì)劃修”向“狀態(tài)修(CBM)”的轉(zhuǎn)變，本文引入故障預(yù)測(cè)與健康管理(Prognostic and Health Management, PHM)理念評(píng)判轉(zhuǎn)轍機(jī)當(dāng)前健康狀態(tài)并進(jìn)行故障預(yù)測(cè)。在設(shè)備PHM中選擇隱半馬爾科夫(HSMM)描述設(shè)備退化過程的狀態(tài)轉(zhuǎn)移和故障規(guī)律的演化[9?13]。Boukra等[14?15]將PSO算法引入HSMM模型中，提高了模型的分類精度。粒子群(PSO)算法有強(qiáng)尋優(yōu)能力，但存在過早收斂、易陷入局部最優(yōu)缺點(diǎn)[16?17]。本文建立自適應(yīng)混沌粒子群(SA- CPSO)算法。最終提出SA-CPSO優(yōu)化HSMM的故障退化識(shí)別與狀態(tài)預(yù)測(cè)模型。

1 設(shè)備狀態(tài)退化劃分

1.1 設(shè)備狀態(tài)退化過程描述

轉(zhuǎn)轍機(jī)全生命周期中，機(jī)械部件長(zhǎng)期運(yùn)行，易導(dǎo)致磨損和老化等問題，設(shè)備健康狀態(tài)持續(xù)退化。如圖1，0時(shí)刻為設(shè)備故障萌發(fā)點(diǎn)(故障開始發(fā)生點(diǎn))表示設(shè)備剛剛出現(xiàn)故障，但沒有明顯征兆；潛在故障點(diǎn)(能發(fā)現(xiàn)的故障點(diǎn))表示設(shè)備故障帶有明顯征兆；故障點(diǎn)(功能故障點(diǎn))表示設(shè)備的功能喪失，發(fā)生功能故障。通過監(jiān)測(cè)狀態(tài)參數(shù)與捕獲故障萌發(fā)點(diǎn)或潛在故障點(diǎn)的狀態(tài)參數(shù)變化可分析設(shè)備故障部位、性質(zhì)及變化規(guī)律，及時(shí)給出維修指導(dǎo)。

圖1 狀態(tài)退化曲線圖

1.2 設(shè)備狀態(tài)退化等級(jí)劃分

通過分析轉(zhuǎn)轍機(jī)的設(shè)備構(gòu)造、故障機(jī)理，再結(jié)合故障數(shù)據(jù)、專家意見并分析故障演化規(guī)律、劃分退化模式。將轉(zhuǎn)轍機(jī)全生命周期的退化狀態(tài)劃分為：“健康”、“良好”、“注意”和“故障”，見表1。

表1 退化狀態(tài)劃分

2 基于HSMM相關(guān)算法介紹

HSMM是在隱馬爾科夫(HMM)的基礎(chǔ)引入狀態(tài)駐留時(shí)間的擴(kuò)展模型。HSMM的一個(gè)狀態(tài)對(duì)應(yīng)若干觀測(cè)值，模型的一節(jié)狀態(tài)代表宏觀狀態(tài)，多個(gè)微觀狀態(tài)組成一個(gè)宏觀狀態(tài)[18]，HSMM結(jié)構(gòu)圖如表2所示。轉(zhuǎn)轍機(jī)的健康狀態(tài)退化過程可看作是一定轉(zhuǎn)移概率的隱含轉(zhuǎn)移過程，具有不可逆和隱含性，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

表2 HSMM節(jié)描述

圖2 HSMM拓?fù)浣Y(jié)構(gòu)圖

3 SA-CPSO優(yōu)化算法描述

3.1 標(biāo)準(zhǔn)PSO算法介紹

v(+1)()+11[p()?x()]+

22[g()?x()] (1)

x(+1)=x(+1)+v(+1) (2)

其中：1≤≤，1≤≤；為慣性系數(shù)；1和2為加速因子，為保證粒子具有較強(qiáng)的自我更新和全局尋優(yōu)能力，取122；1和2為[0,1]上的隨機(jī)數(shù)。

3.2 CPSO優(yōu)化算法

鑒于粒子群算法在迭代過程中易過早收斂，借助混沌算法[19?20]的無規(guī)則、非線性如式(3)對(duì)粒子群進(jìn)行混沌優(yōu)化。

H1=mH(1?H)0, 1, 2,…(3)

其中：H1為混沌變量；0≤0≤1，H為第個(gè)變量；為取值(0,4]的參數(shù)，若4時(shí)，系統(tǒng)完全混沌，混沌空間為[0,1]。

為避免粒子群在混沌優(yōu)化搜索中陷入過早收斂狀態(tài)，按式(4)引導(dǎo)粒子位置變量快速跳出早熟狀態(tài)，進(jìn)一步搜索全局最優(yōu)解。

x+1min+H+1max?min),0, 1, 2…(4)

其中：x+1為粒子位置變量；H+1由式(3)確定。

3.2.1 判斷早熟收斂的方法

本文采用群體適應(yīng)度方差判斷粒子是否過早收斂，群體適應(yīng)度方差如式(5)所示。

式中：為粒子群的粒子總數(shù)；f為第個(gè)粒子的適應(yīng)度值；f為粒子群平均適應(yīng)度值；群體適應(yīng)度方差σ反映粒子群的收斂狀態(tài)，若σ越小，則粒子群越趨于收斂。設(shè)定一定的σ值，若小于該值判定粒子為過早收斂。

3.2.2 適應(yīng)度函數(shù)

為避免全局最優(yōu)誤判為過早收斂狀態(tài)，設(shè)定最優(yōu)適應(yīng)度閾值，如式(7)所示。

其中：為被監(jiān)測(cè)參量，即粒子的多組被觀測(cè)的位置向量。act和tex分別為算法辨識(shí)得的實(shí)際值和測(cè)試值。適應(yīng)度越小則參數(shù)辨識(shí)越準(zhǔn)確。

3.3 自適應(yīng)混沌粒子群(SA-CPSO)算法

CPSO算法的慣性系數(shù)對(duì)算法尋優(yōu)具有重要影響。通常為增加混沌粒子群算法在全局和局部最優(yōu)搜索的協(xié)調(diào)性，算法在迭代初期應(yīng)保持較大的值，在迭代后期取較小值。本文利用自適應(yīng)算法更新迭代過程中的權(quán)值，如式(8)。

其中：max與min是CPSO算法中的慣性系數(shù)的最大值和最小值；為當(dāng)前迭代次數(shù)；MAX為最大迭代次數(shù)；為經(jīng)驗(yàn)系數(shù)，取值為[20,60]。

由于公式中包含負(fù)指數(shù)部分，隨著算法迭代，逐漸增大，逐漸減小，粒子的速度和位置也逐漸向小范圍更新。

4 基于改進(jìn)算法的故障預(yù)測(cè)

4.1 改進(jìn)模型的參數(shù)估計(jì)

4.1.1 前向變量的模型參數(shù)估計(jì)

前向變量：

其中：1≤。

0時(shí)刻：

從時(shí)刻到時(shí)刻前向變量遞歸公式：

其中：1≤≤?1, 1≤≤?1,1≤≤

計(jì)算概率：

4.1.2 后向變量的模型參數(shù)估計(jì)

后向變量：

其中：1≤≤?, β()1≤≤。

從時(shí)刻到時(shí)刻后向變量遞歸公式：

其中：?1，21，1≤≤。

計(jì)算概率：

4.2 模型參數(shù)估計(jì)的優(yōu)化設(shè)計(jì)

結(jié)合給定前向?后向變量算法與給定的觀測(cè)序列確定模型，得到(|)重估計(jì)。

推導(dǎo)可得：

3) 觀測(cè)值概率矩陣{b()},重估計(jì)b() =(o=k|q=S)，其中b(o)為狀態(tài)時(shí)刻觀測(cè)矢量值的概率。由于HSMM模型一個(gè)狀態(tài)對(duì)應(yīng)一節(jié)的觀測(cè)值，則狀態(tài)持續(xù)個(gè)時(shí)間單元后特定觀測(cè)值概率滿足：

4.3 SA-CPSO優(yōu)化HSMM的框圖

SA-CPSO優(yōu)化HSMM的框圖見圖3所示。

圖3 SA-CPSO優(yōu)化HSMM模型流程圖

5 仿真驗(yàn)證

以某鐵路局電務(wù)段S700K轉(zhuǎn)轍機(jī)動(dòng)作桿、表示桿和保持連接器中微機(jī)監(jiān)測(cè)數(shù)據(jù)和在線監(jiān)測(cè)的振動(dòng)信號(hào)(振動(dòng)傳感器型號(hào)：CT1010)作為監(jiān)測(cè)量，實(shí)驗(yàn)中分別采集50組轉(zhuǎn)轍機(jī)的運(yùn)行數(shù)據(jù)，前20組用于模型訓(xùn)練，后30組用于模型測(cè)試。狀態(tài)數(shù)目設(shè)置為4，訓(xùn)練算法最大迭代步數(shù)100，算法收斂誤差0.000 001。圖4為優(yōu)化模型的訓(xùn)練曲線，橫縱坐標(biāo)分別為訓(xùn)練步數(shù)與不同狀態(tài)下的似然概率估計(jì)值。測(cè)試模型的狀態(tài)轉(zhuǎn)移概率、各退化狀態(tài)駐留時(shí)間的均值和方差分別見表3~5。該方法在4個(gè)模型中迭代曲線訓(xùn)練步數(shù)不超過50的情況下達(dá)到訓(xùn)練設(shè)定的誤差?？梢钥闯瞿Ｐ途哂休^強(qiáng)的數(shù)據(jù)處理能力。

圖4 SA-CPSO優(yōu)化HSMM模型的參數(shù)訓(xùn)練

表3 狀態(tài)轉(zhuǎn)移概率

表4 退化狀態(tài)駐留時(shí)間均值和方差

表5 各狀態(tài)駐留時(shí)間

將振動(dòng)信號(hào)的各個(gè)故障特征向量樣本輸入到模型中，訓(xùn)練一個(gè)4狀態(tài)的健康狀態(tài)分類器，建立SA-CPSO優(yōu)化HSMM模型的分類庫(kù)。輸入任意狀態(tài)的測(cè)試樣本值，結(jié)合Viterbi算法可以得出各狀態(tài)模型分類器的最大似然概率估計(jì)值。依據(jù)貝葉斯分類準(zhǔn)則，輸出概率最大的模型即為其相應(yīng)的狀態(tài)。

分別對(duì)剩余的30組振動(dòng)測(cè)試數(shù)據(jù)進(jìn)行去噪，歸一化處理形成觀測(cè)序列并進(jìn)行訓(xùn)練模型建立對(duì)應(yīng)的健康狀態(tài)評(píng)估分類器，得到其退化狀態(tài)轉(zhuǎn)移概率矩陣如表6所示。

表6 退化狀態(tài)轉(zhuǎn)移概率

再代入15組數(shù)據(jù)進(jìn)行MATLAB仿真，各狀態(tài)的預(yù)測(cè)結(jié)果如圖5~8。由圖5~8的4個(gè)狀態(tài)分類器的仿真圖可以看出，當(dāng)訓(xùn)練樣本很少時(shí)改進(jìn)的預(yù)測(cè)模型依然能保持較高的分類精度、模型狀態(tài)識(shí)別率依然維持在一個(gè)穩(wěn)定的區(qū)間。

圖5 “健康”狀態(tài)樣本預(yù)測(cè)結(jié)果

表7和表8通過將轉(zhuǎn)轍機(jī)模型改進(jìn)前后的健康狀態(tài)識(shí)別率作比較，結(jié)果表明基于SA-CPSO算法優(yōu)化的HSMM模型健康狀態(tài)識(shí)別率明顯高于傳統(tǒng)HSMM模型。

圖6 “良好”狀態(tài)樣本預(yù)測(cè)結(jié)果

圖7 “注意”狀態(tài)樣本預(yù)測(cè)結(jié)果

圖8 “故障”狀態(tài)樣本預(yù)測(cè)結(jié)果

表7 傳統(tǒng)HSMM模型識(shí)別結(jié)果

表8 SA-CPSO優(yōu)化的HSMM模型識(shí)別結(jié)果

6 結(jié)論

1) 首先通過分析轉(zhuǎn)轍機(jī)退化狀態(tài)機(jī)理，將轉(zhuǎn)轍機(jī)全生命周期的健康狀態(tài)化為4個(gè)狀態(tài)。

2) 建立轉(zhuǎn)轍機(jī)的一般退化狀態(tài)的HSMM預(yù)測(cè)模型，再引入SA-CPSO優(yōu)化HSMM模型。

3) 然后采用前向?后向算法對(duì)改進(jìn)的預(yù)測(cè)模型進(jìn)行參數(shù)重估計(jì)。

4) 最后選取實(shí)驗(yàn)數(shù)據(jù)對(duì)改進(jìn)算法進(jìn)行訓(xùn)練，再結(jié)合現(xiàn)場(chǎng)數(shù)據(jù)驗(yàn)證了該改進(jìn)模型具有良好的故障預(yù)測(cè)性健康狀態(tài)識(shí)別能力，提高了狀態(tài)分類精度，為現(xiàn)場(chǎng)維護(hù)人員提供指導(dǎo)。

[1] 郭進(jìn). 鐵路信號(hào)基礎(chǔ)[M]. 北京: 中國(guó)鐵道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 伏玉明, 劉伯鴻, 宋爽. 基于模糊綜合評(píng)判的轉(zhuǎn)轍機(jī)健康評(píng)估研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2017, 14(5): 1070?1076. FU Yuming, LIU Bohong, SONG Shuang. Research on health assessment methods for switch machine based on fuzzy comprehensive evaluation[J]. Journal of Railway Science and Engineering, 2017, 14(5): 1070?1076.

[3] 鐘英榕, 尚聞博, 吳長(zhǎng)峰, 等. 基于改進(jìn)HMM的模擬電路故障預(yù)測(cè)模型[J]. 火力與指揮控制, 2018(2): 91?97. ZHANG Yingrong, SHANG Wenbo, WU Changfeng, et al. Based on improvement of HMM analog circuit fault prognostics model[J]. Fire and Command Control, 2018(2): 91?97.

[4] 李娜, 董海鷹. 基于D-S證據(jù)理論信息融合的軌道電路故障診斷方法研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2012, 9(6): 107?112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107?112.

[5] 董昱, 趙媛媛, 林海香. 基于小波分析的電動(dòng)轉(zhuǎn)轍機(jī)動(dòng)作電流的分析研究[J]. 蘭州交通大學(xué)學(xué)報(bào), 2012, 31(6): 39?43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39?43.

[6] 肖蒙, 翟琛, 潘翠亮. 基于快速貝葉斯網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2015(2): 414?418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015(2): 414?418.

[7] 翟琛. 基于BN的轉(zhuǎn)轍機(jī)故障診斷研究[D]. 蘭州: 蘭州交通大學(xué), 2015. ZHAI Chen. Study on BN-based switch fault diagnosis [D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[8] 王瑞峰, 陳旺斌. 基于灰色神經(jīng)網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷方法研究[J]. 鐵道學(xué)報(bào), 2016, 38(6): 68?72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on grey neural network[J]. Journal of Railway, 2016, 38(6): 68?72.

[9] 朱帥軍. 高鐵動(dòng)車組故障預(yù)測(cè)與健康管理關(guān)鍵技術(shù)的研究[D]. 北京: 北京交通大學(xué), 2016. ZHU Shuaijun. Research on the key technology of fault prognostics and health management for EMU[D]. Beijing: Beijing Jiaotong University, 2016.

[10] 曾慶虎. 機(jī)械動(dòng)力傳動(dòng)系統(tǒng)關(guān)鍵部件故障預(yù)測(cè)技術(shù)研究[D]. 長(zhǎng)沙: 國(guó)防科學(xué)技術(shù)大學(xué), 2010. ZENG Qinghu. Fault prognostics technologies research for key components of mechanical power and transmission system[D]. Changsha: National Defense Science and Technology University, 2010.

[11] GE H W, LIANG Y C. A hidden markov model and immune particle swarm optimization-based algorithm for multiple sequence alignment[C]// AI 2005: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2005: 756?765.

[12] YANG F, ZHANG C, SUN T. Comparison of particle swarm optimization and genetic algorithm for HMM training[C]// International Conference on Pattern Recognition. DBLP, 2008: 1?4.

[13] LI C, LONG H, DING Y, et al. Multiple sequence alignment by improved hidden markov model training and quantum-behaved particle swarm optimization[C]// Life System Modeling and Intelligent Computing. Springer Berlin Heidelberg, 2010: 358?366.

[14] Boukra T, Lebaroud A. Identifying new prognostic features for remaining useful life prediction[C]// Power Electronics and Motion Control Conference and Exposition. IEEE, 2014: 1216?1221.

[15] 李小斌. 隱馬爾可夫模型優(yōu)化及其在膠帶機(jī)故障預(yù)警中的應(yīng)用[D]. 徐州: 中國(guó)礦業(yè)大學(xué), 2014. LI Xiaobin. Optimization of the hidden Markov model and its application in the failure warning of the belt machine[D]. Xuzhou: China Mining University, 2014.

[16] Lee C S, WANG M H, WANG C S, et al. PSO-based fuzzy markup language for student learning performance evaluation and educational application[J]. IEEE Transactions on Fuzzy Systems, 2018(99): 1?1.

[17] 黃飛騰, 翁國(guó)慶, 南余榮, 等. 基于改進(jìn)云自適應(yīng)粒子群的多DG配電網(wǎng)EV充電站優(yōu)化配置[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2018, 38(2): 514?525. HUANG Feiteng, WENG Guoqing, NAN Yurong, et al. Optimized configuration of EV charging station based on improved cloud adaptive particle swarm[J]. Journal of Chinese Electrical Engineering, 2018, 38(2): 514? 525.

[18] Tobon-Mejia D A, Medjaher K, Zerhouni N, et al. Hidden markov Models for failure diagnostic and prognostic[C]// Prognostics and System Health Management Conference. IEEE, 2011: 1?8.

[19] Wadood A, Kim C H, Khurshiad T, et al. Application of a continuous particle swarm optimization (CPSO) for the optimal coordination of overcurrent relays considering a penalty method[J]. Energies, 2018(11): 1?20.

[20] LIU Hong, CHEN X, LI Jifeng, et al. Economic dispatch based on improved CPSO algorithm for regional power- heat integrated energy system[J]. Electric Power Automation Equipment, 2017(6): 1?4.

Research on the fault prognostics model of the switch machine based on HSMM optimized by SA-CPSO

CHEN Yonggang, DAI Qianjun, LI Junwu

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In view of the present railway site switch machine PHM in fault prognostics of fuzziness and randomness of uncertain problems, a fault prognostics model based on hidden Semi-Markov (HSMM) equipment degradation process optimized by adaptive chaotic particle swarm optimization (SA-CPSO) was proposed. Firstly, it was divided by the state degradation of the mechanical parts in the whole life cycle of the switch machine. Secondly, the equipment state evaluation and fault prognostics model of the HSMM optimized by SA-CPSO was established, and the parameters of the optimized model were estimated by combining the forward and backward algorithm. Finally, the effectiveness and feasibility of this method was verified by an example, and the traditional signal maintenance strategy was improved.

switch machine; fault prognostics; adaptive chaotic particle swarm; hidden Semi-Markov; forward and backward algorithm

10.19713/j.cnki.43?1423/u.2019.04.028

U283.2；U284.7

A

1672 ? 7029(2019)04 ? 1050 ? 08

2018?05?03

國(guó)家自然科學(xué)基金地區(qū)科學(xué)基金資助項(xiàng)目(61763023)；蘭州市科技計(jì)劃資助項(xiàng)目(2017-4-135)

陳永剛(1972?)，男，甘肅會(huì)寧人，副教授，從事鐵路信號(hào)設(shè)備PHM理論研究；E?mail：2575011580@qq.com

(編輯 蔣學(xué)東)