基于劣化度模糊評判與最優(yōu)權(quán)重的轉(zhuǎn)轍機(jī)狀態(tài)評估

陳永剛，戴乾軍，杜濤, 2，白天晟，周凈毓

基于劣化度模糊評判與最優(yōu)權(quán)重的轉(zhuǎn)轍機(jī)狀態(tài)評估

陳永剛1，戴乾軍1，杜濤1, 2，白天晟1，周凈毓1

(1. 蘭州交通大學(xué) 自動化與電氣工程學(xué)院，甘肅 蘭州 730070；2. 中鐵工程設(shè)計(jì)咨詢集團(tuán)有限公司鄭州設(shè)計(jì)院，河南 鄭州 450001)

針對轉(zhuǎn)轍機(jī)機(jī)械故障發(fā)生的隨機(jī)性和模糊性，建立基于劣化度的設(shè)備健康狀態(tài)評估模型。根據(jù)不同影響因素，分別選擇轉(zhuǎn)轍機(jī)狀態(tài)監(jiān)測數(shù)據(jù)、維修人員打分和設(shè)備役齡3個(gè)方面計(jì)算劣化度。采用聯(lián)合主觀分析的層次分析法(AHP)與客觀分析的熵權(quán)法確定設(shè)備各健康狀態(tài)，借助最小方差確定主、客觀分析法的最優(yōu)權(quán)重；最后采用模糊理論對轉(zhuǎn)轍機(jī)健康狀況進(jìn)行綜合評估。通過實(shí)例分析驗(yàn)證該評估方法能較好地反映轉(zhuǎn)轍機(jī)健康影響因素的模糊性和復(fù)雜性，為維修人員提供參考依據(jù)，減少檢修工作量。

轉(zhuǎn)轍機(jī)；模糊性；隨機(jī)性；健康狀態(tài)；劣化度；層次分析法；熵權(quán)法

轉(zhuǎn)轍機(jī)作為鐵路信號系統(tǒng)重要的基礎(chǔ)設(shè)備，對于保證行車安全、提高運(yùn)營效率、改善行車人員勞動強(qiáng)度起到至關(guān)重要的作用[1]。鐵路現(xiàn)場轉(zhuǎn)轍機(jī)結(jié)構(gòu)復(fù)雜，數(shù)量多且室外環(huán)境多變，其運(yùn)行狀態(tài)的好壞不僅與自身狀態(tài)有關(guān)，而且還會受到地理環(huán)境和氣候等諸多不確定因素的影響[2]。近年來，鐵路信號設(shè)備健康狀態(tài)診斷及預(yù)測方面的研究不斷增加。李娜等[3]針對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)和模糊綜合評判法進(jìn)行診斷，取得了可信度較高的效果；董昱等[4]采用小波分析方法對轉(zhuǎn)轍機(jī)動作電流曲線進(jìn)行故障分析；肖蒙等[5]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[6]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[7]結(jié)合灰色神經(jīng)網(wǎng)絡(luò)算法建立轉(zhuǎn)轍機(jī)動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。通過對目前轉(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)際中絕大部分為機(jī)械故障[6]；2) 各種智能故障診斷算法得到行業(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，缺乏對設(shè)備全生命周期機(jī)械狀態(tài)實(shí)時(shí)監(jiān)控與設(shè)備運(yùn)行狀態(tài)的評估[8?13]。針對設(shè)備健康狀態(tài)評估常用方法有層次分析法、熵權(quán)法、模糊綜合評判法等。其中層次分析法借助專家經(jīng)驗(yàn)評價(jià)重要度，具有較強(qiáng)的主觀性。熵權(quán)法在求取各評價(jià)指標(biāo)的權(quán)重時(shí)難以充分考慮各指標(biāo)的重要度。模糊綜合評判法易忽略評價(jià)監(jiān)測信息的模糊性和隨機(jī)性，若隸屬度函數(shù)構(gòu)造不準(zhǔn)則嚴(yán)重影響評價(jià)結(jié)果。綜上，鑒于各種評價(jià)方法的缺陷，且為了強(qiáng)化模型狀態(tài)評判的模糊性和隨機(jī)性的問題，本文通過分析轉(zhuǎn)轍機(jī)全生命周期健康狀態(tài)退化過程建立設(shè)備的劣化模型。同時(shí)結(jié)合劣化過程模糊理論、層次分析法和熵權(quán)法對轉(zhuǎn)轍機(jī)性能影響的多因素進(jìn)行全面綜合考慮。為使模型更貼近設(shè)備實(shí)際運(yùn)行狀態(tài)，引入最小方差理論優(yōu)化算法權(quán)重，建立設(shè)備健康狀態(tài)綜合評估模型，為鐵路部門提高維修效率、增大設(shè)備的安全可靠性及及時(shí)給出維修決策提供指導(dǎo)。

1 劣化度及其計(jì)算公式

1.1 設(shè)備故障演化過程

圖1為一般設(shè)備故障演化過程，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[14]。

圖1 設(shè)備故障演化過程

1.2 劣化度的概念

設(shè)備的健康狀態(tài)由一系列狀態(tài)特征參數(shù)表征。隨著設(shè)備役齡增加逐漸劣變，定義為(){12,…,}。設(shè)備功能定義為個(gè)參數(shù)所確定的正常工作狀態(tài)的集合(1,2,…,)。反之，故障或失效是狀態(tài)特征參數(shù)()超過正常工作狀態(tài)的集合界限。而正常工作表示設(shè)備狀態(tài)在一定程度上偏離良好狀態(tài)，但未超過極限狀態(tài)的界限，屬中間狀態(tài)。因此，劣化度可定義為設(shè)備狀態(tài)偏離良好狀態(tài)向極限狀態(tài)發(fā)展的程度，表示為：

其中：l為設(shè)備的第個(gè)狀態(tài)特征參數(shù)的劣化度，表示設(shè)備偏離正常狀態(tài)X的劣化程度。

1.3 劣化度的計(jì)算

設(shè)備運(yùn)行過程中受環(huán)境、工況等多因素的影響，其健康狀態(tài)是一個(gè)逐漸退化的過程，一旦性能退化超出允許的偏差，設(shè)備將表現(xiàn)為故障狀態(tài)。鑒于設(shè)備狀態(tài)的模糊性和隨機(jī)性，采用劣化度模型進(jìn)行設(shè)備的健康狀態(tài)評估，其模糊綜合評估模型如圖2。設(shè)備的健康狀態(tài)由各組成部件的狀態(tài)共同組成，而各組成部件的健康狀態(tài)又決定于相應(yīng)的子部件。因此，首先進(jìn)行子部件健康狀態(tài)評估，最終綜合得到設(shè)備的健康狀態(tài)。由于設(shè)備狀態(tài)特征參數(shù)劣化與多個(gè)因素有關(guān)，結(jié)合不同情況選擇相應(yīng)的劣化度計(jì)算。

圖2 設(shè)備健康狀態(tài)的模糊綜合評估模型

1) 根據(jù)狀態(tài)監(jiān)測數(shù)據(jù)計(jì)算

對于第個(gè)狀態(tài)特征參量，其劣化度計(jì)算公 式為：

其中：A為第個(gè)狀態(tài)特征參數(shù)的出廠值；B為第個(gè)狀態(tài)特征參數(shù)的極限值；C為第個(gè)狀態(tài)特征參數(shù)的實(shí)測值；為常數(shù)，表示第個(gè)狀態(tài)特征參數(shù)的變化對設(shè)備功能的影響程度；A和B的值取自設(shè)備設(shè)計(jì)和維修指導(dǎo)書。

2) 根據(jù)技術(shù)人員、檢修人員打分估計(jì)

對于第個(gè)狀態(tài)特征參量，其劣化度計(jì)算公 式為：

其中：Y分別為不同技術(shù)專家對第個(gè)狀態(tài)特征參數(shù)的打分，分值在[0,1]之間；0為良好，1為失效；S分別為專家打分權(quán)值，介于[0,1]。

3) 根據(jù)設(shè)備役齡計(jì)算

對于難以檢測和監(jiān)測的設(shè)備參量，若狀態(tài)特征參數(shù)的變化(如磨損量)與時(shí)間具有近似線性關(guān)系，且知其平均故障間隔期的統(tǒng)計(jì)值，其劣化度計(jì)算公式為：

其中：為該設(shè)備的使用時(shí)間；為該設(shè)備的平均故障間隔時(shí)間；為故障指數(shù)。

2 建立健康狀態(tài)評估模型

2.1 健康狀態(tài)評估過程

依據(jù)設(shè)備組成的層次結(jié)構(gòu)特點(diǎn)和設(shè)備健康狀態(tài)的模糊性，采取層次分析法(AHP)與熵權(quán)法結(jié)合的評估方法，評估過程如圖3。

圖3 設(shè)備健康狀態(tài)評估過程

2.2 建立設(shè)備狀態(tài)集和狀態(tài)評價(jià)集

2.2.1 計(jì)算設(shè)備和部件的重要度

分別采用主觀層次分析9標(biāo)度法與客觀評價(jià)熵權(quán)法確認(rèn)各部件的重要度權(quán)重。

1) AHP法

采用層次分析法確定設(shè)備的重要度權(quán)重向量1={1,2,…,}和部件的重要度權(quán)重向量=(1,2,…,)，具體步驟為：先建立設(shè)備的層次結(jié)構(gòu)模型；再按照標(biāo)度法進(jìn)行兩兩比較建立判斷矩陣，如表2；最后計(jì)算權(quán)重向量并進(jìn)行一致性 檢驗(yàn)。

表1 設(shè)備健康等級劃分

表2 標(biāo)度及其含義

則稱1具有順序一致性，可進(jìn)行權(quán)重計(jì)算。

2) 熵權(quán)法

信息論中熵是不確定性的度量，信息量越大其不確定性越小。具體步驟如下。

Step 1：原始數(shù)據(jù)預(yù)處理

其中：x為評價(jià)指標(biāo)的量化評價(jià)值；p為預(yù)處理后結(jié)果。

Step 2：計(jì)算指標(biāo)信息熵

Step 3：確定指標(biāo)權(quán)重;第項(xiàng)指標(biāo)的權(quán)重w為：

3) 最優(yōu)權(quán)值

組合賦權(quán)法將主觀權(quán)重和客觀權(quán)重有機(jī)地結(jié)合在一起，既反映決策者的主觀意愿，又可避免評價(jià)結(jié)果的主觀隨意性，更加真實(shí)、科學(xué)合理[16]。

鑒于常見線性賦權(quán)主觀性較強(qiáng)，本文采用基于最小方差的組合賦權(quán)原則，綜合考慮設(shè)備運(yùn)行狀態(tài)的主觀經(jīng)驗(yàn)與客觀實(shí)際。

假設(shè)決策者運(yùn)用主、客觀賦權(quán)法共種，其權(quán)重向量為

在組合賦權(quán)中，第種賦權(quán)方法所給出的權(quán)重為，在不同賦權(quán)方法下的權(quán)重向量為

為使主觀經(jīng)驗(yàn)與客觀實(shí)際能夠達(dá)到統(tǒng)一，設(shè)定其權(quán)重向量為

為保證決策結(jié)果與主、客觀評價(jià)方法的總偏差最小，即各方法的加權(quán)權(quán)重偏差取極小值。建立單目標(biāo)規(guī)劃模型：

建立拉格朗日常函數(shù)，求得最優(yōu)權(quán)重向量

2.2.2 建立部件級劣化度模糊判斷矩陣

根據(jù)部件的劣化度求其健康狀態(tài)等級的隸屬度，選擇嶺形分布計(jì)算各健康等級的隸屬度，其具有主值區(qū)間寬、過渡帶平緩的特點(diǎn)，能較好地反映設(shè)備劣化度狀態(tài)空間的模糊關(guān)系。結(jié)合隸屬度函數(shù)隨劣化度變化過程，“良好”狀態(tài)采取降型分布(處理區(qū)間內(nèi)數(shù)據(jù)偏小)，“正?！?、“注意”和“惡化”狀態(tài)選擇中間型分布(處理區(qū)間內(nèi)中間段數(shù)據(jù))，“故障”狀態(tài)選用升型分布(處理區(qū)間內(nèi)偏大數(shù)據(jù))。加之隸屬度函數(shù)本身的交叉性，其區(qū)間邊界數(shù)據(jù)控制在小范圍內(nèi)，嶺形分布隸屬度函數(shù)如式(15)~(19)。

由此可得以劣化度模型為標(biāo)準(zhǔn)的模糊評判矩陣為

2.2.3 設(shè)備健康狀態(tài)模糊判斷矩陣

其中：第個(gè)組成設(shè)備的健康狀態(tài)隸屬度向量為

2.2.4 計(jì)算設(shè)備的健康狀態(tài)評估向量

2.2.5 按最大隸屬度確定設(shè)備的健康狀態(tài)

結(jié)合最大隸屬度原則可確定設(shè)備的健康狀態(tài)等級。

3 健康狀態(tài)評估實(shí)例驗(yàn)證

S700K型轉(zhuǎn)轍機(jī)在普速鐵路中應(yīng)用最廣且其機(jī)械故障在信號設(shè)備故障中占比較大。調(diào)研某鐵路公司電務(wù)段2015~2017年5臺S700K型轉(zhuǎn)轍機(jī)的信號設(shè)備臺賬、電務(wù)故障登記薄、月/年度安全分析會及微機(jī)監(jiān)測數(shù)據(jù)，用相關(guān)系數(shù)對大樣本數(shù)據(jù)進(jìn)行計(jì)算，驗(yàn)證本文提出算法對轉(zhuǎn)轍機(jī)健康狀態(tài)評判的可行性。

3.1 建立設(shè)備狀態(tài)集和狀態(tài)評價(jià)集

為更好地對S700K型轉(zhuǎn)轍機(jī)機(jī)械部件運(yùn)行狀態(tài)進(jìn)行評估，從其關(guān)鍵零部件系統(tǒng)構(gòu)造、工作原理、故障模式出發(fā)，建立多層次評價(jià)指標(biāo)，每個(gè)子系統(tǒng)又選擇表征其運(yùn)行狀態(tài)的指標(biāo)。其整體結(jié)構(gòu)劃分如表3所示。

表3 轉(zhuǎn)轍機(jī)主要組成部分

S700K轉(zhuǎn)轍機(jī)(U)安全裝置(U4)開關(guān)鎖(U41) 遮斷開關(guān)(U42) 連桿(U43) 搖把控?fù)醢?U44)

3.2 確定子系統(tǒng)和部件的重要度

通過現(xiàn)場對S700K型轉(zhuǎn)轍機(jī)系統(tǒng)資料的分析，結(jié)合操作人員、檢修人員和技術(shù)專家對4個(gè)子系統(tǒng)17個(gè)部件的重要度采取層次分析法進(jìn)行評判得到的矩陣為

表4 S700K型轉(zhuǎn)轍機(jī)各部件的權(quán)重

結(jié)合式(5)~(6)驗(yàn)證模型具有一致性，經(jīng)過歸一化處理得到17個(gè)子部件的主觀權(quán)重向量。然后結(jié)合熵權(quán)法計(jì)算各指標(biāo)的信息熵，得到其客觀權(quán)重。最終，通過最小方差對層次分析法和熵權(quán)法評價(jià)計(jì)算得到主客觀權(quán)重如表4。

3.3 建立模糊綜合評判矩陣

根據(jù)各部件狀態(tài)特征參數(shù)的出廠值、極限值和測試值，取2，由式(3)可計(jì)算各部件的劣化度如表5。

表5 S700K型轉(zhuǎn)轍機(jī)各部件的劣化度

結(jié)合各部件的劣化度值，再由式(16)~(20)計(jì)算各個(gè)部件劣化度的隸屬度建立各部件的模糊判斷矩陣。

3.4 進(jìn)行子系統(tǒng)的模糊綜合評判

最終可得子系統(tǒng)的模糊綜合判斷矩陣為：

3.5 進(jìn)行設(shè)備的模糊綜合評判

從模糊綜合評判結(jié)果看出設(shè)備屬于“健康”、“良好”、“注意”、“惡化”和“故障”的程度分別為：0.090 6，0.574 5，0.312 6，0.022 4和0，依據(jù)隸屬度最大原則可確定測試的S700K型轉(zhuǎn)轍機(jī)屬于“良好”狀態(tài)。從后續(xù)的監(jiān)測及維修記錄來看，該5臺轉(zhuǎn)轍機(jī)安全運(yùn)行周期長，動作過程均可靠，機(jī)械效率高。故此，本文評價(jià)方法與實(shí)際運(yùn)行狀態(tài)接近。

4 結(jié)論

1)結(jié)合轉(zhuǎn)轍機(jī)健康狀態(tài)受諸多因素影響且其系統(tǒng)復(fù)雜，對轉(zhuǎn)轍機(jī)全生命周期的健康狀態(tài)進(jìn)行劃分，旨在通過主、客觀的評價(jià)方法確定轉(zhuǎn)轍機(jī)當(dāng)前的健康狀態(tài)。

2)首先采用劣化度模型作為統(tǒng)一衡量方法，結(jié)合9標(biāo)度的層次分析法與熵權(quán)法分別計(jì)算轉(zhuǎn)轍機(jī)健康狀態(tài)評估的主觀和客觀權(quán)重。

3)然后借助最小方差法計(jì)算主客觀評價(jià)的最優(yōu)權(quán)重。

4)最后進(jìn)行變權(quán)模糊綜合評估，此方法同時(shí)考慮現(xiàn)場實(shí)測數(shù)據(jù)、現(xiàn)場打分和歷史數(shù)據(jù)，又避免了單一評價(jià)算法的局限性，為鐵路電務(wù)部門進(jìn)行信號設(shè)備狀態(tài)評判做出故障預(yù)測及維修決策提供參考。

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

[2] 伏玉明, 劉伯鴻,宋爽. 基于模糊綜合評判的轉(zhuǎn)轍機(jī)健康評估研究[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] 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.

[4] 董昱,趙媛媛,林海香. 基于小波分析的電動轉(zhuǎn)轍機(jī)動作電流的分析研究[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.

[5] 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.

[6] 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 fault diagnosis of rut machine based on BN[D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[7] 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 the China Railway Society, 2016, 38(6): 68?72.

[8] Fattahi R, Khalilzadeh M. Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment[J]. Safety Science, 2018(102): 290?300.

[9] 沈祥明,劉坡拉,汪繼鋒. 基于層次分析法的鐵路巖溶隧道突水風(fēng)險(xiǎn)評價(jià)[J]. 鐵道工程學(xué)報(bào), 2010, 27(12): 56?63. SHEN Xiangming, LIU Pola, WANG Jifeng. Evaluation of water inrush risk in railway karst tunnel based on analytic hierarchy process[J]. Journal of Railway Engineering, 2010, 27(12): 56?63.

[10] YANG X, QU Yanwei. Application of multi-level fuzzy comprehensive evaluation method to block evaluation of coal bed methane in western Henan province[J]. Journal of Henan University of Engineering, 2018, 32(1): 101? 108.

[11] ZHENG W, School B, University H. Study on water resources carrying capacity in Guangdong province based on multilevel fuzzy comprehensive evaluation model[J]. Hubei Agricultural Sciences, 2018, 2(1): 1849?1903.

[12] 高海濤,楊明宇,孟令云, 等. 基于AHP-熵權(quán)的高速鐵路行車安全風(fēng)險(xiǎn)研究[J]. 鐵道運(yùn)輸與經(jīng)濟(jì), 2018, 40(3): 85?90. GAO Haitao, YANG Mingyu, MENG Lingyun, et al. Research on the safety risk of high-speed railway based on ahp-entropy weight[J]. Railway Transportation and Economy, 2018, 40(3): 85?90.

[13] 王思華,吳健. 高鐵牽引變電所風(fēng)險(xiǎn)模糊綜合評估方法研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2017, 14(8): 1589? 1596. WANG Sihua, WU Jian. Research on fuzzy comprehensive evaluation method for the risk of traction substation of high-speed railway[J]. Journal of Railway Science and Engineering, 2017, 14(8): 1589?1596.

[14] 朱帥軍. 高鐵動車組故障預(yù)測與健康管理關(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.

[15] 徐瀟源, 趙建偉, 嚴(yán)正, 等. 基于改進(jìn)層次分析法和PSS/E的電磁環(huán)網(wǎng)解環(huán)方案評估[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2017, 29(12): 76?82. XU Xiaoyuan, ZHAO Jianwei, YAN Zheng, et al. Evaluation of electromagnetic loop decoupling schemes based on improved analytic hierarchy process and PSS/E[J]. Power System and Automation Journal, 2017, 29(12): 76?82.

[16] 吳翔, 何怡剛, 張大波, 等. 基于最優(yōu)權(quán)重與雷達(dá)圖的變壓器狀態(tài)評估[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(2): 55?60. WU Xiang, HE Yigang, ZHANG Dabo, et al. Transformer state assessment based on optimal weight and radar map[J]. Power System Protection and Control, 2017, 45(2): 55?60.

(編輯 陽麗霞)

Study on evaluation of switch machine based on fuzzy evaluation and optimal weight

CHEN Yonggang1, DAI Qianjun1, DU Tao1, 2, BAI Tiancheng1, ZHOU Jingyu1

(1. School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Zhengzhou Design Institute of China Railway Engineering Consulting Group Co., Ltd, Zhengzhou 450001, China)

According to the fuzziness and randomness of the mechanical failure of the switch machine, the health evaluation of the rutting machine based on the deterioration model is established. According to the influence of different factors on the health condition of the switch machine, the state monitoring data, maintenance personnel score and service age of the switch machine were selected to calculate the deterioration degree of the switch machine. Then, the optimal weight of the analytic hierarchy process (AHP) and the entropy weight method of the objective analysis were adopted based on the minimum variance. Finally, fuzzy theory was used to evaluate the health of the switch machine. It is proved that this evaluation method can reflect the fuzziness and complexity of the health impact factors of the switch, and provide reference for maintenance personnel and reduce the maintenance work.

switch machine; fuzziness; randomness; health status; deterioration degree; AHP; entropy weight method

10.19713/j.cnki.43?1423/u.2019.05.027

U283.2；U284.7

A

1672 ? 7029(2019)05 ? 1315 ? 08

2018?05?28

國家自然科學(xué)基金地區(qū)科學(xué)基金資助項(xiàng)目(61763023)

陳永剛(1972?)，男，甘肅會寧人，副教授，從事鐵路信號設(shè)備故障診斷與預(yù)測技術(shù)研究；E?mail：2575011580@qq.com