基于Fretchet距離與TWSVM的多機牽引道岔故障診斷研究

吳永成，陽長瓊，何濤

基于Fretchet距離與TWSVM的多機牽引道岔故障診斷研究

吳永成1，陽長瓊1，何濤2

(1.蘭州交通大學 甘肅省工業(yè)交通自動化工程技術研究中心，甘肅 蘭州 730070；2. 蘭州交通大學 光電技術與智能控制教育部重點實驗室，甘肅 蘭州 730070)

針對多機牽引道岔故障頻發(fā)、人工診斷困難的問題，提出一種基于Fretchet距離和雙向支持向量機的故障診斷方法。首先，設計基于Fretchet距離的相似度指標，通過計算實時曲線與標準曲線的相似度值來定位多機牽引道岔的故障源；其次，利用雙向支持向量機一對一型分類算法對已定位的故障多機牽引道岔進行故障類型診斷；通過使用蘭州西站采集的數(shù)據(jù)進行仿真，結果表明該算法能及時、準確診斷多機牽引道岔故障。

多機牽引道岔；Fretchet距離；TWSVM；故障診斷

隨著高速鐵路的快速發(fā)展，多機牽引提速道岔在現(xiàn)場使用的比重越來越大，因此，保證提速道岔的正常工作對鐵路的安全運行和行車的效率有重要的意義。目前，對多機牽引道岔的故障仍以人工診斷為主[1]，多機牽引的復雜結構增加了信號人員的工作難度，通過實時診斷多機牽引道岔的故障源及其類型，能夠降低維修人員的工作難度并提高工作效率，在可維修的時間段內(nèi)以最快速度診斷出故障轉(zhuǎn)轍機和故障類型，保障列車的行車安全。目前道岔故障診斷的研究主要以單機牽引道岔的故障診斷為主，多機牽引道岔的研究比較少；祝芹芹[2]提出基于核Fisher的多機牽引故障診斷，但是多機道岔的故障類型只有一種，不具有說服力；趙振 翔[3]提出一種模塊化的多機牽引提速道岔的智能分析儀，該分析儀存在故障庫匱乏且實時更新成本大、操作繁瑣的問題，很難應用到實際中；當前多數(shù)研究者研究的數(shù)據(jù)源都來自微機監(jiān)測系統(tǒng)采集的道岔功率/電流曲線[4?8]。本文延續(xù)使用道岔功率曲線作為研究對象，故障診斷分2步，第1步使用基于Fretchet距離的曲線相似度指標定位多機牽引道岔的故障源，即解決“故障在哪里”；第2步使用TWSVM一對一型多類分類算法，根據(jù)常見故障的特征量建立訓練集，利用分類器測試出具體的故障類型，即解決“故障是什么”；仿真結果表明，該方法能夠?qū)崿F(xiàn)多機牽引道岔的故障診斷，具有實時性強、精確度高的特點。

1 多機牽引道岔

提速道岔在高速鐵路占有很大的比重，根據(jù)轍叉心的余切值進行分類。目前廣泛使用的型號主要有12，18和42號等，隨著號數(shù)增大，道岔的曲線半徑同步變大，此時需要通過增加牽引點帶動大號碼道岔的轉(zhuǎn)換[9?10]。根據(jù)尖軌的聯(lián)動和分動方式不同，分為一機多動和多機多動2種類型道岔，根據(jù)道岔曲線半徑的不同分為五機牽引和九機牽引等，本文選擇多機多動的五機牽引作為研究對象，如圖1所示。

1—基本軌；2—尖軌；3—導曲線軌；4—連接部分；5—翼軌；6—轍叉心；7—護軌。

圖1為雙開道岔五機牽引的示意圖，尖軌部分設置3個牽引點，心軌部分設置2個牽引點，A股道為列車運行正線，B股為列車運行側(cè)線。

1.1 動作特點

多機牽引道岔的控制電路是在單機牽引道岔控制電路的基礎上改進得到，各轉(zhuǎn)轍機各自按照規(guī)定的順序進行動作，帶動大號碼道岔轉(zhuǎn)換。首先在每一個牽引點設置轉(zhuǎn)轍機的啟動、控制和表示電路，然后通過增加順序動作、故障停轉(zhuǎn)以及串級表示電路將多個牽引點電路進行連接。

1.1.1 順序動作

轉(zhuǎn)轍機在啟動初期會產(chǎn)生較大的峰值電流，若多臺轉(zhuǎn)轍機同時啟動，疊加后的啟動電流會燒毀轉(zhuǎn)轍機的電源模塊，為了保護電源模塊的同時讓道岔能正常工作，設置了順序動作電路。實驗表明，電源模塊最多可以容許2臺轉(zhuǎn)轍機同時啟動，要求五機道岔中的J1和X1牽引點同時啟動，電路要求J2的1DQJ勵磁電路需要檢查J1的1DQJ吸起狀態(tài)，J3的1DQJ勵磁電路需要檢查J2的1DQJ吸起狀態(tài)，X2的1DQJ勵磁電路需要檢查X1的1DQJ吸起狀態(tài)等條件來實現(xiàn)順序動作，即J1和X1同時動作，J1，X1→J2和X2→J3，尖軌啟動示意圖如圖2所示。

圖2 尖軌啟動示意圖

1.1.2 故障停轉(zhuǎn)

為了防止心軌和尖軌同時動作時其中某個轉(zhuǎn)轍機在動作過程中出現(xiàn)電氣或者機械故障停轉(zhuǎn)，但其余轉(zhuǎn)轍機仍在帶動道岔轉(zhuǎn)動，發(fā)生“蛇形扭動”對道岔造成致命損傷這種情況的發(fā)生，在尖軌和心軌分別設置切斷電路繼電器(QDJ)和總保護電路繼電器(ZBHJ)，保證在出現(xiàn)單機故障時能及時切斷總電源，達到保護道岔的目的。

1.1.3 串級表示

設置總定位表示電路(ZDBJ)和總反位表示電路(ZFBJ)，要求當所有的轉(zhuǎn)轍機都成功得到表示時，道岔的ZDBJ或ZFBJ繼電器才會吸起，得出道岔的位置狀態(tài)，避免表示與實際狀態(tài)不符的情況 發(fā)生。

1.2 故障說明

單機牽引道岔大概包括20多種故障類型，而多機牽引是由多個轉(zhuǎn)轍機組成，所以故障類型更加復雜[6]。由現(xiàn)場調(diào)研發(fā)現(xiàn)，已增設的故障停轉(zhuǎn)電路解決了多臺轉(zhuǎn)轍機同時故障對道岔造成致命損傷的問題，排除了多機同時故障的可能，故目前多機牽引的故障主要為單機故障，但是如何定位故障源是需要解決的難題。

1.3 道岔動作功率曲線

通過微機監(jiān)測系統(tǒng)實時監(jiān)測五機牽引道岔中每一臺轉(zhuǎn)轍機的功率曲線可以判斷道岔是否正常工作，轉(zhuǎn)轍機都采用S700K型，因此所有牽引點轉(zhuǎn)轍機的標準動作功率曲線都一致，如圖3所示。

圖3 標準功率曲線

從圖3中可以看出，轉(zhuǎn)轍機動作過程分成啟動解鎖、轉(zhuǎn)換、鎖閉和表示4個階段，多機牽引道岔正常動作過程中會產(chǎn)生多組實時功率曲線。

2 多機牽引道岔故障診斷方法

多機牽引道岔的故障診斷分2步進行，確定多機牽引道岔中的轉(zhuǎn)轍機故障源與診斷轉(zhuǎn)轍機的具體故障類型，具體流程如圖4所示。

圖4 故障診斷流程圖

2.1 基于離散Frechet距離的故障源判定

本文設計基于Fretchet距離的曲線相似度指標ξ，F(xiàn)retchet距離可以解決2條曲線之間相似度問題[11]，設Frechet距離為，分別計算5條實時曲線與標準曲線的相似度，具體如下：

設曲線是由個采樣點組成的多機道岔中的一組實時曲線，曲線是由個采樣點組成的道岔標準曲線，2條曲線和對應的采樣集合為()=(1,…,a),()=(1,…,b)，2個集合所包含的點均由平面坐標值(,)組成，表示道岔曲線采樣點的二維坐標。

計算2條曲線的距離矩陣如式(1)：

其中：d表示道岔曲線上的第個序列點與標準曲線曲線第個序列點之間的距離，計算公式如式(2)：

計算出距離矩陣后，需要找出矩陣中的最大值max=max()和最小值min=min()，根據(jù)式(3)計算循環(huán)間隔，同時取目標距離初值=min。

通過比較矩陣中每一個元素與值的大小，可以求出對應的二值矩陣′為：

其中：,′∈{0,1}，得到2條曲線的Frechet距離后，可得到2條曲線的相似度，如式(7)所示。越大表示該曲線與標準曲線的相似程度越高，越小則表示該曲線與標準曲線的相似程度越低，越有可能為故障源，道岔功率曲線中的數(shù)據(jù)經(jīng)過歸一化處理，故無度量，求解多機牽引道岔每一條實時曲線與標準曲線的相似度ξ，本文中=1,…,5，選擇相似度最小曲線對應的轉(zhuǎn)轍機作為故障源。

2.2 基于TWSVM的故障類型判定

確定故障源后，需要診斷該機的具體故障類型才能方便維修人員檢修和處理。單機故障診斷比較成熟，目前應用的診斷算法有BP神經(jīng)網(wǎng)絡與SVM算法，但BP神經(jīng)網(wǎng)絡存在局部最優(yōu)、SVM存在運算量龐大等缺陷，不適合處理多機故障。本文使用基于孿生支持向量機(TWSVM)的一對一多類分類算法進行故障類型判定，并與BP神經(jīng)網(wǎng)絡和SVM的故障診斷在耗時與準確度方面進行比較，驗證TWSVM的優(yōu)越性。

一組道岔動作功率曲線有165組采樣序列，直接處理易造成“維數(shù)爆炸”，使用前需進行數(shù)據(jù)預處理，包括去噪和特征提取，定義8組時域特征量，如表1所示，其中u,i,m(=1,2,…,；=1,…,4；=1,…, 8)表示道岔功率數(shù)據(jù)第個樣本第個區(qū)段的第個特征量，代表功率值。

表1 時域特征量

按照表1所列的特征量可以分別計算得出分類器需要的訓練集和測試集；假設道岔特征值數(shù)據(jù)集為1,2,…,x∈m×n，與數(shù)據(jù)集相對應的數(shù)據(jù)標簽為1,2,…,y∈{?1,1},標簽值為?1對應的數(shù)據(jù)表示故障，其余標簽值為1對應的數(shù)據(jù)表示正常，因此一組包括特征值和其標簽的樣本集是9維數(shù)據(jù)。

多機牽引道岔數(shù)據(jù)因為包括了多組轉(zhuǎn)轍機功率曲線，因此具有非線性特性，使用孿生支持向量機用核函數(shù)將低維空間中的非線性道岔數(shù)據(jù)映射到高維空間，讓數(shù)據(jù)在高維空間的數(shù)據(jù)集呈線性，將非線性數(shù)據(jù)的分類變成高維空間線性數(shù)據(jù)的分類；TWSVM算法相比SVM使用了一對超平面對得到的特征數(shù)據(jù)集進行二分類，如式(8)所示。

其中：(T,T)為核函數(shù)；T=(T,T)；1，2，1和2為需要求解的超平面參數(shù)。求解參數(shù)時，需要首先求解如式(9)的一對二次規(guī)劃問題。

其中：1,2表示TWSVM的懲罰參數(shù)；與分別表示2類數(shù)據(jù)集的松弛因子；1,2表示一維列向量，向式(9)中引入的拉格朗日乘子∈R1,∈R2,通過相對應的拉格朗日函數(shù)最小值求解方法與KKT條件判別可得：

其中：=[,2]，=[,1]，為了解決矩陣T和T存在奇異性的可能，使用T+和T+分別代替T和T，求出拉格朗日乘子后根據(jù)式(11)可以得到2個超平面的參數(shù)1，2，1和2。

式中：為趨近于0的正實數(shù)；表示單位矩陣。

TWSVM為二分類算法，而道岔對應多個故障類型，所以使用一對一多分類的方法進行多故障分類，即：假設存在種故障類型，設置出(?1)/2個子分類器，每一個子分類器對道岔故障進行分類，最后對(?1)/2個子分類器分類的結果進行統(tǒng)計，選擇最多的結果作為判別結果。

3 仿真研究

應用在蘭州西客站采集的6類多機牽引道岔故障對應的故障曲線作為輸入向量，分別是尖軌卡缺口、解鎖不良、轉(zhuǎn)換過程卡阻、無法解鎖、阻力異常與室外二極管短路，針對多機牽引道岔的故障診斷，首先采用基于Frechet距離的曲線相似度判定算法對目前現(xiàn)場多發(fā)的6類故障進行故障源定位仿真，需要依次比較5機牽引道岔的5條功率曲線與道岔標準曲線之間相似度的大小，現(xiàn)場故障曲線如圖5所示。其次對6類常見故障進行故障診斷仿真，每類故障共收集120組故障功率曲線，每個樣本含有165個采集序列，對采集的原始數(shù)據(jù)集首先使用Matlab中的小波分析工具箱中的dB1小波進行信號分解，去除干擾信號，同時求解它們對應的特征量，共720×9組數(shù)據(jù)集，從樣本集中隨機選擇360×9組作為TWSVM多類分類器的訓練集，其余的360×9組作為測試集。

圖5 故障類型

圖5分別表示6種故障模式下采集到的五機牽引道岔的實時功率曲線，實線表示標準曲線，虛線為故障曲線，圖中圖像重疊復雜，無法直接獲得任何有效的故障信息；首先需要依次計算每一種故障類型下的道岔5組曲線分別與標準曲線的相似度值ξm，需要注意的是，此處m值由各自故障類型決定，最大為5，因為存在因某一牽引點故障、其余牽引點被故障停轉(zhuǎn)電路切斷動作電路的情況，五機不一定都存在功率曲線，選擇其中最小的ξ作為故障源；根據(jù)式(1)~(6)依次計算各故障類型下各牽引點的相似度，如表2所示。

表2 相似度對比

對數(shù)據(jù)進行小波分解和特征提取后，按照設定的訓練集來構建TWSVM一對一型多類分類器，核函數(shù)為高斯徑向基核函數(shù)，同時使用網(wǎng)格搜索的方法設定分類器的參數(shù)，對應范圍為：核函數(shù)參數(shù)∈[0.01,6]，懲罰因子∈[0.01,12]，仿真結果表明最優(yōu)參數(shù)結果為=0.02，懲罰因子1=1.35，2=3.52。與TWSVM作對比的BP神經(jīng)網(wǎng)絡及SVM結構具體參數(shù)為：BP神經(jīng)網(wǎng)絡的輸入層、隱含層和輸出層分別為8，18和6，隱含層的激活函數(shù)為sigmoid函數(shù)，輸出層的激活函數(shù)為relu函數(shù)，訓練誤差設置為0.000 1，訓練次數(shù)為2 500次；SVM一對一型多類分類器的參數(shù)分別為=0.15，懲罰因子=0.58。

使用已構造的訓練集訓練3種模型，根據(jù)訓練集確定分類器結構參數(shù)后，輸入360×9組測試集數(shù)據(jù)進行仿真，TWSVM和SVM分類器共仿真10次，BP神經(jīng)網(wǎng)絡按照設置進行仿真的分類準確度結果如表3，耗費時間如表4所示。

表3 分類準確度匯總

表4 耗費時間匯總

TWSVM分類器在訓練過后對測試集的數(shù)據(jù)進行仿真，得到的診斷正確率如表3所示。結果表明，TWSVM多類分類算法的故障診斷準確率最低為97.6%，同時BP神經(jīng)網(wǎng)絡和SVM分類器最高值為91.7%和97.6%，遠小于TWSVM。

表4表明，TWSVM的耗時是SVM的一半、BP神經(jīng)網(wǎng)絡的1/7，這一點與TWSVM采用的雙超平面有關。

以上部分的仿真都是對提取出的已知故障曲線進行診斷，而多機牽引道岔實際動作過程中正常曲線和故障曲線相互摻雜，故需要將2種曲線合起來進行測試；本文采集蘭州西站500×6組多機牽引道岔正常動作曲線數(shù)據(jù)，與120×6組故障曲線數(shù)據(jù)混合，然后隨機分出400×6組混合數(shù)據(jù)作為訓練集，其余的作為測試集，使用基于Fretchet距離與TWSVM的算法進行仿真，M1-M6這6種故障類型的診斷正確率依次為98.7%，97.3%，99.4%，93.5%，98.9%和97.6%，結果驗證了該算法在現(xiàn)場的可行性。

4 結論

1) 在結合五機牽引道岔動作電路的基礎上，分析多機牽引道岔的結構和動作過程；通過現(xiàn)場調(diào)研得出常見的多機牽引道岔故障主要以單機故障為主，將多機牽引道岔的故障診斷分為故障源判定和故障類型診斷2步。

2) 提出一種基于Fretchet距離和TWSVM分類器的故障診斷算法，通過使用蘭州西站的現(xiàn)場數(shù)據(jù)進行仿真，驗證了該算法的可行性，為后續(xù)多機道岔故障診斷研究提出新思路。

[1] 楊靜. 道岔故障診斷方法研究[D]. 南京: 南京理工大學, 2017. YANG Jing. Research on turnout fault diagnosis method [D]. Nanjing: Nanjing University of Technology, 2017.

[2] 祝芹芹. 基于核Fisher的多機牽引道岔故障診斷技術研究[D]. 蘭州: 蘭州交通大學, 2018. ZHU Qinqin. Research on fault diagnosis technology of multi-machine traction turnout based on nuclear Fisher [D]. Lanzhou: Lanzhou Jiaotong University, 2018.

[3] 趙振翔. 模塊化的多機牽引提速道岔轉(zhuǎn)轍機智能測試儀的研究與設計[D]. 蘭州: 蘭州交通大學, 2018. ZHAO Zhenxiang. Research and design of modular intelligent tester for multi-machine traction speed-raising turnout switch[D]. Lanzhou: Lanzhou Jiaotong University, 2018.

[4] 許慶陽, 劉中田, 趙會兵. 基于隱馬爾科夫模型的道岔故障診斷方法[J]. 鐵道學報, 2018, 40(8): 98?106. XU Qingyang, LIU Zhongtian, ZHAO Huibing. Turnout fault diagnosis method based on hidden Markov model [J]. Journal of the Railway China Society, 2018, 40(8): 98?106.

[5] 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]. 自動化學報, 2019, 2(24): 4? 10. LIU Mingming, WANG Liangshun, ZHAO Hui, et al. Research on fault diagnosis method of switch control circuit based on group decision[J]. Journal of Automation, 2019, 2(24): 4?10.

[6] 鄭輝. 基于故障樹的高速鐵路道岔故障分析與研究[D].北京: 中國鐵道科學研究院, 2018. ZHENG Hui. Fault analysis and research of high-speed railway turnout based on fault tree[D]. Beijing: China Academy of Railway Sciences, 2018.

[7] 張釘, 李國寧. 基于改進WNN分析功率曲線的S700K轉(zhuǎn)轍機故障診斷[J]. 鐵道科學與工程學報, 2018, 15(8): 2123?2130. ZHANG Nai, LI Guoning. Fault diagnosis of S700K switch machine based on improved WNN analysis power curve[J]. Journal of Railway Science and Engineering, 2018, 15(8): 2123?2130.

[8] Roberts C, Dassanayake H P B, Lehrasab N, et al. Distributed quantitative and fault diagnosis: Railway junction case study[J]. Control Engineering Practice, 2002, 10(4): 419.

[9] 朱長青, 霍亮. 城際鐵路客運站道岔型號選用的研究[J]. 鐵道標準設計, 2014, 58(7): 4?8. ZHU Changqing, HUO Liang. Study on selection of turnout types for intercity railway passenger station[J]. Railway Standard Design, 2014, 58(7): 4?8.

[10] 張凱, 杜凱, 巨永鋒. 基于BP神經(jīng)網(wǎng)絡的提速道岔故障診斷算法[J]. 武漢理工大學學報, 2014, 36(11): 77? 81. ZHANG Kai, DU Kai, JU Yongfeng. Fault diagnosis algorithm of speed-up turnout based on BP neural network[J]. Journal of Wuhan University of Technology, 2014, 36(11): 77?81.

[11] Niraj Kumar, Garima Manocha. A class of entire dirichlet series as an FK-space and a Frechet space[J]. Acta Mathematica Scientia, 2013, 33(6): 1571?1578.

[12] DU Yanbin, XIAO Lingfei, CHEN Yusheng, et al. Aircraft engine gas path fault diagnosis based on hybrid PSO-TWSVM[J].Transactions of Nanjing University of Aeronautics and Astronautics, 2018, 35(2): 334?342.

[13] CHU Maoxiang, WANG Anna, GONG Rongfen, et al. Multi-class classification methods of enhanced LS- TWSVM for strip steel surface defects[J]. Journal of Iron and Steel Research (International), 2014, 21(2): 174?182.

Research on fault diagnosis of multi-machine traction turnout based on Fretchet distance and TWSVM

WU Yongcheng1, YANG Changqiong1, HE Tao2

(1. Gansu Industrial Traffic Automation Engineering Technology Research Center, Lanzhou Jiaotong Uninversity, Lanzhou 730070, China;2. Key Laboratory of Opto-Technology and Intelligent Control Ministory of Education, Lanzhou Jiaotong University, Lanzhou 730070, China)

Aiming at the problem of high fault frequency and difficult manual diagnosis of multi-machine traction turnout, a fault diagnosis method based on Fretchet distance and bidirectional support vector machine was proposed. Firstly, the fault source of multi-machine traction turnout was determined by calculating the similarity between the real-time curve and the standard curve by Fretchet distance. Then, the fault type diagnosis of multi-machine traction turnout was carried out by using two-dimensional support vector machine one-to-one multi-level classification algorithm. By using the data collected from Lanzhou West Railway Station, the simulation results show that the algorithm can diagnose multi-machine traction turnout faults timely and accurately.

multi-machine traction turnout; Fretchet distance; TWSVM; fault diagnosis

U284

A

1672 ? 7029(2019)11? 2866 ? 07

10.19713/j.cnki.43?1423/u.2019.11.028

2019?02?27

蘭州交通大學青年科學基金資助項目(2017039)

何濤(1977?)，男，內(nèi)蒙古商都人，教授，博士，從事交通信息工程及控制研究；E?mail：lzjdhetao@163.com

(編輯 陽麗霞)