城市軌道交通道岔轉(zhuǎn)轍機(jī)動(dòng)作功率參考曲線推薦方法研究

朱存仁 盧瑞冰 張超凡

(1.卡斯柯信號(hào)有限公司，200071，上海;2.中國鐵路南寧局集團(tuán)有限公司電務(wù)部，530011，南寧 ∥ 工程師)

目前，在城市軌道交通車站站點(diǎn)設(shè)置轉(zhuǎn)轍機(jī)動(dòng)作參考曲線的主要方式是：在已有的道岔動(dòng)作曲線中，以個(gè)人經(jīng)驗(yàn)選取一條能夠反映設(shè)備正常工作狀態(tài)的曲線作為參考曲線。國內(nèi)研究也嘗試過將檢維修結(jié)束前轉(zhuǎn)轍機(jī)設(shè)備的最后一條動(dòng)作功率曲線作為參考曲線進(jìn)行自動(dòng)設(shè)置[1]。但這些方式的隨機(jī)性較大，若設(shè)置不當(dāng)則會(huì)影響運(yùn)維人員對轉(zhuǎn)轍機(jī)狀態(tài)的判斷，從而不能有針對性地對轉(zhuǎn)轍機(jī)進(jìn)行預(yù)防性維修。因此，從智能運(yùn)維的角度出發(fā)，應(yīng)追蹤每一組轉(zhuǎn)轍機(jī)的服役性狀并給予推薦的參考曲線，以此降低運(yùn)維工作量，同時(shí)也可為轉(zhuǎn)轍機(jī)設(shè)備的智能運(yùn)維打好基礎(chǔ)。

1 轉(zhuǎn)轍機(jī)動(dòng)作功率參考曲線推薦原理

在實(shí)際工程應(yīng)用場景內(nèi)，不同地區(qū)、不同型號(hào)、不同規(guī)格、不同采樣頻率及不同工況下的轉(zhuǎn)轍機(jī)實(shí)時(shí)監(jiān)測動(dòng)作曲線具有較大的差異性[2]，因此本文擬采用無監(jiān)督機(jī)器學(xué)習(xí)的方式來避免過多人工調(diào)參步驟引起的“水土不服”問題。所謂無監(jiān)督機(jī)器學(xué)習(xí)，即不通過人工干預(yù)的方式來實(shí)現(xiàn)自適應(yīng)的機(jī)器學(xué)習(xí)過程，相比于有監(jiān)督的機(jī)器學(xué)習(xí)方法，具有更強(qiáng)的適應(yīng)性，可以保證應(yīng)用在使用場景方面的健壯性。轉(zhuǎn)轍機(jī)參考曲線推薦原理如圖1所示。

圖1 轉(zhuǎn)轍機(jī)參考曲線推薦原理

2 轉(zhuǎn)轍機(jī)動(dòng)作功率曲線形狀特征提取

根據(jù)實(shí)際研究結(jié)果得知，在不同工況條件下的轉(zhuǎn)轍機(jī)的動(dòng)作曲線亦可表現(xiàn)出一些細(xì)微差異。實(shí)際中，由于滑床板的物理特性差異，如水平、摩擦等，其正向到反向與反向到正向的動(dòng)作曲線在整體形狀上具有微小可分的區(qū)別。鑒于上述背景，針對轉(zhuǎn)轍機(jī)的動(dòng)作曲線，擬采用具備自適應(yīng)區(qū)分特性的相似度特征來分離不同工作條件下的動(dòng)作曲線，以作為推薦系統(tǒng)的基礎(chǔ)輸入。本文對較為常用的2種特征降維模型PCA和t-SNE算法進(jìn)行了試驗(yàn)比較：t-SNE算法產(chǎn)生的結(jié)果優(yōu)于PCA降維模型，PCA模型的線性方法不利于建模的曲面的流型[3]，t-SNE 算法對相似度矩陣降維轉(zhuǎn)化效果較好。

2.1 特征選取與相似度矩陣

令C{C1,C2,…,Cm}表示一個(gè)轉(zhuǎn)轍機(jī)的所有歷史動(dòng)作曲線，其中m表示C的樣本數(shù)量。為描述方便，若無特別申明，本文中Ci僅表示功率電流曲線。設(shè)P為采用泊松采樣提取C中元素作為參考樣本Sp{S1,S2,…，Sk}的概率，k為參考樣本個(gè)數(shù)，易知：

k=mp

(1)

綜上，根據(jù)C與Sp，可以組成如下的所述的對比矩陣Cm,k:

(2)

據(jù)式(2)可總結(jié)出C的k維相似度矩陣

Dm,k={{d(Cα,Sβ)|β∈[1,k]}|α∈[1,m]}

(3)

當(dāng)數(shù)據(jù)量過大時(shí)，可能會(huì)產(chǎn)生冗余的相似度矩陣維度，造成運(yùn)算時(shí)間激增。為了避免對計(jì)算機(jī)資源的過度浪費(fèi)，有效控制運(yùn)算時(shí)間，本系統(tǒng)將控制k變量，即通過式(1)來動(dòng)態(tài)調(diào)整p值。

2.2 基于t-SNE算法的降維分析

根據(jù)上一節(jié)可知，k維相似度矩陣Dm,k可以刻畫C的內(nèi)在元素之間的相對關(guān)系 ，由此可以區(qū)分單一轉(zhuǎn)轍機(jī)在不同工作狀態(tài)下的動(dòng)作曲線記錄。在實(shí)際分析中，由于k的數(shù)值過大，使用Dm,k對C的相似度進(jìn)行分析時(shí)，必然遭受維度災(zāi)難；另一方面，當(dāng)k數(shù)值過大時(shí)，人工無法復(fù)查，不能直觀地檢驗(yàn)采用相似度特征進(jìn)行衡量時(shí)其結(jié)果的優(yōu)劣。因此，擬采用特征降維方式來轉(zhuǎn)換Dm,k為Fm,2，記為C的2維相似度特征，即：

Fm,2=R(Dm,k)

(4)

式(4)中，R(·)表示用過降維算法重構(gòu)Dm,k以得到Fm,2的過程。t-SNE算法具有最優(yōu)的降維結(jié)果，如圖2所示。

圖2 樣本(19#轉(zhuǎn)轍機(jī))數(shù)據(jù)降維結(jié)果

圖2中每一個(gè)點(diǎn)都表示19#轉(zhuǎn)轍機(jī)的一條歷史動(dòng)作曲線，通過降維以后的特征值，在二維坐標(biāo)中顯示出來，即可觀察到其相對的相似性關(guān)系?？梢钥闯?，19#轉(zhuǎn)轍機(jī)的動(dòng)作曲線，在曲線形狀上有兩種形態(tài)，這兩種形態(tài)分別為轉(zhuǎn)轍機(jī)定位到反位扳動(dòng)與反位到定位扳動(dòng)兩種工作模式。

3 自適應(yīng)分類成簇

本文通過 DBSCAN 算法對相似度特征聚類，根據(jù)特征表征的動(dòng)作曲線形狀聚類成簇。在對大量歷史數(shù)據(jù)分析中，發(fā)現(xiàn)轉(zhuǎn)轍機(jī)的正常動(dòng)作曲線能夠反映出多種類簇，且每一種工況所反映出來的動(dòng)作曲線都具備接近的相似性。為了實(shí)現(xiàn)上述功能，首先需要自動(dòng)識(shí)別這些類簇，進(jìn)而令系統(tǒng)在無監(jiān)督模式下學(xué)習(xí)到這些分類方法。DBSCAN聚類算法具備較高的聚類準(zhǔn)確性，即使在個(gè)別轉(zhuǎn)轍機(jī)存在多種工況模式的前提下，也能較合理地聚類成簇[4]。圖3為某轉(zhuǎn)轍機(jī)的復(fù)雜工況自適應(yīng)學(xué)習(xí)實(shí)例，圖中的各個(gè)數(shù)字代表不同的工況模式。

圖3 轉(zhuǎn)轍機(jī)各工況下數(shù)據(jù)自適應(yīng)分類成簇結(jié)果

受使用頻度和安裝位置等因素影響，各個(gè)轉(zhuǎn)轍機(jī)之間的工況模式可以看作相互獨(dú)立的事件。為了下文描述方便，以ti表示任一轉(zhuǎn)轍機(jī)通過無監(jiān)督機(jī)器學(xué)習(xí)的方式總結(jié)得到的工況模式，以圖3轉(zhuǎn)轍機(jī)的動(dòng)作曲線形狀分布為例，i∈[1,6]。

4 推薦轉(zhuǎn)轍機(jī)動(dòng)作功率參考曲線擬合方法

對于任意處于服役階段的轉(zhuǎn)轍機(jī)，據(jù)上文得知存在若干工況{t1,t2,…,ts}，對于每組工況ti，都存在對應(yīng)的動(dòng)作曲線{C1,ti,C2,ti,…,Cψ,ti}，即{Cγ，ti|γ∈[1,ψ]}，其中ψ表示該工況下所包含的歷史動(dòng)作曲線總數(shù)。本節(jié)主要闡述如何通過{Cγ，ti|γ∈[1,ψ]}生成對應(yīng)工況下的候選參考曲線Cref,ti。

1) 統(tǒng)計(jì)擬合方法。本文嘗試了統(tǒng)計(jì)擬合方法和正太擬合方法進(jìn)行參考曲線的擬合工作。試驗(yàn)發(fā)現(xiàn)：統(tǒng)計(jì)擬合方法可以快速地反映出Sti下曲線形狀的主體趨勢，可以通過均值和中位數(shù)方式快速擬合出具有普遍規(guī)律的候選參考曲線Cref，Sti。以均值擬合為例，其計(jì)算方法如下：

(5)

式(5)中，Cγ，ti(α)表示ti下第γ組動(dòng)作曲線的第α個(gè)采樣值；l表示Cref，ti的采樣點(diǎn)數(shù)，該數(shù)值與對應(yīng)的轉(zhuǎn)轍機(jī)物理特性有關(guān)。

2) 正太擬合方法。統(tǒng)計(jì)方法存在一定潛在缺陷，當(dāng)Sti對應(yīng)的動(dòng)作曲線集合中存在游離的動(dòng)作曲線，即因極個(gè)別漏報(bào)警所導(dǎo)致的故障數(shù)據(jù)混入{Cγ，ti|γ∈[1,ψ]}中時(shí)，根據(jù)式(7)生成的候選曲線會(huì)產(chǎn)生一定畸變，需要人工進(jìn)行調(diào)整。

為了避免這種潛在缺陷，可以借助正態(tài)分布X～N(μ,σ2)來有效削弱游離動(dòng)作曲線所帶來的畸變。其中，參數(shù)μ為{Cγ，ti|γ∈[1,ψ]}的平均數(shù)，參數(shù)σ為{Cγ，ti|γ∈[1,ψ]}的標(biāo)準(zhǔn)差。根據(jù)常識(shí)可知，可游離動(dòng)作曲線中的數(shù)值偏離{Cγ，ti|γ∈[1,ψ]}內(nèi)的主流數(shù)值，因此引入N(μ,σ2)的概率密度函數(shù)P：

(6)

式(6)作為式(7)中的加權(quán)權(quán)重，即可使得生成的候選參考曲線盡可能地接近ti下的動(dòng)作曲線的樣本核心。

鑒于此，可以通過如下步驟來生成候選參考曲線：

(7)

(8)

Wα,i=P(Cγ，ti(α),μα,σα)

(9)

(10)

結(jié)合式(7)-式(10)及式(5)，得到正太擬合方法如下：

(11)

與式(5)相比，式(11)具備自適應(yīng)去噪的特性。圖4為使用正太擬合方法得出的轉(zhuǎn)轍機(jī)動(dòng)作功率參考曲線。

圖4 正太擬合方法生成的轉(zhuǎn)轍機(jī)動(dòng)作功率參考曲線

5 結(jié)語

針對城市軌道交通中道岔轉(zhuǎn)轍機(jī)設(shè)備類型多樣化、人工設(shè)置參考曲線受制于經(jīng)驗(yàn)知識(shí)、數(shù)據(jù)分段分析方法不具普適性等問題，本文提出了一種基于轉(zhuǎn)轍機(jī)動(dòng)作曲線相似度特征的轉(zhuǎn)轍機(jī)工況自適應(yīng)識(shí)別方法和不同工況下轉(zhuǎn)轍機(jī)參考曲線推薦方法。該方法通過分析轉(zhuǎn)轍機(jī)動(dòng)作曲線相似度，實(shí)現(xiàn)了自適應(yīng)分類成簇，完成了不同工況下的參考曲線推薦，以最小的人力成本為海量繁雜的轉(zhuǎn)轍機(jī)歷史動(dòng)作曲線數(shù)據(jù)附加合理的數(shù)據(jù)標(biāo)簽，并能根據(jù)每個(gè)轉(zhuǎn)轍機(jī)的服役性狀給予推薦的參考曲線，解決了目前設(shè)置參考曲線受制于人工經(jīng)驗(yàn)知識(shí)的問題。該識(shí)別方法在21萬余條轉(zhuǎn)轍機(jī)動(dòng)作功率曲線樣本構(gòu)成的數(shù)據(jù)集上測試驗(yàn)證，取得了良好的效果。