基于鎖閉功率的地鐵折返道岔鎖閉卡阻臨界態(tài)自適應(yīng)判別研究

文 豪 毛珺蕓 徐 陽

(1.武漢鐵路職業(yè)技術(shù)學(xué)院鐵道通信與信號(hào)學(xué)院，430205，武漢;2.武漢地鐵運(yùn)營有限公司，430019，武漢;3.武漢鐵路職業(yè)技術(shù)學(xué)院質(zhì)量與教育教學(xué)督導(dǎo)管理處，430205，武漢∥第一作者，工程師)

道岔及其轉(zhuǎn)換裝置是最基礎(chǔ)的軌道交通行車設(shè)備，一旦出現(xiàn)故障，輕則影響列車運(yùn)營，重則導(dǎo)致安全事故，因此，保障道岔動(dòng)作的可靠性至關(guān)重要。道岔鎖閉是通過尖軌、鎖閉裝置、轉(zhuǎn)轍機(jī)等3處構(gòu)件的動(dòng)作共同完成的，且該階段時(shí)常出現(xiàn)卡阻問題。地鐵折返道岔動(dòng)作頻繁、磨耗加劇，更易短期內(nèi)誘發(fā)鎖閉卡阻故障。因此，及時(shí)有效地捕捉故障臨界點(diǎn)，提前進(jìn)行預(yù)警處置有著重要意義［1］。

由于道岔鎖閉階段各部位動(dòng)作復(fù)雜，非故障時(shí)難以直觀發(fā)現(xiàn)異常，且尚無可以用來正面綜合分析設(shè)備工況演變趨勢的物理模型。因此，目前針對(duì)卡阻故障的預(yù)判，以人工分析鎖閉功率曲線等可側(cè)面反映道岔及轉(zhuǎn)轍機(jī)整體動(dòng)作狀態(tài)的監(jiān)測數(shù)據(jù)為主，存在主觀性強(qiáng)、不確定因素大等問題。此外，人工分析通常利用轉(zhuǎn)轍機(jī)額定功率(如S700K交流電機(jī)轉(zhuǎn)轍機(jī)額定功率為400 W)作為統(tǒng)一閾值判斷所有道岔當(dāng)前動(dòng)作是否異常，但實(shí)踐效果并不穩(wěn)定。文獻(xiàn)［2-4］可實(shí)現(xiàn)機(jī)器代替人工進(jìn)行道岔故障診斷，但針對(duì)故障智能預(yù)警方法的研究仍較為匱乏，且在當(dāng)前普遍不具備深度智能監(jiān)測的條件下難以直接應(yīng)用。

針對(duì)上述問題，本文以S700K轉(zhuǎn)轍機(jī)及其動(dòng)作功率為對(duì)象，基于統(tǒng)計(jì)視角建立道岔鎖閉卡阻臨界態(tài)自適應(yīng)判別機(jī)制和實(shí)現(xiàn)模型，進(jìn)而設(shè)計(jì)故障預(yù)判應(yīng)用場景，目的在于同時(shí)滿足各場景一般應(yīng)用需求和將來道岔設(shè)備運(yùn)維的深度智能化監(jiān)測發(fā)展需要。

1 地鐵折返道岔鎖閉卡阻故障前鎖閉功率變化行為分析

1.1 實(shí)際道岔鎖閉卡阻故障前鎖閉功率統(tǒng)計(jì)分析

以武漢地鐵S700K雙機(jī)牽引道岔為分析對(duì)象，將近期4號(hào)線、6號(hào)線、8號(hào)線、陽邏線某5個(gè)折返站的6組不同道岔轉(zhuǎn)轍機(jī)發(fā)生的共8起鎖閉卡阻故障(故障編號(hào)為1—8)作為案例。其中，故障7、故障8分別為故障2、故障5的二次發(fā)生。

從監(jiān)測提供的故障前連續(xù)100次道岔鎖閉功率曲線上，采集鎖閉階段的最大瞬時(shí)鎖閉功率(以下簡為“鎖閉功率”)，并將其作為分析集合。將每個(gè)案例所采集的故障前的鎖閉功率值按產(chǎn)生先后次序連接成趨勢圖，并繪制在同一個(gè)坐標(biāo)系中，如圖1所示。

圖1 各案例下地鐵道岔鎖閉卡組故障前鎖閉功率變化曲線Fig.1 Metro switch power change curve before locker card group fault in each case

由圖1可知，各故障前100次的前半程鎖閉功率值基本處于較平穩(wěn)狀態(tài)，約后半程開始有相對(duì)明顯的上升趨勢且數(shù)值整體增大。進(jìn)一步將分析樣本集分為G1(前半程50個(gè)數(shù)據(jù))和G2(后半程50個(gè)數(shù)據(jù))2組，計(jì)算兩組的平均值p，并進(jìn)行Mann-Kendall趨勢檢驗(yàn)(以下簡為“M-K趨勢檢驗(yàn)”)來客觀評(píng)價(jià)鎖閉功率變化趨勢。M-K趨勢檢驗(yàn)過程如下:

設(shè)有n個(gè)樣本量{X1，…，Xn}的時(shí)間序列，對(duì)參數(shù)k和j有:k≤n，j≤n，k≠j。按式(1)計(jì)算檢驗(yàn)統(tǒng)計(jì)量S:

當(dāng)n≥10時(shí)，認(rèn)為S大致服從正態(tài)分布。其中，正態(tài)分布的均值為0，方差V計(jì)算如下:

將計(jì)算所得的標(biāo)準(zhǔn)正態(tài)統(tǒng)計(jì)變量Z作為鎖閉功率變化趨勢檢驗(yàn)值:

當(dāng)Z＞0時(shí)，表示鎖閉功率處于上升趨勢，反之處于下降趨勢。分別表示通過置信度90%、95%、99%的顯著性檢驗(yàn)。

表1給出了各案例故障前鎖閉功率變化指標(biāo)分組的計(jì)算結(jié)果。由表1可知:所有故障前G2組的鎖閉功率平均值均大于G1組，說明臨近故障前的鎖閉功率整體有提升;G2組鎖閉功率的M-K趨勢檢驗(yàn)值均大于0(多數(shù)超過了99%的置信度區(qū)間)，且都大于G1組，說明臨近故障前的鎖閉功率普遍較更早前有相對(duì)明顯的上升趨勢，符合圖1的直觀分析結(jié)果。

表1 地鐵折返道岔鎖閉功率變化指標(biāo)分組計(jì)算結(jié)果Tab.1 Calculation results of change index grouping of metro turnback switch power

1.2 分析結(jié)論

1)鎖閉卡阻故障前的鎖閉功率普遍呈明顯的上升趨勢，分析鎖閉功率值可以用來進(jìn)行鎖閉卡阻臨界狀態(tài)判別，從而進(jìn)一步實(shí)現(xiàn)故障預(yù)判。

2)圖1除展示出鎖閉卡阻故障前鎖閉功率值有上升趨勢外，還提供了1項(xiàng)重要信息:不同道岔故障前鎖閉功率變化范圍存在差異，這和道岔所處環(huán)境、電機(jī)狀況，以及鎖閉功率采集的情況相關(guān)。由此說明，將S700K轉(zhuǎn)轍機(jī)的出廠額定功率作為閾值來進(jìn)行所有道岔鎖閉卡阻臨界狀態(tài)的判別并不合理。事實(shí)上，每個(gè)道岔的每個(gè)動(dòng)作方向都應(yīng)根據(jù)自身情況來設(shè)置鎖閉卡阻臨界功率閾值(以下簡為“臨界閾值”)，這樣方可自適應(yīng)地進(jìn)行臨界態(tài)判別。

2 臨界閾值自適應(yīng)分割模型的建立

2.1 基于循環(huán)Otsu的臨界閾值自適應(yīng)分割模型

現(xiàn)有求取故障分類或預(yù)警閾值的方法主要基于對(duì)豐富樣本進(jìn)行關(guān)聯(lián)度分析或分類學(xué)習(xí)而展開［5］。而實(shí)際上道岔動(dòng)作故障次數(shù)要遠(yuǎn)小于正常動(dòng)作次數(shù)，因此存在正負(fù)數(shù)據(jù)樣本比例失衡的問題。對(duì)此，文獻(xiàn)［6］提出使用單分類機(jī)器學(xué)習(xí)對(duì)大量非故障數(shù)據(jù)進(jìn)行訓(xùn)練獲取預(yù)警閾值，但核函數(shù)和懲罰因子等關(guān)鍵參數(shù)需要人為主觀確定。由于臨界閾值分布于“端值區(qū)”，人為設(shè)置參數(shù)引起的不確定性會(huì)被放大從而影響判斷結(jié)果。

本文借鑒閾值分割和異常值檢驗(yàn)等相關(guān)知識(shí)，從樣本數(shù)據(jù)間的關(guān)系入手，基于經(jīng)典Otsu方法［7］設(shè)計(jì)了1種自適應(yīng)的循環(huán)分割模型來獲得臨界閾值。

2.1.1 Otsu算法內(nèi)容

將Otsu算法推廣到一般數(shù)據(jù)處理中。給定有限實(shí)數(shù)組，在其取值范圍內(nèi)定義閾值T，將其分為大于T的前景數(shù)組和小于T的背景數(shù)組。設(shè)前景數(shù)組的元素個(gè)數(shù)占比為ω0，平均值為μ0;背景數(shù)組的元素個(gè)數(shù)占比為ω1，平均值為μ1;總體平均值為μ。由此得到如下關(guān)系式:

前景數(shù)組和背景數(shù)組類間方差g按下式計(jì)算:

將式(4)和(5)代入式(6)，化簡得到:

在定義域內(nèi)遍歷T的取值使g達(dá)到最大，此時(shí)對(duì)應(yīng)的T值即為Otsu閾值。其意義是以數(shù)組自身最大類間方差為客觀標(biāo)準(zhǔn)，將其分割為相對(duì)差別最大的前景數(shù)組和背景數(shù)組。

2.1.2 循環(huán)Otsu分割確定臨界閾值

循環(huán)Otsu分割確定臨界閾值的具體過程，共包括3個(gè)環(huán)節(jié):

1)采集非故障鎖閉功率樣本集{P1}。同時(shí)采集故障前后期、狀態(tài)穩(wěn)定期和狀態(tài)波動(dòng)期的數(shù)據(jù)組成樣本集。并利用等間隔采集方式擴(kuò)大覆蓋時(shí)期，樣本容量n不少于5 000例。

2)循環(huán)Otsu分割機(jī)制。首先將{P1}進(jìn)行Otsu分割，把數(shù)值更大的前景數(shù)組作為相對(duì)異常數(shù)組留下。由于第1次分割是粗糙的，接下來繼續(xù)把留下的數(shù)組進(jìn)行Otsu分割，如此循環(huán)。前景數(shù)組范圍隨分割次數(shù)增大而逐步減小，達(dá)到一定條件后停止分割，此時(shí)的分割閾值即為臨界閾值。

3)客觀控制條件設(shè)置。主要設(shè)置兩類條件:

第1類條件:確定T的取值范圍。設(shè)待分割樣本集最大值和最小值分別為Pmax和Pmin，則有:

式中:

此外，規(guī)定T按步長0.5增長。若一次分割后存在多個(gè)T值使得g達(dá)到統(tǒng)一最大值，則取Tmax作為分割閾值。

第2類條件:循環(huán)分割終止判定。當(dāng)T增長到超過樣本異常值常規(guī)檢驗(yàn)標(biāo)準(zhǔn)時(shí)終止分割，即:

式中:

p、σ——分別表示樣本的平均值和標(biāo)準(zhǔn)差。

若T未滿足式(9)的條件，但卻增長到其取值范圍內(nèi)的最大值時(shí)，則提前終止分割。

2.2 模型有效性驗(yàn)證

根據(jù)2.1節(jié)中的方法得到故障案例1—8對(duì)應(yīng)的臨界閾值，并將其作為參考線，繪制各故障前連續(xù)100次鎖閉功率變化趨勢圖，并與各樣本集中隨機(jī)抽取的100個(gè)鎖閉功率進(jìn)行對(duì)比，如圖2所示。

由圖2可知，所得臨界閾值可有效分割出各故障前相對(duì)明顯的異常鎖閉功率值，能起到提前預(yù)判作用，且對(duì)于絕大多數(shù)相對(duì)正常值具有魯棒性。

圖2 不同故障案例下循環(huán)Otsu閾值分割有效性驗(yàn)證Fig.2 Validation of cyclic Otsu threshold segmentation effectiveness in different fault cases

3 地鐵折返道岔鎖閉卡阻臨界態(tài)判別的應(yīng)用

3.1 應(yīng)用場景方案設(shè)計(jì)

該場景方案應(yīng)用于地鐵折返主用道岔運(yùn)營中的實(shí)時(shí)鎖閉卡阻故障預(yù)判。出現(xiàn)告警時(shí)提前更換備用道岔折返，避免故障發(fā)生。

3.1.1 場景模式

1)事先準(zhǔn)備。采集各道岔非故障鎖閉功率樣本訓(xùn)練得到臨界閾值Tl，將其與樣本最大值Th組成臨界閾值范圍［Tl，Th］。

2)現(xiàn)場應(yīng)用。以天為1個(gè)應(yīng)用周期，以當(dāng)前時(shí)刻為基準(zhǔn)，采集道岔最近連續(xù)10次同方向扳動(dòng)產(chǎn)生的鎖閉功率，并按次序組成分析簇。基于臨界閾值范圍和決策參數(shù)進(jìn)行邏輯分析，判斷其是否可能萌發(fā)故障。每動(dòng)作1次，可更新1次分析簇。

3.1.2 應(yīng)用場景流程及管控參數(shù)

應(yīng)用場景流程見圖3。其管控參數(shù)有:分析簇所有元素落入［Tl，Th］內(nèi)的統(tǒng)計(jì)量S1，分析簇所有元素大于Th的統(tǒng)計(jì)量S2，控制門限t(規(guī)定t取大于1的整數(shù))。

圖3 應(yīng)用場景流程圖Fig.3 Application scenario flow chart

3.2 方案測試驗(yàn)證

1)故障當(dāng)日預(yù)判試驗(yàn)。在前述8個(gè)故障案例試驗(yàn)中，采集故障當(dāng)日運(yùn)營開始道岔第1次動(dòng)作至故障前最后1次動(dòng)作產(chǎn)生的鎖閉功率，并將其作為樣本。按照?qǐng)D3的應(yīng)用流程，模擬試驗(yàn)閾值t分別取2、3、4、5時(shí)的故障預(yù)判提前步數(shù)Q。Q的定義如下:從當(dāng)日第1次道岔動(dòng)作算起，實(shí)際故障發(fā)生時(shí)已動(dòng)作次數(shù)與預(yù)判故障發(fā)生時(shí)動(dòng)作次數(shù)之差。若故障前仍未發(fā)出告警，則Q為0。試驗(yàn)結(jié)果見圖4。由圖4可知，t取2、3時(shí)，Q均大于0，表明在各故障前可成功預(yù)判;t為其他取值時(shí)，均存在漏判。

圖4 故障當(dāng)日預(yù)判試驗(yàn)Fig.4 Predictive tests on the failure day

2)非故障日誤判試驗(yàn)。若在非故障日給出故障預(yù)判告警，則視為誤判。因此，定義當(dāng)日誤判次數(shù)與試驗(yàn)方向道岔扳動(dòng)次數(shù)的比值為誤判率。按照故障當(dāng)日預(yù)判試驗(yàn)的模式，分別計(jì)算t取2、3、4、5時(shí)各故障日第1～2 d(記為D1)、第3～7 d(記為D2)、第8～12 d(記為D3)等3個(gè)最鄰近故障期但均屬非故障日的平均誤判率，試驗(yàn)結(jié)果見圖5。由圖5可知，D2時(shí)期t取3、4、5，以及D3時(shí)期t取5時(shí)的4組誤判率曲線緊貼橫軸，表明這4組誤判率均為0。

圖5 非故障日誤判試驗(yàn)Fig.5 Misjudgment tests on the non-failure day

3)試驗(yàn)結(jié)果綜合分析。t越小預(yù)判成功可能性越大，但誤判率也加速上升，這符合統(tǒng)計(jì)類方法的相悖規(guī)律。在實(shí)際應(yīng)用中，通常允許偶爾出現(xiàn)誤判，但要盡量杜絕漏判。因此，在本文試驗(yàn)條件下，t取3時(shí)方案最有效，能在各故障案例當(dāng)日成功預(yù)判且誤判率低，可滿足實(shí)際運(yùn)用需求。

4 結(jié)語

本文針對(duì)目前利用鎖閉功率曲線和轉(zhuǎn)轍機(jī)額定功率值進(jìn)行道岔鎖閉卡阻故障預(yù)警固有模式的不足，提出循環(huán)Otsu臨界閾值分割方法，建立“樣本統(tǒng)計(jì)+計(jì)算模型+應(yīng)用場景”的自適應(yīng)判別新機(jī)制。實(shí)證測試效果較好，且滿足地鐵智能化運(yùn)維的發(fā)展需要。