安春蘭，甘方成，羅微，秦發(fā)園

（1.華東交通大學(xué) 軌道交通學(xué)院，江西 南昌 330013；2.北京全路通信信號(hào)研究設(shè)計(jì)院有限公司，北京 100073）

提速道岔小波包能量熵故障診斷方法

安春蘭1，甘方成1，羅微1，秦發(fā)園2

（1.華東交通大學(xué) 軌道交通學(xué)院，江西 南昌 330013；2.北京全路通信信號(hào)研究設(shè)計(jì)院有限公司，北京 100073）

將小波包變換應(yīng)用于 S700K型提速道岔轉(zhuǎn)轍機(jī)故障診斷中，以微機(jī)監(jiān)測(cè)系統(tǒng)采集的S700K型轉(zhuǎn)轍機(jī)三相交流電流為信號(hào)源，基于小波包多尺度分析對(duì)道岔轉(zhuǎn)轍機(jī)正常工作狀態(tài)和各故障狀態(tài)下的三相交流電流進(jìn)行分解，并通過小波包能量熵提取故障特征，然后根據(jù)能量熵定義故障診斷指標(biāo)，并對(duì)每相電流的故障診斷指標(biāo)設(shè)定2個(gè)閾值，來(lái)定量劃分故障類型。實(shí)驗(yàn)結(jié)果表明：道岔不同故障情況下，三相電流小波包能量熵分布有一定的規(guī)律，故障診斷指標(biāo)閾值的設(shè)定能有效劃分道岔故障類型，待測(cè)樣本測(cè)試結(jié)果與現(xiàn)場(chǎng)診斷結(jié)果一致。

轉(zhuǎn)轍機(jī)；道岔；故障診斷；小波包分析；小波包能量熵

高速鐵路的迅速發(fā)展對(duì)道岔的安全性與可靠性提出了更高的要求，也給道岔維修人員及時(shí)、準(zhǔn)確地發(fā)現(xiàn)、排查故障帶來(lái)了新的挑戰(zhàn)。目前，高速鐵路使用最廣泛的道岔轉(zhuǎn)轍機(jī)類型是 S700K型電動(dòng)轉(zhuǎn)轍機(jī)，鐵路部門通過微機(jī)監(jiān)測(cè)系統(tǒng)實(shí)時(shí)地監(jiān)測(cè)并采集轉(zhuǎn)轍機(jī)的動(dòng)作電流，一旦發(fā)生故障，現(xiàn)場(chǎng)主要通過人工來(lái)分析轉(zhuǎn)轍機(jī)動(dòng)作電流曲線，排查故障，進(jìn)而判別其故障類型。因此維修人員的經(jīng)驗(yàn)和水平直接影響診斷的效率和準(zhǔn)確率。為適應(yīng)高速鐵路的要求，有必要研究道岔智能故障診斷方法。目前，國(guó)內(nèi)外在道岔智能故障診斷方面已開展了相應(yīng)的研究，蘇曠宇等［1-2］從道岔控制電路入手，采用信息融合技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)道岔系統(tǒng)的故障診斷。Roberts等［3］以監(jiān)測(cè)系統(tǒng)的轉(zhuǎn)速和壓力為參數(shù)建立道岔多項(xiàng)式模型實(shí)現(xiàn)故障診斷。張喜等［4］基于人工智能和專家系統(tǒng)方法開發(fā)車站信號(hào)控制設(shè)備故障診斷專家系統(tǒng)。趙林海等［5］基于道岔轉(zhuǎn)轍機(jī)各種故障模式下的動(dòng)作電流曲線變化規(guī)律，采用Fisher準(zhǔn)則提取各種故障模式所對(duì)應(yīng)的特征向量，并采用灰關(guān)聯(lián)法實(shí)現(xiàn)智能故障診斷。董昱等［6］基于小波包分解方法提取 ZD6型轉(zhuǎn)轍機(jī)故障特征向量，并通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)智能故障診斷。然而提速道岔區(qū)段采用S700K型三相交流電動(dòng)轉(zhuǎn)轍機(jī)，再采用以上方法提取故障特征則特征向量維數(shù)太大，診斷效率會(huì)大大降低。小波分析因其多尺度多分辨率特性被廣泛應(yīng)用于各種故障診斷中［7-11］，并取得了很好的效果。因此，本文將小波包分解與小波包能量熵應(yīng)用于道岔故障診斷中，首先以微機(jī)監(jiān)測(cè)采集的 S700K型三相交流電動(dòng)轉(zhuǎn)轍機(jī)的動(dòng)作電流為信息源，采用“db19”小波函數(shù)對(duì)正常工作狀態(tài)和各種故障狀態(tài)下的三相動(dòng)作電流進(jìn)行6層小波包分解，然后以第 6層各節(jié)點(diǎn)系數(shù)為參數(shù)計(jì)算小波包能量熵，并根據(jù)小波包能量熵定義故障診斷指標(biāo)，最后根據(jù)各故障狀態(tài)下的三相電流小波包能量熵故障診斷指標(biāo)設(shè)定故障診斷指標(biāo)閾值，定量劃分故障模式實(shí)現(xiàn)智能故障診斷。

1 小波變換

1.1 小波包分解

小波分析是一種窗口面積固定但其形狀可改變，即時(shí)間和頻率窗都可改變的時(shí)頻局部化分析方法，由于它在分解的過程中只對(duì)低頻信號(hào)再分解，對(duì)高頻信號(hào)不再實(shí)施分解，使得其頻率分辨率隨頻率升高而降低。小波包分解不僅對(duì)低頻部分進(jìn)行分解，對(duì)高頻部分也實(shí)施了分解，而且小波包分解能根據(jù)信號(hào)特性和分析要求自適應(yīng)地選擇相應(yīng)頻帶與信號(hào)頻譜相匹配，從而可聚焦到信號(hào)的任意細(xì)節(jié)，因而與小波相比能更有效地從信號(hào)中提取信息［12］。

小波包變換的二尺度方程定義如下：

其中：w0（t）=φ（t）為尺度函數(shù)，w1（t）=ψ（t）為小波函數(shù)；h（k）和 g（k）分別為由尺度函數(shù)φ（t）和小波函數(shù) ψ（t）對(duì)應(yīng)的低通和高通濾波器系數(shù)，g（k）=（-1）kh（1-k）即兩系數(shù)具有正交關(guān)系，由式 （1）構(gòu) 造 的 序 列 ｛wn｝n∈Z+稱 為 由基 函 數(shù)w0（t）=φ（t）確定的小波包。

小波包系數(shù)遞推公式定義如下：

1.2 小波函數(shù)與分解層數(shù)的選擇

本文選擇Daubechies小波作為故障特征提取的小波函數(shù)，并采用文獻(xiàn)［8］中的方法，引入代價(jià)函數(shù) M｛Ei，j｝（Ei，j為小波包能量譜中各頻帶能量系數(shù)）來(lái)確定 Daubechies小波函數(shù)階次以及小波包分解層次。通過計(jì)算 lp范數(shù)熵標(biāo)準(zhǔn)作為代價(jià)函數(shù)，lp范數(shù)熵（1≤p≤2）定義為：

1.3 小波包能量熵

在信息論中，熵被用來(lái)衡量一個(gè)隨機(jī)變量出現(xiàn)的期望值。它代表了在被接收之前，信號(hào)傳輸過程中損失的信息量，又被稱為信息熵。小波包能量熵能反映信號(hào)在信號(hào)各尺度能量的分布情況。對(duì)于轉(zhuǎn)轍機(jī)動(dòng)作電流信號(hào)處理來(lái)說，不同故障模式下小波包能量熵不同，因此可把各故障模式下的小波包能量熵作為各種故障特征參數(shù)。

由于同一尺度下不同的小波包能量熵可以反應(yīng)不同的故障狀態(tài)，所以定義同一尺度下各故障狀態(tài)的小波包能量熵 Wj與正常工作狀態(tài)的小波包能量熵 W的偏差百分比作為故障診斷指標(biāo)［11］，即：

2 基于小波包能量熵的道岔故障分析

2.1 S700K型轉(zhuǎn)轍機(jī)動(dòng)作電流分析

道岔動(dòng)作電流曲線是反映道岔運(yùn)用質(zhì)量的一個(gè)重要指標(biāo)。微機(jī)監(jiān)測(cè)系統(tǒng)對(duì)道岔動(dòng)作電流隨時(shí)間的變化進(jìn)行實(shí)時(shí)監(jiān)測(cè)，通過對(duì)動(dòng)作電流曲線的分析，可對(duì)道岔的電氣特性、機(jī)械特性和時(shí)間特性進(jìn)行判斷，圖1為 S700K型轉(zhuǎn)轍機(jī)牽引道岔正常動(dòng)作的電流曲線。道岔轉(zhuǎn)換過程分為解鎖、轉(zhuǎn)換和鎖閉3個(gè)階段：

第1為解鎖階段，三相電動(dòng)機(jī)得到380 V交流電源，電機(jī)啟動(dòng)，啟動(dòng)電流很大，此階段會(huì)出現(xiàn)峰值，表示接點(diǎn)斷開，完成解鎖后電流迅速回落。

第2為轉(zhuǎn)換過程，三相電動(dòng)機(jī)繼續(xù)轉(zhuǎn)動(dòng)，動(dòng)作桿帶動(dòng)道岔尖軌或可動(dòng)心軌平穩(wěn)轉(zhuǎn)換，此階段動(dòng)作電流曲線平滑。

第3為鎖閉過程，完成鎖閉，接通表示接點(diǎn)，此時(shí)一相電流迅速回落至 0，另外兩相電流回落至0.4 A左右。隨著道岔位置給出，道岔控制電路斷開，另外兩相電流變?yōu)?。

圖1 S700K型轉(zhuǎn)轍機(jī)正常動(dòng)作電流曲線Fig.1 Curves of normal operation current for S700K type switch machine

根據(jù)現(xiàn)場(chǎng)調(diào)研，S700K轉(zhuǎn)轍機(jī)的典型故障模式有7種：

1）不能解鎖：其中一項(xiàng)電流在鎖閉階段有大幅波動(dòng)，整個(gè)動(dòng)作過程延長(zhǎng)至13 s切斷，電流曲線如圖2（a）所示，原因是轉(zhuǎn)轍機(jī)鎖舌蹩勁無(wú)法解鎖。

2）不能鎖閉：三相電流在整個(gè)過程中出現(xiàn)鋸齒形波動(dòng)，且扳動(dòng)時(shí)間延長(zhǎng)至13 s切斷，電流曲線如圖2（b）所示。原因是尖軌爬行超標(biāo)或尖軌夾有異物導(dǎo)致鎖鉤、鎖塊蹩勁，道岔無(wú)法鎖閉。

3）密貼器故障（或室外表示電路開路）：鎖閉階段小臺(tái)階無(wú)電流，電流曲線如圖2（c）所示，原因是密貼器故障或室外表示電路開路。

4）室外電阻短路：轉(zhuǎn)換階段末端電流出現(xiàn)峰值，鎖閉階段小臺(tái)階偏高到正常電流的3倍，電流曲線如圖2（d）所示。

5）整流堆不良（至少1對(duì)二極管軟擊穿）：鎖閉階段小臺(tái)階電流偏高到正常電流的2倍，電流曲線如圖2（e）所示。

6）轉(zhuǎn)轍機(jī)內(nèi)部故障（電機(jī)中間齒輪別卡）：解鎖階段電流高達(dá)4 A左右，整個(gè)過程中電流出現(xiàn)鋸齒型波動(dòng)，轉(zhuǎn)換和鎖閉階段電流值正常，由于故障點(diǎn)發(fā)生在摩擦聯(lián)結(jié)器前所以解鎖階段電流高，而摩擦聯(lián)結(jié)器后電流與正常值一致，電流曲線如圖2 （f）所示。

7）TS-1接點(diǎn)不良：道岔在扳動(dòng)中至少有一相電流會(huì)向下變化最低到0，電流曲線如圖2（g）所示。

2.2 小波包分析道岔故障診斷方法

小波包分析是一種能夠?qū)⒌皖l分辨到任意細(xì)節(jié)的信號(hào)處理方法。因此，它能有效地提取電動(dòng)轉(zhuǎn)轍機(jī)動(dòng)作電流曲線中的故障信息。將小波包能量熵分析法應(yīng)用于 S700K型道岔轉(zhuǎn)轍機(jī)動(dòng)作電流故障診斷中的步驟如下（以A相交流信號(hào)為例，B和C兩相交流信號(hào)分析方法與 A相同）。

Step1：小波包分解：采用“db19”小波對(duì)A相交流信號(hào)進(jìn)行6層小波包分解，得到第6層從低頻到高頻64個(gè)頻帶的特征信號(hào)SA6j（其中j=0，1，…，63）。

Step2：重構(gòu)小波包系數(shù)，重構(gòu)的目的是恢復(fù)第6層各節(jié)點(diǎn)信號(hào)，使每一節(jié)點(diǎn)的信號(hào)長(zhǎng)度與原信號(hào)長(zhǎng)度一致，從而得到重構(gòu)信號(hào) SSA6j。

Step4：計(jì)算 A相交流信號(hào)第6層小波包分解總能量EA：。

Step5：根據(jù)式（4）求小波包能量熵 WA。

Step6：通過式（5）計(jì)算故障診斷指標(biāo)，為方便計(jì)算，本文在此基礎(chǔ)上乘以100，即

Step7：閾值設(shè)定：根據(jù)各異常狀態(tài)下三相電流小波包能量熵故障診斷指標(biāo)值分別設(shè)定三相交流信號(hào)的故障診斷指標(biāo)閾值 hA1和 hA2，hB1和 hB2，hC1和 hC2，來(lái)定量劃分故障模式。

圖2 轉(zhuǎn)轍機(jī)典型故障動(dòng)作電流曲線Fig.2 Typical fault current curve of switch machine

2.3 小波包能量熵道岔故障診斷

表1為根據(jù) 2.2節(jié)的步驟計(jì)算得到的道岔轉(zhuǎn)轍機(jī)正常狀態(tài)和各故障狀態(tài)下的小波包能量熵值，從表 1可以看出不同故障模式下，三相交流信號(hào)的能量熵不同，對(duì)同一轉(zhuǎn)轍機(jī)來(lái)說，若三相電流變化規(guī)律相似，則能量熵也相近。其中，正常狀態(tài)下，三相電流能量熵之間的關(guān)系是：WC＞W(wǎng)A＞W(wǎng)B，且WA和 WC相近；而 a，c和 f 3種故障狀態(tài)下，WC＞W(wǎng)B＞W(wǎng)A，a狀態(tài)下WA和WB相近，c和f狀態(tài)下WA，WB和 WC相近，且c狀態(tài)下各相電流的小波包能量熵高于f狀態(tài)下；b和g 2種故障狀態(tài)下WB＞W(wǎng)C＞W(wǎng)A，WA，WB和WC相近，且 g狀態(tài)下的三相電流小波包能量熵遠(yuǎn)高于 b狀態(tài)下；d狀態(tài)下WA＞W(wǎng)B＞W(wǎng)C；e狀態(tài)下WC＞W(wǎng)A＞W(wǎng)B，且WA，WB和WC相近。雖然各故障狀態(tài)下道岔轉(zhuǎn)轍機(jī)三相電流小波包能量熵有一定的變化規(guī)律，但是單憑故障狀態(tài)下的小波包能量熵?zé)o法準(zhǔn)確診斷故障情況，需將異常狀態(tài)下各相電流的小波包能量熵與正常狀態(tài)下各相電流能量熵分別進(jìn)行比較，即通過小波包能量熵故障診斷指標(biāo)來(lái)診斷故障。表2為圖2中7種故障狀態(tài)（a～g）下三相交流信號(hào)的小波包能量熵故障診斷指標(biāo)值h，區(qū)分度明顯，根據(jù)表2設(shè)定A，B和 C三相交流信號(hào)小波包能量熵故障診斷評(píng)價(jià)指標(biāo)閾值分別為hA1=-10和 hA2=30，hB1=30和 hB2= 100，hC1=-20和hC2=30。各故障模式與小波包能量熵故障診斷指標(biāo)閾值之間的對(duì)應(yīng)關(guān)系如表 3所示。

若給定待測(cè)信號(hào)源，根據(jù)表3各故障模式下三相交流信號(hào)小波包能量熵故障診斷指標(biāo)區(qū)間，其故障診斷流程如圖3所示。

表1 正常狀態(tài)和各故障狀態(tài)下三相交流信號(hào)的小波包能量熵Table1 Three-phase AC signal wavelet packet energy entropy in normal state and fault state

表2 各故障模式下三相交流信號(hào)小波包能量熵故障診斷指標(biāo)值Table2 Fault diagnosis index of three-phase AC signal wavelet packet energy entropy value in failure modes

表3 各故障模式與三相電流小波包能量熵故障診斷指標(biāo)閾值之間的對(duì)應(yīng)關(guān)系Table3 The relations between the failure modes and the index threshold of fault diagnosis for three-phase current wavelet packet energy entropy

圖3 道岔故障診斷流程Fig.3 Process for switch fault diagnosis

2.4 結(jié)果驗(yàn)證

以圖 4中上海鐵路局某一起道岔故障數(shù)據(jù)為例進(jìn)行測(cè)試，得到 hA=72.205 4，hB=142.994 7，hC=49.281 9，對(duì)照表 2診斷出屬于故障類型 g，即“TS-1接點(diǎn)不良”故障，測(cè)試結(jié)果與現(xiàn)場(chǎng)診斷結(jié)果一致。

圖4 現(xiàn)場(chǎng)轉(zhuǎn)轍機(jī)動(dòng)作電流曲線Fig.4 Switch machine current curve of the field

圖4與圖2（g）相比，電流變化規(guī)律有相似之處，又存在一定的差異，但是不影響診斷結(jié)果，這是由于閾值區(qū)間的設(shè)定保有一定的裕度，避免了誤診斷。

3 結(jié)論

1）小波包能量熵能有效提取 S700K型道岔轉(zhuǎn)轍機(jī)故障特征，且信號(hào)波動(dòng)越明顯，則熵值越大；

2）小波包能量熵故障診斷指標(biāo)能反應(yīng)異常狀態(tài)下三相電流偏離正常信號(hào)的程度，閾值的設(shè)定能定量劃分故障模式；

3）該方法簡(jiǎn)單，故障特征維數(shù)小，且無(wú)需訓(xùn)練，能夠正確識(shí)別故障類型。

［1］蘇曠宇，陳洪云，歐陽(yáng)宏志.提速道岔故障的人工智能診斷實(shí)現(xiàn)［J］.微計(jì)算機(jī)信息，2007，23（8）：188-189.SU Kuangyu，CHEN Hongyun，OUYANG Hongzhi.Use artificial intelligence to diagnose the fault of speediness railway switch［J］.Microcomputer Information，2007，23 （8）：188-189.

［2］董海鷹，李娜.基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機(jī)故障診斷方法研究［J］.測(cè)試技術(shù)學(xué)報(bào)，2013，27（1）：1-7.DONG Haiying，LI Na.Fault diagnosis method for switch machine based on D-S evidence theory information fusion［J］.Journal of Test and Measurement Technology，2013，27（1）：1-7.

［3］Roberts C，Dassanayake H P B，Lehrasab N，et al.Distributed quantitative and qualitative fault diagnosis：railway junction case study［J］.Control Engineering Practice，2002，10（4）：419-429.

［4］張喜，杜旭升，劉朝英.車站信號(hào)控制設(shè)備故障診斷專家系統(tǒng)的研究與實(shí)現(xiàn)［J］.鐵道學(xué)報(bào)，2009，31（3）：43-49.ZHANG Xi，DU Xusheng，LIU Chaoying.Development of railway station signaling control equipment fault diagnosis expert system［J］.Journal of the Railway Society，2009，31 （3）：43-49.

［5］趙林海，陸橋.基于灰關(guān)聯(lián)的道岔故障診斷方法［J］.鐵道學(xué)報(bào)，2014，36（2）：69-74.ZHAO Linhai，LU Qiao.Method of turnout fault diagnosis based on grey correlation analysis［J］.Journal of the Railway Society，2014，36（2）：69-74.

［6］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)，2012，12 （31）：39-43.DONG Yu，ZHAO Yuanyuan，LIN Haixiang.Analysis and research on the action of electric switch machines current based on wavelet analysis［J］.Journal of Lanzhou Jiaotong University，2012，12（31）：39-43.

［7］Yildiz A，Akin M，Poyraz M，ed al.Application of adaptive neuro-fuzzy inference system for vigilance level estimation by using wavelet-entropy feature extraction［J］.Expert Syst Appl，2009，36（4）：7390-7399.

［8］丁幼亮，李愛群.基于振動(dòng)測(cè)試與小波包分析的結(jié)構(gòu)損傷預(yù)警［J］.力學(xué)學(xué)報(bào)，2006，38（5）：639-644.DING Youliang，LI Aiqun.Structural damage early warning based on vibration testing and wavelet packet analysis ［J］.Chinese Journal of Theoretical and Applied Mechanics，2006，38（5）：639-644.

［9］何正友，蔡玉梅，王志兵.電力暫態(tài)信號(hào)小波分析的后處理方法研究［J］.電網(wǎng)技術(shù)，2005，29（21）：46-51.HE Zhengyou，CAI Yumei，WANG Zhibing，et al.A study on post-analysis methods of wavelet-transformed power system transient signals［J］.Power System Technology，2005，29（21）：46-51.

［10］Wang D，Miao D Q，Xie C.Best basis-based wavelet packet entropy feature extraction and hierarchical EEG classification for epileptic detection［J］.Expert Syst Appl，2011，38（11）：14314-14320.

［11］張堯，林凌雪，鐘慶.HVDC換相失敗小波故障診斷方法［J］.華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，35 （10）：172-176.ZHANG Yao，LIN Lingxue，ZHONG Qing.Fault diagnosis based on wavelet for commutation failure in HVDC ［J］.Journal of South China-University of Technology （Natural Science Edition），2007，35（10）：172-176.

［12］孫延奎.小波分析及其應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2005.SUN Yankui.Wavelet analysis and its application［M］.Beijing：Mechanical Industry Press，2005.

（編輯 陽(yáng)麗霞）

Method of speed-up turnout fault diagnosis using wavelet packet energy entropy

AN Chunlan1，GAN Fangcheng1，LUO Wei1，QIN Fayuan2

（1.School of Rail Transportation，East China Jiaotong University，Nanchang 330013，China；2.Beijing National Railway Research&Design Institute of Signal&Communication Co.Ltd，Beijing 100073，China）

The wavelet packet transformation was applied to the fault diagnosis of S700K type speed-up turnout switch machine.The three-phase AC current of S700K switch collected from microcomputer monitoring system was given as signal source.Based on wavelet packet multi-scale analysis，the three-phase alternating current of switch machine in working state and fault state was decomposed，and the fault feature from the wavelet energy entropy was extracted.Then according to the definition of the fault diagnosis index，two thresholds for each phase of the alternating current fault diagnosis index were set to categorize the fault type quantitatively.The experimental results show that wavelet energy entropy distribution of three-phase current has certain rules，and the thresholds of fault diagnosis index can effectively partition switch fault types.Moreover，the sample test results are consistent with the actual field diagnostic results.

switch machine；turnout；fault diagnosis；wavelet packet analysis；wavelet energy entropy

U213.6

A

1672-7029（2015）02-0269-06

2014-09-24

華東交通大學(xué)校立科研基金資助項(xiàng)目（12GD05）

甘方成（1968-），男，河南衛(wèi)輝人，副教授，從事鐵路信號(hào)設(shè)備智能故障診斷方法研究；E-mail：agfch@126.com