胡錦添，蔡俊濤，張 滔

（1.廣州市光機電技術(shù)研究院，廣東廣州 510663；2.廣州地鐵集團(tuán)有限公司，廣東廣州 510330）

0 引言

隨著城軌交通的迅速發(fā)展，微機監(jiān)測被廣泛應(yīng)用于各種軌道裝備[1-3]，為設(shè)備日常維護(hù)決策提供了豐富的數(shù)據(jù)與判斷依據(jù)，保障了信號系統(tǒng)的穩(wěn)定運行。針對電動轉(zhuǎn)轍機的監(jiān)測，主要是采集電動轉(zhuǎn)轍機動作過程的電流曲線與電壓曲線，技術(shù)人員憑借經(jīng)驗對電流曲線與功率曲線進(jìn)行分析，根據(jù)電流曲線的各項特征參數(shù)來判斷轉(zhuǎn)轍機的機械與電氣的特性變化[4-6]。但存在著分析時間長、誤判與漏判的問題，因此，相對于人工分析，利用計算機基于QTA算法進(jìn)行故障自動檢測與診斷，可實現(xiàn)在線快速進(jìn)行精確的故障診斷。

定性趨勢分析（QTA）的核心思想是把采集的信號轉(zhuǎn)變?yōu)橐环N趨勢序列，而這種趨勢序列是基于基元的，意思是指一定時間區(qū)間內(nèi)的數(shù)據(jù)所表現(xiàn)的趨勢，例如上升、下降、不變等。趨勢可以反映系統(tǒng)的特征、發(fā)展速度和趨勢，為故障診斷與預(yù)測提供一個重要手段。目前，QTA已被廣泛應(yīng)用于過程狀態(tài)監(jiān)測[7]、故障檢測與診斷[8-9]等。

1 電動轉(zhuǎn)轍機工作原理

不同型號的電動轉(zhuǎn)轍機其動作電流曲線不一樣，而對于同一個轉(zhuǎn)轍機，不同的動作電流曲線表征著不同的故障類型。本文以ZD6型直流電動轉(zhuǎn)轍機為例分析不同狀態(tài)下其所表現(xiàn)的不同動作電流曲線，根據(jù)ZD6轉(zhuǎn)轍機的控制信號電路原理[10-12]，使用霍爾電流傳感器檢測道岔的動作回路中的電流，在正常狀態(tài)下，整個動作過程的電流曲線如圖1所示。轉(zhuǎn)轍機牽引道岔的動作過程大概可以分為三部分：解鎖—轉(zhuǎn)換—鎖閉。把圖1的動作過程分為三個區(qū)間：第一區(qū)間為道岔解鎖過程S1；第二區(qū)間為道岔轉(zhuǎn)換過程S2；第三區(qū)間為道岔鎖閉過程S3。道岔轉(zhuǎn)換完畢后，切斷動作電路，此時電流為0。

圖1 正常狀態(tài)下動作電流曲線Fig.1 Action current curve under the normal state

當(dāng)?shù)啦沓霈F(xiàn)故障時，與正常狀態(tài)下的動作電流曲線進(jìn)行對比分析，在三個動作區(qū)間中分別出現(xiàn)明顯的差別。如圖2所示，以兩種故障為例進(jìn)行說明：（1）解鎖困難故障，在解鎖過程S1區(qū)間中，動作電流比正常狀態(tài)下明顯增大了一定的數(shù)值，這是由于正向鎖閉過緊造成反向解鎖困難，表現(xiàn)為解鎖動作電流增大，只要根據(jù)S1區(qū)間電流增大即可判斷為密貼困難故障；（2）密貼困難故障，在鎖閉過程S3區(qū)間中，動作電流單調(diào)增加，這是由于道岔尖軌與基本軌密貼不好，鎖閉阻力逐漸增大，只要根據(jù)S3區(qū)間電流單調(diào)增加即可判斷為密貼困難故障。其他故障類型也能直接反映在動作電流曲線中，例如，移動阻力變大故障會表現(xiàn)為動作電流只在S2區(qū)間增大。由此可見，不同的故障類型在電流曲線中的變化比較明顯，而且分布在不同動作區(qū)間，因此，通過分析電流曲線可判斷道岔的工作狀態(tài)與故障類型。

圖2 不同工作狀態(tài)下動作電流曲線對比Fig.2 Comparison of action current curves in different working conditions

2 QTA原理

J.T.Y.Cheung和G.Stephanopoulos（1990年）[13-14]提出了描述過程趨勢的問題，提出了“三角形”劇情的思想和以七種劇情來描述的“三角形”組件概念，就是把一個趨勢劃分為幾個劇情來進(jìn)行分析，奠定了QTA的根基。定性趨勢分析（QTA）主要包含兩個方面：（1）趨勢提取；（2）趨勢識別。

2.1 趨勢提取

趨勢提取的步驟為：（1）數(shù)據(jù)分割；（2）數(shù)據(jù)擬合成三種趨勢片段（A上升，B下降，C不變）進(jìn)行描述；（3）所有趨勢片段集合{ABBCACCC…}。

以固定時間窗把數(shù)據(jù)平均分割為連續(xù)的區(qū)間，時間窗寬度為T，則總時間t=nT（n為分割后的區(qū)間個數(shù)）。

在每一個區(qū)間的數(shù)據(jù)中使用最小二乘法進(jìn)行線性擬合[15]，在連續(xù)區(qū)間中的數(shù)據(jù)擬合為函數(shù)：

其中，時間t0為區(qū)間的開始點，p是擬合函數(shù)的斜率，y0是在時間點t0的縱坐標(biāo)值。

圖3 三種趨勢片段Fig.3 Three types of trend

2.2 趨勢識別

擬合函數(shù)的斜率p取值范圍歸一化為[-1,1]，選擇合適的閥值β，根據(jù)斜率p分別定義三種趨勢片段的取值范圍：A∈[β,1]， B∈[-β,-1]，C∈[-β，β]，每一個劃分區(qū)間擬合的線性函數(shù)根據(jù)斜率p的值定義為相應(yīng)的趨勢片段。

3 基于QTA的故障診斷

識別可能產(chǎn)生的故障狀態(tài)，是根據(jù)先制定規(guī)則知識庫：使用if…then語句來進(jìn)行故障特征映射，故障特征由特定故障狀態(tài)發(fā)生時的相應(yīng)傳感器數(shù)據(jù)來表現(xiàn)，通過人工分析進(jìn)行提取。

基于規(guī)則知識庫從趨勢到故障類型的推理映射，多個傳感器聯(lián)合判斷用and連接。

if傳感器S1趨勢為Td1 and傳感器S2趨勢為Td2 and…then故障是F1。

單個傳感器數(shù)據(jù)以趨勢序列的順序以及趨勢片段的個數(shù)進(jìn)行匹配。例如，如果規(guī)則知識庫中包含規(guī)則兩條：

if傳感器S1趨勢為{AABBCC}then故障是F1；

if傳感器S1趨勢為{AABCC}then故障是F2。

若當(dāng)前傳感器趨勢序列為{AABCC}，則可判斷故障為F2。

各種已知的可能的故障類型通過人工模擬并分析識別后，使用if…then形式的規(guī)則進(jìn)行映射，最終形成一個包含多種趨勢類型與多種故障類型映射關(guān)系的推理知識庫。

4 應(yīng)用分析

如圖4所示，實驗中在ZD6型轉(zhuǎn)轍機的接線盒中采用電流電壓傳感器進(jìn)行信號采集，使用20 kHz采樣頻率對電流信號進(jìn)行實時監(jiān)測，分別采集無故障信號20組，密貼困難故障信號20組，解鎖困難故障信號20組。從三種狀態(tài)下的電流信號中分別隨機選取10組數(shù)據(jù)共30組數(shù)據(jù)用于建立故障診斷規(guī)則知識庫，余下的30組數(shù)據(jù)用于測試趨勢匹配與故障診斷驗證。

圖4 ZD6型轉(zhuǎn)轍機故障模擬Fig.4 Switch default simulation about ZD6

4.1 建立診斷規(guī)則庫

下面以無故障狀態(tài)數(shù)據(jù)為例，說明建立規(guī)則知識庫的過程，而密貼困難與解鎖困難故障診斷的規(guī)則建立過程類似。

根據(jù)對無故障狀態(tài)10組電流曲線分析可知，ZD6直流轉(zhuǎn)轍機從開始動作到電流達(dá)到最大值的時間基本為30 ms，所以時間窗的寬度定義為30 ms，把電流信號分割為相同寬度的數(shù)據(jù)區(qū)間，如圖5所示。

圖5 無故障電流曲線分割Fig.5 Segmentation of no fault current curve

圖6 0～0.3 s無故障電流數(shù)據(jù)擬合曲線Fig.6 Fitting curve of no fault current data between 0 to 0.3 second

在每個數(shù)據(jù)區(qū)間分別進(jìn)行最小二乘法線性擬合，根據(jù)擬合后的一階函數(shù)斜率分別判斷為不同的趨勢片段，根據(jù)經(jīng)驗與實驗數(shù)據(jù)分析，選擇斜率判斷閥值為β=π/18。此處截取0～0.3 s的前段區(qū)間數(shù)據(jù)進(jìn)行擬合說明，如圖6所示，全部趨勢提取的結(jié)果集合為{ABBBBBBBBCCCCCCBCBBCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCCCCCB}，共109個趨勢片段，為便于分析，把趨勢片段集合簡記為{A1B8C6B1C1B2C89B1}。

以此類推，對余下9組無故障電流數(shù)據(jù)進(jìn)行趨勢提取并簡化，得到另外9組趨勢序列，把10組趨勢序列匯總，如表1所示。

表1 10組無故障電流曲線趨勢序列Table 1 10 sets of trend sequencea of no fault current curve

從表1的10組無故障趨勢序列中取近似公共部分并取最少個數(shù)為：{A1B6C6B1C88B1}，則以此為無故障診斷的規(guī)則，每個趨勢片段的個數(shù)數(shù)值允許誤差為±50%，若不在誤差范圍內(nèi)的序列被忽略，以此過濾干擾項。例如第8組數(shù)據(jù)為{A1B7C6B1C1B2C88B1}，前4個趨勢片段與后3個趨勢片段的個數(shù)分別為：{A1B7C6B1}、{B2C88B1}，它們均在無故障診斷規(guī)則的誤差范圍內(nèi)，第五個趨勢片段{C1}則不在誤差范圍內(nèi)，以此被忽略，省略后的診斷序列簡化為{A1B7C6B1B2C88B1}，與診斷規(guī)則序列的順序吻合。

密貼困難故障與解鎖困難故障的趨勢診斷規(guī)則建立方式與無故障趨勢診斷規(guī)則的制定方式類似，具體見圖7。

圖7 兩種故障電流曲線與趨勢序列Fig.7 Current curve and trend sequence of two faults

匯總無故障趨勢診斷規(guī)則與兩種故障趨勢診斷規(guī)則，如表2所示。

表2 趨勢診斷規(guī)則Table 2 rules of trend diagnosis

由于無故障與解鎖困難故障的動作電流曲線差別在于解鎖過程S1區(qū)間，解鎖困難故障電流幅值比無故障電流幅值大。從圖2可看出，解鎖困難電流曲線比無故障電流曲線在解鎖過程S1區(qū)間前段下降趨勢小，因此趨勢片段{B}出現(xiàn)較少；同理，解鎖困難電流曲線比無故障電流曲線在解鎖過程S1區(qū)間前段下降趨勢大，因此趨勢片段{B}出現(xiàn)較多。所以，趨勢診斷規(guī)則匹配需要修改為在趨勢片段相同的狀態(tài)下增加趨勢片段匹配度ps，

其中，n為趨勢診斷規(guī)則中趨勢片段的總個數(shù)，vmini與vmaxi分別為第i個趨勢片段的個數(shù)在趨勢序列與趨勢診斷規(guī)則中的最小值與最大值。

4.2 故障診斷驗證

在余下的30組電流數(shù)據(jù)中，每個狀態(tài)數(shù)據(jù)隨機抽取2組共6組數(shù)據(jù)作為驗證。首先，把6組數(shù)據(jù)進(jìn)行趨勢提取與趨勢識別，提取的趨勢序列與診斷結(jié)果如表3所示。

分析表3可知，使用該方法可以準(zhǔn)確識別出無故障、密貼困難故障、解鎖困難故障三種狀態(tài)，即使解鎖困難故障與無故障狀態(tài)的趨勢序列類似，使用匹配度計算后，雖然計算結(jié)果比較接近，但是依然可以正確識別為非無故障狀態(tài)。區(qū)分不同故障狀態(tài)情況下，該方法準(zhǔn)確率能達(dá)到100%。

表3 各個狀態(tài)趨勢診斷結(jié)果Table 3 Results of trend diagnosis in different conditions

5 結(jié)論

過程趨勢分析已經(jīng)成為一種分析時間序列信號的有用手段。使用這種方法的重點在于趨勢提取與趨勢識別以及診斷規(guī)則知識庫建立，QTA與大部分的定量分析相比，簡化了大量數(shù)據(jù)的計算過程，使用簡潔的表達(dá)方式，把采集到的傳感器數(shù)據(jù)轉(zhuǎn)化成趨勢特征，為故障診斷提供了一個決策依據(jù)。通過QTA進(jìn)行ZD6直流轉(zhuǎn)轍機故障分析，優(yōu)于人工經(jīng)驗分析，可自動準(zhǔn)確判斷是否存在故障并識別相應(yīng)的故障類型。本文只對兩種故障進(jìn)行分析，采用固定時間窗平均劃分?jǐn)?shù)據(jù)的方法，可同時適用于不同的故障類型識別，在后續(xù)的研究中，加入更優(yōu)的提取算法與識別算法，建立更全面的所有已知故障診斷規(guī)則庫，快速地診斷出早期出現(xiàn)的故障。

［1］王麗.微機監(jiān)測在信號設(shè)備維護(hù)中的應(yīng)用［J］.鐵道通信信號，2007，43（6）：18-19.

［2］ Ren Y.Analysis of Switch Action Status Cures of Mi?cro-computer Monitoring System ［J］.Railway Signal?ling&Communication，2009.

［3］趙會兵.未來鐵路信號微機監(jiān)測的發(fā)展方向［J］.科技創(chuàng)新與應(yīng)用，2017（13）：295-295.

［4］邱俊杰.ZD6型轉(zhuǎn)轍機動作電流曲線分析［J］.鐵道通信信號，2008，44（7）：20-21.

［5］董昱，趙媛媛，林海香.基于小波分析的電動轉(zhuǎn)轍機動作電流的分析研究［J］.蘭州交通大學(xué)學(xué)報，2012，31（6）：39-43.

［6］劉倉.直流電動轉(zhuǎn)轍機動作電流的智能分析［J］.鐵道通信信號，2009，45（8）：14-16.

［7］李偉.基于質(zhì)量數(shù)據(jù)趨勢提取的過程質(zhì)量控制方法研究［D］.鎮(zhèn)江：江蘇大學(xué)，2013.

［8］張海洋，張貝克，吳重光.用于監(jiān)測復(fù)雜系統(tǒng)的計算機輔助定性趨勢分析［J］.計算機工程與應(yīng)用，2007，43（17）：41-44.

［9］張貝克，張海洋，馬昕.定性趨勢分析在過程故障診斷中的應(yīng)用研究［J］.系統(tǒng)仿真學(xué)報，2008，20（10）：2750-2753.

［10］王明泉.六線制雙動轉(zhuǎn)轍機道岔控制電路探討［J］.鐵道通信信號，2009，45（5）：30-31.

［11］沈懷密，金永亮，徐勤弼，等.ZD6型電動道岔工作原理［J］.山東交通科技，2015（3）：100-101.

［12］劉學(xué)民.淺析ZD6電動轉(zhuǎn)轍機單獨操縱系統(tǒng)［J］.科技信息，2012（23）：120-120.

［13］Cheung T Y， Stephanopoulos G.Representation of pro?cess trends-Part I.A formal representation framework［J］.Computers& Chemical Engineering， 1990，14（4）： 495-510.

［14］ Konstantinov K B， Yoshida T.Real-time qualitative analysis of the temporal shapes of （bio） process vari?ables ［J］.Aiche Journal， 1992， 38 （11）：1703-1715.

［15］李麗丹.基于MATLAB的離散數(shù)據(jù)最小二乘擬合［J］.遼寧工程技術(shù)大學(xué)學(xué)報，2011，30（S1）：202-204.