陳永剛，戴乾軍，李俊武

?

基于SA-CPSO優(yōu)化HSMM的轉轍機故障預測模型研究

陳永剛，戴乾軍，李俊武

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

針對目前鐵路現(xiàn)場轉轍機PHM中故障發(fā)生的模糊性與隨機性等不確定問題，提出一種基于自適應混沌粒子群(SA-CPSO)優(yōu)化隱半馬爾科夫(HSMM)的設備退化過程故障預測模型。根據(jù)轉轍機全生命周期機械部件狀態(tài)退化過程對其進行退化狀態(tài)劃分；建立SA-CPSO優(yōu)化HSMM的設備狀態(tài)評估和故障預測模型，再結合前向-后向算法對優(yōu)化后的模型進行參數(shù)估計；通過實例分析驗證該方法的有效性和可行性，實現(xiàn)傳統(tǒng)信號維修策略的方法改進。

轉轍機；故障預測；自適應混沌粒子群；隱半馬爾科夫；前向-后向算法

轉轍機作為鐵路信號系統(tǒng)中實現(xiàn)道岔操縱的重要基礎設備，對于保證行車安全、提高運營效率至關重要[1?2]。傳統(tǒng)轉轍機采用的事后和定時維修模式存在“維修過剩”和“維修不足”等對維修時機把握不清的問題，且其數(shù)量多、結構復雜，故障發(fā)生帶有明顯隨機性和不確定性，對轉轍機進行狀態(tài)評估與故障預測具有現(xiàn)實意義。近年來，鐵路信號設備健康狀態(tài)診斷及預測方面的研究不斷增加。李娜等[4]針對單一電氣故障診斷精度偏低的問題，提出基于D-S證據(jù)理論信息融合的方法對軌道電路進行分析，采用BP神經網絡和模糊綜合評判法進行診斷，取得了可信度較高的效果；董昱等[5]采用小波分析性方法對轉轍機動作電流曲線進行故障分析；肖蒙等[6]提出基于快速貝葉斯網絡的轉轍機電氣故障診斷方法；翟琛等[7]借助BN算法分析轉轍機控制電路和道岔工作原理，分析其機械故障類型及故障原因；王瑞峰等[8]結合灰色神經網絡算法建立轉轍機動作過程的功率曲線和故障曲線之間的灰色關聯(lián)度，便于維修檢測。通過對目前轉轍機相關研究文獻的分析可得：1) 轉轍機故障的研究主要集中在電氣方面，然而實際故障絕大部分為機械故障[7]；2) 各種智能的故障診斷方法得到行業(yè)專家的肯定；3) 轉轍機的研究主要局限在故障診斷方面，缺乏對設備全生命周期機械狀態(tài)實時監(jiān)控與故障預測。隨著設備“計劃修”向“狀態(tài)修(CBM)”的轉變，本文引入故障預測與健康管理(Prognostic and Health Management, PHM)理念評判轉轍機當前健康狀態(tài)并進行故障預測。在設備PHM中選擇隱半馬爾科夫(HSMM)描述設備退化過程的狀態(tài)轉移和故障規(guī)律的演化[9?13]。Boukra等[14?15]將PSO算法引入HSMM模型中，提高了模型的分類精度。粒子群(PSO)算法有強尋優(yōu)能力，但存在過早收斂、易陷入局部最優(yōu)缺點[16?17]。本文建立自適應混沌粒子群(SA- CPSO)算法。最終提出SA-CPSO優(yōu)化HSMM的故障退化識別與狀態(tài)預測模型。

1 設備狀態(tài)退化劃分

1.1 設備狀態(tài)退化過程描述

轉轍機全生命周期中，機械部件長期運行，易導致磨損和老化等問題，設備健康狀態(tài)持續(xù)退化。如圖1，0時刻為設備故障萌發(fā)點(故障開始發(fā)生點)表示設備剛剛出現(xiàn)故障，但沒有明顯征兆；潛在故障點(能發(fā)現(xiàn)的故障點)表示設備故障帶有明顯征兆；故障點(功能故障點)表示設備的功能喪失，發(fā)生功能故障。通過監(jiān)測狀態(tài)參數(shù)與捕獲故障萌發(fā)點或潛在故障點的狀態(tài)參數(shù)變化可分析設備故障部位、性質及變化規(guī)律，及時給出維修指導。

圖1 狀態(tài)退化曲線圖

1.2 設備狀態(tài)退化等級劃分

通過分析轉轍機的設備構造、故障機理，再結合故障數(shù)據(jù)、專家意見并分析故障演化規(guī)律、劃分退化模式。將轉轍機全生命周期的退化狀態(tài)劃分為：“健康”、“良好”、“注意”和“故障”，見表1。

表1 退化狀態(tài)劃分

2 基于HSMM相關算法介紹

HSMM是在隱馬爾科夫(HMM)的基礎引入狀態(tài)駐留時間的擴展模型。HSMM的一個狀態(tài)對應若干觀測值，模型的一節(jié)狀態(tài)代表宏觀狀態(tài)，多個微觀狀態(tài)組成一個宏觀狀態(tài)[18]，HSMM結構圖如表2所示。轉轍機的健康狀態(tài)退化過程可看作是一定轉移概率的隱含轉移過程，具有不可逆和隱含性，其拓撲結構如圖2所示。

表2 HSMM節(jié)描述

圖2 HSMM拓撲結構圖

3 SA-CPSO優(yōu)化算法描述

3.1 標準PSO算法介紹

v(+1)()+11[p()?x()]+

22[g()?x()] (1)

x(+1)=x(+1)+v(+1) (2)

其中：1≤≤，1≤≤；為慣性系數(shù)；1和2為加速因子，為保證粒子具有較強的自我更新和全局尋優(yōu)能力，取122；1和2為[0,1]上的隨機數(shù)。

3.2 CPSO優(yōu)化算法

鑒于粒子群算法在迭代過程中易過早收斂，借助混沌算法[19?20]的無規(guī)則、非線性如式(3)對粒子群進行混沌優(yōu)化。

H1=mH(1?H)0, 1, 2,…(3)

其中：H1為混沌變量；0≤0≤1，H為第個變量；為取值(0,4]的參數(shù)，若4時，系統(tǒng)完全混沌，混沌空間為[0,1]。

為避免粒子群在混沌優(yōu)化搜索中陷入過早收斂狀態(tài)，按式(4)引導粒子位置變量快速跳出早熟狀態(tài)，進一步搜索全局最優(yōu)解。

x+1min+H+1max?min),0, 1, 2…(4)

其中：x+1為粒子位置變量；H+1由式(3)確定。

3.2.1 判斷早熟收斂的方法

本文采用群體適應度方差判斷粒子是否過早收斂，群體適應度方差如式(5)所示。

式中：為粒子群的粒子總數(shù)；f為第個粒子的適應度值；f為粒子群平均適應度值；群體適應度方差σ反映粒子群的收斂狀態(tài)，若σ越小，則粒子群越趨于收斂。設定一定的σ值，若小于該值判定粒子為過早收斂。

3.2.2 適應度函數(shù)

為避免全局最優(yōu)誤判為過早收斂狀態(tài)，設定最優(yōu)適應度閾值，如式(7)所示。

其中：為被監(jiān)測參量，即粒子的多組被觀測的位置向量。act和tex分別為算法辨識得的實際值和測試值。適應度越小則參數(shù)辨識越準確。

3.3 自適應混沌粒子群(SA-CPSO)算法

CPSO算法的慣性系數(shù)對算法尋優(yōu)具有重要影響。通常為增加混沌粒子群算法在全局和局部最優(yōu)搜索的協(xié)調性，算法在迭代初期應保持較大的值，在迭代后期取較小值。本文利用自適應算法更新迭代過程中的權值，如式(8)。

其中：max與min是CPSO算法中的慣性系數(shù)的最大值和最小值；為當前迭代次數(shù)；MAX為最大迭代次數(shù)；為經驗系數(shù)，取值為[20,60]。

由于公式中包含負指數(shù)部分，隨著算法迭代，逐漸增大，逐漸減小，粒子的速度和位置也逐漸向小范圍更新。

4 基于改進算法的故障預測

4.1 改進模型的參數(shù)估計

4.1.1 前向變量的模型參數(shù)估計

前向變量：

其中：1≤。

0時刻：

從時刻到時刻前向變量遞歸公式：

其中：1≤≤?1, 1≤≤?1,1≤≤

計算概率：

4.1.2 后向變量的模型參數(shù)估計

后向變量：

其中：1≤≤?, β()1≤≤。

從時刻到時刻后向變量遞歸公式：

其中：?1，21，1≤≤。

計算概率：

4.2 模型參數(shù)估計的優(yōu)化設計

結合給定前向?后向變量算法與給定的觀測序列確定模型，得到(|)重估計。

推導可得：

3) 觀測值概率矩陣{b()},重估計b() =(o=k|q=S)，其中b(o)為狀態(tài)時刻觀測矢量值的概率。由于HSMM模型一個狀態(tài)對應一節(jié)的觀測值，則狀態(tài)持續(xù)個時間單元后特定觀測值概率滿足：

4.3 SA-CPSO優(yōu)化HSMM的框圖

SA-CPSO優(yōu)化HSMM的框圖見圖3所示。

圖3 SA-CPSO優(yōu)化HSMM模型流程圖

5 仿真驗證

以某鐵路局電務段S700K轉轍機動作桿、表示桿和保持連接器中微機監(jiān)測數(shù)據(jù)和在線監(jiān)測的振動信號(振動傳感器型號：CT1010)作為監(jiān)測量，實驗中分別采集50組轉轍機的運行數(shù)據(jù)，前20組用于模型訓練，后30組用于模型測試。狀態(tài)數(shù)目設置為4，訓練算法最大迭代步數(shù)100，算法收斂誤差0.000 001。圖4為優(yōu)化模型的訓練曲線，橫縱坐標分別為訓練步數(shù)與不同狀態(tài)下的似然概率估計值。測試模型的狀態(tài)轉移概率、各退化狀態(tài)駐留時間的均值和方差分別見表3~5。該方法在4個模型中迭代曲線訓練步數(shù)不超過50的情況下達到訓練設定的誤差?？梢钥闯瞿Ｐ途哂休^強的數(shù)據(jù)處理能力。

圖4 SA-CPSO優(yōu)化HSMM模型的參數(shù)訓練

表3 狀態(tài)轉移概率

表4 退化狀態(tài)駐留時間均值和方差

表5 各狀態(tài)駐留時間

將振動信號的各個故障特征向量樣本輸入到模型中，訓練一個4狀態(tài)的健康狀態(tài)分類器，建立SA-CPSO優(yōu)化HSMM模型的分類庫。輸入任意狀態(tài)的測試樣本值，結合Viterbi算法可以得出各狀態(tài)模型分類器的最大似然概率估計值。依據(jù)貝葉斯分類準則，輸出概率最大的模型即為其相應的狀態(tài)。

分別對剩余的30組振動測試數(shù)據(jù)進行去噪，歸一化處理形成觀測序列并進行訓練模型建立對應的健康狀態(tài)評估分類器，得到其退化狀態(tài)轉移概率矩陣如表6所示。

表6 退化狀態(tài)轉移概率

再代入15組數(shù)據(jù)進行MATLAB仿真，各狀態(tài)的預測結果如圖5~8。由圖5~8的4個狀態(tài)分類器的仿真圖可以看出，當訓練樣本很少時改進的預測模型依然能保持較高的分類精度、模型狀態(tài)識別率依然維持在一個穩(wěn)定的區(qū)間。

圖5 “健康”狀態(tài)樣本預測結果

表7和表8通過將轉轍機模型改進前后的健康狀態(tài)識別率作比較，結果表明基于SA-CPSO算法優(yōu)化的HSMM模型健康狀態(tài)識別率明顯高于傳統(tǒng)HSMM模型。

圖6 “良好”狀態(tài)樣本預測結果

圖7 “注意”狀態(tài)樣本預測結果

圖8 “故障”狀態(tài)樣本預測結果

表7 傳統(tǒng)HSMM模型識別結果

表8 SA-CPSO優(yōu)化的HSMM模型識別結果

6 結論

1) 首先通過分析轉轍機退化狀態(tài)機理，將轉轍機全生命周期的健康狀態(tài)化為4個狀態(tài)。

2) 建立轉轍機的一般退化狀態(tài)的HSMM預測模型，再引入SA-CPSO優(yōu)化HSMM模型。

3) 然后采用前向?后向算法對改進的預測模型進行參數(shù)重估計。

4) 最后選取實驗數(shù)據(jù)對改進算法進行訓練，再結合現(xiàn)場數(shù)據(jù)驗證了該改進模型具有良好的故障預測性健康狀態(tài)識別能力，提高了狀態(tài)分類精度，為現(xiàn)場維護人員提供指導。

[1] 郭進. 鐵路信號基礎[M]. 北京: 中國鐵道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 伏玉明, 劉伯鴻, 宋爽. 基于模糊綜合評判的轉轍機健康評估研究[J]. 鐵道科學與工程學報, 2017, 14(5): 1070?1076. FU Yuming, LIU Bohong, SONG Shuang. Research on health assessment methods for switch machine based on fuzzy comprehensive evaluation[J]. Journal of Railway Science and Engineering, 2017, 14(5): 1070?1076.

[3] 鐘英榕, 尚聞博, 吳長峰, 等. 基于改進HMM的模擬電路故障預測模型[J]. 火力與指揮控制, 2018(2): 91?97. ZHANG Yingrong, SHANG Wenbo, WU Changfeng, et al. Based on improvement of HMM analog circuit fault prognostics model[J]. Fire and Command Control, 2018(2): 91?97.

[4] 李娜, 董海鷹. 基于D-S證據(jù)理論信息融合的軌道電路故障診斷方法研究[J]. 鐵道科學與工程學報, 2012, 9(6): 107?112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107?112.

[5] 董昱, 趙媛媛, 林海香. 基于小波分析的電動轉轍機動作電流的分析研究[J]. 蘭州交通大學學報, 2012, 31(6): 39?43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39?43.

[6] 肖蒙, 翟琛, 潘翠亮. 基于快速貝葉斯網絡的S700K轉轍機故障診斷研究[J]. 鐵道科學與工程學報, 2015(2): 414?418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015(2): 414?418.

[7] 翟琛. 基于BN的轉轍機故障診斷研究[D]. 蘭州: 蘭州交通大學, 2015. ZHAI Chen. Study on BN-based switch fault diagnosis [D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[8] 王瑞峰, 陳旺斌. 基于灰色神經網絡的S700K轉轍機故障診斷方法研究[J]. 鐵道學報, 2016, 38(6): 68?72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on grey neural network[J]. Journal of Railway, 2016, 38(6): 68?72.

[9] 朱帥軍. 高鐵動車組故障預測與健康管理關鍵技術的研究[D]. 北京: 北京交通大學, 2016. ZHU Shuaijun. Research on the key technology of fault prognostics and health management for EMU[D]. Beijing: Beijing Jiaotong University, 2016.

[10] 曾慶虎. 機械動力傳動系統(tǒng)關鍵部件故障預測技術研究[D]. 長沙: 國防科學技術大學, 2010. ZENG Qinghu. Fault prognostics technologies research for key components of mechanical power and transmission system[D]. Changsha: National Defense Science and Technology University, 2010.

[11] GE H W, LIANG Y C. A hidden markov model and immune particle swarm optimization-based algorithm for multiple sequence alignment[C]// AI 2005: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2005: 756?765.

[12] YANG F, ZHANG C, SUN T. Comparison of particle swarm optimization and genetic algorithm for HMM training[C]// International Conference on Pattern Recognition. DBLP, 2008: 1?4.

[13] LI C, LONG H, DING Y, et al. Multiple sequence alignment by improved hidden markov model training and quantum-behaved particle swarm optimization[C]// Life System Modeling and Intelligent Computing. Springer Berlin Heidelberg, 2010: 358?366.

[14] Boukra T, Lebaroud A. Identifying new prognostic features for remaining useful life prediction[C]// Power Electronics and Motion Control Conference and Exposition. IEEE, 2014: 1216?1221.

[15] 李小斌. 隱馬爾可夫模型優(yōu)化及其在膠帶機故障預警中的應用[D]. 徐州: 中國礦業(yè)大學, 2014. LI Xiaobin. Optimization of the hidden Markov model and its application in the failure warning of the belt machine[D]. Xuzhou: China Mining University, 2014.

[16] Lee C S, WANG M H, WANG C S, et al. PSO-based fuzzy markup language for student learning performance evaluation and educational application[J]. IEEE Transactions on Fuzzy Systems, 2018(99): 1?1.

[17] 黃飛騰, 翁國慶, 南余榮, 等. 基于改進云自適應粒子群的多DG配電網EV充電站優(yōu)化配置[J]. 中國電機工程學報, 2018, 38(2): 514?525. HUANG Feiteng, WENG Guoqing, NAN Yurong, et al. Optimized configuration of EV charging station based on improved cloud adaptive particle swarm[J]. Journal of Chinese Electrical Engineering, 2018, 38(2): 514? 525.

[18] Tobon-Mejia D A, Medjaher K, Zerhouni N, et al. Hidden markov Models for failure diagnostic and prognostic[C]// Prognostics and System Health Management Conference. IEEE, 2011: 1?8.

[19] Wadood A, Kim C H, Khurshiad T, et al. Application of a continuous particle swarm optimization (CPSO) for the optimal coordination of overcurrent relays considering a penalty method[J]. Energies, 2018(11): 1?20.

[20] LIU Hong, CHEN X, LI Jifeng, et al. Economic dispatch based on improved CPSO algorithm for regional power- heat integrated energy system[J]. Electric Power Automation Equipment, 2017(6): 1?4.

Research on the fault prognostics model of the switch machine based on HSMM optimized by SA-CPSO

CHEN Yonggang, DAI Qianjun, LI Junwu

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In view of the present railway site switch machine PHM in fault prognostics of fuzziness and randomness of uncertain problems, a fault prognostics model based on hidden Semi-Markov (HSMM) equipment degradation process optimized by adaptive chaotic particle swarm optimization (SA-CPSO) was proposed. Firstly, it was divided by the state degradation of the mechanical parts in the whole life cycle of the switch machine. Secondly, the equipment state evaluation and fault prognostics model of the HSMM optimized by SA-CPSO was established, and the parameters of the optimized model were estimated by combining the forward and backward algorithm. Finally, the effectiveness and feasibility of this method was verified by an example, and the traditional signal maintenance strategy was improved.

switch machine; fault prognostics; adaptive chaotic particle swarm; hidden Semi-Markov; forward and backward algorithm

10.19713/j.cnki.43?1423/u.2019.04.028

U283.2；U284.7

A

1672 ? 7029(2019)04 ? 1050 ? 08

2018?05?03

國家自然科學基金地區(qū)科學基金資助項目(61763023)；蘭州市科技計劃資助項目(2017-4-135)

陳永剛(1972?)，男，甘肅會寧人，副教授，從事鐵路信號設備PHM理論研究；E?mail：2575011580@qq.com

(編輯 蔣學東)