鄭云水，白鄧宇，王妍

基于相似度的道岔健康狀態(tài)評(píng)估及故障檢測(cè)方法研究

鄭云水，白鄧宇，王妍

(蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對(duì)道岔系統(tǒng)故障診斷需要大量數(shù)據(jù)且較難獲取的情況，提出基于波形相似度的健康狀態(tài)評(píng)估及故障檢測(cè)算法。使用SURF算法進(jìn)行特征點(diǎn)預(yù)提取，提高計(jì)算的實(shí)時(shí)性；通過(guò)Hausdorff距離計(jì)算待識(shí)別曲線與標(biāo)準(zhǔn)曲線間的相似度，確定健康值及理論故障時(shí)間；對(duì)于已經(jīng)處于故障狀態(tài)的樣本，與故障曲線庫(kù)內(nèi)模板曲線進(jìn)行對(duì)比，選擇匹配度最大的故障模板曲線所對(duì)應(yīng)的故障類型作為待識(shí)別曲線的可能故障，從而提出檢修意見(jiàn)。實(shí)例分析表明，該方法準(zhǔn)確率高、速度快、適應(yīng)性強(qiáng)，具有實(shí)際應(yīng)用價(jià)值。

波形相似度；Hausdorff距離；健康評(píng)估；故障診斷

道岔作為鐵路系統(tǒng)的重要設(shè)備之一，其安全性和可靠性直接影響到列車的正常運(yùn)營(yíng)和乘客的人身安全。目前我國(guó)鐵路現(xiàn)場(chǎng)對(duì)道岔系統(tǒng)的故障判別主要依據(jù)微機(jī)監(jiān)測(cè)軟件提供的道岔動(dòng)作電流及功率曲線，通過(guò)人工觀察、綜合個(gè)人經(jīng)驗(yàn)來(lái)完成。該方法容易受到工作人員現(xiàn)場(chǎng)經(jīng)驗(yàn)、知識(shí)水平等因素的影響，導(dǎo)致結(jié)果出現(xiàn)滯后、錯(cuò)判、漏判等情況，已經(jīng)很難滿足高速鐵路發(fā)展的要求。因此使用計(jì)算機(jī)對(duì)道岔設(shè)備的健康狀態(tài)進(jìn)行實(shí)時(shí)評(píng)估，提前預(yù)測(cè)故障的發(fā)生具有現(xiàn)實(shí)意義[1]。目前，基于神經(jīng)網(wǎng)絡(luò)等智能算法的道岔故障診斷及預(yù)測(cè)的研究受到眾多學(xué)者的青睞。王瑞峰等[2]采用灰色關(guān)聯(lián)和神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，建立灰色神經(jīng)網(wǎng)絡(luò)，計(jì)算待匹配模型和樣本模型之間的關(guān)聯(lián)度從而進(jìn)行道岔的故障診斷。許慶陽(yáng)等[3]采用Fisher準(zhǔn)則進(jìn)行道岔曲線特征提取，然后通過(guò)建立不同故障類型的HMM模型完成故障診斷，利用連續(xù)的道岔動(dòng)作功率數(shù)據(jù)完成驗(yàn)證。張釘?shù)萚4]將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合，并對(duì)功率曲線進(jìn)行正交小波分解完成故障診斷。周璐婕等[5]將道岔功率曲線分為3個(gè)過(guò)程，并對(duì)每個(gè)過(guò)程分別提取其特征參數(shù)，然后利用粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型完成故障檢測(cè)。董煒等[6]利用群決策理論將模糊理論，神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)3種方法結(jié)合起來(lái)進(jìn)行綜合評(píng)判，彌補(bǔ)單一智能算法的缺點(diǎn)，得到準(zhǔn)確率更高的故障診斷模型。通過(guò)對(duì)文獻(xiàn)分析可以發(fā)現(xiàn)當(dāng)前研究采用的此類智能算法需要大量準(zhǔn)確數(shù)據(jù)進(jìn)行訓(xùn)練仿真，但獲得準(zhǔn)確的原始數(shù)據(jù)較難，因此針對(duì)該問(wèn)題，提出一種基于波形相似度的道岔設(shè)備健康度評(píng)價(jià)及故障檢測(cè)方案。本文選擇道岔微機(jī)監(jiān)測(cè)生成的電流及功率曲線作為研究對(duì)象，使用SURF算法對(duì)圖像特征點(diǎn)進(jìn)行提取，匹配，簡(jiǎn)化計(jì)算復(fù)雜度和時(shí)間。然后使用Hausdorff距離計(jì)算待識(shí)別曲線圖和正常狀態(tài)模板曲線圖的相似度，并對(duì)健康值進(jìn)行定義；對(duì)于已經(jīng)故障的設(shè)備，再計(jì)算與故障庫(kù)樣本曲線的相似度，相似度最高的曲線對(duì)應(yīng)的故障即為其可能出現(xiàn)的故障類型。

1 基礎(chǔ)理論

1.1 SURF算法

本文采用的SURF算法可以大體分為如下幾個(gè)環(huán)節(jié)：矩陣構(gòu)建，行列式計(jì)算，特征點(diǎn)定位，方向分配，特征點(diǎn)描述符生成以及匹配[7?9]。

1) 構(gòu)建Hessian矩陣

Hessian矩陣為整個(gè)算法的核心部分，其計(jì)算方法如式(1)所示。

式中：()為圖像函數(shù)。

2) 行列式計(jì)算

通過(guò)式(3)得到像素點(diǎn)H陣行列式?jīng)Q定值，并進(jìn)行特征點(diǎn)識(shí)別

式中：L，L，L為高斯濾波后圖像在各個(gè)方向的二階導(dǎo)數(shù)。

3) 特征點(diǎn)過(guò)濾，精確定位

通過(guò)步驟(2)求得的行列式?jīng)Q定值來(lái)判斷一個(gè)點(diǎn)是否為極值點(diǎn)，如果H矩陣行列式值為正，且特征值不同號(hào)確定為極值點(diǎn)。然后在其鄰域內(nèi)對(duì)非極值進(jìn)行丟棄操作，只有比26個(gè)鄰域的值都大或者都小時(shí)才能作為候選特征點(diǎn)。

4) 特征點(diǎn)方向分配

以步驟(3)所選取出來(lái)的特征點(diǎn)作為中心，然后對(duì)各個(gè)60°的扇形范圍中每個(gè)點(diǎn)的水平垂直Haar小波累加，選擇最大的Haar累加值作為主方向，如圖1。

圖1 特征點(diǎn)主方向求取過(guò)程

5) 生成特征描述子

6) 匹配

將待測(cè)曲線圖和模板曲線圖中提取的特征點(diǎn)一一對(duì)應(yīng)，然后計(jì)算其相對(duì)應(yīng)的特征描述子向量的Hausdorff距離[10]。

1.2 Hausdorff距離

Hausdorff距離是一種綜合考慮曲線整體走勢(shì)，形狀，對(duì)點(diǎn)集整體的相似度進(jìn)行度量的距離函數(shù)[11?14]。由于在道岔微機(jī)監(jiān)測(cè)系統(tǒng)中，所采集的電氣量都是離散時(shí)間序列，其橫坐標(biāo)為時(shí)間，縱坐標(biāo)為電流或電壓的幅值。每一個(gè)數(shù)據(jù)點(diǎn)都相當(dāng)于其一個(gè)特征點(diǎn)，不同的波形構(gòu)成不同的點(diǎn)集，可以直接計(jì)算Hausdorff距離。其具體計(jì)算如下。

假設(shè)有2個(gè)有限點(diǎn)集：

它們兩者之間的Hausdorff距離定義如下：

2 基于曲線相似度對(duì)比的道岔健康狀態(tài)評(píng)估建模

系統(tǒng)整體思路架構(gòu)如圖2所示。建模步驟如下。

圖2 系統(tǒng)架構(gòu)圖

1) 建立道岔曲線庫(kù)，包括正常轉(zhuǎn)換時(shí)的道岔動(dòng)作曲線以及故障時(shí)的道岔故障曲線作為模板。故障庫(kù)如表1所示。

表1 現(xiàn)場(chǎng)總結(jié)故障特征表

3) 分別計(jì)算待識(shí)別曲線和正常曲線各特征點(diǎn)之間的Hausdorff距離。

其中：l代表待匹配曲線上第個(gè)點(diǎn)到模板曲線上第個(gè)點(diǎn)的距離。

4) 計(jì)算Hausdorff距離，即待識(shí)別曲線與正常曲線間的距離。

5) 根據(jù)距離衡量相似度的原理，即距離越大相似度越低，距離越小相似度越高，可對(duì)待識(shí)別曲線與正常曲線的相似度進(jìn)行定義，其具體計(jì)算式 如(8)。

7) 根據(jù)步驟6計(jì)算出的待識(shí)別曲線的，了解其所處健康狀態(tài)。對(duì)于已經(jīng)處于故障狀態(tài)(閾值設(shè)定為＜0.2)的待識(shí)別曲線，計(jì)算其和故障樣本庫(kù)內(nèi)模板曲線的相似度，相似度最高的故障模板曲線對(duì)應(yīng)的故障就是待識(shí)別曲線的故障類型。

3 實(shí)例驗(yàn)證

根據(jù)南寧電務(wù)段調(diào)閱室的道岔曲線庫(kù)完成實(shí)驗(yàn)仿真，與其對(duì)應(yīng)的設(shè)備臺(tái)賬信息進(jìn)行對(duì)比進(jìn)行仿真結(jié)果驗(yàn)證。實(shí)例驗(yàn)證主要分為2個(gè)部分。第1部分，通過(guò)與標(biāo)準(zhǔn)曲線進(jìn)行對(duì)比，完成健康值評(píng)估環(huán)節(jié)，并通過(guò)大量仿真分析，設(shè)定各個(gè)健康狀態(tài)對(duì)應(yīng)的閾值并提供維檢修參考時(shí)間。第2部分，通過(guò)與各故障曲線進(jìn)行對(duì)比，確定其可能出現(xiàn)的故障類型，為維檢修提供參考意見(jiàn)。

3.1 健康狀態(tài)評(píng)估

從道岔調(diào)閱曲線庫(kù)中，任取5組道岔故障前20次轉(zhuǎn)動(dòng)的道岔功率曲線進(jìn)行實(shí)驗(yàn)將其編號(hào)為A1～A20，B1～B20，…，E1～E20(其中A20，B20，C20，D20，E20為對(duì)應(yīng)的故障狀態(tài)前一次的狀態(tài))。首先對(duì)其和正常轉(zhuǎn)換的道岔曲線進(jìn)行特征點(diǎn)提取，以A1號(hào)動(dòng)作曲線為例，如圖3所示左側(cè)為A1號(hào)曲線，右側(cè)為標(biāo)準(zhǔn)曲線。首先對(duì)這2條曲線使用SURF算法進(jìn)行特征點(diǎn)檢測(cè)，提取，匹配如圖4所示。

圖3 A1曲線與標(biāo)準(zhǔn)曲線

圖4 SURF算法特征點(diǎn)提取，匹配

然后計(jì)算其點(diǎn)群間的Hausdorrf距離，并將其轉(zhuǎn)化為健康值。A1～E20共100組道岔曲線分別計(jì)算其Hausdorff距離以及健康值。計(jì)算結(jié)果如圖5和6所示。

通過(guò)對(duì)圖5～6進(jìn)行分析可以發(fā)現(xiàn)，待識(shí)別曲線與正常樣本曲線間Hausdorff距離與實(shí)際生產(chǎn)使用過(guò)程中出現(xiàn)故障的時(shí)間成負(fù)相關(guān)，健康值成正相關(guān)，即待識(shí)別曲線與正常樣本曲線之間，Hausdorff距離越大，健康值越小，距離出現(xiàn)故障的時(shí)間越 接近。

圖5 Hausdorff距離變化

通過(guò)對(duì)整體道岔曲線庫(kù)所有道岔曲線與標(biāo)準(zhǔn)曲線的健康值進(jìn)行分析，結(jié)合現(xiàn)場(chǎng)實(shí)際維檢修作業(yè)記錄，可以發(fā)現(xiàn)在健康值降到0.2之后平均還有10次轉(zhuǎn)動(dòng)時(shí)間會(huì)達(dá)到故障，且在0.5～0.2之間健康值會(huì)出現(xiàn)快速下降趨勢(shì)，即設(shè)備進(jìn)入劣化狀態(tài)。

圖6 健康值變化

結(jié)合本文方法，分析統(tǒng)計(jì)健康值圖以及現(xiàn)場(chǎng)違規(guī)制定新的維修計(jì)劃如表2所示。

3.2 故障檢測(cè)

從調(diào)閱曲線庫(kù)中任意選取一組故障曲線如圖7，分別與表1中整理的故障庫(kù)樣本曲線進(jìn)行對(duì)比匹配，其結(jié)果如表3所示。

由表3可知，圖7所示道岔動(dòng)作曲線與故障類型F7匹配度為0.862，高于其他故障類型匹配度。因此可以認(rèn)為其故障類型為：滑床板過(guò)高與尖軌底部磨卡。

表2 維修計(jì)劃參考

表3 待匹配曲線與模板曲線匹配度

圖7 待匹配故障曲線

現(xiàn)場(chǎng)調(diào)閱記錄中實(shí)際記錄其發(fā)的故障為：4月30日08:23:41定位到反位動(dòng)作至1.92 s時(shí)出現(xiàn)冒尖，冒尖部位由423 W升至536 W(參考487 W，摩擦836 W)。原因是第14塊滑床板水平過(guò)高造成道岔轉(zhuǎn)換過(guò)程中出現(xiàn)冒尖。通過(guò)對(duì)比兩者的故障類型，本文方法監(jiān)測(cè)出的結(jié)果與實(shí)際情況相符。

3.3 性能測(cè)試

將南寧電務(wù)段調(diào)閱室統(tǒng)計(jì)的2017～2019年道岔故障曲線作為測(cè)試集，進(jìn)行故障類型匹配度測(cè)試，本文方法對(duì)于故障識(shí)別率為94.77%。其具體結(jié)果如表4所示。

表4 故障類型識(shí)別統(tǒng)計(jì)

表5 算法準(zhǔn)確度時(shí)間對(duì)比

將本文中的方法與常用的歐氏距離以及未經(jīng)SURF算法優(yōu)化的Haudorff距離的準(zhǔn)確率和運(yùn)行時(shí)間進(jìn)行對(duì)比，如表5所示。

通過(guò)對(duì)表5進(jìn)行分析，可以發(fā)現(xiàn)本文中所采取的SURF+Hausdorff方法在時(shí)間上比傳統(tǒng)的Hausdorff距離快0.292 s，比歐氏距離快0.354 s；在匹配準(zhǔn)確度方面比傳統(tǒng)Hausdorff距離低1.33%，比歐氏距離高6.83%。

4 結(jié)論

1) 提出了一種基于波形相似度的道岔健康狀態(tài)評(píng)估以及故障類型確定方法，克服了現(xiàn)有故障診斷方法需要大量樣本數(shù)據(jù)對(duì)算法進(jìn)行支撐，而數(shù)據(jù)獲取較難的情況。

2) 劃分道岔設(shè)備健康狀態(tài)，并通過(guò)本文方法對(duì)道岔設(shè)備健康狀態(tài)進(jìn)行評(píng)估，提前預(yù)測(cè)故障的發(fā)生，提出維檢修建議，并對(duì)已經(jīng)故障的設(shè)備進(jìn)行故障類型的快速確定。

3) 通過(guò)實(shí)例仿真，驗(yàn)證了本文算法的準(zhǔn)確性，且相對(duì)運(yùn)算時(shí)間較短，維護(hù)預(yù)留時(shí)間充足，能夠滿足實(shí)際需求。

[1] 鐘志旺. 鐵路道岔健康狀態(tài)評(píng)估與預(yù)測(cè)方法研究[D]. 北京: 北京交通大學(xué), 2019. ZHONG Zhiwang. Research on methods of health condition assessment and prediction of railway turnout[D]. Beijing: Beijing Jiaotong University, 2019.

[2] 王瑞峰, 陳旺斌. 基于灰色神經(jīng)網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷方法研究[J]. 鐵道學(xué)報(bào), 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 the China Railway Society, 2016, 38(6): 68?72.

[3] 許慶陽(yáng), 劉中田, 趙會(huì)兵. 基于隱馬爾科夫模型的道岔故障診斷方法[J]. 鐵道學(xué)報(bào), 2018, 40(8): 98?106. XU Qingyang, LIU Zhongtian, ZHAO Huibing. Method of turnout fault diagnosis based on hidden Markov model[J]. Journal of the China Railway Society, 2018, 40(8): 98?106.

[4] 張釘, 李國(guó)寧. 基于改進(jìn)WNN分析功率曲線的S700K轉(zhuǎn)轍機(jī)故障診斷[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2018, 15(8): 2123?2130. ZHANG Ding, LI Guoning. Fault diagnosis of S700K switch machine based on improved WNN analyses power curve[J]. Journal of Railway Science and Engineering, 2018, 15(8): 2123?2130.

[5] 周璐婕, 黨建武, 王瑜鑫, 等. 基于道岔動(dòng)作電流的故障特征提取與診斷方法[J]. 蘭州交通大學(xué)學(xué)報(bào), 2019, 38(5): 74?81. ZHOU Lujie, DANG Jianwu, WANG Yuxin, et al. Research on fault feature extraction and diagnosis based on turnout action current[J]. Journal of Lanzhou Jiaotong University, 2019, 38(5): 74?81.

[6] 董煒, 劉明明, 王良順, 等. 基于群決策的道岔控制電路故障診斷方法[J]. 自動(dòng)化學(xué)報(bào), 2018, 44(6): 1005? 1014. DONG Wei, LIU Mingming, WANG Liangshun, et al. Fault diagnosis for railway turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2018, 44(6): 1005?1014.

[7] 練仕榴, 鄭剛, 牟善玲. 用于心電波形分析的相似性度量策略[J]. 計(jì)算機(jī)工程, 2011, 37(9): 263?265. LIAN Shiliu, ZHENG Gang, MOU Shanling. Similarity measurement strategie for ECG waveform analysis[J]. Computer Engineering, 2011, 37(9): 263?265.

[8] Liboni L H B, De Flauzino R A, Da Silva I N, et al. Efficient feature extraction technique for diagnosing broken bars in three-phase induction machines[J]. Measurement, 2019, 134: 825?834.

[9] Raj R, Joseph N. Keypoint extraction using SURF algorithm for CMFD[J]. Procedia Computer Science, 2016, 93: 375?381.

[10] 張銳娟, 張建奇, 楊翠. 基于SURF的圖像配準(zhǔn)方法研究[J]. 紅外與激光工程, 2009, 38(1): 160?165. ZHANG Ruijuan, ZHANG Jianqi, YANG Cui. Image registration approach based on SURF[J]. Infrared and Laser Engineering, 2009, 38(1): 160?165.

[11] ZHOU Yuhong, QIU Fang, NI Feng, et al. Curve matching approaches to waveform classification: a case study using ICESat data[J]. GIScience & Remote Sensing, 2016, 53(6): 739?758.

[12] 喻偉, 李新家, 徐博, 等. 基于電壓曲線相似度的電力相位識(shí)別技術(shù)研究[J]. 機(jī)械設(shè)計(jì)與制造工程, 2019, 48(9): 60?63. YU Wei, LI Xinjia, XU Bo, et al. Research on the power phase identification technology based on voltage curve similarity[J]. Machine Design and Manufacturing Engineering, 2019, 48(9): 60?63.

[13] SUN Fukang, YU Junqi, JIAO Sen. Fault diagnosis algorithm for LED lamp driven by segmented linear solution in indoor environment via illumination waveform fluctuation similarity calculation[J]. Optik, 2019, 189: 32?41.

[14] Asada T, Roberts C, Koseki T. An algorithm for improved performance of railway condition monitoring equipment: Alternating-current point machine case study[J]. Transportation Research Part C: Emerging Technologies, 2013, 30: 81?92.

[15] 黃昊, 吳繼平, 滕賢亮, 等. 基于Fréchet算法的電化學(xué)儲(chǔ)能AGC控制性能評(píng)價(jià)指標(biāo)[J]. 中國(guó)電力, 2020, 53(1): 108?114. HUANG Hao, WU Jiping, TENG Xianliang, et al. Performance indices of electrochemical energy storage for AGC control based on the discrete Fréchet algorithm[J]. Electric Power, 2020, 53(1): 108?114.

[16] JIA Ke, LI Yanbin, FANG Yu, et al. Transient current similarity based protection for wind farm transmission lines[J]. Applied Energy, 2018, 225: 42?51.

[17] 戴志輝, 劉雪燕, 黃敏, 等. 基于相似度比較的環(huán)狀柔直配電網(wǎng)線路單極接地故障保護(hù)[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(23): 107?115. DAI Zhihui, LIU Xueyan, HUANG Min, et al. Similarity comparison based single-pole grounding fault protection for lines in ring-shaped flexible DC distribution network[J]. Automation of Electric Power Systems, 2019, 43(23): 107?115.

[18] 吳梓亮, 曾耿暉, 李一泉, 等. 基于雙門(mén)檻值的變壓器Hausdorff距離快速保護(hù)新判據(jù)[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(18): 128?135. WU Ziliang, ZENG Genghui, LI Yiquan, et al. A novel criterion for fast protection of transformer based on Hausdorff distance and double threshold[J]. Power System Protection and Control, 2019, 47(18): 128?135.

Research on turnout health state assessment and fault detection method based on similarity

ZHENG Yunshui, BAI Dengyu, WANG Yan

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

In view of the situation that the turnout system fault diagnosis requires a large amount of data and the data is difficult to obtain, a health evaluation and fault detection algorithm based on waveform similarity was proposed. Use SURF algorithm for pre-extraction of feature points to improve the real-time performance of the calculation; by calculating the similarity between the curve to be identified and the standard curve by Hausdorff distance to determine the health value and the theoretical failure time; for samples that were already in the failure state, compare it with the failure curve. The template curves in the library were compared, and the type of failure corresponding to the failure template curve with the largest matching degree was selected as the possible failure of the curve to be identified, so as to put forward maintenance advice. The example analysis shows that the method has high accuracy, fast speed and strong adaptability and has practical application value.

waveform similarity; Hausdorff distance; health assessment; fault diagnosis

10.19713/j.cnki.43?1423/u.T20200507

U229

A

1672 ? 7029(2021)04 ? 0877 ? 08

2020?06?07

國(guó)家自然科學(xué)基金地區(qū)科學(xué)基金資助項(xiàng)目(61763023)

鄭云水(1972?)，男，甘肅定西人，副教授，從事交通信息工程及控制方面的研究；E?mail：2809984474@qq.com

(編輯 涂鵬)