朱存仁 盧瑞冰 張超凡

(1.卡斯柯信號有限公司，200071，上海;2.中國鐵路南寧局集團(tuán)有限公司電務(wù)部，530011，南寧 ∥ 工程師)

目前，在城市軌道交通車站站點(diǎn)設(shè)置轉(zhuǎn)轍機(jī)動作參考曲線的主要方式是：在已有的道岔動作曲線中，以個(gè)人經(jīng)驗(yàn)選取一條能夠反映設(shè)備正常工作狀態(tài)的曲線作為參考曲線。國內(nèi)研究也嘗試過將檢維修結(jié)束前轉(zhuǎn)轍機(jī)設(shè)備的最后一條動作功率曲線作為參考曲線進(jìn)行自動設(shè)置[1]。但這些方式的隨機(jī)性較大，若設(shè)置不當(dāng)則會影響運(yùn)維人員對轉(zhuǎn)轍機(jī)狀態(tài)的判斷，從而不能有針對性地對轉(zhuǎn)轍機(jī)進(jìn)行預(yù)防性維修。因此，從智能運(yùn)維的角度出發(fā)，應(yīng)追蹤每一組轉(zhuǎn)轍機(jī)的服役性狀并給予推薦的參考曲線，以此降低運(yùn)維工作量，同時(shí)也可為轉(zhuǎn)轍機(jī)設(shè)備的智能運(yùn)維打好基礎(chǔ)。

1 轉(zhuǎn)轍機(jī)動作功率參考曲線推薦原理

在實(shí)際工程應(yīng)用場景內(nèi)，不同地區(qū)、不同型號、不同規(guī)格、不同采樣頻率及不同工況下的轉(zhuǎn)轍機(jī)實(shí)時(shí)監(jiān)測動作曲線具有較大的差異性[2]，因此本文擬采用無監(jiān)督機(jī)器學(xué)習(xí)的方式來避免過多人工調(diào)參步驟引起的“水土不服”問題。所謂無監(jiān)督機(jī)器學(xué)習(xí)，即不通過人工干預(yù)的方式來實(shí)現(xiàn)自適應(yīng)的機(jī)器學(xué)習(xí)過程，相比于有監(jiān)督的機(jī)器學(xué)習(xí)方法，具有更強(qiáng)的適應(yīng)性，可以保證應(yīng)用在使用場景方面的健壯性。轉(zhuǎn)轍機(jī)參考曲線推薦原理如圖1所示。

圖1 轉(zhuǎn)轍機(jī)參考曲線推薦原理

2 轉(zhuǎn)轍機(jī)動作功率曲線形狀特征提取

根據(jù)實(shí)際研究結(jié)果得知，在不同工況條件下的轉(zhuǎn)轍機(jī)的動作曲線亦可表現(xiàn)出一些細(xì)微差異。實(shí)際中，由于滑床板的物理特性差異，如水平、摩擦等，其正向到反向與反向到正向的動作曲線在整體形狀上具有微小可分的區(qū)別。鑒于上述背景，針對轉(zhuǎn)轍機(jī)的動作曲線，擬采用具備自適應(yīng)區(qū)分特性的相似度特征來分離不同工作條件下的動作曲線，以作為推薦系統(tǒng)的基礎(chǔ)輸入。本文對較為常用的2種特征降維模型PCA和t-SNE算法進(jìn)行了試驗(yàn)比較：t-SNE算法產(chǎn)生的結(jié)果優(yōu)于PCA降維模型，PCA模型的線性方法不利于建模的曲面的流型[3]，t-SNE 算法對相似度矩陣降維轉(zhuǎn)化效果較好。

2.1 特征選取與相似度矩陣

令C{C1,C2,…,Cm}表示一個(gè)轉(zhuǎn)轍機(jī)的所有歷史動作曲線，其中m表示C的樣本數(shù)量。為描述方便，若無特別申明，本文中Ci僅表示功率電流曲線。設(shè)P為采用泊松采樣提取C中元素作為參考樣本Sp{S1,S2,…，Sk}的概率，k為參考樣本個(gè)數(shù)，易知：

k=mp

(1)

綜上，根據(jù)C與Sp，可以組成如下的所述的對比矩陣Cm,k:

(2)

據(jù)式(2)可總結(jié)出C的k維相似度矩陣

Dm,k={{d(Cα,Sβ)|β∈[1,k]}|α∈[1,m]}

(3)

當(dāng)數(shù)據(jù)量過大時(shí)，可能會產(chǎn)生冗余的相似度矩陣維度，造成運(yùn)算時(shí)間激增。為了避免對計(jì)算機(jī)資源的過度浪費(fèi)，有效控制運(yùn)算時(shí)間，本系統(tǒng)將控制k變量，即通過式(1)來動態(tài)調(diào)整p值。

2.2 基于t-SNE算法的降維分析

根據(jù)上一節(jié)可知，k維相似度矩陣Dm,k可以刻畫C的內(nèi)在元素之間的相對關(guān)系 ，由此可以區(qū)分單一轉(zhuǎn)轍機(jī)在不同工作狀態(tài)下的動作曲線記錄。在實(shí)際分析中，由于k的數(shù)值過大，使用Dm,k對C的相似度進(jìn)行分析時(shí)，必然遭受維度災(zāi)難；另一方面，當(dāng)k數(shù)值過大時(shí)，人工無法復(fù)查，不能直觀地檢驗(yàn)采用相似度特征進(jìn)行衡量時(shí)其結(jié)果的優(yōu)劣。因此，擬采用特征降維方式來轉(zhuǎn)換Dm,k為Fm,2，記為C的2維相似度特征，即：

Fm,2=R(Dm,k)

(4)

式(4)中，R(·)表示用過降維算法重構(gòu)Dm,k以得到Fm,2的過程。t-SNE算法具有最優(yōu)的降維結(jié)果，如圖2所示。

圖2 樣本(19#轉(zhuǎn)轍機(jī))數(shù)據(jù)降維結(jié)果

圖2中每一個(gè)點(diǎn)都表示19#轉(zhuǎn)轍機(jī)的一條歷史動作曲線，通過降維以后的特征值，在二維坐標(biāo)中顯示出來，即可觀察到其相對的相似性關(guān)系?？梢钥闯?，19#轉(zhuǎn)轍機(jī)的動作曲線，在曲線形狀上有兩種形態(tài)，這兩種形態(tài)分別為轉(zhuǎn)轍機(jī)定位到反位扳動與反位到定位扳動兩種工作模式。

3 自適應(yīng)分類成簇

本文通過 DBSCAN 算法對相似度特征聚類，根據(jù)特征表征的動作曲線形狀聚類成簇。在對大量歷史數(shù)據(jù)分析中，發(fā)現(xiàn)轉(zhuǎn)轍機(jī)的正常動作曲線能夠反映出多種類簇，且每一種工況所反映出來的動作曲線都具備接近的相似性。為了實(shí)現(xiàn)上述功能，首先需要自動識別這些類簇，進(jìn)而令系統(tǒng)在無監(jiān)督模式下學(xué)習(xí)到這些分類方法。DBSCAN聚類算法具備較高的聚類準(zhǔn)確性，即使在個(gè)別轉(zhuǎn)轍機(jī)存在多種工況模式的前提下，也能較合理地聚類成簇[4]。圖3為某轉(zhuǎn)轍機(jī)的復(fù)雜工況自適應(yīng)學(xué)習(xí)實(shí)例，圖中的各個(gè)數(shù)字代表不同的工況模式。

圖3 轉(zhuǎn)轍機(jī)各工況下數(shù)據(jù)自適應(yīng)分類成簇結(jié)果

受使用頻度和安裝位置等因素影響，各個(gè)轉(zhuǎn)轍機(jī)之間的工況模式可以看作相互獨(dú)立的事件。為了下文描述方便，以ti表示任一轉(zhuǎn)轍機(jī)通過無監(jiān)督機(jī)器學(xué)習(xí)的方式總結(jié)得到的工況模式，以圖3轉(zhuǎn)轍機(jī)的動作曲線形狀分布為例，i∈[1,6]。

4 推薦轉(zhuǎn)轍機(jī)動作功率參考曲線擬合方法

對于任意處于服役階段的轉(zhuǎn)轍機(jī)，據(jù)上文得知存在若干工況{t1,t2,…,ts}，對于每組工況ti，都存在對應(yīng)的動作曲線{C1,ti,C2,ti,…,Cψ,ti}，即{Cγ，ti|γ∈[1,ψ]}，其中ψ表示該工況下所包含的歷史動作曲線總數(shù)。本節(jié)主要闡述如何通過{Cγ，ti|γ∈[1,ψ]}生成對應(yīng)工況下的候選參考曲線Cref,ti。

1) 統(tǒng)計(jì)擬合方法。本文嘗試了統(tǒng)計(jì)擬合方法和正太擬合方法進(jìn)行參考曲線的擬合工作。試驗(yàn)發(fā)現(xiàn)：統(tǒng)計(jì)擬合方法可以快速地反映出Sti下曲線形狀的主體趨勢，可以通過均值和中位數(shù)方式快速擬合出具有普遍規(guī)律的候選參考曲線Cref，Sti。以均值擬合為例，其計(jì)算方法如下：

(5)

式(5)中，Cγ，ti(α)表示ti下第γ組動作曲線的第α個(gè)采樣值；l表示Cref，ti的采樣點(diǎn)數(shù)，該數(shù)值與對應(yīng)的轉(zhuǎn)轍機(jī)物理特性有關(guān)。

2) 正太擬合方法。統(tǒng)計(jì)方法存在一定潛在缺陷，當(dāng)Sti對應(yīng)的動作曲線集合中存在游離的動作曲線，即因極個(gè)別漏報(bào)警所導(dǎo)致的故障數(shù)據(jù)混入{Cγ，ti|γ∈[1,ψ]}中時(shí)，根據(jù)式(7)生成的候選曲線會產(chǎn)生一定畸變，需要人工進(jìn)行調(diào)整。

為了避免這種潛在缺陷，可以借助正態(tài)分布X～N(μ,σ2)來有效削弱游離動作曲線所帶來的畸變。其中，參數(shù)μ為{Cγ，ti|γ∈[1,ψ]}的平均數(shù)，參數(shù)σ為{Cγ，ti|γ∈[1,ψ]}的標(biāo)準(zhǔn)差。根據(jù)常識可知，可游離動作曲線中的數(shù)值偏離{Cγ，ti|γ∈[1,ψ]}內(nèi)的主流數(shù)值，因此引入N(μ,σ2)的概率密度函數(shù)P：

(6)

式(6)作為式(7)中的加權(quán)權(quán)重，即可使得生成的候選參考曲線盡可能地接近ti下的動作曲線的樣本核心。

鑒于此，可以通過如下步驟來生成候選參考曲線：

(7)

(8)

Wα,i=P(Cγ，ti(α),μα,σα)

(9)

(10)

結(jié)合式(7)-式(10)及式(5)，得到正太擬合方法如下：

(11)

與式(5)相比，式(11)具備自適應(yīng)去噪的特性。圖4為使用正太擬合方法得出的轉(zhuǎn)轍機(jī)動作功率參考曲線。

圖4 正太擬合方法生成的轉(zhuǎn)轍機(jī)動作功率參考曲線

5 結(jié)語

針對城市軌道交通中道岔轉(zhuǎn)轍機(jī)設(shè)備類型多樣化、人工設(shè)置參考曲線受制于經(jīng)驗(yàn)知識、數(shù)據(jù)分段分析方法不具普適性等問題，本文提出了一種基于轉(zhuǎn)轍機(jī)動作曲線相似度特征的轉(zhuǎn)轍機(jī)工況自適應(yīng)識別方法和不同工況下轉(zhuǎn)轍機(jī)參考曲線推薦方法。該方法通過分析轉(zhuǎn)轍機(jī)動作曲線相似度，實(shí)現(xiàn)了自適應(yīng)分類成簇，完成了不同工況下的參考曲線推薦，以最小的人力成本為海量繁雜的轉(zhuǎn)轍機(jī)歷史動作曲線數(shù)據(jù)附加合理的數(shù)據(jù)標(biāo)簽，并能根據(jù)每個(gè)轉(zhuǎn)轍機(jī)的服役性狀給予推薦的參考曲線，解決了目前設(shè)置參考曲線受制于人工經(jīng)驗(yàn)知識的問題。該識別方法在21萬余條轉(zhuǎn)轍機(jī)動作功率曲線樣本構(gòu)成的數(shù)據(jù)集上測試驗(yàn)證，取得了良好的效果。