文 豪 毛珺蕓 徐 陽

(1.武漢鐵路職業(yè)技術(shù)學院鐵道通信與信號學院，430205，武漢;2.武漢地鐵運營有限公司，430019，武漢;3.武漢鐵路職業(yè)技術(shù)學院質(zhì)量與教育教學督導管理處，430205，武漢∥第一作者，工程師)

道岔及其轉(zhuǎn)換裝置是最基礎(chǔ)的軌道交通行車設(shè)備，一旦出現(xiàn)故障，輕則影響列車運營，重則導致安全事故，因此，保障道岔動作的可靠性至關(guān)重要。道岔鎖閉是通過尖軌、鎖閉裝置、轉(zhuǎn)轍機等3處構(gòu)件的動作共同完成的，且該階段時常出現(xiàn)卡阻問題。地鐵折返道岔動作頻繁、磨耗加劇，更易短期內(nèi)誘發(fā)鎖閉卡阻故障。因此，及時有效地捕捉故障臨界點，提前進行預(yù)警處置有著重要意義［1］。

由于道岔鎖閉階段各部位動作復雜，非故障時難以直觀發(fā)現(xiàn)異常，且尚無可以用來正面綜合分析設(shè)備工況演變趨勢的物理模型。因此，目前針對卡阻故障的預(yù)判，以人工分析鎖閉功率曲線等可側(cè)面反映道岔及轉(zhuǎn)轍機整體動作狀態(tài)的監(jiān)測數(shù)據(jù)為主，存在主觀性強、不確定因素大等問題。此外，人工分析通常利用轉(zhuǎn)轍機額定功率(如S700K交流電機轉(zhuǎn)轍機額定功率為400 W)作為統(tǒng)一閾值判斷所有道岔當前動作是否異常，但實踐效果并不穩(wěn)定。文獻［2-4］可實現(xiàn)機器代替人工進行道岔故障診斷，但針對故障智能預(yù)警方法的研究仍較為匱乏，且在當前普遍不具備深度智能監(jiān)測的條件下難以直接應(yīng)用。

針對上述問題，本文以S700K轉(zhuǎn)轍機及其動作功率為對象，基于統(tǒng)計視角建立道岔鎖閉卡阻臨界態(tài)自適應(yīng)判別機制和實現(xiàn)模型，進而設(shè)計故障預(yù)判應(yīng)用場景，目的在于同時滿足各場景一般應(yīng)用需求和將來道岔設(shè)備運維的深度智能化監(jiān)測發(fā)展需要。

1 地鐵折返道岔鎖閉卡阻故障前鎖閉功率變化行為分析

1.1 實際道岔鎖閉卡阻故障前鎖閉功率統(tǒng)計分析

以武漢地鐵S700K雙機牽引道岔為分析對象，將近期4號線、6號線、8號線、陽邏線某5個折返站的6組不同道岔轉(zhuǎn)轍機發(fā)生的共8起鎖閉卡阻故障(故障編號為1—8)作為案例。其中，故障7、故障8分別為故障2、故障5的二次發(fā)生。

從監(jiān)測提供的故障前連續(xù)100次道岔鎖閉功率曲線上，采集鎖閉階段的最大瞬時鎖閉功率(以下簡為“鎖閉功率”)，并將其作為分析集合。將每個案例所采集的故障前的鎖閉功率值按產(chǎn)生先后次序連接成趨勢圖，并繪制在同一個坐標系中，如圖1所示。

圖1 各案例下地鐵道岔鎖閉卡組故障前鎖閉功率變化曲線Fig.1 Metro switch power change curve before locker card group fault in each case

由圖1可知，各故障前100次的前半程鎖閉功率值基本處于較平穩(wěn)狀態(tài)，約后半程開始有相對明顯的上升趨勢且數(shù)值整體增大。進一步將分析樣本集分為G1(前半程50個數(shù)據(jù))和G2(后半程50個數(shù)據(jù))2組，計算兩組的平均值p，并進行Mann-Kendall趨勢檢驗(以下簡為“M-K趨勢檢驗”)來客觀評價鎖閉功率變化趨勢。M-K趨勢檢驗過程如下:

設(shè)有n個樣本量{X1，…，Xn}的時間序列，對參數(shù)k和j有:k≤n，j≤n，k≠j。按式(1)計算檢驗統(tǒng)計量S:

當n≥10時，認為S大致服從正態(tài)分布。其中，正態(tài)分布的均值為0，方差V計算如下:

將計算所得的標準正態(tài)統(tǒng)計變量Z作為鎖閉功率變化趨勢檢驗值:

當Z＞0時，表示鎖閉功率處于上升趨勢，反之處于下降趨勢。分別表示通過置信度90%、95%、99%的顯著性檢驗。

表1給出了各案例故障前鎖閉功率變化指標分組的計算結(jié)果。由表1可知:所有故障前G2組的鎖閉功率平均值均大于G1組，說明臨近故障前的鎖閉功率整體有提升;G2組鎖閉功率的M-K趨勢檢驗值均大于0(多數(shù)超過了99%的置信度區(qū)間)，且都大于G1組，說明臨近故障前的鎖閉功率普遍較更早前有相對明顯的上升趨勢，符合圖1的直觀分析結(jié)果。

表1 地鐵折返道岔鎖閉功率變化指標分組計算結(jié)果Tab.1 Calculation results of change index grouping of metro turnback switch power

1.2 分析結(jié)論

1)鎖閉卡阻故障前的鎖閉功率普遍呈明顯的上升趨勢，分析鎖閉功率值可以用來進行鎖閉卡阻臨界狀態(tài)判別，從而進一步實現(xiàn)故障預(yù)判。

2)圖1除展示出鎖閉卡阻故障前鎖閉功率值有上升趨勢外，還提供了1項重要信息:不同道岔故障前鎖閉功率變化范圍存在差異，這和道岔所處環(huán)境、電機狀況，以及鎖閉功率采集的情況相關(guān)。由此說明，將S700K轉(zhuǎn)轍機的出廠額定功率作為閾值來進行所有道岔鎖閉卡阻臨界狀態(tài)的判別并不合理。事實上，每個道岔的每個動作方向都應(yīng)根據(jù)自身情況來設(shè)置鎖閉卡阻臨界功率閾值(以下簡為“臨界閾值”)，這樣方可自適應(yīng)地進行臨界態(tài)判別。

2 臨界閾值自適應(yīng)分割模型的建立

2.1 基于循環(huán)Otsu的臨界閾值自適應(yīng)分割模型

現(xiàn)有求取故障分類或預(yù)警閾值的方法主要基于對豐富樣本進行關(guān)聯(lián)度分析或分類學習而展開［5］。而實際上道岔動作故障次數(shù)要遠小于正常動作次數(shù)，因此存在正負數(shù)據(jù)樣本比例失衡的問題。對此，文獻［6］提出使用單分類機器學習對大量非故障數(shù)據(jù)進行訓練獲取預(yù)警閾值，但核函數(shù)和懲罰因子等關(guān)鍵參數(shù)需要人為主觀確定。由于臨界閾值分布于“端值區(qū)”，人為設(shè)置參數(shù)引起的不確定性會被放大從而影響判斷結(jié)果。

本文借鑒閾值分割和異常值檢驗等相關(guān)知識，從樣本數(shù)據(jù)間的關(guān)系入手，基于經(jīng)典Otsu方法［7］設(shè)計了1種自適應(yīng)的循環(huán)分割模型來獲得臨界閾值。

2.1.1 Otsu算法內(nèi)容

將Otsu算法推廣到一般數(shù)據(jù)處理中。給定有限實數(shù)組，在其取值范圍內(nèi)定義閾值T，將其分為大于T的前景數(shù)組和小于T的背景數(shù)組。設(shè)前景數(shù)組的元素個數(shù)占比為ω0，平均值為μ0;背景數(shù)組的元素個數(shù)占比為ω1，平均值為μ1;總體平均值為μ。由此得到如下關(guān)系式:

前景數(shù)組和背景數(shù)組類間方差g按下式計算:

將式(4)和(5)代入式(6)，化簡得到:

在定義域內(nèi)遍歷T的取值使g達到最大，此時對應(yīng)的T值即為Otsu閾值。其意義是以數(shù)組自身最大類間方差為客觀標準，將其分割為相對差別最大的前景數(shù)組和背景數(shù)組。

2.1.2 循環(huán)Otsu分割確定臨界閾值

循環(huán)Otsu分割確定臨界閾值的具體過程，共包括3個環(huán)節(jié):

1)采集非故障鎖閉功率樣本集{P1}。同時采集故障前后期、狀態(tài)穩(wěn)定期和狀態(tài)波動期的數(shù)據(jù)組成樣本集。并利用等間隔采集方式擴大覆蓋時期，樣本容量n不少于5 000例。

2)循環(huán)Otsu分割機制。首先將{P1}進行Otsu分割，把數(shù)值更大的前景數(shù)組作為相對異常數(shù)組留下。由于第1次分割是粗糙的，接下來繼續(xù)把留下的數(shù)組進行Otsu分割，如此循環(huán)。前景數(shù)組范圍隨分割次數(shù)增大而逐步減小，達到一定條件后停止分割，此時的分割閾值即為臨界閾值。

3)客觀控制條件設(shè)置。主要設(shè)置兩類條件:

第1類條件:確定T的取值范圍。設(shè)待分割樣本集最大值和最小值分別為Pmax和Pmin，則有:

式中:

此外，規(guī)定T按步長0.5增長。若一次分割后存在多個T值使得g達到統(tǒng)一最大值，則取Tmax作為分割閾值。

第2類條件:循環(huán)分割終止判定。當T增長到超過樣本異常值常規(guī)檢驗標準時終止分割，即:

式中:

p、σ——分別表示樣本的平均值和標準差。

若T未滿足式(9)的條件，但卻增長到其取值范圍內(nèi)的最大值時，則提前終止分割。

2.2 模型有效性驗證

根據(jù)2.1節(jié)中的方法得到故障案例1—8對應(yīng)的臨界閾值，并將其作為參考線，繪制各故障前連續(xù)100次鎖閉功率變化趨勢圖，并與各樣本集中隨機抽取的100個鎖閉功率進行對比，如圖2所示。

由圖2可知，所得臨界閾值可有效分割出各故障前相對明顯的異常鎖閉功率值，能起到提前預(yù)判作用，且對于絕大多數(shù)相對正常值具有魯棒性。

圖2 不同故障案例下循環(huán)Otsu閾值分割有效性驗證Fig.2 Validation of cyclic Otsu threshold segmentation effectiveness in different fault cases

3 地鐵折返道岔鎖閉卡阻臨界態(tài)判別的應(yīng)用

3.1 應(yīng)用場景方案設(shè)計

該場景方案應(yīng)用于地鐵折返主用道岔運營中的實時鎖閉卡阻故障預(yù)判。出現(xiàn)告警時提前更換備用道岔折返，避免故障發(fā)生。

3.1.1 場景模式

1)事先準備。采集各道岔非故障鎖閉功率樣本訓練得到臨界閾值Tl，將其與樣本最大值Th組成臨界閾值范圍［Tl，Th］。

2)現(xiàn)場應(yīng)用。以天為1個應(yīng)用周期，以當前時刻為基準，采集道岔最近連續(xù)10次同方向扳動產(chǎn)生的鎖閉功率，并按次序組成分析簇。基于臨界閾值范圍和決策參數(shù)進行邏輯分析，判斷其是否可能萌發(fā)故障。每動作1次，可更新1次分析簇。

3.1.2 應(yīng)用場景流程及管控參數(shù)

應(yīng)用場景流程見圖3。其管控參數(shù)有:分析簇所有元素落入［Tl，Th］內(nèi)的統(tǒng)計量S1，分析簇所有元素大于Th的統(tǒng)計量S2，控制門限t(規(guī)定t取大于1的整數(shù))。

圖3 應(yīng)用場景流程圖Fig.3 Application scenario flow chart

3.2 方案測試驗證

1)故障當日預(yù)判試驗。在前述8個故障案例試驗中，采集故障當日運營開始道岔第1次動作至故障前最后1次動作產(chǎn)生的鎖閉功率，并將其作為樣本。按照圖3的應(yīng)用流程，模擬試驗閾值t分別取2、3、4、5時的故障預(yù)判提前步數(shù)Q。Q的定義如下:從當日第1次道岔動作算起，實際故障發(fā)生時已動作次數(shù)與預(yù)判故障發(fā)生時動作次數(shù)之差。若故障前仍未發(fā)出告警，則Q為0。試驗結(jié)果見圖4。由圖4可知，t取2、3時，Q均大于0，表明在各故障前可成功預(yù)判;t為其他取值時，均存在漏判。

圖4 故障當日預(yù)判試驗Fig.4 Predictive tests on the failure day

2)非故障日誤判試驗。若在非故障日給出故障預(yù)判告警，則視為誤判。因此，定義當日誤判次數(shù)與試驗方向道岔扳動次數(shù)的比值為誤判率。按照故障當日預(yù)判試驗的模式，分別計算t取2、3、4、5時各故障日第1～2 d(記為D1)、第3～7 d(記為D2)、第8～12 d(記為D3)等3個最鄰近故障期但均屬非故障日的平均誤判率，試驗結(jié)果見圖5。由圖5可知，D2時期t取3、4、5，以及D3時期t取5時的4組誤判率曲線緊貼橫軸，表明這4組誤判率均為0。

圖5 非故障日誤判試驗Fig.5 Misjudgment tests on the non-failure day

3)試驗結(jié)果綜合分析。t越小預(yù)判成功可能性越大，但誤判率也加速上升，這符合統(tǒng)計類方法的相悖規(guī)律。在實際應(yīng)用中，通常允許偶爾出現(xiàn)誤判，但要盡量杜絕漏判。因此，在本文試驗條件下，t取3時方案最有效，能在各故障案例當日成功預(yù)判且誤判率低，可滿足實際運用需求。

4 結(jié)語

本文針對目前利用鎖閉功率曲線和轉(zhuǎn)轍機額定功率值進行道岔鎖閉卡阻故障預(yù)警固有模式的不足，提出循環(huán)Otsu臨界閾值分割方法，建立“樣本統(tǒng)計+計算模型+應(yīng)用場景”的自適應(yīng)判別新機制。實證測試效果較好，且滿足地鐵智能化運維的發(fā)展需要。