李 超，趙林海

(北京交通大學(xué) 電子信息工程學(xué)院， 北京 100044)

道岔作為鐵路線路的重要組成部分，通過轉(zhuǎn)轍機(jī)對(duì)道岔尖軌的推拉，實(shí)現(xiàn)道岔定位和反位的轉(zhuǎn)換、鎖閉與表示，以達(dá)到對(duì)列車運(yùn)行進(jìn)路的控制[1-2]。因此，道岔的工作狀態(tài)直接關(guān)系通過列車的運(yùn)行安全。目前，轉(zhuǎn)轍機(jī)表示缺口卡阻是道岔常見的故障模式之一，其會(huì)導(dǎo)致道岔失去位置表示，并使道岔轉(zhuǎn)轍機(jī)電機(jī)發(fā)生空轉(zhuǎn)，從而危及行車安全[3-4]。

根據(jù)現(xiàn)場(chǎng)調(diào)研，見圖1，不同月份發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的數(shù)量并不相同，存在較大波動(dòng)。這說明，不同月份發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)并不一致。然而，現(xiàn)場(chǎng)目前“計(jì)劃修”模式下，各電務(wù)段實(shí)際分配到的維護(hù)資源，如維護(hù)人員、設(shè)備和維護(hù)天窗等卻是有限的[5-7]。如果不能合理分配這些維護(hù)資源，很容易導(dǎo)致兩種結(jié)果，即維護(hù)資源無法滿足當(dāng)月的維護(hù)需求，造成轉(zhuǎn)轍機(jī)表示缺口的“維護(hù)不足”和“維護(hù)滯后”；或維護(hù)資源冗余，造成人員、設(shè)備和維護(hù)天窗等維護(hù)資源的浪費(fèi)，甚至引發(fā)設(shè)備的“過度維護(hù)”。

圖1 某電務(wù)段2016年各月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障數(shù)

對(duì)此，若能預(yù)測(cè)未來各月轉(zhuǎn)轍機(jī)表示缺口卡阻故障發(fā)生風(fēng)險(xiǎn)的高低，鐵路現(xiàn)場(chǎng)就可根據(jù)各月故障風(fēng)險(xiǎn)的高低提前協(xié)調(diào)設(shè)備、人員、維護(hù)天窗等資源，并調(diào)整轉(zhuǎn)轍機(jī)表示缺口相關(guān)維護(hù)活動(dòng)的月度維護(hù)計(jì)劃，從而避免轉(zhuǎn)轍機(jī)表示缺口的“過度維護(hù)”和“維護(hù)不足”問題。因此，研究轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)的預(yù)測(cè)方法具有十分重要的意義。

目前，對(duì)于轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)的預(yù)測(cè)，國(guó)內(nèi)外還沒有相關(guān)的研究報(bào)導(dǎo)。對(duì)于道岔事故風(fēng)險(xiǎn)以及其他部件故障概率和風(fēng)險(xiǎn)的相關(guān)預(yù)測(cè)研究也尚處于起步階段。其中，Wang等[8]針對(duì)由極端天氣，如雷暴、冰雹等造成的道岔外部部件故障，提出一種基于貝葉斯網(wǎng)絡(luò)的道岔設(shè)備故障頻次預(yù)測(cè)方法。Dindar等[9]針對(duì)由人為因素引發(fā)的道岔脫軌事故，提出一種基于貝葉斯網(wǎng)絡(luò)的道岔脫軌事故概率評(píng)估方法。Zhao等[10]則針對(duì)由鋼軌斷軌引發(fā)的脫軌事故，提出了一種基于LS故障風(fēng)險(xiǎn)評(píng)價(jià)法[11]和故障分布建模的道岔脫軌事故風(fēng)險(xiǎn)預(yù)測(cè)方法。

為此，本文首先基于鐵路現(xiàn)場(chǎng)的道岔維護(hù)記錄，對(duì)每月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)進(jìn)行量化和分級(jí)。而后，分析了影響每月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的外部因素，構(gòu)建每月故障風(fēng)險(xiǎn)預(yù)測(cè)特征向量。最后，基于CACC離散化方法[12]和隨機(jī)森林(Random Forest，RF)[13]構(gòu)建轉(zhuǎn)轍機(jī)表示缺口卡阻的故障風(fēng)險(xiǎn)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)未來各月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)。實(shí)驗(yàn)表明，本文方法可較為準(zhǔn)確地預(yù)測(cè)轉(zhuǎn)轍機(jī)表示缺口卡阻的故障風(fēng)險(xiǎn)等級(jí)，可為現(xiàn)場(chǎng)維護(hù)人員提前協(xié)調(diào)設(shè)備、人員、維護(hù)天窗等維護(hù)資源，調(diào)整相關(guān)維護(hù)活動(dòng)的強(qiáng)度提供可靠參考。

1 轉(zhuǎn)轍機(jī)表示缺口卡阻故障及其風(fēng)險(xiǎn)分級(jí)

1.1 轉(zhuǎn)轍機(jī)表示缺口卡阻故障

當(dāng)?shù)啦磙D(zhuǎn)轍機(jī)一側(cè)尖軌與對(duì)應(yīng)基本軌密貼并完成鎖閉后，與該密貼尖軌對(duì)應(yīng)表示機(jī)構(gòu)中的表示塊將落入表示桿上的表示槽中，而落下的表示塊和表示槽間的空隙即為轉(zhuǎn)轍機(jī)表示缺口，見圖2。

圖2 轉(zhuǎn)轍機(jī)表示缺口的位置與轉(zhuǎn)轍機(jī)結(jié)構(gòu)

通常，轉(zhuǎn)轍機(jī)表示缺口的尺寸應(yīng)處于一個(gè)正常范圍內(nèi)[14]，如(2±0.5) mm[3]，以保證每次道岔動(dòng)作結(jié)束后，相應(yīng)轉(zhuǎn)轍機(jī)表示機(jī)構(gòu)中的表示塊均能正常落入表示槽中，從而使相應(yīng)的表示接點(diǎn)組接通，給出道岔的位置表示。但是，若轉(zhuǎn)轍機(jī)表示缺口尺寸的變化超過上述正常范圍，或相關(guān)部件缺少潤(rùn)滑發(fā)生卡阻，則道岔動(dòng)作結(jié)束后，表示塊將無法正常落入表示槽中，導(dǎo)致表示電路無法正常接通，從而無法給出道岔位置表示，并引發(fā)轉(zhuǎn)轍機(jī)電機(jī)的空轉(zhuǎn)，造成轉(zhuǎn)轍機(jī)表示缺口卡阻故障。

1.2 月轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)分級(jí)

要實(shí)現(xiàn)轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)，就必需首先量化不同月份轉(zhuǎn)轍機(jī)表示缺口發(fā)生卡阻故障的風(fēng)險(xiǎn)高低，并對(duì)各月的故障風(fēng)險(xiǎn)等級(jí)進(jìn)行劃分。為此，本文引入LS風(fēng)險(xiǎn)評(píng)價(jià)法和k均值聚類方法[15]。

其中，LS風(fēng)險(xiǎn)評(píng)價(jià)法是工業(yè)生產(chǎn)領(lǐng)域最常用的故障風(fēng)險(xiǎn)評(píng)價(jià)方法之一[10]，其核心思想是將故障風(fēng)險(xiǎn)量化為故障情形出現(xiàn)的頻率與故障情形造成后果的乘積。故障情形出現(xiàn)的頻率越高且造成的后果越嚴(yán)重，故障情形對(duì)應(yīng)的風(fēng)險(xiǎn)量化指標(biāo)便越高。k均值聚類則是一種無監(jiān)督的數(shù)據(jù)自動(dòng)劃分方法，其具有實(shí)現(xiàn)簡(jiǎn)單、速度快、解釋性強(qiáng)的特點(diǎn)，是當(dāng)前最流行、應(yīng)用最廣泛的聚類方法[16]。

因此，利用LS風(fēng)險(xiǎn)評(píng)價(jià)法提供的風(fēng)險(xiǎn)量化思路和k均值聚類可以簡(jiǎn)單明了地量化各月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)，并在風(fēng)險(xiǎn)量化結(jié)束后實(shí)現(xiàn)對(duì)各月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的自動(dòng)無監(jiān)督劃分。具體的流程如下：

首先，基于選定目標(biāo)電務(wù)段前4年的逐月道岔故障維護(hù)記錄，統(tǒng)計(jì)該段各月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的數(shù)量，結(jié)果顯示該段共存在如表1所示的5種月故障情形。

表1 轉(zhuǎn)轍機(jī)表示缺口卡阻的月故障情形

而后，根據(jù)式(1)計(jì)算上述5種月故障情形在該段出現(xiàn)的頻率，并根據(jù)式(2)計(jì)算上述5種月故障情形造成的平均月線路延誤時(shí)長(zhǎng)，結(jié)果見圖3。

圖3 目標(biāo)電務(wù)段4年內(nèi)月故障情形i的出現(xiàn)頻率及其造成的平均月線路延誤時(shí)長(zhǎng)

Li=ni/48i∈[1,5]

( 1 )

Si=hi/nii∈[1,5]

( 2 )

式中：Li為4年內(nèi)發(fā)生月故障情形i的頻率；Si為月故障情形i導(dǎo)致的后果，也即月故障情形i造成的平均月線路延誤時(shí)長(zhǎng)；ni為該段4年內(nèi)月故障情形i出現(xiàn)的次數(shù)；hi為該段4年內(nèi)月故障情形為情形i的月份內(nèi)，由轉(zhuǎn)轍機(jī)表示缺口卡阻故障引發(fā)線路延誤時(shí)長(zhǎng)的總和。

其次，基于LS風(fēng)險(xiǎn)評(píng)價(jià)法提供的風(fēng)險(xiǎn)量化思路，將以上5種月故障情形的風(fēng)險(xiǎn)量化為其出現(xiàn)頻率和其造成的平均月線路延誤時(shí)長(zhǎng)的乘積，即有

Ii=Li×Sii∈[1,5]

( 3 )

式中：Ii為故障情形i的風(fēng)險(xiǎn)量化指標(biāo)。

最后，基于式(3)計(jì)算的風(fēng)險(xiǎn)量化指標(biāo)Ii，采用k均值聚類算法，將表1所列的5種月故障情形，按工業(yè)領(lǐng)域相關(guān)標(biāo)準(zhǔn)[17-18]劃分為4個(gè)風(fēng)險(xiǎn)等級(jí)：

( 4 )

式中：|·|為求歐式距離。

( 5 )

Step4重復(fù)Step2、Step3，直到各類的聚類中心不再發(fā)生變化。

最終，基于以上4步聚類過程，對(duì)于選定的目標(biāo)電務(wù)段，本文將每月發(fā)生1到2起轉(zhuǎn)轍機(jī)表示缺口卡阻故障的情形合并為1類，制定出如表2所示的月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)劃分規(guī)則。

表2 月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的劃分規(guī)則

2 轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)預(yù)測(cè)特征向量的構(gòu)建

2.1 故障風(fēng)險(xiǎn)影響因素分析

根據(jù)現(xiàn)場(chǎng)調(diào)研和以往的研究報(bào)告[6,14,19]，影響每月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)高低的外部因素可被總結(jié)為3類，即溫度、濕度和前期維護(hù)力度。

其中，溫度的影響主要體現(xiàn)在道岔金屬部件的熱脹冷縮上。月內(nèi)白天溫度越高，日間溫差越大，轉(zhuǎn)轍機(jī)表示缺口的相關(guān)部件，如表示桿，發(fā)生熱脹冷縮的概率就越大，從而轉(zhuǎn)轍機(jī)表示缺口尺寸就越容易超過標(biāo)準(zhǔn)導(dǎo)致轉(zhuǎn)轍機(jī)表示缺口卡阻故障。

濕度的影響則體現(xiàn)在轉(zhuǎn)轍機(jī)表示缺口相關(guān)部件的潤(rùn)滑上?？諝鉂穸鹊母叩蜁?huì)影響轉(zhuǎn)轍機(jī)表示缺口相關(guān)部件上潤(rùn)滑劑的濃稠程度。過高或過低的濕度都會(huì)降低轉(zhuǎn)轍機(jī)內(nèi)潤(rùn)滑劑的潤(rùn)滑性能，從而使得轉(zhuǎn)轍機(jī)表示缺口更容易發(fā)生卡阻。

前期維護(hù)力度是指上月現(xiàn)場(chǎng)維護(hù)人員維護(hù)轉(zhuǎn)轍機(jī)表示缺口的次數(shù)。若維護(hù)人員在上月進(jìn)行了充分且系統(tǒng)的維護(hù)，則本月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)會(huì)相對(duì)降低。

2.2 故障風(fēng)險(xiǎn)預(yù)測(cè)特征向量的構(gòu)建

根據(jù)2.1節(jié)分析，構(gòu)建第k月的故障風(fēng)險(xiǎn)預(yù)測(cè)特征向量Fk，即

( 6 )

( 7 )

將目標(biāo)電務(wù)段前4年各月的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)與當(dāng)月的風(fēng)險(xiǎn)預(yù)測(cè)特征向量Fk串聯(lián)即可構(gòu)成本文的訓(xùn)練集DT，即

DT={[Fkgk]|k∈[1,nT]}

( 8 )

式中：nT為訓(xùn)練樣本數(shù)；T為train的縮寫；gk為第k月轉(zhuǎn)轍機(jī)表示缺口卡阻故障的實(shí)際風(fēng)險(xiǎn)等級(jí)，同時(shí)也是訓(xùn)練和驗(yàn)證模型的類別標(biāo)簽；Fk為標(biāo)簽gk對(duì)應(yīng)的用于輸入模型的特征向量；向量[Fkgk]為一條完整的訓(xùn)練數(shù)據(jù)。

3 基于CACC-RF的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)方法

3.1 算法流程

基于2.2節(jié)構(gòu)建的故障風(fēng)險(xiǎn)預(yù)測(cè)特征向量，為實(shí)現(xiàn)對(duì)轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)，本文進(jìn)一步引入了RF模型和CACC離散化方法。

其中，RF模型是一種由多個(gè)CART決策樹模型共同構(gòu)成的集成機(jī)器學(xué)習(xí)模型[13]。RF不但繼承了經(jīng)典的樣本自助采樣法[20]，還引入隨機(jī)特征采樣。這使其在計(jì)算開銷小的同時(shí)，還擁有良好的泛化性能，可為如不平衡樣本的分類、超大維度樣本的分類和小樣本分類問題構(gòu)建較為準(zhǔn)確的分類器[21]。然而，已有的研究證明，當(dāng)樣本中同時(shí)混合有連續(xù)特征和離散特征時(shí)，RF模型通常傾向于挖掘連續(xù)特征包含的信息而無法良好地學(xué)習(xí)離散特征的內(nèi)在規(guī)律[22]。CACC離散化方法則是一種自適應(yīng)的數(shù)據(jù)離散化方法，主要用于在分類問題中實(shí)現(xiàn)對(duì)連續(xù)數(shù)據(jù)的分箱操作[23]，以實(shí)現(xiàn)對(duì)數(shù)據(jù)離散化信息的濃縮，從而增強(qiáng)分類器的分類精度和分類速度，提高分類器對(duì)異常值的魯棒性。

因此，本文通過將CACC離散化方法引入RF模型來彌補(bǔ)RF模型在處理同時(shí)混合有連續(xù)特征和離散特征數(shù)據(jù)集時(shí)的不足，提高RF模型的魯棒性和分類精度，并最終構(gòu)建一套基于CACC-RF預(yù)測(cè)模型的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)算法，其總體流程見圖4。

圖4 算法總體流程

由圖4可知，算法可被分為算法訓(xùn)練和算法預(yù)測(cè)2個(gè)部分。在算法訓(xùn)練部分，首先基于訓(xùn)練集生成CACC離散化斷點(diǎn)集，而后離散化訓(xùn)練集中的特征向量，最后基于離散化后的訓(xùn)練集，循環(huán)訓(xùn)練CART決策樹以構(gòu)建RF模型。在算法預(yù)測(cè)部分，首先基于算法訓(xùn)練部分生成的CACC離散化斷點(diǎn)集離散化預(yù)測(cè)數(shù)據(jù)，而后利用訓(xùn)練好的RF模型，預(yù)測(cè)各月的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)。

3.2 算法訓(xùn)練3.2.1 CACC離散化

( 9 )

Step2生成離散化斷點(diǎn)候選集β，即

(10)

Step3設(shè)初始斷點(diǎn)數(shù)ql=1，全局CACC統(tǒng)計(jì)量Cg=0。構(gòu)建初始CACC離散化斷點(diǎn)集γ0

(11)

Step4對(duì)集合β中的每個(gè)βp，如果βp?γ0，則構(gòu)建集合γp

γp=γ0∪βp

(12)

Step5計(jì)算各集合γp的CACC統(tǒng)計(jì)量取值Cp，即

(13)

(14)

(15)

(16)

式中：max(·)表示求括號(hào)內(nèi)的最大取值；argmax(·)表示求使括號(hào)內(nèi)值取最大值的條件。

(17)

3.2.2 RF模型的生成

訓(xùn)練RF模型的過程包括以下8步：

Step1初始化決策樹數(shù)量r=0。初始化一個(gè)空集合T=?用于存儲(chǔ)RF模型。設(shè)置隨機(jī)森林要求的規(guī)模為R，隨機(jī)特征采樣數(shù)為W，葉結(jié)點(diǎn)最小樣本數(shù)為E。

(18)

(19)

(20)

(21)

(22)

(23)

式中：argmin(·)表示求使括號(hào)內(nèi)值取最小值的條件。

Step8令T=T∪Tr。判斷當(dāng)前決策樹數(shù)量r是否小于R。若r

3.3 轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

基于算法訓(xùn)練完成的隨機(jī)森林模型T和CACC離散化斷點(diǎn)集γl，即可實(shí)現(xiàn)對(duì)訓(xùn)練集外任意第t個(gè)月份轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)的預(yù)測(cè)。

(24)

(25)

進(jìn)一步，對(duì)T中每棵決策樹的推斷結(jié)果取平均作為隨機(jī)森林T的推斷結(jié)果，即有

(26)

(27)

4 實(shí)驗(yàn)驗(yàn)證

4.1 功能驗(yàn)證4.1.1 算法訓(xùn)練部分功能驗(yàn)證

為驗(yàn)證本文算法訓(xùn)練部分功能的有效性，首先基于目標(biāo)電務(wù)段2016年至2019年的道岔維護(hù)記錄和歷史氣象數(shù)據(jù)，根據(jù)公式(6)～式(8)構(gòu)建訓(xùn)練集DT。

而后，根據(jù)3.2.1小節(jié)中的步驟，基于訓(xùn)練集DT為各月風(fēng)險(xiǎn)特征向量Fk中的連續(xù)特征生成CACC離散化斷點(diǎn)集，結(jié)果如表3所示。

表3 Fk中各連續(xù)特征的CACC離散化斷點(diǎn)集

最后，隨機(jī)森林模型3個(gè)初始化參數(shù)的取值由基于10折交叉驗(yàn)證的貝葉斯超參數(shù)搜索算法[24]確定。最終選定隨機(jī)森林規(guī)模R=91，隨機(jī)特征采樣數(shù)W=3，葉結(jié)點(diǎn)最小樣本數(shù)E=4。圖5顯示了訓(xùn)練完成的隨機(jī)森林模型T對(duì)訓(xùn)練集內(nèi)各月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)結(jié)果。

圖5 訓(xùn)練集預(yù)測(cè)結(jié)果

由圖5可知，訓(xùn)練完成的隨機(jī)森林模型T僅錯(cuò)誤預(yù)測(cè)了訓(xùn)練集中一個(gè)月的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)。這說明隨機(jī)森林模型T從訓(xùn)練集中較好地學(xué)習(xí)了轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)與各影響因素間的內(nèi)在規(guī)律。

4.1.2 算法預(yù)測(cè)部分功能驗(yàn)證

為進(jìn)一步驗(yàn)證本文算法預(yù)測(cè)功能的有效性，本部分利用訓(xùn)練完成的隨機(jī)森林模型T，對(duì)2020年1月的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)進(jìn)行了預(yù)測(cè)。

(28)

表4 目標(biāo)電務(wù)段2020年1月的風(fēng)險(xiǎn)預(yù)測(cè)特征向量及其離散化結(jié)果

表5 目標(biāo)電務(wù)段2020年1月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)為u的概率

最后，根據(jù)式(27)，輸出2020年1月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)值。通過參考表5可知，本文算法預(yù)測(cè)2020年1月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)等級(jí)為2(如表5陰影標(biāo)注)，與真實(shí)情況一致。這說明當(dāng)氣象臺(tái)提供的氣象預(yù)報(bào)結(jié)果準(zhǔn)確時(shí)，本文方法能夠良好地實(shí)現(xiàn)轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)的功能。

4.2 性能驗(yàn)證

圖6 目標(biāo)電務(wù)段2020年1月至12月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)結(jié)果

由圖6可知，本文算法僅錯(cuò)誤預(yù)測(cè)了目標(biāo)電務(wù)段2020年11月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)等級(jí)。通過對(duì)比目標(biāo)電務(wù)段所在地區(qū)2020年10月和11月的月度氣象數(shù)據(jù)發(fā)現(xiàn)，這兩個(gè)月的月度氣象特征表現(xiàn)十分接近，因此RF模型認(rèn)為目標(biāo)電務(wù)段11月的故障風(fēng)險(xiǎn)等級(jí)與10月相同，高估了該月的故障風(fēng)險(xiǎn)等級(jí)。

為量化本文方法的預(yù)測(cè)效果，計(jì)算隨機(jī)森林模型T的預(yù)測(cè)準(zhǔn)確率Acc，最大預(yù)測(cè)誤差EM和總預(yù)測(cè)誤差ET，即

(29)

(30)

(31)

經(jīng)計(jì)算，本文模型的預(yù)測(cè)準(zhǔn)確率Acc為91.7%，最大預(yù)測(cè)誤差EM為1,總預(yù)測(cè)誤差ET等于1。這說明當(dāng)氣象臺(tái)提供的氣象預(yù)報(bào)結(jié)果準(zhǔn)確時(shí)，本文提出的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)算法具有良好的預(yù)測(cè)性能。

(32)

(33)

圖7 2020年和前8維氣象特征取值

圖8 目標(biāo)電務(wù)段2020年1月至12月轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)結(jié)果

最后，引入糾錯(cuò)輸出碼(Error Correcting Output Codes, ECOC)模型[25]和樸素貝葉斯(Naive Bayesian，NB)模型[26]，并將本文算法的性能與這2種模型進(jìn)行了對(duì)比。其中，ECOC模型是一種基于糾錯(cuò)輸出編碼的多分類模型，該模型通常會(huì)將一個(gè)多分類問題通過編碼方式分解為多個(gè)二分類問題，從而利用多個(gè)基二分類模型共同解決多分類問題。已有的研究已經(jīng)證明，相較于其他多分類模型，ECOC模型在多數(shù)問題中有更優(yōu)的表現(xiàn)[27]。NB模型則是一種基于貝葉斯決策論的多分類器。該模型在各種類型的樣本集上均能夠獲得十分穩(wěn)定的分類效率和性能表現(xiàn)[28]，且對(duì)缺失數(shù)據(jù)和異常數(shù)據(jù)不敏感，被廣泛應(yīng)用于文本分類、網(wǎng)絡(luò)信息安全等領(lǐng)域。此處，本小節(jié)以在小樣本上表現(xiàn)良好且泛化性能優(yōu)秀的支持向量機(jī)模型[29]作為基學(xué)習(xí)器并使用3元碼[30]編碼方式構(gòu)建ECOC模型。表6顯示了原始的RF模型、ECOC模型和NB模型增加CACC離散化步驟前后，在本文數(shù)據(jù)集上的表現(xiàn)。

表6 不同模型的性能比較結(jié)果

5 結(jié)論

針對(duì)鐵路現(xiàn)場(chǎng)當(dāng)前“計(jì)劃修”模式下轉(zhuǎn)轍機(jī)表示缺口存在的“維護(hù)不足”和“過度維護(hù)”問題，本文提出了一種基于CACC-RF模型的轉(zhuǎn)轍機(jī)表示缺口卡阻故障風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)方法。基于現(xiàn)場(chǎng)5年維護(hù)記錄數(shù)據(jù)的實(shí)驗(yàn)表明，本文提出的方法可以較為準(zhǔn)確預(yù)測(cè)各月發(fā)生轉(zhuǎn)轍機(jī)表示缺口卡阻故障的風(fēng)險(xiǎn)等級(jí)，從而指導(dǎo)現(xiàn)場(chǎng)維護(hù)人員根據(jù)各月不同的故障風(fēng)險(xiǎn)等級(jí)提前協(xié)調(diào)設(shè)備、人員和維護(hù)天窗等維護(hù)資源，調(diào)整轉(zhuǎn)轍機(jī)表示缺口相關(guān)維護(hù)活動(dòng)的強(qiáng)度，最終實(shí)現(xiàn)在減少人力物力浪費(fèi)的同時(shí)，提高道岔的維護(hù)水平。

下一步，更多的監(jiān)測(cè)數(shù)據(jù)和特征將被考慮以進(jìn)一步提升本文模型的精度。同時(shí)，將嘗試把本文提出的方法移植到軌道電路等其他電務(wù)的關(guān)鍵設(shè)備上，從而為電務(wù)維護(hù)人員制定月度維修計(jì)劃提供更加豐富的參考。