王文彬

（中鐵第一勘察設計院集團有限公司西南院，重慶 400020）

0 引言

軌道交通行業(yè)的發(fā)展，導致其裝備工廠運營安全問題格外重要，當機電設備出現(xiàn)故障，且維修不及時，便會進一步惡化，導致整個機電設備出現(xiàn)損壞情況，造成重大安全事故發(fā)生[1～3]。為此需要研究機電設備故障診斷方法，幫助裝備工廠運營人員及時發(fā)現(xiàn)故障，并維修，避免出現(xiàn)重大安全事故。秀麗等[4]利用方向微調(diào)學習修正深度信念網(wǎng)絡，引進ReLu函數(shù)改進深度信念網(wǎng)絡，利用改進后深度信念網(wǎng)絡完成機電設備故障診斷，可有效診斷機電設備故障，診斷精度較高。劉雷等[5]通過相似性矩陣降維機電設備故障數(shù)據(jù)，通過差異性矩陣擴大降維后的數(shù)據(jù)樣本，獲取數(shù)據(jù)的低維流形，按照低維流形獲取機電設備故障診斷結果，可有效診斷機電設備故障，具備一定的優(yōu)勢。但這兩種方法均存在故障樣本數(shù)據(jù)較少時，機電設備故障診斷性能較低，運算量較大。

改進LSSVM能夠在較少樣本時，獲取故障診斷結果，且訓練和故障診斷性能較優(yōu)，為此研究軌道交通裝備工廠機電設備故障診斷方法，提升裝備工廠機電設備故障診斷效果。

1 軌道交通裝備工廠機電設備故障診斷

1.1 故障特征提取

利用局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）法，提取軌道交通裝備工廠機電設備故障振動信號，獲取數(shù)個內(nèi)稟尺度分量（ISC），同時求解各分量的視頻域特征指標，提取故障特征。

令隨機軌道交通裝備工廠機電設備故障信號x(t)都是通過各種類型的ISC分量構建而成，LCD法就是通過分解隨機一個x(t)，獲取ISC分量總和與單調(diào)信號，前者數(shù)量為有限個，后者數(shù)量為一個，同時隨機兩個ISC分量間彼此無關，隨機一個ISC分量需符合的條件為：

在整體軌道交通裝備工廠機電設備原始故障振動信號中，隨機兩個鄰近的極大值和極小值間存在單調(diào)性；令全部極值點是Pk,k=1,2,...,M，相應時刻是tk，極值點數(shù)量是M；令隨機兩個極大（?。┲迭c(tk,Pk)、(tk+2,Pk+2)相連，獲取直線lk，如式(1)所示：

其中，軌道交通裝備工廠機電設備原始故障振動信號全部時間是t。

鄰近兩個極大（?。┲迭c間的極值點是(tk+1,Pk+1)，與之相應的函數(shù)值是Ak+1，Ak+1和Pk+1的比值是固定的，需符合的條件為：

其中，常數(shù)是λ∈(0,1)。

利用LCD分解軌道交通裝備工廠機電設備故障振動信號，提取軌道交通裝備工廠機電設備故障特征的具體步驟如下：

步驟1：求解x(t)的全部Pk與相應tk；

步驟2：利用式(2)獲取全部鄰近Pk連接而成的lk，求解全部鄰近極大（小）值點間的Pk+1，與相應tk+1位置的Ak+1，以及相應的lk+1值，如式(3)所示：延拓極值點，獲取左右兩端的極值點(t0,P0)、(tM+1,PM+1)，按照式(2)與式(3)計算獲取A1，AM與l1，lM。

步驟3：通過三次樣條擬合全部l1,l2,...,lM，獲取基線Bl1(t)，在x(t)內(nèi)分離基線信號Bl1(t)，獲取新軌道交通裝備工廠機電設備故障振動信號h1(t)，如式(4)所示：

如果h1(t)符合ISC分量的條件，那么以ISC1=h1(t)為首個ISC分量輸出結果；如果不滿足ISC分量條件，以h1(t)為原始軌道交通裝備工廠機電設備故障數(shù)據(jù)，反復操作步驟1與步驟3，共操作k次，以h1,k(t)符合ISC分量條件為止，即ISC1=h1,k(t)。

步驟4：在x(t)內(nèi)分離出ISC1，獲取新軌道交通裝備工廠機電設備故障振動信號r1(t)，即r1(t)=x(t)-ISC1；

步驟5：以r1(t)為原始軌道交通裝備工廠機電設備故障振動信號，反復操作步驟1至步驟4，共操作n次，以r1(t)是單調(diào)函數(shù)時，結束操作，獲取n個符合ISC條件的分量與一個趨勢項rn(t)，最后分解x(t)，獲取ISC分量與殘余分量rn(t)，ISC分量為有限個，rn(t)僅有一個，如式(5)所示：

其中，第j個軌道交通裝備工廠機電設備故障振動信號ISC分量是ISCj(t)；分解系數(shù)是μ。

通過時域與頻域指標，在ISC分量內(nèi)提取軌道交通裝備工廠機電設備故障特征，前者指標包含均值、峰值、標準差、偏斜度、脈沖、裕度，后者指標包含重心頻域。

1.2 基于LSSVM的機電設備故障診斷

以2.1小節(jié)提取的軌道交通裝備工廠機電設備故障特征為樣本，輸入LSSVM方法內(nèi)，輸出軌道交通裝備工廠機電設備故障診斷結果。令2.1小節(jié)提取的軌道交通裝備工廠機電設備故障特征樣本是x′i，LSSVM的樣本數(shù)據(jù)集是{x′i,yi}，輸出數(shù)據(jù)是yi，即軌道交通裝備工廠機電設備故障診斷結果；樣本數(shù)量是m；非線性函數(shù)為：

其中，權值為w；偏移量是b；映射函數(shù)是φ(x′)。

將式(6)變更成優(yōu)化問題，如式(7)所以：

其中，懲罰因子為c；第i個軌道交通裝備工廠機電設備故障特征樣本松弛變量為ξi。

式(7)的約束條件為：

利用Lagrange方程求解最優(yōu)化問題，Lagrange函數(shù)如下：

其中，Lagrange乘子是αi；修正系數(shù)是γ。

計算w、b、ξ、α的偏導數(shù)，同時設置成0，變更式(9)獲?。?/p>

剔除w與ξi，獲取線性方程組，如式(11)所示：

其中I=[1,1,...,1]m，核函數(shù)是K，

通過式(11)獲取LSSVM的決策函數(shù)，即軌道交通裝備工廠機電設備故障診斷結果，如式(12)所示：

選用徑向基函數(shù)為LSSVM的核函數(shù)，如式(13)所示：

其中，K的寬度是σ。

1.3 改進LSSVM方法

利用改進蝙蝠尋優(yōu)算法，改進LSSVM的參數(shù)，分別是懲罰因子c與核函數(shù)寬度σ。令第i′只蝙蝠的脈沖頻率是fi′，速度是，個體位置是，迭代次數(shù)是h；各只蝙蝠均為一個軌道交通裝備工廠機電設備故障診斷LSSVM方法內(nèi)c與σ的優(yōu)化結果，蝙蝠迭代時，的更新公式如下：

其中，隨機因子是β∈[0,1]，且分布均勻；常數(shù)是ε∈[-1,1]；最佳位置是z*；平均脈沖音量是Rh；式(16)與式(17)屬于全局與局部位置更新公式。

與脈沖發(fā)射率的更新公式如下：

其中，衰減系數(shù)是μ；增強系數(shù)是η。

通過指數(shù)遞減慣性權重?改進的變化趨勢，加強搜索最佳軌道交通裝備工廠機電設備故障診斷LSSVM方法內(nèi)c與σ的效果，公式如下：

其中，可調(diào)節(jié)因子是θ；?的最大、最小值是?max、?min；參數(shù)是s，用于控制?的下降速度；最大迭代次數(shù)是hmax。

利用花朵授粉算法的自花授粉過程的尋優(yōu)原則，改進蝙蝠算法，避免陷入局部最優(yōu)，改進的局部搜索階段zhi′的更新公式如下：

步驟1：參數(shù)初始化；

步驟2：初始化zi′，以軌道交通裝備工廠機電設備故障診斷誤差為適應度函數(shù)F，按照F獲取z*；

步驟3：利用式(19)更新vi′，利用式(14)與式(16)更新fi′與zi′；

步驟4：生成隨機數(shù)rand，如果rand≥qi′，利用式(20)生成任意新解，如果rand＜qi′，那么利用式(17)生成局部新解，同時越界處理該解；

步驟6：求解目前各蝙蝠位置的F值，搜索最佳F值對應的蝙蝠位置；

步驟7：反復操作步驟3至步驟6，以達到hmax為止，輸出LSSVM的最佳參數(shù)，改進LSSVM，在改進后的LSSVM內(nèi)輸入軌道交通裝備工廠機電設備故障特征，輸出故障診斷結果。

2 實驗分析

某軌道交通裝備工廠內(nèi)的機電設備包含電扶梯、通風空調(diào)設備、站臺門（屏蔽門）、動力照明、給排水設備等，利用本文方法診斷該軌道交通裝備工廠機電設備故障，并結合綜合智能監(jiān)控平臺，以3D形式呈現(xiàn)本文方法的故障診斷結果，指導裝備工廠運營人員對機電設備進行維護。

利用本文方法提取該軌道交通裝備工廠機電設備故障特征，以存在故障的給排水設備為例，三維設備模型與故障特征樣本如圖1所示，本文方法分解故障信號，獲取LCD分解歸一化邊際譜圖，如圖2所示。

圖1 排水設備故障信號

圖2 LCD分解歸一化邊際譜圖

綜合分析圖1與圖2可知，本文方法分解后的軌道交通裝備工廠機電設備故障幅值，與故障信號頻譜圖內(nèi)幅值的變化趨勢大致相同，說明本文方法可有效分解軌道交通裝備工廠機電設備故障信號，有效描繪故障信號的變化趨勢。

本文方法分解軌道交通裝備工廠機電設備故障信號后，獲取4個ISC分量與1個殘余分量，各分量的能量占比如圖3所示。

圖3 各分量的能量占比

分解軌道交通裝備工廠機電設備故障信號后，獲取的各分量內(nèi)均存在大量故障信息，為此以均值、峰值、標準差、偏斜度、脈沖、裕度、重心頻域為故障特征指標，在各分量內(nèi)提取該機電設備故障特征，提取結果如表1所示。

表1 軌道交通裝備工廠機電設備故障特征提取結果

根據(jù)圖3與表1可知，本文方法可有效獲取分解軌道交通裝備工廠機電設備故障信號的各分量能量占比，各分量能量占比越高，其內(nèi)部存在的故障信息越多，各故障特征指標值越高；本文方法可有效提取各故障特征指標值，完成軌道交通裝備工廠機電設備故障特征提取。實驗證明：本文方法可有效提取軌道交通裝備工廠機電設備故障特征。

提取完軌道交通裝備工廠機電設備故障特征后，繼續(xù)利用本文方法診斷該給排水設備故障在該給排水設備故障數(shù)據(jù)內(nèi)隨機選擇900個樣本，共包含7種故障，利用本文方法診斷軌道交通裝備工廠機電設備內(nèi)給排水設備故障，故障診斷結果如圖4所示。

圖4 故障診斷結果

根據(jù)圖4可知，本文方法可有效診斷給排水設備故障，且各故障診斷結果與實際結果相差較小，僅有泵入口擁塞與電動機電流過大故障，存在極少樣本診斷結果錯誤。實驗證明：本文方法可精準診斷軌道交通裝備工廠機電設備故障。

以管路接頭不嚴故障為例，將本文方法的故障診斷結果與綜合智能監(jiān)控平臺結合，以3D形式呈現(xiàn)本文方法的故障診斷結果，如圖5所示。

圖5 管路接頭不嚴故障診斷的呈現(xiàn)效果

根據(jù)圖5可知，本文方法的故障診斷結果，可有效與綜合智能監(jiān)控平臺結合，以3D的形式呈現(xiàn)軌道交通裝備工廠機電設備內(nèi)給排水設備故障診斷結果，精準指導運維人員對故障區(qū)域進行維修，保證給排水設備正常運行。

3 結語

軌道交通裝備工廠機電設備的安全，與工廠運營的運行安全息息相關，為此研究軌道交通裝備工廠機電設備故障診斷方法，精準診斷機電設備故障，幫助裝備工廠運營人員及時維修故障，確保軌道交通正常運行。