郭文玥,馮慶勝
(大連交通大學(xué) 自動(dòng)化與電氣工程學(xué)院,遼寧 大連 116028)
轉(zhuǎn)轍機(jī)作為改變道岔開通方向的動(dòng)力設(shè)備,對(duì)保障列車安全運(yùn)行具有重要的作用.由于轉(zhuǎn)轍機(jī)的工作環(huán)境大部分處于室外,晝夜溫差和惡劣天氣都可能影響轉(zhuǎn)轍機(jī)的正常工作.目前轉(zhuǎn)轍機(jī)主要利用微機(jī)監(jiān)測(cè)系統(tǒng)采集的電流或功率信號(hào)設(shè)定閾值來判斷是否發(fā)生故障,該方法靈活性低、漏判率高.于是加入人工篩查進(jìn)行二次判斷,導(dǎo)致實(shí)時(shí)性差、效率低,不能形成系統(tǒng)的、智能的維護(hù)維修規(guī)劃.
目前,國(guó)內(nèi)外學(xué)者對(duì)轉(zhuǎn)轍機(jī)故障診斷進(jìn)行了一定程度的研究,采用的方法也是各有特色.Zhou等[1]雖然根據(jù)專家的經(jīng)驗(yàn)知識(shí)得到了部分特征,但無法對(duì)主成分分析過程進(jìn)行控制,可能提取不到有效特征.李嘉鵬等[2]采用小波-包絡(luò)解調(diào)方法提取特征,雖然實(shí)現(xiàn)了復(fù)合特征的分離提取,但缺乏信號(hào)的高頻信息.Atamurada等[3]采用專家系統(tǒng)進(jìn)行故障診斷,設(shè)定規(guī)則較少,對(duì)一些相似信號(hào)無法區(qū)分.張旭等[4]利用小波分析和主成分分析法進(jìn)行特征提取和數(shù)據(jù)降維,該方法需經(jīng)兩步提取特征,煩瑣耗時(shí).Long等[5]采用哈爾小波提取特征缺乏低頻細(xì)節(jié)信息.還有通過計(jì)算轉(zhuǎn)轍機(jī)電流信號(hào)平均值、方差、最大值等相關(guān)數(shù)值作為特征值,并結(jié)合隱馬爾科夫模型[6]、支持向量機(jī)[7]、灰色神經(jīng)網(wǎng)絡(luò)[8]等進(jìn)行故障診斷,這些方法提取的特征缺乏細(xì)節(jié)信息,且識(shí)別率都低于98.5%.王曉煜等[9]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行鋁板結(jié)構(gòu)損傷識(shí)別,可以實(shí)現(xiàn)對(duì)缺陷尺寸的精確定量,且具有較高的穩(wěn)定性.董昱等[10]驗(yàn)證了小波包提取故障的有效性,但無法直接進(jìn)行故障識(shí)別.
本文利用小波包變換對(duì)轉(zhuǎn)轍機(jī)動(dòng)作電流信號(hào)進(jìn)行分解重構(gòu),得到不同頻率段的能量值,然后將能量值歸一化處理組成特征向量集,輸入經(jīng)參數(shù)調(diào)優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)轉(zhuǎn)轍機(jī)狀態(tài)的智能診斷.
轉(zhuǎn)轍機(jī)動(dòng)作曲線一般指轉(zhuǎn)轍機(jī)的工作電流曲線,它的曲線特征代表了轉(zhuǎn)轍機(jī)的各個(gè)組成部件的動(dòng)作狀態(tài)、電氣和機(jī)械特性.曲線各個(gè)階段的異常變化代表著轉(zhuǎn)轍機(jī)動(dòng)作過程中參與部件可能發(fā)生的故障.通過對(duì)某個(gè)轉(zhuǎn)轍機(jī)動(dòng)作電流曲線的查詢與分析,可以判斷該轉(zhuǎn)轍機(jī)的工作狀態(tài),及時(shí)發(fā)現(xiàn)和消除隱患,對(duì)列車安全運(yùn)行有著重要的意義.
本文以ZD6型轉(zhuǎn)轍機(jī)為研究對(duì)象,在其正常轉(zhuǎn)換過程中的工作電流曲線,見圖1.
圖1 轉(zhuǎn)轍機(jī)正常動(dòng)作的電流曲線圖
ZD6型轉(zhuǎn)轍機(jī)的動(dòng)作過程主要分為四個(gè)階段:
解鎖階段(T1-T4):解鎖時(shí)間小于等于0.6 s,電動(dòng)機(jī)啟動(dòng),通過主軸旋轉(zhuǎn)帶動(dòng)鎖閉裝置進(jìn)行解鎖.T1點(diǎn)1DQJ吸起,轉(zhuǎn)轍機(jī)動(dòng)作曲線開始記錄;T2-T3,2DQJ轉(zhuǎn)極,動(dòng)作電流曲線驟升形成一個(gè)尖峰,峰頂值通常為3~7A;T3-T4,電流至峰點(diǎn)后迅速回落到一定值后趨于平滑.
轉(zhuǎn)換階段(T4-T7):道岔成功解鎖后,鎖閉齒輪和齒條塊動(dòng)作,帶動(dòng)尖軌位移至規(guī)定位置.該階段電流曲線較為平滑,其轉(zhuǎn)換時(shí)間長(zhǎng)短由阻力大小決定.
鎖閉階段(T7-T9):鎖閉時(shí)間小于等于0.3 s,尖軌到位后與基本軌密貼,自動(dòng)開閉器接點(diǎn)自動(dòng)斷開電動(dòng)機(jī)動(dòng)作電路,電動(dòng)機(jī)慣性在摩擦帶的消耗下,其動(dòng)作電流曲線逐漸下滑,最后降為零.
緩放階段(T9-T10):緩放時(shí)間大于等于0.4 s,道岔鎖閉后,會(huì)形成一段近似為零的曲線.T10點(diǎn)1DQJ落下,轉(zhuǎn)轍機(jī)動(dòng)作曲線記錄結(jié)束.
根據(jù)查閱資料和現(xiàn)場(chǎng)調(diào)研,目前ZD6型轉(zhuǎn)轍機(jī)主要有8種常見故障[11],故障詳情如表1所示,對(duì)應(yīng)的電流曲線見圖2.
表1 ZD6型轉(zhuǎn)轍機(jī)常見故障分析
(a) f1啟動(dòng)電流峰值偏高
(e) f5 鋸齒形電流
小波包變換(Wavelet Packet Transform,WPT)是對(duì)信號(hào)進(jìn)行更精細(xì)、無冗余、無疏漏的一種分析方法,它分解的高低頻信號(hào)能在更加細(xì)化的頻帶內(nèi)進(jìn)行.小波包定義如下,假設(shè)信號(hào)為y(t),則
(1)
式中:函數(shù)系{yn(t)}稱作正交小波包;h(k)為低通濾波器;g(k)為高通濾波器;h(k)和g(k)兩者之間互為正交關(guān)系.
小波包分解的過程可以看作對(duì)信號(hào)進(jìn)行濾波,每層分解由一組高通濾波器和一組低通濾波器實(shí)現(xiàn),在對(duì)信號(hào)進(jìn)行處理時(shí),每次分解產(chǎn)生的所有信號(hào)均參與下一層的分解,使得轉(zhuǎn)轍機(jī)動(dòng)作曲線每一個(gè)頻段的信號(hào)都能得到全面的表征,提取的特征能更好地反映轉(zhuǎn)轍機(jī)的動(dòng)作過程.具體步驟如下:
(1)對(duì)原始信號(hào)進(jìn)行N層小波包分解,得到2N個(gè)不同頻帶的分解系數(shù),對(duì)得到的所有高低頻分解系數(shù)進(jìn)行小波包重構(gòu),重構(gòu)系數(shù)表示為SN,k(k=0,1,…,2N-1),計(jì)算每個(gè)頻帶的小波包能量值:
(2)
式中:ti-1-ti是該頻帶信號(hào)的起止時(shí)間.
(2)考慮到信號(hào)的部分頻段的能量可能會(huì)過大,因此將對(duì)每個(gè)頻帶的能量進(jìn)行歸一化處理,得到歸一化值pN,k:
(3)
將現(xiàn)場(chǎng)采集到的原始動(dòng)作電流信號(hào)進(jìn)行三層小波包分解,通過MATLAB分解、重構(gòu),得到各頻段信號(hào)能量值,組成信號(hào)故障特征向量,即
(4)
正常狀態(tài)(用f0表示)和8種常見故障狀態(tài)信號(hào)小波包分解重構(gòu)得到的故障能量值見表2.可以看出,當(dāng)轉(zhuǎn)轍機(jī)發(fā)生故障時(shí),某些頻帶的能量值(如f3、f4、f7)與正常狀態(tài)頻帶的能量值(f0)相差很大,但是有些不同的類型(如f0、f1、f5等),其頻帶能量值的分布很相似,無法直接看出轉(zhuǎn)轍機(jī)的具體故障,因此選用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障分類.
表2 正常狀態(tài)與故障狀態(tài)小波包分解能量值
利用MATLAB歸一化函數(shù)mapminmax對(duì)故障特征向量處理得到BP神經(jīng)網(wǎng)絡(luò)的輸入.
轉(zhuǎn)轍機(jī)故障診斷系統(tǒng)主要由電流特征提取和故障診斷兩部分組成,故障診斷系統(tǒng)結(jié)構(gòu)圖見圖3.
圖3 故障診斷系統(tǒng)結(jié)構(gòu)圖
構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)模型,設(shè)計(jì)輸入層為歸一化得到的故障特征集的個(gè)數(shù)為8個(gè)神經(jīng)元;輸出層為不同故障類型目標(biāo)輸出為9個(gè)神經(jīng)元;隱含層神經(jīng)元個(gè)數(shù)的確定參考如式(5)[3]:
(5)
式中:m,n分別為輸入、輸出層神經(jīng)元個(gè)數(shù);a為0~10之間的常數(shù).
對(duì)BP神經(jīng)網(wǎng)絡(luò)的各層函數(shù)進(jìn)行調(diào)整尋優(yōu),最終確定輸入層和隱含層傳遞函數(shù)采用tansig函數(shù),隱含層和輸出層采用purelin函數(shù),神經(jīng)網(wǎng)絡(luò)參數(shù)訓(xùn)練采用trainlm函數(shù).
利用鐵路現(xiàn)場(chǎng)采集到的ZD6型轉(zhuǎn)轍機(jī)動(dòng)作電流數(shù)據(jù)進(jìn)行實(shí)驗(yàn),其動(dòng)作一次時(shí)間為5 s,系統(tǒng)每隔0.04 s采集一次數(shù)據(jù),采集點(diǎn)125個(gè).選擇樣本數(shù)據(jù)3 600組,其中2 160組為訓(xùn)練樣本,720組為驗(yàn)證樣本,720組為測(cè)試樣本,各類型樣本數(shù)量見表3.
表3 模型訓(xùn)練及測(cè)試數(shù)據(jù)集表
采用db3小波基對(duì)原始樣本數(shù)據(jù)進(jìn)行分解,得到第三層8個(gè)小波包系數(shù)重構(gòu)信號(hào),見圖4.可以看出,S3,0小波系數(shù)的幅值最大,與表2中E3,0能量值最高相一致.
圖4 小波包變換重構(gòu)信號(hào)
根據(jù)構(gòu)建的神經(jīng)網(wǎng)絡(luò),設(shè)定訓(xùn)練迭代次數(shù)為2 000次,訓(xùn)練目標(biāo)最小誤差為1×10-5,學(xué)習(xí)速率為0.01.經(jīng)訓(xùn)練、驗(yàn)證和測(cè)試,為隱含層神經(jīng)元為9時(shí),模型的均方誤差最小.采用不同模型參數(shù)和不同特征提取方法的訓(xùn)練迭代次數(shù)和均方誤差曲線見圖5.若采用文獻(xiàn)[1]tansig+tansig+traingdx函數(shù)訓(xùn)練(圖5(a)),BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)為150步,此時(shí)診斷的準(zhǔn)確率為95.9%;采用PCA-WT提取特征(圖5(b)),迭代次數(shù)為105步,診斷準(zhǔn)確率為98.0%.若采用文獻(xiàn)[3]tansig+logsig+trainlm函數(shù)訓(xùn)練(圖5(c)),迭代次數(shù)為270步,此時(shí)診斷的準(zhǔn)確率為83.8%;采用HAAR小波提取特征(圖5(d)),迭代次數(shù)為97步,診斷準(zhǔn)確率為98.3%.若采用文獻(xiàn)[4]在時(shí)域上的道岔轉(zhuǎn)換狀態(tài)提取特征(圖5(e)),迭代步數(shù)為129步,診斷準(zhǔn)確率為97.8%.本文選用小波包提取特征和尋優(yōu)后tansig+purelin+trainlm函數(shù)(圖5(f)),迭代次數(shù)為79步,此時(shí)診斷的準(zhǔn)確率為99.3%.由于測(cè)試集數(shù)據(jù)多,分類結(jié)果過于集中,故選擇其中部分?jǐn)?shù)據(jù)的分類結(jié)果進(jìn)行展示,見圖6.
(a)tansig+tansig+traingdx
圖6 預(yù)測(cè)集樣本部分?jǐn)?shù)據(jù)分類結(jié)果
分類結(jié)果中,f1(啟動(dòng)峰值偏高)、f5(鋸齒形電流)被識(shí)別為f0(正常電流),f6(自動(dòng)開閉器不靈活)被識(shí)別為f8(鎖閉電流超標(biāo)),通過能量值分布可以看出,這幾種分布結(jié)果很接近,導(dǎo)致模型識(shí)別錯(cuò)誤.
采用不同函數(shù)參數(shù)BP神經(jīng)網(wǎng)絡(luò)的測(cè)試結(jié)果見表4,采用其他特征提取方法的測(cè)試結(jié)果對(duì)比見表5,可以看出本文采用小波包進(jìn)行故障特征提取和經(jīng)過調(diào)整尋優(yōu)后的BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,迭代次數(shù)最低、故障診斷準(zhǔn)確率最高,能夠滿足鐵路現(xiàn)場(chǎng)故障診斷的需求.
表4 不同神經(jīng)網(wǎng)絡(luò)函數(shù)結(jié)果對(duì)比
表5 不同特征提取方法的結(jié)果對(duì)比
本文利用小波包變換提取轉(zhuǎn)轍機(jī)動(dòng)作電流特征值,該方法得到了信號(hào)的時(shí)頻域聯(lián)合分布信息,即不同時(shí)間和頻率的能量值分布,相比直接提取時(shí)域特定參數(shù)值更能反映原始信號(hào)的突變信息,將得到的特征向量經(jīng)尋優(yōu)調(diào)整后的BP神經(jīng)網(wǎng)絡(luò)模型診斷后,準(zhǔn)確率達(dá)到了99.3%,能夠滿足鐵路現(xiàn)場(chǎng)維護(hù)的需求.由于ZD6型轉(zhuǎn)轍機(jī)動(dòng)作曲線與ZDJ9、S700K等轉(zhuǎn)轍機(jī)動(dòng)作曲線具有一定的相似性,因此本文研究方法亦適用于這些類型的轉(zhuǎn)轍機(jī)故障診斷.