歐陽(yáng)鑫鋒　孔令剛

摘? 要：文章針對(duì)S700K容易出現(xiàn)時(shí)間軸平移和扭曲的8種故障模式和正常模式所對(duì)應(yīng)的功率曲線，提出一種改進(jìn)動(dòng)態(tài)時(shí)間規(guī)整的道岔故障診斷方法。首先，將功率曲線樣本集分為參考模板集和測(cè)試模板集；其次，計(jì)算待識(shí)別功率曲線和各參考模板的規(guī)整距離；最后，將規(guī)整距離最小的參考模板對(duì)應(yīng)的故障號(hào)作為待識(shí)別功率曲線的最大可能故障號(hào)。仿真結(jié)果表明，該方法可適用于時(shí)間軸平移和扭曲的功率曲線，具有較高的準(zhǔn)確率和較快的診斷速度。

關(guān)鍵詞：道岔；故障診斷；S700K轉(zhuǎn)轍機(jī)；動(dòng)態(tài)時(shí)間規(guī)整

中圖分類(lèi)號(hào)：TP391；U284.92? ? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：2096-4706（2023）20-0136-05

Fault Diagnosis Method of Turnout Based on Improved Dynamic Time Warping

OUYANG Xinfeng， KONG Linggang

（Key Laboratory of Opt-Electronic Technology and Intelligent Control of Ministry of Education， Lanzhou Jiaotong University， Lanzhou? 730070， China）

Abstract： This paper proposes an improved dynamic time warping turnout fault diagnosis method for the power curves corresponding to the eight fault modes and normal modes that are prone to time axis translation and distortion in S700K. Firstly， the power curve sample set is divided into the reference template set and test template set. Secondly， the warping distance between the power curve to be identified and each reference template is calculated. Finally， the fault number corresponding to the reference template with the smallest warping distance is taken as the maximum possible fault number of the power curve to be identified. The simulation results show that the method can be applied to power curves with time axis translation and distortion， and it has high accuracy and fast diagnosis speed.

Keywords： turnout; fault diagnosis; S700K switch machine; dynamic time warping

0? 引? 言

我國(guó)高速鐵路運(yùn)輸日益頻繁，鐵路安全問(wèn)題面臨巨大的挑戰(zhàn)。作為關(guān)鍵信號(hào)設(shè)備的道岔，由微機(jī)監(jiān)測(cè)系統(tǒng)采集道岔動(dòng)作電流或功率曲線數(shù)據(jù)，然后由人工識(shí)別道岔故障類(lèi)型的方式會(huì)有漏報(bào)或誤判現(xiàn)象的出現(xiàn)，不能滿足鐵路領(lǐng)域故障診斷的需求。近年來(lái)，不少學(xué)者已展開(kāi)對(duì)道岔智能化故障診斷的研究。

董煒等[1]提出基于群決策的道岔故障診斷方法，但算法復(fù)雜，需要大量訓(xùn)練樣本。李剛[2]等提出基于掩碼自編器的小樣本深度學(xué)習(xí)模型，將電流曲線進(jìn)行分段處理后輸入故障診斷網(wǎng)絡(luò)中，具有較高的準(zhǔn)確性。池毅等[3]在均衡樣本特征完整性和診斷準(zhǔn)確率的基礎(chǔ)上，提出基于一維卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，具有抗噪性和計(jì)算速度快等特點(diǎn)。劉應(yīng)君等[4]將功率曲線分段提取，通過(guò)CDET算法降維后，轉(zhuǎn)化為MPSO-SVM模型輸入，達(dá)到故障診斷。黃世澤等[5]提出基于弗雷歇距離的道岔故障診斷方法，通過(guò)對(duì)比兩條曲線之間的相似度，快速定位故障類(lèi)型，該方法所需樣本少且不用分段，具有良好的識(shí)別效果。

以上的研究中，或需要大訓(xùn)練樣本；或較少用曲線整體信息；或沒(méi)考慮曲線時(shí)間軸扭曲和平移；或需要對(duì)電流或功率曲線實(shí)施分段提取特征，特別當(dāng)實(shí)施固定分段時(shí)，動(dòng)作曲線發(fā)生時(shí)間軸平移或扭曲，可能會(huì)造成較大診斷錯(cuò)誤率。

動(dòng)態(tài)時(shí)間規(guī)整（DTW）算法可以有效地解決時(shí)間序列的平移和扭曲問(wèn)題。文獻(xiàn)[6]將DTW距離度量引入核工業(yè)應(yīng)用中的縮放失真評(píng)價(jià)指標(biāo)，用DTW距離定義單個(gè)參數(shù)的總失真因子，能有效判斷失真源。文獻(xiàn)[7]針對(duì)時(shí)間序列非線性失真的問(wèn)題，提出神經(jīng)網(wǎng)絡(luò)和DTW組合模型，預(yù)測(cè)兩序列所有的局部對(duì)應(yīng)關(guān)系，來(lái)提高判別性能并取得良好效果。文獻(xiàn)[8]優(yōu)化DTW計(jì)算過(guò)程，快速定位電磁發(fā)射和回收系統(tǒng)的異常點(diǎn)，加速了故障匹配效率。文獻(xiàn)[9]將Fast-DTW用于道岔故障診斷，具有較高的準(zhǔn)確性和效率。

雖然道岔故障類(lèi)型種類(lèi)多，對(duì)于同一種故障類(lèi)型的動(dòng)作曲線集，時(shí)間軸會(huì)發(fā)生平移或扭曲，但曲線的變化規(guī)律大體相同。因此，本文基于該特點(diǎn)，將改進(jìn)的DTW應(yīng)用于道岔故障診斷中。通過(guò)計(jì)算規(guī)整距離來(lái)實(shí)現(xiàn)對(duì)道岔的故障診斷。仿真結(jié)果表明，該方法可適用于時(shí)間軸平移和扭曲的功率曲線，且具有較高的準(zhǔn)確率。

1? S700K轉(zhuǎn)轍機(jī)

1.1? S700K正常工作狀態(tài)

S700K轉(zhuǎn)轍機(jī)正常工作的功率曲線如圖1所示。圖中包含5個(gè)過(guò)程：?jiǎn)?dòng)、解鎖、轉(zhuǎn)換、鎖閉和表示。

1.2? S700K故障工作狀態(tài)

通過(guò)現(xiàn)場(chǎng)調(diào)研和查閱文獻(xiàn)得知，主要故障類(lèi)型有8種[10]，現(xiàn)場(chǎng)得到的9種功率曲線序列長(zhǎng)度為350（長(zhǎng)度不夠補(bǔ)0，過(guò)長(zhǎng)截?cái)啵蓸娱g隔0.02秒，時(shí)長(zhǎng)7秒，其8種故障類(lèi)型如圖2所示。

2? 動(dòng)態(tài)時(shí)間規(guī)整

2.1? 算法描述

DTW算法中，將待匹配時(shí)間特征序列稱(chēng)為測(cè)試模板T = （t1， t2， …， tn），將庫(kù)中的標(biāo)準(zhǔn)離散時(shí)間特征序列稱(chēng)為參考模板R = （r1， r2， …， rm）。為對(duì)齊兩時(shí)間序列需要構(gòu)造n×m維距離矩陣D，其D中的元素一般為歐拉距離，即 。其累加距離矩陣按照式（1）計(jì)算：

為了找到一條連續(xù)規(guī)整路徑，使累積元素值之和最小，這條路徑被稱(chēng)為規(guī)整路徑W = （w1，w2，…，wK），wk = c（i，j）k。需要滿足以下條件：

1）有界性：規(guī)整路徑的長(zhǎng)度滿足max（n，m）≤K = m + n - 1。

2）邊界條件：起始點(diǎn)為w1 = c（1，1），終止點(diǎn)為wK = c（n，m）。

3）連續(xù)性：規(guī)整路徑上的元素必須是連續(xù)獲得的。

4）單調(diào)性：規(guī)整路徑上的前一元素（i，j）需要在集合{（i - 1，j），（i，j - 1），（i - 1，j - 1）}中選擇最小的一條。

2.2? DTW算法的改進(jìn)

直接采用DTW算法，計(jì)算量大且容易出現(xiàn)時(shí)間序列的病態(tài)規(guī)整的問(wèn)題[11]，因此需要對(duì)算法進(jìn)行改進(jìn)。本文對(duì)DTW算法的改進(jìn)有兩種：一是設(shè)置停止搜索的閾值，當(dāng)累加距離超過(guò)預(yù)定的閾值時(shí)，結(jié)束搜索；二是限制搜索區(qū)域，比如設(shè)置平行四邊形搜索區(qū)域。為避免不必要元素的計(jì)算，將實(shí)際搜索范圍限制在斜率為1/2到2的平行四邊形范圍以?xún)?nèi)[12]。

平行四邊形的四條邊所對(duì)應(yīng)的直線方程分別為：rOA = 2t，rCB = 2t + m - 2n，rOC = 0.5t，rAB = 0.5t + m - 0.5n。計(jì)算出O（0，0）、、B（m，n）和 。

由于m和n均取整數(shù)，如果兩序列的長(zhǎng)度不同時(shí)滿足2m - n≥3和2n - m≥2，可認(rèn)為兩個(gè)序列差異性大，不適合相似性的計(jì)算。

為了防止搜索路徑過(guò)傾斜，將搜索累加距離按照min{c（i + 1，j），c（i + 1，j + 1），c（i + 1，j + 2）}方向進(jìn)行搜索，直至搜索到最小規(guī)整距離wK。

為了避免四條邊界的計(jì)算，對(duì)算法進(jìn)行進(jìn)一步改進(jìn)[13]，引入P1、P2和P3矩形，限制距離矩陣搜索范圍，如圖3所示。

A′是A右上角最靠近的點(diǎn)，，“”作用是向上取整；D′是D下方最靠近的點(diǎn)，D′點(diǎn)的坐標(biāo)為

，其中括號(hào)“”的作用是向下取整；C′的坐標(biāo)為 ；E′點(diǎn)坐標(biāo)為 。

若距離矩陣中的元素在三個(gè)矩陣內(nèi)，則需要進(jìn)一步判斷是否在平行四邊形上或以?xún)?nèi)，判斷條件為式（2），滿足條件則按正常DTW計(jì)算：

為進(jìn)一步減少計(jì)算量，可引入閾值（Threshold Value， TV）。規(guī)整路徑的元素符合以下規(guī)律：w1≤…≤w（k-1）≤wk≤…≤wK，wk呈現(xiàn)單調(diào)遞增性。根據(jù)此特點(diǎn)，當(dāng)w（k-1）＜TV且wk＞TV，說(shuō)明兩序列相似性較差，停止wk以后元素的計(jì)算，并將wk作為兩序列的規(guī)整距離。閾值的選擇主要需考慮序列的長(zhǎng)度、計(jì)算量、可接受的計(jì)算時(shí)間和匹配效果評(píng)價(jià)。閾值太大，計(jì)算量和匹配時(shí)間減少的可能不太明顯；閾值太小，不利于觀察測(cè)試模板與各參考模板的匹配效果。因此，閾值要根據(jù)數(shù)據(jù)的具體特點(diǎn)、合理的評(píng)價(jià)手段或觀察，通過(guò)試湊法或優(yōu)化算法獲得。

2.3? 閾值的確定

本文的數(shù)據(jù)來(lái)自蘭州大成科技股份有限公司，收集到的現(xiàn)場(chǎng)數(shù)據(jù)120組。用Matlab中RAND（）函數(shù)模擬數(shù)據(jù)扭曲，circshift（）函數(shù)模擬時(shí)間軸的平移。從現(xiàn)場(chǎng)數(shù)據(jù)中選取45組（每類(lèi)故障5組）為基礎(chǔ)，施加平移和扭曲，生成63組干擾數(shù)據(jù)集（每種故障型7組）。從現(xiàn)場(chǎng)數(shù)據(jù)選擇54組數(shù)據(jù)與干擾數(shù)據(jù)集輸入改進(jìn)DTW中，來(lái)確定閾值，步長(zhǎng)間隔為0.1，閾值范圍在（0，40）區(qū)間。在不同閾值下改進(jìn)DTW準(zhǔn)確率變化曲線如圖4所示。

由圖4可知，當(dāng)閾值為29時(shí)，準(zhǔn)確率最高且保持穩(wěn)定，考慮到功率曲線振幅的波動(dòng)，本文選擇的閾值為30。

3? 仿真與分析

3.1? 樣本擴(kuò)充

將120組現(xiàn)場(chǎng)數(shù)據(jù)中，每種故障類(lèi)型選擇5組，共45組。用Matlab的RAND（）和circshift（）函數(shù)在這45組數(shù)據(jù)的基礎(chǔ)上模擬時(shí)間軸的平移和扭曲，平移單位在[5，15]區(qū)間。生成擾動(dòng)測(cè)試集117組（每種故障類(lèi)型13組），前后對(duì)比如圖5所示，功率曲線發(fā)生了明顯的平移和扭曲。

3.2? 仿真過(guò)程分析與討論

仿真環(huán)境為Matlab R2019a，Win 10。將各功率曲線類(lèi)型作為參考模板（每種模式選出一條），與120組現(xiàn)場(chǎng)數(shù)據(jù)作為測(cè)試集。參考模板和測(cè)試集以db3小波基進(jìn)行一次Mallat分解去噪后，輸入改進(jìn)DTW算法，進(jìn)行故障模式的識(shí)別得到表1。

由表1可知，改進(jìn)后的DTW在道岔故障識(shí)別中有較高的準(zhǔn)確率且達(dá)100%。在平均用時(shí)上比較，120條功率曲線使用改進(jìn)DTW算法平均每條故障診斷時(shí)間為15.6 ms，而DTW算法平均每條故障診斷時(shí)間為16.2 ms。結(jié)果表明，改進(jìn)后的DTW算法能有效識(shí)別道岔故障類(lèi)型，診斷時(shí)間更快。

將擾動(dòng)測(cè)試集與參考模板進(jìn)行DTW計(jì)算。與歐式距離（ED）、弗雷歇距離（FD）、改進(jìn)DTW和Fast-DTW進(jìn)行比較，故障診斷結(jié)果如表2所示。

由表2可知，擾動(dòng)測(cè)試集的故障診斷中，弗雷歇距離診斷準(zhǔn)確率最低為37.61%，平均每條故障診斷時(shí)間為3.821 1 s。改進(jìn)DTW準(zhǔn)確率最高為95.73%。結(jié)果表明，改進(jìn)DTW能夠有效識(shí)別時(shí)間軸發(fā)生平移和扭曲的功率曲線的故障類(lèi)型，準(zhǔn)確率高，計(jì)算速度較快。

圖6為改進(jìn)DTW的混淆矩陣，由圖6可知擾動(dòng)測(cè)試集的故障診斷中，出現(xiàn)將故障類(lèi)型5誤診為故障類(lèi)型2和故障類(lèi)型8誤診為故障類(lèi)型6的現(xiàn)象。

4? 結(jié)? 論

本文針對(duì)存在時(shí)間軸平移和扭曲的道岔功率曲線的故障診斷問(wèn)題提出了一種新的解決思路，改進(jìn)DTW算法進(jìn)行道岔故障診斷。得到以下結(jié)論：

1）針對(duì)S700K轉(zhuǎn)轍機(jī)常見(jiàn)的故障類(lèi)型，改進(jìn)DTW算法能很好地實(shí)現(xiàn)故障診斷，且準(zhǔn)確率高。

2）從仿真結(jié)果上看，針對(duì)存在時(shí)間軸平移和扭曲的道岔功率曲線的故障診斷，改進(jìn)DTW算法也能有效地識(shí)別道岔故障類(lèi)型。

3）閾值的選擇，會(huì)影響改進(jìn)DTW算法的故障診斷準(zhǔn)確率，需要考慮平移和扭曲的程度并合理地設(shè)置閾值大小。

參考文獻(xiàn)：

[1] 董煒，劉明明，王良順，等.基于群決策的道岔控制電路故障診斷方法 [J].自動(dòng)化學(xué)報(bào)，2018，44（6）：1005-1014.

[2] 李剛，徐長(zhǎng)明，龔翔，等.基于掩碼自編碼器的小樣本深度學(xué)習(xí)道岔故障診斷模型 [J].中國(guó)鐵道科學(xué)，2022，43（6）：175-185.

[3] 池毅，陳光武.基于一維卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)道岔故障診斷 [J].計(jì)算機(jī)工程與應(yīng)用，2022，58（20）：293-299.

[4] 劉應(yīng)君，司涌波，陳光武，等.基于CDET/MPSO-SVM的道岔故障診斷 [J].北京交通大學(xué)學(xué)報(bào)，2021，45（2）：52-59.

[5] 黃世澤，陳威，張帆，等.基于弗雷歇距離的道岔故障診斷方法 [J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，46（12）：1690-1695.

[6] LIU Z，BAI T，PENG C，et al. A method of Scaling Distortion Assessment Based on Dynamic Time Warping [J].Annals of Nuclear Energy，2022，177（11）：109304.1-109304.13.

[7] MATSUO S，WU X，ATARSAIKHAN G，et al. Deep Attentive Time Warping [J/OL].Pattern Recognition，2023，136：109201（2022-11-28）https：//doi.org/10.1016/j.patcog.2022.109201.

[8] LI Z，OUYANG B，CUI X P，et al. Fault Diagnosis Method of Electromagnetic Launch and Recovery Systems Based on Large-Scale Time Series Similarity Search [J].IEEE Transactions on Plasma Science，2022，50（7）：2293-2304.

[9] GAO Y X，YANG Y，MA Y，et al. Research on Intelligent Diagnosis of Railway Turnout Based on FastDTW under Big Data Monitoring [C]//2021 International Conference on Information Control，Electrical Engineering and Rail Transit （ICEERT）.Lanzhou：IEEE，2021，283-286.

[10] 孔令剛，焦相萌，陳光武，等.基于多域特征提取與改進(jìn)PSO-PNN的道岔故障診斷 [J].鐵道科學(xué)與工程學(xué)報(bào)，2020，17（6）：1327-1336.

[11] 李浩，閆國(guó)棟，尹業(yè)成，等.一種基于改進(jìn)DTW的人體運(yùn)動(dòng)模式感知算法 [J].中國(guó)慣性技術(shù)學(xué)報(bào)，2022，30（3）：309-315.

[12] ITAKURA F. Minimum Prediction Residual Principle Applied to Speech Recognition [J].IEEE Transactions on Acoustics， Speech， and Signal Processing，1975，23（1）：67-72.

[13] LOU Y S，AO H H，DONG Y C. Improvement of Dynamic Time Warping （DTW） Algorithm [C]//2015 14th International Symposium on Distributed Computing and Applications for Business Engineering and Science（DCABES）.Guiyang：IEEE，2015：384-387.

作者簡(jiǎn)介：歐陽(yáng)鑫鋒（1997—），男，漢族，湖南岳陽(yáng)人，碩士研究生在讀，研究方向：信號(hào)設(shè)備故障診斷。

收稿日期：2023-03-16