陳紅霞，孔筱筱

（南京鐵道職業(yè)技術學院，南京 210031）

截至2022年底，我國鐵路營業(yè)里程已突破15.5 萬km，其中高速鐵路營業(yè)里程已達到4.2 萬km。鐵路線路的完好是保證行車安全的重要保障，道岔是鐵路線路三大薄弱環(huán)節(jié)之一，如果道岔發(fā)生故障，維修不及時的話，可能導致嚴重的事故和較大的損失。因此針對道岔的研究以減少其發(fā)生故障是十分必要的。

目前，我國道岔故障狀態(tài)的監(jiān)測和狀態(tài)信息采集主要是通過鐵路信號集中監(jiān)測系統(tǒng)，通過該系統(tǒng)掌握道岔的運行狀態(tài)，并為分析道岔故障原因提供可靠依據(jù)。但在道岔發(fā)生故障時，缺少一個狀態(tài)監(jiān)測和故障診斷一體的綜合監(jiān)測軟件，只能去現(xiàn)場確認查看，進而判斷故障原因進行處理。這種維護方式隨著高鐵線路的不斷增加，效率就顯得很低。隨著鐵路的發(fā)展，必然需要采用新的理論和技術對道岔的故障預測進行探索。道岔故障預測即對道岔進行預防維修將是道岔故障分析的新方向，也是本論文的研究內(nèi)容。

本文以S700K 電動轉(zhuǎn)轍機為研究對象，實現(xiàn)道岔退化狀態(tài)的識別、故障的預測。通過對道岔典型故障退化狀態(tài)的挖掘和劃分，進行道岔故障診斷及狀態(tài)評估，實現(xiàn)道岔狀故障預測的目的。

1 理論依據(jù)

S700K 型電動轉(zhuǎn)轍機由電機、摩擦聯(lián)結(jié)器、齒輪組、保持連接器、滾珠絲杠、動作桿、鎖閉桿和速動開關組等組成。

1.1 動作過程

S700K 型電動轉(zhuǎn)轍機與外鎖閉裝置配套使用，具有通過能力強、使用壽命長、安全可靠性高等優(yōu)良性能，因而被廣泛應用于我國的高速鐵路線路。下面是S700K型電動轉(zhuǎn)轍機實現(xiàn)道岔轉(zhuǎn)換電路，主要包括啟動電路、動作電路和表示電路。

以道岔向定位轉(zhuǎn)換為例，首先由計算機聯(lián)鎖設備發(fā)出道岔從反位向定位轉(zhuǎn)換的操縱指令后，YCJ↑和DCJ↑，1DQJ 的3-4 線圈勵磁、1DQJF 隨之勵磁吸起，由1DQJF↑接通2DQJ 的轉(zhuǎn)極電路。當2DQJ 轉(zhuǎn)極后，1DQJ的自閉電路斷開，通過1DQJ、1DQJF、2DQJ 的接點向室外送三相動作電源，BHJ 在1DQJ 的緩放時間內(nèi)吸起，1DQJ 的1-2 線圈通過BHJ↑構(gòu)成自閉電路。1DQJ 的緩放時間長度與3-4 線圈充磁的時間成正比。

圖1中A 相－RD1－DBQ11－21－1DQJ11－12－電動機A 繞組、B 相－RD2－DBQ31－41－1DQJF11－12－2DQJ111－113－轉(zhuǎn)轍機接點11－12－電動機C 繞組和C 相－RD3－DBQ51－61－1DQJF21－22－2DQJ121－123－轉(zhuǎn)轍機接點13－14－遮斷開關K－電動機B 繞組道岔從反位向定位轉(zhuǎn)換時的動作電路圖。表示電路由表示變壓器、定位表示繼電器、電阻和速動開關組組成。道岔轉(zhuǎn)換到規(guī)定的位置后，BHJ↓，1DQJ↓，1DQJF↓，動作電源被切斷，通過1DQJ↓接通其表示電路。

圖1 動作電路圖

1.2 S700K 電動轉(zhuǎn)轍機常見故障分類及分析

道岔故障主要通過鐵路信號集中監(jiān)測系統(tǒng)調(diào)取查看道岔動作的功率曲線進行故障分析，然后根據(jù)道岔在轉(zhuǎn)換過程中的阻力變化情況對道岔故障情況進行診斷。此外，由于電流曲線也能夠較好反映道岔電路結(jié)構(gòu)上出現(xiàn)的故障情況，鐵路維護人員也將道岔電流數(shù)據(jù)作為輔助診斷依據(jù)，從而達到更全面的故障分析。圖2 是某道岔在某次正常動作情況下的三相電流以及功率曲線。正常情況下，S700K 型電動轉(zhuǎn)轍機完成一次完整的動作轉(zhuǎn)換大概需要9 s，鐵路信號集中監(jiān)測采集系統(tǒng)的采樣頻率為40 ms，所以道岔一次正常動作時間內(nèi)采集到的數(shù)據(jù)曲線大約包含230 個數(shù)據(jù)點。S700K 五線制道岔控制電路動作時序為1DQJ 吸起、1DQJF 吸起、2DQJ 轉(zhuǎn)極、BHJ 吸起，三相電經(jīng)斷相保護器DBQ 送至室外轉(zhuǎn)轍機電機線圈。要注意的是，1DQJ 有0.8 s 的緩放時間，期間是1DQJF 吸起、2DQJ 轉(zhuǎn)極、BHJ 吸起的時間，0.8 s 后三相電送進來，溝通1DQJ 自閉電路。如果其中哪個環(huán)節(jié)沒有完成，1DQJ 都將在0.8 s 后緩放落下。一般情況下，道岔轉(zhuǎn)換過程中，一條完整的功率或電流曲線主要由啟動解鎖、轉(zhuǎn)換、鎖閉以及表示4 個部分組成。

圖2 正常情況下的標準動作曲線

道岔系統(tǒng)內(nèi)部結(jié)構(gòu)復雜，長期處于室外惡劣多變的環(huán)境中以及受到列車經(jīng)過時帶來的巨大沖擊力影響，這些因素使得道岔成為了信號系統(tǒng)中最“脆弱”的設備之一。根據(jù)現(xiàn)場專家經(jīng)驗、相關文獻查詢，本論文對每種故障的類型和現(xiàn)象進行闡述，并對可能產(chǎn)生故障的原因進行了分析總結(jié)得到表1，這對于后續(xù)故障診斷和故障預測起著重要的作用。

表1 道岔常見故障模式

以上幾種故障模式根據(jù)其發(fā)生前是否具有明顯征兆分為2 類：可預測故障和突發(fā)性故障。其中，可預測故障是指在道岔不斷的往復運動過程中，在不考慮突發(fā)情況的前提下由于道岔機械性能的退化而引發(fā)的漸變性故障，例如由于轉(zhuǎn)換過潤滑減小程阻力過大沒能及時維護引發(fā)的卡阻故障F4 屬于機械性能下降導致的阻力增大引發(fā)的可預測故障。突發(fā)性故障由于發(fā)生無任何征兆，具有極強的隨機性，無法進行故障預測研究。因此在本研究的故障預測研究工作中，將選取由于阻力逐漸增大導致的F4 故障進行研究。

2 分析過程和方法

退化狀態(tài)是介于正常與故障之間的一種工作狀態(tài)，該狀態(tài)會隨著時間的推移，最終的結(jié)果會演化成故障狀態(tài)。盡管這種狀態(tài)不是導致道岔故障的根本原因，但是是增加道岔故障的可能性原因，因此有必要對道岔的退化狀態(tài)進行識別，通過識別其退化狀態(tài)達到預防故障發(fā)生的目的。

2.1 基于Kohonen 網(wǎng)絡的退化狀態(tài)挖掘

Kohonen 網(wǎng)絡的這種拓撲結(jié)構(gòu)能對人腦神經(jīng)細胞的特點和工作機理進行模擬。輸入層模擬不同的刺激信號，輸出層中的每個節(jié)點模擬為神經(jīng)細胞。由于神經(jīng)細胞興奮的原因是接收到了信號的刺激，因此，當輸入節(jié)點接收到樣本數(shù)據(jù)的“刺激信號”后，將通過網(wǎng)絡連接“傳遞”給輸出節(jié)點。輸出節(jié)點將對不同的輸入表現(xiàn)出不同的“敏感性”，并通過側(cè)向連接影響其鄰接節(jié)點，最終“獲勝”的輸出節(jié)點將給出最大的輸出值。圖3 是Kohonen 神經(jīng)網(wǎng)絡學習算法程序流程。

由以上可知，道岔的一次工作曲線大約為9 s，鐵路信號集中監(jiān)測系統(tǒng)采集周期是40 ms，一般采集到的功率數(shù)據(jù)要比故障時的多，如果把所有的數(shù)據(jù)作為故障診斷模型的輸入，這樣會導致部分故障特征被忽略掉，同時還增加訓練和測試的時間，影響診斷的效率和性能，所以要根據(jù)其特點，對這些數(shù)據(jù)進行特征提取，提取出典型的故障特征數(shù)據(jù)。

針對表1，結(jié)合Fisher 準則函數(shù)和LLE 2 種方法，篩選表征故障狀態(tài)的特征量，并對特征進行降維處理，得出合適的特征輸入，完成道岔轉(zhuǎn)換過程中的功率數(shù)據(jù)的提取。針對道岔降維后的功率數(shù)據(jù)特征，采用Kohonen神經(jīng)網(wǎng)絡進行無監(jiān)督學習聚類得出其退化狀態(tài)選擇流程圖。

?

根據(jù)上述方法進行分析，得出6 種退化狀態(tài)挖掘數(shù)據(jù)，見表2。

表2 退化狀態(tài)挖掘結(jié)果

每種狀態(tài)與正常動作功率曲線相比發(fā)現(xiàn)。狀態(tài)1 的功率數(shù)據(jù)值普遍偏小，但是動作時間及功率值的波動性都和正常的道岔動作一致，該狀態(tài)只能當做一類特殊的正常樣本看待。狀態(tài)2、狀態(tài)3 及狀態(tài)4 三種狀態(tài)的功率曲線無論是解鎖階段，還是鎖閉和緩放階段功率表征與正常動作過程基本一致?？梢酝茢喑鲞@3 種狀態(tài)退化過程不斷加重，并且和道岔轉(zhuǎn)換過程阻力異常故障相關聯(lián)。狀態(tài)5 的功率數(shù)據(jù)在初始動作階段較為正常，只是在動作階段和鎖閉階段的結(jié)合部分，功率值異常波動。該狀態(tài)沒有形成有效的集中分布，所以不用于有效樣本。狀態(tài)6 的功率數(shù)據(jù)最大的特點是解鎖功率值過低，而且鎖閉時功率值有異常波動，和狀態(tài)5 所表征的意義基本一致，所以也不用于有效樣本。

2.2 隱馬爾可夫（HMM）模型

以上得到了典型故障以及退化狀態(tài)的功率樣本數(shù)據(jù)，要找出典型退化狀態(tài)與故障狀態(tài)之間的聯(lián)系，從而有效地識別道岔設備所處的健康狀態(tài)。本論文利用隱馬爾可夫模型在故障識別領域的優(yōu)越性，結(jié)合上述數(shù)據(jù)處理結(jié)果，采用隱馬爾可夫模型對道岔系統(tǒng)進行狀態(tài)識別，即正常工作狀態(tài)、退化狀態(tài)和故障狀態(tài)，為現(xiàn)場工作人員制定合理的道岔維護計劃提供有力的幫助。

隱馬爾可夫模型是一種在Markov 鏈的基礎上發(fā)展起來的統(tǒng)計信號模型，能夠利用收集的訓練樣本進行自適應學習，該方法非常適合類似于道岔這種復雜設備進行模式識別與故障診斷。

一個隱馬爾可夫模型是不確定的、隨機的有限狀態(tài)自動機，由不可觀測的狀態(tài)轉(zhuǎn)移過程和可觀測的觀察生成過程組成。它可分為離散型和連續(xù)型，本文利用離散HMM。離散HMM 是一個五元組

1）狀態(tài)的集合S={S1，S2，…，SN}。記N個狀態(tài)為θ1，…，θN，記t時刻馬爾可夫鏈所處狀態(tài)為qt，顯然qt∈（θ1，…，θN）。

2）M：每個狀態(tài)對應的可能的觀察值數(shù)目。觀測符號集合V＝{ν1，ν2，…，νM}。

3）T：觀測符號序列的長度，觀測符號序列O＝{O1，O2，…，OT}。記M個觀察值為V1，…，VM，記t時刻觀察到的觀察值為ot，其中ot∈（V1，…，VM）。

4）π：初始狀態(tài)概率π=（π1，…，πN），式中

5）A：狀態(tài)轉(zhuǎn)移概率矩陣，（aij）N×N，式中

6）B：觀察值概率矩陣，bjk（ ）N×N，式中

基于HMM 的道岔狀態(tài)評估系統(tǒng)由3 部分組成，分別為數(shù)據(jù)處理、矢量量化和狀態(tài)評估。數(shù)據(jù)處理主要根據(jù)圖2 和表2 的分析結(jié)果進行樣本數(shù)據(jù)的特征提取、選擇和降維，得到道岔狀態(tài)的有效特征向量；然后根據(jù)隱馬爾可夫模型進行處理和量化得出模型的輸入，建立正常狀態(tài)、故障狀態(tài)、退化狀態(tài)等模型，最后利用樣本值驗證隱馬爾可夫模型的準確性，從而實現(xiàn)道岔設備故障診斷和故障預測。對道岔的健康狀態(tài)進行評估。

根據(jù)以上分析，利用表2 中退化樣本中3 種退化狀態(tài)數(shù)據(jù)和阻力異常故障樣本進行道岔設備故障診斷及健康狀態(tài)的評估。將6 種不同維度輸入的樣本集合用于進行HMM 模型訓練與驗證。從結(jié)果上看，HMM 診斷識別率、準確度都比較高，所以在實際應用中，該方法比較合適。

3 故障預測與故障診斷平臺設計

根據(jù)以上分析，設計道岔故障診斷與預測系統(tǒng)，系統(tǒng)結(jié)構(gòu)如圖4 所示。

圖4 故障預測和故障診斷系統(tǒng)結(jié)構(gòu)

該系統(tǒng)包括主機，主機通過導線連接有電源模塊，電源模塊用于提供主機所需的電能，主機通過信號線連接有數(shù)據(jù)輸入模塊和數(shù)據(jù)輸出模塊，數(shù)據(jù)輸入模塊用于對外部監(jiān)測得到的數(shù)據(jù)進行輸入，數(shù)據(jù)輸出模塊用于對分析的結(jié)果進行輸出，主機通過信號線連接有分析模塊，分析模塊對采集的數(shù)據(jù)進行分析，從而能夠得出故障預測結(jié)果，主機通過信號線連接有存儲模塊，存儲模塊用于對輸入的歷史數(shù)據(jù)進行存儲，數(shù)據(jù)輸入模塊通過信號線連接有實驗模塊，實驗模塊用于模擬道岔工作的實際情況從而輸出各項參數(shù)以供分析，實驗模塊通過信號線連接有外觀監(jiān)測模塊和電路監(jiān)測模塊，外觀監(jiān)測模塊通過實際工作的外部狀況對道岔的工作情況進行監(jiān)測，電路監(jiān)測模塊通過對道岔轉(zhuǎn)轍機工作的電路狀況對道岔的工作情況進行監(jiān)測，主機通過信號線連接有訓練模塊，訓練模塊通過對實驗模塊輸入的各種數(shù)據(jù)結(jié)果進行分析，從而得出符合實際情況的函數(shù)模型，以便進行各種復雜狀況的快速分析，主機通過信號線連接有警示模塊，警示模塊用于對故障預測進行警示。

4 結(jié)論

本論文以S700K 型電動道岔轉(zhuǎn)轍機為研究對象，通過闡述道岔的轉(zhuǎn)換原理，信號集中監(jiān)測系統(tǒng)采集的功率曲線，分析了道岔的正常工作狀態(tài)和故障狀態(tài)，以及故障產(chǎn)生的原因。利用神經(jīng)網(wǎng)絡和馬爾科夫建立故障診斷模型，根據(jù)故障模式的類型進行分類，并提出了故障識別的方法，建立道岔故障診斷和預測的系統(tǒng)平臺，對于現(xiàn)場道岔設備的維護工作由很重要的指導意義和參考價值。