王彥快，米根鎖，張 玉，王宇峰，王朋雨

(1.蘭州交通大學(xué) 鐵道技術(shù)學(xué)院，甘肅 蘭州 730070；2.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070；3.國網(wǎng)甘肅省電力公司 電力科學(xué)研究院，甘肅 蘭州 730070；4.國網(wǎng)甘肅省電力公司 定西供電局，甘肅 定西 743000)

隨著中國高速鐵路(以下簡(jiǎn)稱“高鐵”)的快速發(fā)展,對(duì)列車的運(yùn)營安全和效率提出了更高的要求,也隨之給鐵路信號(hào)設(shè)備的運(yùn)營維護(hù)帶來更大挑戰(zhàn)。道岔作為鐵路信號(hào)設(shè)備中最關(guān)鍵的基礎(chǔ)設(shè)施之一,其故障數(shù)約占鐵路信號(hào)設(shè)備故障總數(shù)的40%以上,其中90%以上為機(jī)械故障[1]。因此,對(duì)道岔狀態(tài)進(jìn)行監(jiān)測(cè),及時(shí)掌握其當(dāng)前健康狀態(tài),并制定合理的維修策略,是減少道岔故障、提高其可用性的重要手段。

目前我國鐵路現(xiàn)場(chǎng)主要采用“計(jì)劃修”和“故障修”相結(jié)合的道岔維護(hù)模式:維護(hù)人員通過信號(hào)集中監(jiān)測(cè)系統(tǒng)(Combined Signal Monitoring,CSM)監(jiān)測(cè)道岔實(shí)時(shí)狀態(tài),定期瀏覽道岔轉(zhuǎn)轍機(jī)動(dòng)作電流、功率曲線等參數(shù),周期性地對(duì)現(xiàn)場(chǎng)運(yùn)行中的道岔進(jìn)行檢測(cè)與維護(hù),確保道岔工作狀態(tài)良好;當(dāng)?shù)啦戆l(fā)生故障報(bào)警后,結(jié)合CSM的監(jiān)測(cè)數(shù)據(jù),依據(jù)專業(yè)知識(shí)和工作經(jīng)驗(yàn)定位道岔故障類型,輔助維修。該維修方式下,故障診斷準(zhǔn)確率較低,勞動(dòng)強(qiáng)度較大,且易造成“欠維修”和“過維修”,其維修存在局限性[2]。

為改變現(xiàn)有道岔維修方式,國內(nèi)外學(xué)者從道岔故障診斷和設(shè)備退化兩方面開展了相關(guān)研究。道岔故障診斷是對(duì)已故障道岔定位其故障類型,而對(duì)潛在故障或故障趨勢(shì)并未涉及,無法完成道岔“故障修”向“狀態(tài)修”的轉(zhuǎn)變。設(shè)備退化方面,文獻(xiàn) [3]采用SOM-BP混合神經(jīng)網(wǎng)絡(luò)方法對(duì)道岔設(shè)備退化狀態(tài)進(jìn)行識(shí)別,準(zhǔn)確率達(dá)到95.56%;文獻(xiàn) [4]通過Hausdorff距離分別計(jì)算道岔電流、功率曲線與正常曲線之間的相似度,實(shí)現(xiàn)道岔健康狀態(tài)評(píng)估及故障檢測(cè),解決了現(xiàn)有故障診斷方法需要大量樣本數(shù)據(jù)對(duì)算法支撐的問題;文獻(xiàn) [5]建立基于SVDD的道岔轉(zhuǎn)換故障檢測(cè)和健康指標(biāo)評(píng)估模型,實(shí)現(xiàn)對(duì)道岔設(shè)備的健康管理。上述文獻(xiàn)均為道岔狀態(tài)退化研究提供了有力依據(jù),但是原始道岔曲線樣本數(shù)據(jù)中的正常數(shù)據(jù)和異常數(shù)據(jù)數(shù)量比例不平衡,而且采用的特征指標(biāo)選取及處理方法無法全面反映出道岔的故障特點(diǎn)及趨勢(shì)。

針對(duì)以上問題,本文以我國高鐵大量采用的ZDJ9型電動(dòng)轉(zhuǎn)轍機(jī)為例,從CSM中獲取道岔功率曲線,包括道岔正常轉(zhuǎn)換功率曲線、不同退化狀態(tài)下的道岔功率曲線和道岔故障功率曲線,建立道岔功率曲線樣本數(shù)據(jù)庫;提取樣本數(shù)據(jù)的時(shí)域、頻域、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)奇異值熵等三方面的特征值,組成樣本數(shù)據(jù)的特征向量,并采用核主成分分析(Kernel Principal Component Analysis,KPCA)法對(duì)高維特征指標(biāo)進(jìn)行選擇與處理,構(gòu)建道岔特征指標(biāo)樣本數(shù)據(jù)庫;建立道岔退化狀態(tài)劃分連續(xù)隱馬爾可夫模型(Continuous Hidden Markov Model,CHMM),將退化特征樣本數(shù)據(jù)劃分為不同的退化狀態(tài),并在此基礎(chǔ)上,構(gòu)建麻雀搜索算法(Sparrow Search Algorithm,SSA)優(yōu)化支持向量機(jī)(Support Vector Machine,SVM)算法的道岔設(shè)備健康狀態(tài)評(píng)估模型,實(shí)現(xiàn)道岔健康狀態(tài)的綜合評(píng)估;最后驗(yàn)證提取道岔功率曲線樣本數(shù)據(jù)的時(shí)域、頻域、EMD奇異值熵三方面特征指標(biāo),以及采用KPCA降維方法的合理性;分別與使用GridSearch-SVM、GA-SVM、PSO-SVM算法建立的道岔設(shè)備健康狀態(tài)綜合評(píng)估模型的評(píng)估結(jié)果進(jìn)行對(duì)比,驗(yàn)證基于CHMM和SSA-SVM的高鐵道岔設(shè)備健康狀態(tài)評(píng)估方法的可行性和精準(zhǔn)性。

1 ZDJ9型電動(dòng)轉(zhuǎn)轍機(jī)

在現(xiàn)場(chǎng)通過CSM監(jiān)控并記錄道岔轉(zhuǎn)換過程中的有關(guān)數(shù)據(jù),實(shí)時(shí)掌握道岔動(dòng)作過程中轉(zhuǎn)轍機(jī)的電流曲線和功率曲線等參數(shù),其中功率曲線不僅能夠反映道岔轉(zhuǎn)換時(shí)的電氣特性,更能體現(xiàn)道岔在動(dòng)作過程中所受阻力大小和機(jī)械性能[6]。為此,本文選擇功率曲線數(shù)據(jù)建立樣本數(shù)據(jù)庫。

1.1 ZDJ9型轉(zhuǎn)轍機(jī)功率曲線

在CSM中,通過道岔監(jiān)測(cè)模塊監(jiān)測(cè)到的道岔正常轉(zhuǎn)換功率曲線見圖1。圖1中,道岔轉(zhuǎn)換過程功率曲線分為解鎖、轉(zhuǎn)換、鎖閉等3個(gè)階段。在解鎖過程中,1道岔啟動(dòng)繼電器(DQJ)勵(lì)磁吸起,道岔動(dòng)作曲線開始記錄,2DQJ轉(zhuǎn)極,功率曲線驟然產(chǎn)生尖峰,尖峰值為650～1 080 W,道岔啟動(dòng)電路接通,道岔動(dòng)作開始;在轉(zhuǎn)換過程中,功率曲線較平滑,功率值大小與參考曲線大體相同;在鎖閉過程中,當(dāng)動(dòng)作的尖軌密貼于基本軌,道岔鎖閉后,自動(dòng)開閉器接點(diǎn)轉(zhuǎn)換,同時(shí)斷開啟動(dòng)電路,接通表示電路,斷相保護(hù)器無電流通過,使保護(hù)繼電器落下,又因1DQJ處于緩放狀態(tài),啟動(dòng)電路仍有兩相電流,產(chǎn)生200 W左右的曲線小臺(tái)階,直到1DQJ緩放結(jié)束,功率為0 W[7]。

圖1 道岔正常轉(zhuǎn)換功率曲線

1.2 道岔全壽命周期狀態(tài)分析

通過分析道岔轉(zhuǎn)換功率曲線,結(jié)合現(xiàn)場(chǎng)道岔故障原因及設(shè)備退化規(guī)律,將道岔全生命周期的整個(gè)狀態(tài)劃分為正常狀態(tài)、退化狀態(tài)和故障狀態(tài)3個(gè)等級(jí)。道岔全壽命周期狀態(tài)曲線見圖2。由圖2可知,在正常狀態(tài)下,設(shè)備運(yùn)行正常,狀態(tài)監(jiān)測(cè)值在正常范圍,故障發(fā)生概率較低;在故障狀態(tài)下,設(shè)備性能惡化,已發(fā)生故障,必須及時(shí)安排檢修;從道岔正常狀態(tài)的退化起始點(diǎn)開始至故障點(diǎn)的生命周期為退化狀態(tài),表現(xiàn)在道岔轉(zhuǎn)換功率曲線上,雖然解鎖、轉(zhuǎn)換、鎖閉3個(gè)過程曲線完整,但是往往表現(xiàn)出功率幅值、波動(dòng)幅度、動(dòng)作時(shí)間等不同的退化特點(diǎn),所以需要及時(shí)精準(zhǔn)地評(píng)估出當(dāng)前道岔狀態(tài),以提醒維修人員采取相應(yīng)的維修措施。

圖2 道岔全壽命周期狀態(tài)曲線

1.3 道岔設(shè)備健康狀態(tài)評(píng)估

高鐵道岔設(shè)備健康狀態(tài)評(píng)估的技術(shù)路線見圖3。圖3中,整個(gè)過程主要包括:道岔特征指標(biāo)樣本數(shù)據(jù)庫的建立、道岔退化狀態(tài)劃分CHMM模型構(gòu)建、道岔健康狀態(tài)評(píng)估SSA-SVM模型構(gòu)建,以及高鐵道岔設(shè)備健康狀態(tài)評(píng)估功能實(shí)現(xiàn)。

圖3 高鐵道岔設(shè)備健康狀態(tài)評(píng)估的技術(shù)路線

2 道岔特征指標(biāo)提取和選擇

2.1 道岔特征指標(biāo)提取

為更全面反映道岔功率曲線具有的退化及故障特征,結(jié)合道岔轉(zhuǎn)換過程中解鎖、轉(zhuǎn)換、鎖閉等3個(gè)過程的功率曲線特點(diǎn),分別提取每個(gè)過程的時(shí)域、頻域、時(shí)頻域特征指標(biāo)。

2.1.1 時(shí)域特征指標(biāo)提取

由于不同的道岔故障類型在道岔功率曲線的解鎖、轉(zhuǎn)換、鎖閉過程中的表現(xiàn)具有不同的特點(diǎn),故需要分別提取以上3個(gè)過程的時(shí)域特征指標(biāo),見表1[8]。

表1 時(shí)域特征指標(biāo)

2.1.2 頻域特征指標(biāo)提取

通過分析道岔典型故障功率曲線的特點(diǎn)得出故障現(xiàn)象表現(xiàn)在功率曲線的某個(gè)小區(qū)域,若僅僅計(jì)算時(shí)域特征指標(biāo),可能會(huì)忽略功率曲線的故障小區(qū)域,而在功率信號(hào)的頻譜中,頻率分量會(huì)相應(yīng)地改變。假設(shè)一個(gè)道岔功率曲線數(shù)據(jù)樣本序列為{pf},經(jīng)快速傅里葉變換(FFT)后得到的幅值序列為{Af},相角序列為{θf},其中f∈[1,160]。每一個(gè)道岔功率曲線數(shù)據(jù)樣本需提取的頻域特征指標(biāo)見表2[9]。

表2 頻域特征指標(biāo)

2.1.3 時(shí)頻域特征指標(biāo)提取

為全面反映道岔功率曲線的非線性信號(hào)特征,利用EMD分解道岔功率曲線得到特征向量矩陣,基于奇異值分解和信息熵理論構(gòu)建奇異值熵作為時(shí)頻域特征指標(biāo)[10]。該方法不僅能夠有效提取故障信號(hào)微弱的特征,而且不需選取基函數(shù),具有自適應(yīng)性較強(qiáng)等優(yōu)勢(shì)。

1)EMD方法及特征向量矩陣

將道岔功率信號(hào)x(t)中曲線數(shù)據(jù)的波動(dòng)或道岔退化趨勢(shì)逐級(jí)分解,得到由多個(gè)本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)分量xd(t)和一個(gè)余項(xiàng)r組成的表達(dá)式,即

( 1 )

xd(t)為x(t)中從高頻到低頻不同頻段的成分,由于在每一個(gè)IMF分量中又包含道岔功率信號(hào)中突變的故障信息,所以可由n個(gè)IMF分量組成的初始特征向量矩陣C表示x(t)的特征,即

( 2 )

2)奇異值熵[12]

根據(jù)奇異值分解原理可得

C=UΛVT

( 3 )

式中:U、V分別為(n+1)×(n+1)階、m×m階正交矩陣,m為每個(gè)IMF分量的數(shù)目;Λ為對(duì)角矩陣,主對(duì)角元素λ1、λ2、…、λ(n+1)為矩陣C的奇異值,且滿足λ1≥λ2≥…≥λ(n+1)≥0。

設(shè)gd、vd分別為U、V的列向量,則式( 3 )可等效為

( 4 )

式中:λd為矩陣C的第d個(gè)奇異值。為定量描述信號(hào)時(shí)頻成分和復(fù)雜度,引入奇異值熵Y,其定義為

( 5 )

2.2 道岔特征指標(biāo)選擇

由于通過計(jì)算原始道岔功率曲線的時(shí)域、頻域、EMD奇異值熵組成的高維特征指標(biāo)向量,其特征指標(biāo)之間存在大量的冗余數(shù)據(jù)和空間相關(guān)性,在模型訓(xùn)練時(shí),復(fù)雜度較高,穩(wěn)定性較差,故本文選用KPCA對(duì)道岔高維特征指標(biāo)進(jìn)行選擇處理。具體實(shí)現(xiàn)過程為:采用非線性映射核函數(shù)將樣本數(shù)據(jù)映射在高維特征空間,進(jìn)行零均值處理后得到新核矩陣;計(jì)算新核矩陣的特征值、特征向量以及方差貢獻(xiàn)率,按照從大到小的順序排列,并對(duì)方差貢獻(xiàn)率歸一化;將樣本點(diǎn)投影在特征向量上,根據(jù)累計(jì)目標(biāo)方差貢獻(xiàn)率的大小提取前幾個(gè)主成分,從而建立道岔特征指標(biāo)樣本數(shù)據(jù)庫[13]。

3 CHMM模型

假設(shè)道岔退化特征指標(biāo)樣本序列為O=(o1,o2,…,oT),對(duì)應(yīng)的道岔退化狀態(tài)序列為q=(q1,q2,…,qT),基于CHMM的道岔退化狀態(tài)確定訓(xùn)練模型ρ[14]為

ρ=(k,h,π,A,B)

( 6 )

根據(jù)式( 6 ),道岔退化狀態(tài)CHMM劃分模型的構(gòu)建步驟如下:

Step1CHMM模型訓(xùn)練。采用Baum-Welch算法,該算法是采用最大期望算法的原理,通過極大似然對(duì)數(shù)值反映訓(xùn)練模型與實(shí)際模型的接近程度,其值越大越接近。具體實(shí)現(xiàn)過程為:不斷迭代訓(xùn)練參數(shù),每一步迭代分為求期望和極大化2個(gè)步驟,直到CHMM模型收斂,保存最優(yōu)參數(shù)。

Step2退化狀態(tài)數(shù)確定。為確定道岔退化狀態(tài)等級(jí),通過已知的道岔退化特征指標(biāo)樣本序列和已訓(xùn)練好的CHMM模型,采用Viterbi算法找到一個(gè)合理的隱狀態(tài)序列解釋該觀測(cè)序列。

Step3當(dāng)前退化狀態(tài)確定。采用前向-后向算法計(jì)算觀測(cè)序列在給定CHMM模型下的似然概率值lg(P(O|λ)),并比較各模型下的似然概率值,確定所有樣本所屬退化狀態(tài)。

以上涉及到的Baum-Welch、Viterbi、前向-后向算法的詳細(xì)推理過程見文獻(xiàn) [15]。

4 SSA-SVM模型

為能夠準(zhǔn)確地對(duì)高鐵道岔設(shè)備健康狀態(tài)進(jìn)行評(píng)估,本文在對(duì)道岔退化狀態(tài)劃分的基礎(chǔ)上,建立基于SVM算法的道岔設(shè)備健康狀態(tài)評(píng)估模型。SVM算法在解決小樣本、非線性、模式識(shí)別等問題方面具有很大優(yōu)勢(shì),符合道岔設(shè)備狀態(tài)評(píng)估特點(diǎn),同時(shí)考慮到SVM模型的泛化能力受懲罰因子c和核函數(shù)半徑g的影響較大[16],故本文引入SSA算法優(yōu)化SVM模型中的參數(shù)c和g,以提高SVM的評(píng)估準(zhǔn)確率。

4.1 SSA算法原理

SSA算法由Xue和Shen在2020年提出,是一種新型群體智能優(yōu)化算法[17],通過模擬麻雀覓食與反捕過程獲得最優(yōu)參數(shù)c和g,與其他群體智能優(yōu)化算法相比,該算法全局搜索能力強(qiáng),收斂速度快,精度高,而且穩(wěn)定性好。

SSA算法的實(shí)現(xiàn)原理為:將在覓食過程中的麻雀分為發(fā)現(xiàn)者、加入者和偵察者3種類型,通過利用它們之間的關(guān)系及麻雀在遇到捕食者之后的反應(yīng)而達(dá)到優(yōu)化搜索的目的[17-18]。

1)發(fā)現(xiàn)者的位置更新

發(fā)現(xiàn)者搜索能力強(qiáng),可引導(dǎo)整個(gè)種群搜索和覓食。發(fā)現(xiàn)者的位置更新式為

( 7 )

式中:t為當(dāng)前迭代次數(shù);N為最大迭代次數(shù);α為(0,1]之間的隨機(jī)數(shù);G為服從正態(tài)分布的隨機(jī)數(shù);L為1×j維、元素均為1的矩陣;R2為預(yù)警值,R2∈[0,1];SN為安全值,SN∈[0.5,1]。

當(dāng)R2

2)偵查者的位置更新

偵查者通過監(jiān)視發(fā)現(xiàn)者以提高自身捕食率,當(dāng)遇天敵威脅時(shí),發(fā)出預(yù)警信號(hào),種群做出反捕食行為。偵查者的位置更新式為

( 8 )

式中:Xg為當(dāng)前全局最優(yōu)位置;β為步長(zhǎng)調(diào)整參數(shù),為服從均值為0、方差為1的正態(tài)分布的隨機(jī)數(shù);K為麻雀移動(dòng)方位,K∈[-1,1];fw為全局最差適應(yīng)度;fg為全局最優(yōu)適應(yīng)度;fi為i個(gè)體的適應(yīng)度;ε為最小常數(shù),以避免分母為零。

當(dāng)fi≠fg時(shí),表示該麻雀在種群的邊緣帶活動(dòng),易被捕食者發(fā)現(xiàn)而受到襲擊;當(dāng)fi=fg時(shí),表示該麻雀位于種群的中心位置,且已察覺到被襲擊的危險(xiǎn),需要迅速向其他區(qū)域的麻雀靠攏。

3)跟隨者的位置更新

除發(fā)現(xiàn)者和偵查者之外,其余的麻雀均為跟隨者,主要通過跟隨發(fā)現(xiàn)者搜尋食物以獲得更好的適應(yīng)度。跟隨者的位置更新式為

( 9 )

式中:Xw為全局最差位置;Xp為全局最優(yōu)位置;A為1×j維矩陣,各元素隨機(jī)賦值為1或-1,且滿足A+=AT(AAT)-1。

當(dāng)i>n/2時(shí),表明第i個(gè)跟隨者未搜索到食物,存活率低,需前往其他區(qū)域搜尋食物,以提高自身適應(yīng)度。

4.2 SSA-SVM模型

SVM算法原理見文獻(xiàn) [19]。采用SSA算法優(yōu)化SVM狀態(tài)評(píng)估模型的參數(shù)c、g的流程見圖4。評(píng)估模型的優(yōu)化步驟如下:

圖4 評(píng)估模型的優(yōu)化流程

Step1初始化SSA參數(shù)。

Step2通過計(jì)算個(gè)體適應(yīng)度fi,選出最優(yōu)適應(yīng)度fg和其所對(duì)應(yīng)的位置X(c,g)。

Step3選取分類錯(cuò)誤率最小的適應(yīng)度函數(shù),計(jì)算得到適應(yīng)度,并按從大到小的順序選取前pNum只麻雀(占種群數(shù)量的60%～70%)作為發(fā)現(xiàn)者,根據(jù)式( 7 )更新發(fā)現(xiàn)者的位置;隨機(jī)選取sNum只麻雀(占種群數(shù)量的5%～10%)作為偵查者,根據(jù)式( 8 )更新偵查者的位置;其余均為跟隨者(占種群數(shù)量的15%～20%),根據(jù)式( 9 )更新跟隨者的位置。

Step4根據(jù)麻雀種群當(dāng)前的狀態(tài),更新整個(gè)種群所經(jīng)歷的最優(yōu)位置X(bestc,bestg)和最優(yōu)適應(yīng)度fg,訓(xùn)練SSA-SVM模型。

Step5判斷算法運(yùn)行是否達(dá)到收斂條件,若是,循環(huán)結(jié)束,將最優(yōu)結(jié)果X(bestc,bestg)輸入SVM狀態(tài)評(píng)估模型;否則返回Step2。

5 高鐵道岔設(shè)備健康狀態(tài)評(píng)估方法實(shí)現(xiàn)

5.1 道岔功率曲線樣本數(shù)據(jù)庫的建立

以某鐵路局管轄車站采用的ZDJ9型電動(dòng)轉(zhuǎn)轍機(jī)所驅(qū)動(dòng)的道岔為研究對(duì)象,共獲取344條道岔功率曲線,其中包含254條不同退化狀態(tài)下的道岔功率曲線、50條道岔正常轉(zhuǎn)換功率曲線以及40條道岔故障功率曲線。道岔正常轉(zhuǎn)換的時(shí)間為6 s左右,采樣間隔為40 ms,采樣點(diǎn)數(shù)為150。在做數(shù)據(jù)處理時(shí),在曲線數(shù)據(jù)點(diǎn)后補(bǔ)零至?xí)r間點(diǎn)為6.4 s,若故障動(dòng)作時(shí)間超過6.4 s,則截取曲線前6.4 s的數(shù)據(jù),最終每條功率曲線采集160個(gè)數(shù)據(jù)點(diǎn)組成一個(gè)樣本。其中,解鎖過程為0～0.6 s,共采集15個(gè)數(shù)據(jù)點(diǎn);轉(zhuǎn)換過程為0.64～4.4 s,共采集96個(gè)數(shù)據(jù)點(diǎn);鎖閉過程為4.5～6.4 s,共采集49個(gè)數(shù)據(jù)點(diǎn)。

5.2 道岔特征指標(biāo)提取結(jié)果分析

1)時(shí)域特征指標(biāo)提取結(jié)果分析

根據(jù)表1中列出的16個(gè)時(shí)域特征指標(biāo),分別計(jì)算344個(gè)道岔功率曲線樣本解鎖、轉(zhuǎn)換、鎖閉過程的時(shí)域特征指標(biāo)。由于不同的道岔退化及故障狀態(tài)在3個(gè)過程的功率曲線表現(xiàn)出不同的特點(diǎn),部分時(shí)域特征指標(biāo)對(duì)退化類型的分析并不敏感,例如所有樣本的峭度因子值區(qū)分度不大,每個(gè)階段的平均值與絕對(duì)平均值數(shù)值存在相似性,所以需要對(duì)各項(xiàng)指標(biāo)的變化趨勢(shì)以及指標(biāo)間的關(guān)系進(jìn)行分析。最終選出解鎖過程14個(gè)指標(biāo)(刪除最小值、峰峰值、峭度指標(biāo),增加最大值與第15個(gè)采集點(diǎn)數(shù)據(jù)的差值)、轉(zhuǎn)換過程15個(gè)指標(biāo)(刪除峭度指標(biāo))、鎖閉過程17個(gè)指標(biāo)(增加最大值與最小值的差值),建立344×46維的時(shí)域特征指標(biāo)。

2)頻域特征指標(biāo)提取結(jié)果分析

根據(jù)表2所示的頻域特征指標(biāo),對(duì)344個(gè)道岔功率曲線樣本數(shù)據(jù)采用FFT變換得到功率曲線的各段頻譜,提取12個(gè)頻域特征指標(biāo)。由于最大相角、能量特征指標(biāo)對(duì)退化及故障狀態(tài)不敏感,需刪除,最終建立了344×10維的頻域特征指標(biāo)。

3)時(shí)頻域特征指標(biāo)提取結(jié)果分析

以圖1所示的道岔正常轉(zhuǎn)換功率曲線數(shù)據(jù)為例,EMD分解后的前4個(gè)IMF分量波形見圖5。由圖5可見,道岔功率信號(hào)細(xì)微的變化經(jīng)過EMD分解后,隨著頻率由高到低減小,信號(hào)能量依次減弱。

圖5 道岔正常轉(zhuǎn)換功率曲線數(shù)據(jù)EMD分解結(jié)果

通過對(duì)IMF分量進(jìn)行信號(hào)重構(gòu)并進(jìn)行奇異值分解,結(jié)合信息熵理論計(jì)算344組道岔功率曲線樣本的EMD奇異值熵,繪制出EMD奇異值熵散點(diǎn),見圖6。由圖6可見,由于采集數(shù)據(jù)來源于不同組的道岔,而且道岔健康狀態(tài)不同,信號(hào)的復(fù)雜程度不同,其EMD奇異值熵區(qū)分明顯。

圖6 EMD奇異值熵散點(diǎn)

5.3 基于KPCA變換的道岔特征指標(biāo)選擇及結(jié)果分析

通過計(jì)算道岔功率曲線樣本數(shù)據(jù)的時(shí)域、頻域、EMD奇異值熵特征指標(biāo),并對(duì)其進(jìn)行初步選擇后,建立344×57維的特征指標(biāo)樣本。對(duì)樣本數(shù)據(jù)標(biāo)準(zhǔn)化后進(jìn)行KPCA降維,選取累計(jì)方差貢獻(xiàn)率大于95%作為目標(biāo)降維量選取的標(biāo)準(zhǔn),其中8維能夠代表87.78%以上的原始信息,11維能夠代表約92.12%以上的原始信息,16維可代表95.62%以上的原始信息,故前16個(gè)主成分即可滿足要求。經(jīng)KPCA降維后的16個(gè)主成分的貢獻(xiàn)值散點(diǎn)見圖7。由圖7可見,第1主成分對(duì)應(yīng)的貢獻(xiàn)最大,從第1主成分至第16主成分的貢獻(xiàn)依次減小。

圖7 16個(gè)主成分的貢獻(xiàn)值散點(diǎn)

5.4 道岔退化狀態(tài)劃分CHMM模型的構(gòu)建及結(jié)果分析

1)道岔退化狀態(tài)區(qū)段劃分模型構(gòu)建

采用道岔退化狀態(tài)下功率曲線的特征指標(biāo)樣本訓(xùn)練CHMM模型,其中訓(xùn)練樣本的道岔退化狀態(tài),是在研究典型道岔故障類型的基礎(chǔ)上,在CSM中調(diào)取已故障道岔從正常工作到發(fā)生故障期間的多組功率曲線,根據(jù)該道岔的工作時(shí)長(zhǎng)以及道岔從退化至完全發(fā)生故障的時(shí)長(zhǎng),并結(jié)合道岔維修記錄和現(xiàn)場(chǎng)專家經(jīng)驗(yàn)等設(shè)置的。參考文獻(xiàn) [3]中的研究成果,將隱含狀態(tài)數(shù)目Q設(shè)置為5～8,采用Viterbi算法進(jìn)行解碼,將254×57維的退化特征樣本數(shù)據(jù)劃分為不同的區(qū)間范圍。隱含狀態(tài)的劃分見圖8。

圖8 隱含狀態(tài)的劃分

由圖8可見,當(dāng)Q=5、7、8時(shí),區(qū)段劃分結(jié)果出現(xiàn)交叉重疊的現(xiàn)象,說明這部分?jǐn)?shù)據(jù)可以劃分到2個(gè)區(qū)段,顯然對(duì)道岔實(shí)際退化狀態(tài)的劃分不符合實(shí)際情況;而當(dāng)Q=6時(shí),254組退化樣本被劃分到6個(gè)不同的區(qū)段,能夠很好地反應(yīng)出道岔性能由輕微退化到嚴(yán)重退化的整個(gè)規(guī)律,同時(shí)也驗(yàn)證了文獻(xiàn) [3]的結(jié)果。254組退化樣本數(shù)據(jù)劃分結(jié)果見表3。

表3 254組退化樣本數(shù)據(jù)劃分結(jié)果

2)道岔退化狀態(tài)分析

結(jié)合表3中列出的254組退化樣本數(shù)據(jù)劃分結(jié)果,分別選取每一級(jí)退化狀態(tài)下的第一個(gè)樣本,繪制出完整的道岔功率曲線,見圖9。結(jié)合現(xiàn)場(chǎng)調(diào)研情況,總結(jié)出該6種典型退化類型道岔功率曲線特點(diǎn),見表4。

表4 道岔設(shè)備典型退化類型

圖9 6種典型道岔退化狀態(tài)功率曲線

5.5 道岔健康狀態(tài)評(píng)估SSA-SVM模型的構(gòu)建及結(jié)果分析

5.5.1 參數(shù)優(yōu)化

在Matlab中,初始化SSA參數(shù),設(shè)置最大迭代次數(shù)為100,種群數(shù)量為20,c、g的優(yōu)化范圍均為[1×10-5,1×103],交叉驗(yàn)證折數(shù)為5,安全值為0.6,發(fā)現(xiàn)者所占比例為70%,加入者所占比例為20%,偵查者所占比例為10%;在由道岔正常、退化、故障等共8種狀態(tài)組成的344×16維樣本中,抽取每一種狀態(tài)的后10組樣本組成80×16維的測(cè)試樣本,其余264×16維樣本為訓(xùn)練樣本。結(jié)合圖4以及4.2節(jié)的優(yōu)化步驟,采用SSA算法優(yōu)化SVM的懲罰因子c和核函數(shù)半徑g,最終得到最優(yōu)參數(shù)X(bestc,bestg)為X(22.732 1,0.391 98),最佳適應(yīng)度fg高達(dá)98.75%。該模型的最佳適應(yīng)度曲線和平均適應(yīng)度曲線見圖10。

圖10 最佳適應(yīng)度曲線和平均適應(yīng)度曲線

5.5.2 狀態(tài)評(píng)估模型測(cè)試

將最優(yōu)參數(shù)X(22.732 1,0.391 98)輸入至SSA-SVM狀態(tài)評(píng)估模型中,得到80×16維測(cè)試樣本的實(shí)際狀態(tài)和評(píng)估狀態(tài),見圖11。圖11中,縱坐標(biāo)1～6分別為表3中的道岔退化狀態(tài)Ⅰ～Ⅵ級(jí),縱坐標(biāo)7、8分別為道岔正常狀態(tài)和道岔故障狀態(tài)。由圖11可見,SSA-SVM的評(píng)估模型中,80組測(cè)試樣本中僅有1組數(shù)據(jù)出現(xiàn)錯(cuò)誤,道岔健康狀態(tài)識(shí)別正確率達(dá)到98.75%,退化狀態(tài)識(shí)別正確率達(dá)到98.33%,高于文獻(xiàn) [3]中基于SOM-BP算法模型的道岔退化狀態(tài)識(shí)別結(jié)果。

圖11 測(cè)試樣本的實(shí)際狀態(tài)和評(píng)估狀態(tài)

5.5.3 狀態(tài)評(píng)估結(jié)果分析

1)分別采用264×160維道岔功率曲線數(shù)據(jù)訓(xùn)練樣本、降維前的264×57維特征指標(biāo)訓(xùn)練樣本以及經(jīng)KPCA降維后的264×16維特征指標(biāo)訓(xùn)練樣本訓(xùn)練SSA-SVM模型,并輸入對(duì)應(yīng)樣本的80組測(cè)試樣本進(jìn)行評(píng)估,3種樣本的道岔健康狀態(tài)評(píng)估結(jié)果見表5。

表5 3種樣本的道岔健康狀態(tài)評(píng)估結(jié)果

由表5可見,3種樣本的道岔狀態(tài)評(píng)估結(jié)果表明,經(jīng)KPCA降維后的樣本具有較高的評(píng)估準(zhǔn)確率,而且模型訓(xùn)練時(shí)間最短,滿足對(duì)道岔設(shè)備健康狀態(tài)評(píng)估實(shí)時(shí)性的要求;同時(shí)驗(yàn)證了提取道岔功率曲線樣本數(shù)據(jù)的時(shí)域、頻域、EMD奇異值熵等三方面特征指標(biāo),以及采用KPCA降維方法的合理性。

2)采用264×16維特征指標(biāo)訓(xùn)練樣本分別訓(xùn)練GA-SVM、GridSearch-SVM、PSO-SVM 等3種方法的高鐵道岔設(shè)備健康狀態(tài)評(píng)估模型,采用80×16維特征指標(biāo)測(cè)試樣本進(jìn)行評(píng)估,并與本文方法進(jìn)行對(duì)比,4種評(píng)估模型的道岔健康狀態(tài)評(píng)估結(jié)果見表6。

表6 4種評(píng)估模型的道岔健康狀態(tài)評(píng)估結(jié)果 %

表6評(píng)估結(jié)果表明:在獲得最佳優(yōu)化參數(shù)的前提下,4種評(píng)估模型中SSA-SVM模型的健康狀態(tài)評(píng)估準(zhǔn)確率最高,其中正常、故障狀態(tài)的評(píng)估準(zhǔn)確率均為100%;6種退化狀態(tài)下,Ⅰ、Ⅱ、Ⅲ易出現(xiàn)錯(cuò)誤識(shí)別,Ⅳ、Ⅴ、Ⅵ的識(shí)別正確率均為100%。分別統(tǒng)計(jì)4種模型中錯(cuò)誤識(shí)別的樣本,第25個(gè)樣本均出現(xiàn)錯(cuò)誤評(píng)估,該樣本分類后屬于F3類退化狀態(tài)Ⅲ,而錯(cuò)誤評(píng)估為F2類退化狀態(tài)Ⅱ,結(jié)合表4,對(duì)比F2和F3,這兩類退化狀態(tài)均由道岔轉(zhuǎn)換過程阻力異常引起,表現(xiàn)在道岔功率曲線上,轉(zhuǎn)換過程出現(xiàn)了功率“鼓包”,只是出現(xiàn)功率異常的時(shí)間點(diǎn)有所不同,這也是易出現(xiàn)錯(cuò)誤識(shí)別的主要原因。針對(duì)以上問題,在今后的研究工作中,可以嘗試其他算法提高道岔退化狀態(tài)劃分的精度,達(dá)到提高道岔狀態(tài)評(píng)估準(zhǔn)確率的目的。

6 結(jié) 論

1)本文通過計(jì)算功率曲線數(shù)據(jù)的時(shí)域、頻域、時(shí)頻域三方面特征指標(biāo),全面提取了道岔退化及故障特征,其中時(shí)頻域特征指標(biāo)采用EMD奇異值熵,不僅能夠有效提取故障信號(hào)微弱特征,而且不需選取基函數(shù),具有自適應(yīng)性強(qiáng)等優(yōu)勢(shì),獲得了道岔的不同退化狀態(tài)下的特征指標(biāo)。

2)采用KPCA方法對(duì)道岔特征指標(biāo)進(jìn)行選擇處理,消除了原始多維特征冗余信息,減少了模型訓(xùn)練時(shí)間,提高了道岔設(shè)備健康狀態(tài)評(píng)估的實(shí)時(shí)性。

3)構(gòu)建退化狀態(tài)劃分CHMM模型,將道岔退化過程劃分為6個(gè)退化狀態(tài),較好地表征了道岔設(shè)備退化演變過程。

4)分別構(gòu)建基于GA-SVM、GridSearch-SVM、PSO-SVM、SSA-SVM的道岔設(shè)備健康狀態(tài)綜合評(píng)估模型,輸入測(cè)試樣本,對(duì)比退化狀態(tài)Ⅰ至退化狀態(tài)Ⅵ、道岔正常狀態(tài)、故障狀態(tài)的評(píng)估準(zhǔn)確率,驗(yàn)證了基于CHMM和SSA-SVM的高鐵道岔設(shè)備健康狀態(tài)評(píng)估方法的高評(píng)估準(zhǔn)確率和可行性,為道岔設(shè)備日常維護(hù)、故障及時(shí)發(fā)現(xiàn)處理、維護(hù)維修計(jì)劃制定提供一定的理論依據(jù)。