許慶陽，劉中田， 趙會兵

(北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

隨著鐵路運(yùn)輸不斷高密度、高強(qiáng)度化，鐵路信號設(shè)備性能的好壞直接影響著鐵路運(yùn)輸?shù)陌踩c效率。道岔作為鐵路信號系統(tǒng)中最重要的設(shè)備之一，其主要功能是完成道岔定反位方向的轉(zhuǎn)換，從而實(shí)現(xiàn)列車行駛方向的改變。通過現(xiàn)場調(diào)研發(fā)現(xiàn)，道岔故障往往是造成鐵路重大事故的主要原因之一[1]，如道岔不密貼會造成擠岔現(xiàn)象，有可能導(dǎo)致列車脫軌，嚴(yán)重危及行車安全。因此，對道岔狀態(tài)進(jìn)行監(jiān)測，及時(shí)了解其工作狀態(tài)，并制定合理的維修策略，是減少道岔故障并提高其可用性的重要手段。

基于設(shè)備狀態(tài)的維護(hù)方式(Condition-based Maintenance)是目前機(jī)械故障診斷領(lǐng)域熱門的研究方向，通過對設(shè)備工作狀態(tài)和工作環(huán)境的實(shí)時(shí)監(jiān)測，借助人工智能等計(jì)算方法，診斷和預(yù)測設(shè)備未來的有效工作周期，合理安排設(shè)備未來的維修調(diào)度時(shí)間[2-6]。

因此將CBM技術(shù)應(yīng)用到道岔系統(tǒng)，通過對道岔設(shè)備進(jìn)行實(shí)時(shí)監(jiān)測，判斷設(shè)備狀態(tài)，若設(shè)備處于健康狀態(tài)，則持續(xù)監(jiān)測，分析設(shè)備可能的故障類型和退化類型，并對設(shè)備未來可能發(fā)生的故障進(jìn)行預(yù)測，估算其剩余使用壽命；若設(shè)備處于故障狀態(tài)，則發(fā)出告警，并診斷設(shè)備的失效模式，對故障進(jìn)行定位，通過將CBM技術(shù)應(yīng)用到道岔設(shè)備中，及時(shí)預(yù)測故障發(fā)生并定位故障類型，以提高其可用性，保證鐵路運(yùn)輸?shù)母咝О踩?/p>

然而，國內(nèi)外許多關(guān)于道岔故障診斷的方法都是基于傳統(tǒng)的二值邏輯，將道岔設(shè)備的狀態(tài)簡單地分為正常和故障狀態(tài)，并且他們診斷的都是故障機(jī)理明確或者具有大量歷史故障信息的顯性故障[7-12]，而對于正常-故障狀態(tài)之間，肯定會出現(xiàn)若干種中間狀態(tài)，對于這些狀態(tài)而言，其失效信息少或者無失效信息，如果只是簡單地進(jìn)行正常-故障二類判斷，很難滿足鐵路現(xiàn)場對道岔設(shè)備可靠性的要求。

所以，本文提出一種基于HMM模型的故障診斷方法，將道岔設(shè)備的狀態(tài)進(jìn)行多狀態(tài)細(xì)分，分出多個(gè)潛在故障狀態(tài)，運(yùn)用HMM模型對多狀態(tài)系統(tǒng)的狀態(tài)轉(zhuǎn)移進(jìn)行精確描述，并進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證診斷的準(zhǔn)確性，同時(shí)通過將道岔狀態(tài)進(jìn)行多狀態(tài)細(xì)分，描述每種退化狀態(tài)之間的狀態(tài)轉(zhuǎn)移，可用于道岔的故障預(yù)測，從而完成道岔的健康狀態(tài)監(jiān)測。

1 道岔動作過程分析

如圖1所示，高速鐵路道岔系統(tǒng)主要有3個(gè)部分，轉(zhuǎn)轍器、連接部分、轍叉及護(hù)軌，其中轉(zhuǎn)轍器由轉(zhuǎn)轍機(jī)、尖軌、心軌等組成，主要完成道岔的定反位操作功能；連接部分則負(fù)責(zé)通過導(dǎo)曲線將機(jī)車車輛過渡到轍叉和護(hù)軌單元；轍叉和護(hù)軌單元的作用是保護(hù)車輪安全通過兩股軌線的交叉之處[7]。

圖1 高速鐵路道岔系統(tǒng)組成

作為道岔轉(zhuǎn)換過程中的動作裝置，轉(zhuǎn)轍機(jī)的狀態(tài)與道岔動作過程息息相關(guān)，因此時(shí)刻監(jiān)測轉(zhuǎn)轍機(jī)動作過程尤為重要。在鐵路現(xiàn)場，常用來反應(yīng)轉(zhuǎn)轍機(jī)性能好壞的監(jiān)測數(shù)據(jù)主要有動作電流數(shù)據(jù)和動作功率數(shù)據(jù)，前者只能反映電氣電路，后者不僅與轉(zhuǎn)換電壓有關(guān)，而且能與轉(zhuǎn)換力進(jìn)行換算，因此采用道岔功率數(shù)據(jù)進(jìn)行故障診斷更能反映轉(zhuǎn)轍機(jī)的工作狀態(tài)。

本文以高速鐵路常用的S700K型轉(zhuǎn)轍機(jī)道岔系統(tǒng)作為研究對象。圖2展示了S700K轉(zhuǎn)轍機(jī)動作一次的功率曲線，按照其動作時(shí)間的先后順序，可將其分為5個(gè)階段：啟動階段、解鎖階段、轉(zhuǎn)換階段、鎖閉階段以及表示階段[8]。根據(jù)現(xiàn)場調(diào)研和查看相關(guān)文獻(xiàn)，本文總結(jié)了6種常見的故障類型及其故障現(xiàn)象，見表1，對于同一道岔來說，不同時(shí)間不同環(huán)境下其功率曲線不同，但是大體上是一致的，圖3列出了6種故障功率曲線。

圖2 道岔正常轉(zhuǎn)換功率曲線

故障類型現(xiàn)象描述可能故障原因發(fā)生頻率f1啟動功率過高,且在1 s左右功率開始上升啟動功率過高可能由于解鎖不良造成較高f2在轉(zhuǎn)換過程中,波動較大,道岔動作時(shí)間較長道岔活動部位缺油,導(dǎo)致其轉(zhuǎn)換阻力較大較高f3緩放區(qū)功率是正常情況下的兩倍 室外二極管短路一般f4緩放區(qū)功率為零,無法溝通表示電路室內(nèi)表示電路斷路,室外二極管可能燒壞一般f5功率在3 s左右開始上升后保持不變,直到30 s后勵(lì)磁繼電器自動斷電道岔轉(zhuǎn)換過程有異物,造成轉(zhuǎn)換卡阻高f6鎖閉過程中,功率開始上升直至勵(lì)磁繼電器自動斷電鎖閉過程中出現(xiàn)卡缺口或者卡異物故障,導(dǎo)致鎖閉困難高

圖3 常見道岔故障功率曲線

2 基于HMM的道岔故障診斷

基于HMM的道岔故障診斷系統(tǒng)的總體架構(gòu)如圖4所示，主要分為特征提取、矢量量化和故障診斷三部分[13]，其中特征提取是根據(jù)現(xiàn)場微機(jī)監(jiān)測采集到的功率信號，提取出能表征道岔狀態(tài)的特征參數(shù)，然后根據(jù)一定的準(zhǔn)則進(jìn)行特征提取，建立相應(yīng)的特征向量。矢量量化是根據(jù)提取出來的特征向量，建立相應(yīng)的離散化序列，以便用作HMM訓(xùn)練模型的輸入。故障診斷部分是根據(jù)矢量量化輸出的觀察序列進(jìn)行HMM模型的訓(xùn)練，通過Baum-Welch算法訓(xùn)練得到不同狀態(tài)下的HMM模型參數(shù)，最后比較測試序列與每種模型的匹配度來判斷測試序列所屬故障類別，從而實(shí)現(xiàn)故障診斷[14]。

圖4 基于HMM的道岔故障診斷系統(tǒng)的總體架構(gòu)

2.1 功率數(shù)據(jù)特征提取

特征選擇與提取是進(jìn)行故障診斷以及故障預(yù)測的基礎(chǔ)[15]，通過對傳感器采集到的電流、功率信號進(jìn)行時(shí)域、頻域的變化與處理，提取出能表征設(shè)備狀態(tài)的特征信號。對原始數(shù)據(jù)進(jìn)行特征選擇后往往會得到一個(gè)高維的特征向量，如何將高維特征進(jìn)行降維處理以減少故障診斷與預(yù)測的輸入，同時(shí)不影響診斷準(zhǔn)確性是特征提取的最主要目的。

轉(zhuǎn)轍機(jī)動作的功率信號能較好地反映道岔動作狀態(tài)，所以針對功率數(shù)據(jù)，本文提出一種基于Fisher準(zhǔn)則函數(shù)與主成分分析相結(jié)合的特征提取方法。以時(shí)間特性對道岔動作功率數(shù)據(jù)進(jìn)行分析是常用的方法[8]，但是這種方法往往很難準(zhǔn)確表征信號特征，比如道岔轉(zhuǎn)換過程的功率值往往與轉(zhuǎn)轍機(jī)動作時(shí)的推拉力相關(guān)，僅僅分析時(shí)域特性會忽略這種值域的敏感性，同時(shí)對于某些故障而言，如室外二極管短路和整流堆斷路，其故障的集中點(diǎn)主要在表示區(qū)段，而對整個(gè)道岔動作過程區(qū)段進(jìn)行時(shí)域分析，勢必會忽略掉這些小區(qū)間內(nèi)存在的差異。所以針對時(shí)域分析的缺陷，本文結(jié)合文獻(xiàn)[9]將道岔動作功率信號按照時(shí)域特性和值域投影進(jìn)行智能化分區(qū)，按其動作時(shí)間的先后順序，可分為啟動階段(0～1 s)、解鎖階段(1～2 s)、轉(zhuǎn)換階段(2～4 s)、鎖閉階段(4～5 s)、表示階段(5～6.6 s)；按值域進(jìn)行投影，可分為緩放區(qū)段(0～0.4 kW)、動作區(qū)段(0.4～0.9 kW)、解鎖區(qū)段(0.9 kW以上)。將功率信號按照表2提供的公式分別進(jìn)行時(shí)域、值域特征提取，并以此作為特征候選集。其中：uk,i,m(k=1,2,…，n；i=1,2,…，5；m=1,2,…，10)表示動作功率信號第k個(gè)樣本第i個(gè)區(qū)段按第m個(gè)公式求得的時(shí)域特征；vk,j,s(k=1,2,…，n；j=1,2,3；s=1,2,…，8)表示動作功率第k個(gè)樣本第j個(gè)區(qū)段按第s個(gè)公式求得的值域特征。

表2 常用特征參數(shù)

表2(續(xù))

選取不同型號的S700K轉(zhuǎn)轍機(jī)功率數(shù)據(jù)作為樣本數(shù)據(jù)，其中包括正常模式f0及上述6種故障模式數(shù)據(jù)共計(jì)7種模式數(shù)據(jù)，每種模式數(shù)據(jù)選取n=10個(gè)樣本，共計(jì)70個(gè)樣本數(shù)據(jù)，通過表2中的公式建立初始候選集特征矩陣，對于第l個(gè)樣本，其候選特征集為

U(l)=[ul,1,1…ul,1,10…ul,i,1…
ul,i,mvl,1,1…vl,1,8…vl,j,1…vl,j,s]

( 1 )

( 2 )

其中歸一化定義為

( 3 )

對式( 2 )中的特征候選集進(jìn)行特征選擇，選用基于Fisher準(zhǔn)則的特征選擇方式，通過計(jì)算類間方差與類內(nèi)方差之比，找到最有效的特征，按照獨(dú)立特征選擇方法，計(jì)算任意兩種模式之間的準(zhǔn)則函數(shù)[16]，即第i、j類模式道岔動作功率曲線的第d維特征Fd的Fisher準(zhǔn)則函數(shù)為

(4)

其中，類間方差與類內(nèi)方差分別為

SB,d=(mi,d-mj,d)2i>j=1,2,…,7

( 5 )

( 6 )

式中：mi,d、mj,d和σi,d、σj,d分別為特征Fd在第i、j類中的均值與標(biāo)準(zhǔn)差。

通過計(jì)算JF(d)的值，其越大表示該特征在樣本所占比重越大，從而選取每個(gè)區(qū)間最能表征設(shè)備狀態(tài)的特征量組成特征空間向量，用于故障診斷與預(yù)測。分別對7種模式進(jìn)行Fisher準(zhǔn)則函數(shù)計(jì)算，74維特征數(shù)據(jù)的Fisher準(zhǔn)則函數(shù)值如圖5所示柱狀圖表示。

圖5 特征數(shù)據(jù)的Fisher函數(shù)值

在進(jìn)行特征選擇過程中，若對某一模式選擇的特征數(shù)量過少，則會造成該類故障特征信息的丟失，進(jìn)而降低分類精度；若對某一模式選擇的特征數(shù)量過多，則會降低分類效果，失去了特征選擇的意義。本文采取“過半選擇”的方案，即以各故障模式Fisher準(zhǔn)則函數(shù)值最大值的一半為標(biāo)準(zhǔn)，各維特征數(shù)據(jù)的Fisher準(zhǔn)則函數(shù)值超過此標(biāo)準(zhǔn)的被選擇，否則被丟棄。最后通過Fisher準(zhǔn)則函數(shù)進(jìn)行特征選擇，共選出13、14、32、41、42、43、45、46、47、48、49、50、52、56、57、61、64共計(jì)17維特征量，然而將這些特征量作為診斷輸入，維數(shù)還是過大，需進(jìn)一步進(jìn)行特征提取，采用主成分分析法[17]進(jìn)行特征提取。

PCA方法的具體實(shí)現(xiàn)過程如下：

步驟1特征中心化。即將原數(shù)據(jù)A每一維特征數(shù)據(jù)都減去該維的均值，得到中心化變化后的矩陣B，此時(shí)矩陣B的每一維特征數(shù)據(jù)均值為0。

步驟2計(jì)算矩陣B的協(xié)方差矩陣C。

步驟3計(jì)算矩陣C的特征值和與之對應(yīng)的特征向量。

步驟4將計(jì)算得到的特征值按照從大到小的順序排序，選取最大的k個(gè)特征值對應(yīng)的特征向量分別作為列向量，組成特征向量矩陣D。

步驟5將樣本點(diǎn)投影到選取的特征向量矩陣D上，得到新的k維數(shù)據(jù)集即為PCA變換后的數(shù)據(jù)集。

利用PCA方法的實(shí)現(xiàn)過程，對基于Fisher準(zhǔn)則函數(shù)提取出的17維特征進(jìn)行主成分分析。各主成分解釋方差的帕累托圖如圖6所示，發(fā)現(xiàn)經(jīng)過PCA變換后得到的特征信息，1維僅僅代表40%左右的原始信息，2維可以代表50%左右的原始信息，4維可以代表80%左右的原始信息，8維數(shù)據(jù)可以代表95%左右的原始數(shù)據(jù)信息，然而最優(yōu)的特征維數(shù)并不僅僅是表征的原始信息量最大，維數(shù)的增大意味著訓(xùn)練輸入的增加，還可能帶來“過學(xué)習(xí)”的后果，所以最優(yōu)的特征維數(shù)還需要進(jìn)行后期驗(yàn)證來確定。

圖6 PCA各主成分解釋方差的帕累托圖

圖7為經(jīng)過PCA變換后8維特征信息的盒須圖，分維可視化展示如圖8所示。通過圖8可以看出，經(jīng)過PCA變換后，第一主成分代表的第一維特征具有最大的分布離散性，并且之后的7維主成分分布離散型依次減小。符合并驗(yàn)證了PCA變換通過包含原數(shù)據(jù)的最大方差來使原數(shù)據(jù)信息損失最小的思想。

圖7 8維特征信息盒須圖

圖8 8維特征信息分維可視化圖

2.2 矢量量化

在對離散HMM(DHMM)進(jìn)行建模時(shí)，要求觀測值為有限的離散數(shù)值，因此需要對提取出的特征信息進(jìn)行量化處理[14]，經(jīng)過處理后的數(shù)據(jù)序列即可作為DHMM的訓(xùn)練碼本進(jìn)行訓(xùn)練和模式分類。本文主要采用K-means聚類算法進(jìn)行特征的量化處理。

K-means算法是最為經(jīng)典的基于劃分的聚類方法，是十大經(jīng)典數(shù)據(jù)挖掘算法之一[18]。其基本思想是：以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，對最靠近他們的對象歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。通過K-means算法進(jìn)行量化的主要思想是：通過訓(xùn)練數(shù)據(jù)矢量并按照最近鄰原則分配到最近的碼本中，然后計(jì)算迭代誤差是否滿足閾值要求，從而生成量化碼本。圖9所示為通過K-means進(jìn)行矢量量化的流程。

圖9 K-means進(jìn)行矢量量化流程

2.3 Baum-Welch 算法

經(jīng)過特征提取和矢量量化后得到的觀測序列主要用于故障診斷中模型的訓(xùn)練以及結(jié)果測試，在利用HMM求解問題時(shí)，主要圍繞3個(gè)問題展開： HMM概率計(jì)算；HMM最優(yōu)狀態(tài)序列問題；HMM訓(xùn)練問題。本文主要利用HMM進(jìn)行故障診斷，所以涉及的問題主要包括HMM的訓(xùn)練以及HMM的概率計(jì)算。通過訓(xùn)練，得到7種狀態(tài)下的最優(yōu)HMM模型，通過概率計(jì)算得到測試觀測序列在每種模型下的概率，對應(yīng)模型概率大者，即為相應(yīng)的故障類型，從而達(dá)到故障診斷的目的。

本文重點(diǎn)介紹Baum-Welch算法，該算法主要用于解決HMM的訓(xùn)練問題，一個(gè)HMM模型的參數(shù)主要包括：A為狀態(tài)轉(zhuǎn)移概率矩陣，B為生成觀察序列對比概率矩陣，π為初始狀態(tài)概率，N為隱狀態(tài)數(shù)目，M為每個(gè)隱狀態(tài)所對應(yīng)的觀察值數(shù)，記作：λ={A,B,π,N,M}，其中N和M需根據(jù)實(shí)際需求定義，也可通過其他算法進(jìn)行優(yōu)化處理。

HMM的訓(xùn)練問題，即參數(shù)估計(jì)問題[19]，Baum-Welch算法可描述為，給定一個(gè)觀測值序列O={o1,o2,…,oT}，該算法能夠確定一個(gè)模型參數(shù)λ={π,A,B}，使P{O|λ}最大。這是一個(gè)泛涵極值問題，因而不存在一個(gè)最佳方案來估計(jì)λ。Baum-Welch 算法主要是利用遞歸的思想，使P{O|λ}局部最大，從而得到模型的參數(shù)。

定義已知觀測序列O以及模型λ，在t時(shí)刻處于狀態(tài)θi，而在t+1時(shí)刻處于狀態(tài)θj時(shí)的概率為ξt(i,j)，即

ξt(i,j)=P{O,qt=θi,qt+1=θj|λ}

( 7 )

根據(jù)前向變量和后向變量的定義可以導(dǎo)出

( 8 )

t時(shí)刻Markov鏈處于θi狀態(tài)的概率為

( 9 )

(10)

(11)

(12)

圖10 Baum-Welch算法

3 實(shí)驗(yàn)仿真

3.1 HMM模型建立

國內(nèi)外基于HMM的故障診斷方法主要有兩種：故障類型的故障診斷和退化狀態(tài)的故障診斷。故障類型的診斷是描述一種狀態(tài)轉(zhuǎn)移過程，訓(xùn)練不同的故障類型數(shù)據(jù)，進(jìn)行不同類別故障狀態(tài)識別，達(dá)到故障診斷的目的。退化狀態(tài)的故障診斷，對每一種故障描述其狀態(tài)轉(zhuǎn)移過程，將其狀態(tài)分為不同的退化狀態(tài)，通過識別每種退化狀態(tài)，從而達(dá)到故障診斷的目的。本文主要進(jìn)行道岔故障識別，目的是識別不同類別的故障，故而選取第一種故障診斷方法。

在對道岔系統(tǒng)狀態(tài)進(jìn)行馬爾科夫狀態(tài)轉(zhuǎn)移分析時(shí)，選用左右型DHMM[20]，通過對道岔轉(zhuǎn)換過程進(jìn)行分析，在正常-故障狀態(tài)之間添加了兩種中間狀態(tài)，其狀態(tài)轉(zhuǎn)移過程如圖11所示，其中0為正常狀態(tài)，1為輕度劣化狀態(tài)，2為重度劣化狀態(tài)，3為故障狀態(tài)，各狀態(tài)轉(zhuǎn)移概率如圖11所示。

圖11 Markov狀態(tài)轉(zhuǎn)移過程

為進(jìn)一步進(jìn)行故障模式識別，將狀態(tài)3再細(xì)分為具體的故障模式狀態(tài)，根據(jù)之前的介紹，可將狀態(tài)3再細(xì)分為6種不同的故障模式，于是就確定了HMM模型參數(shù)中隱狀態(tài)N=4，而對于觀察狀態(tài)，通過與矢量量化過程及實(shí)際經(jīng)驗(yàn)相結(jié)合，選取M=7，確定了四狀態(tài)DHMM模型，模型參數(shù)N=4，M=7，開始模型的訓(xùn)練。

3.2 診斷結(jié)果

實(shí)驗(yàn)以京廣線長沙南站不同型號S700K道岔轉(zhuǎn)轍機(jī)動作過程為依據(jù)，采集了近兩個(gè)月不同型號道岔的功率信號數(shù)據(jù)。通過整理分析得到7種狀態(tài)數(shù)據(jù)樣本共計(jì)70種，每種狀態(tài)樣本10個(gè)，采用其中7個(gè)樣本用來訓(xùn)練HMM模型，3個(gè)用來進(jìn)行測試，驗(yàn)證診斷準(zhǔn)確性，圖12、圖13分別為選取4維特征信息進(jìn)行故障診斷的訓(xùn)練及診斷結(jié)果，圖14、圖15分別為選取8維特征信息進(jìn)行故障診斷的訓(xùn)練及診斷結(jié)果。

圖12 4維特征信息訓(xùn)練迭代圖

圖13 4維特征信息診斷結(jié)果

圖14 8維特征信息訓(xùn)練迭代圖

圖15 8維特征信息診斷結(jié)果

由診斷結(jié)果可以發(fā)現(xiàn)，當(dāng)選取特征信息為4維時(shí)，診斷正確率達(dá)到90%以上，迭代速度也較快，隨著輸入維數(shù)的增加，正確率會有所下降，到8維數(shù)據(jù)時(shí)，正確率下降非常明顯。這說明，過高的輸入維度，會導(dǎo)致“維數(shù)爆炸”。當(dāng)過高的維數(shù)帶來過多的無用信息時(shí)不利于分類。

表3、表4分別為與其他診斷方法正確率和訓(xùn)練時(shí)間的結(jié)果對比。通過對比可以發(fā)現(xiàn)，基于PCA-GA-SVM的故障診斷正確率最高，但是當(dāng)輸入4維特征信息時(shí)，幾種診斷方法診斷正確率相差不大，同時(shí)在訓(xùn)練時(shí)間上，HMM算法具有明顯的優(yōu)勢，其所需的訓(xùn)練時(shí)間相對其他兩種方法大為縮短，說明HMM方法可以更快地搜尋到最優(yōu)解，更符合實(shí)際需求。

表3 3種診斷方法正確率 %

表4 3種診斷方法訓(xùn)練時(shí)間 s

表5為選取4維特征信息時(shí)，各種診斷指標(biāo)的對比，幾種診斷方法主要出現(xiàn)的問題就是錯(cuò)報(bào)率較高，其中HMM方法無虛警率，主要錯(cuò)報(bào)體現(xiàn)在故障5錯(cuò)報(bào)成故障2，由于道岔活動位置缺油慢慢演變?yōu)榭ㄗ璎F(xiàn)象，造成兩種故障的錯(cuò)報(bào)。在鐵路現(xiàn)場往往虛警率較高，而基于HMM的故障診斷有效避免了虛警率高的問題，同時(shí)其訓(xùn)練時(shí)間和正確率也比較合理。因此基于HMM的高速鐵路道岔故障診斷，當(dāng)選擇4維輸入信息(80%的信息量)時(shí)，可滿足現(xiàn)場需求。

表5 四維信息輸入各方法診斷指標(biāo) %

4 結(jié)束語

本文針對高速鐵路道岔常見的故障，通過對現(xiàn)場采集到的功率數(shù)據(jù)按時(shí)域、值域進(jìn)行智能化區(qū)段劃分，提取出表征道岔狀態(tài)的特征參數(shù)，并基于Fisher準(zhǔn)則函數(shù)及主成分分析的方法進(jìn)行特征降維，得到最優(yōu)特征集。通過K-means聚類進(jìn)行特征集矢量量化，得到道岔功率數(shù)據(jù)的觀測序列，將道岔狀態(tài)細(xì)分，建立四狀態(tài)隱馬爾科夫模型，通過訓(xùn)練得到每種故障狀態(tài)下的HMM模型參數(shù)，最后計(jì)算出測試序列與每種模型的匹配概率，從而進(jìn)行故障診斷。通過實(shí)驗(yàn)以及與其他診斷方法進(jìn)行對比可以發(fā)現(xiàn)，基于HMM的道岔故障診斷的訓(xùn)練時(shí)間大為縮短，正確率達(dá)到90%以上，能夠滿足鐵路現(xiàn)場的需求，而且可應(yīng)用于道岔故障預(yù)測中，從而進(jìn)行道岔設(shè)備健康狀態(tài)監(jiān)測。