張釘，李國寧

基于改進WNN分析功率曲線的S700K轉(zhuǎn)轍機故障診斷

張釘，李國寧

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

基于S700K轉(zhuǎn)轍機常見故障下的功率曲線提出一種將小波變換、改進型遺傳算法與神經(jīng)網(wǎng)絡相結(jié)合的故障診斷方法。用相應故障模式下的功率信號進行正交小波分解，把結(jié)果作為神經(jīng)網(wǎng)絡的輸入特征向量，利用改進的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的參數(shù)，用訓練好的BP神經(jīng)網(wǎng)絡進行故障診斷。研究結(jié)果表明：該方法可以有效的運用到S700K轉(zhuǎn)轍機的故障診斷中，并提高轉(zhuǎn)轍機故障診斷的精度與速度。

S700K轉(zhuǎn)轍機；功率曲線；小波變換；神經(jīng)網(wǎng)絡；故障診斷

隨著鐵路面向高速、重載的方向發(fā)展，提速道岔在鐵路信號系統(tǒng)中的地位越來越重要，目前高速鐵路提速道岔中的轉(zhuǎn)轍機大多是S700K型轉(zhuǎn)轍機和ZY系列轉(zhuǎn)轍機，本文選取S700K電動轉(zhuǎn)轍機作為研究對象?，F(xiàn)今我國對道岔工作狀態(tài)的監(jiān)測主要是采用微機監(jiān)測系統(tǒng)，從現(xiàn)場的實際情況看，對轉(zhuǎn)轍機故障的分析與定位主要是靠相關工作人員通過微機監(jiān)測系統(tǒng)采集的電流或者功率曲線來判斷故障類型，這種方法處理故障時間長，處理精度差。因此，為了適應如今高鐵迅速發(fā)展的方向，提出一種智能高效的故障診斷方法迫在眉睫。目前，國內(nèi)外對S700K轉(zhuǎn)轍機故障的智能診斷進行了一定的研究，但診斷方法都有局限性。Atamuradov等[1]使用專家系統(tǒng)的方法信息獲取困難；Eker等[2?3]使用支持向量機的方法在原則上每次只能進行兩兩分類；王鐵軍等[4]使用神經(jīng)網(wǎng)絡的方法容易陷入局部最優(yōu)；翟永強[5]使用貝葉斯網(wǎng)絡的方法確定可行的先驗概率非常困難；董海鷹等[6]使用D-S證據(jù)理論信息融合的方法缺乏一定的學習能力。本文利用小波變換與改進型遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡松散型結(jié)合的方法[7]，利用微機監(jiān)測采集的轉(zhuǎn)轍機功率曲線進行故障診斷。該方法有效的提升了空間搜索效率，減少了BP神經(jīng)網(wǎng)絡的訓練時間與系統(tǒng)建模時間，提高了轉(zhuǎn)轍機故障診斷的智能性與準確性。

1 S700K轉(zhuǎn)轍機運行狀態(tài)分析

轉(zhuǎn)轍機的運行狀態(tài)能直接通過工作時的輸出拉力體現(xiàn)，同時轉(zhuǎn)轍機的工作功率也能直接反映輸出拉力[8?9]。對于現(xiàn)在高鐵線路常使用的S700K型轉(zhuǎn)轍機，由于電流與電壓之間存在相位差，僅通過轉(zhuǎn)轍機的電流情況不能反映工作時輸出功率的變化，TJWX?2006型信號微機監(jiān)測系統(tǒng)新增了對S700K轉(zhuǎn)轍機功率監(jiān)測的功能，因此通過分析微機監(jiān)測系統(tǒng)采集的功率信號曲線能準確的判斷轉(zhuǎn)轍機的運行狀態(tài)以及道岔的工作狀態(tài)。

1.1 正常工作過程的動作功率曲線分析

S700K轉(zhuǎn)轍機運行過程可以分為啟動、解鎖、轉(zhuǎn)換、鎖閉和構(gòu)通表示5個階段，正常動作功率曲線如圖1所示。工作剛開始時啟動轉(zhuǎn)轍機需要較大的功率，在0.2 s左右轉(zhuǎn)轍機功率驟升至1.5 kW，之后隨著轉(zhuǎn)轍機開始工作，其輸出功率急降至0.5 kW左右并保持穩(wěn)定，期間轉(zhuǎn)轍機進行解鎖、轉(zhuǎn)換、鎖閉操作，待鎖閉完成后道岔控制電路切斷電源，轉(zhuǎn)轍機的功率下降至0.2 kW左右，之后隨著道岔位置的給出，相關表示電路被切斷，功率降至0[10]。

圖1 S700K轉(zhuǎn)轍機正常工作功率曲線

1.2 故障工作過程的動作功率曲線分析

根據(jù)查閱資料以及現(xiàn)場調(diào)研，目前高鐵線路使用的S700K轉(zhuǎn)轍機主要有8種典型故障[11]，故障模式見表1，對應的功率曲線如圖2。

表1 S700K轉(zhuǎn)轍機典型故障分析

(a) 2.4 s；(b) 2 s；(c) 4 s；(d) 3.6 s；(e) 1 s；(f) 5 s；(g) 鎖閉；(h) 4.8 s

2 基于小波變換的S700K轉(zhuǎn)轍機功率信號處理

2.1 小波變換

小波變換的本質(zhì)是用一類函數(shù)去表征某個信號，根據(jù)原始信號的特點，選擇合適的小波對它進行處理并提取特征量。對于任何的原始信號,其小波變換定義為：

式中：為小波母函數(shù)；為尺度參數(shù)；為時間中心參數(shù)。

針對S700K轉(zhuǎn)轍機故障的特點，本文小波變換選用HAAR小波。HAAR小波具有良好的正交性與緊撐性，適合從多變的原始信號中提取特征[12]，并且計算簡單，很適合本文的故障診斷。

HAAR小波函數(shù)定義為：

定義式中：的范圍為[0,1]。

任意的信號()都可以用幾個HAAR小波之和來表示：

式中：()為有限長的原始信號；為小波變換系數(shù)；()為小波函數(shù)。

2.2 基于HAAR小波變換的故障特征向量提取

由Mallat分解算法可知，HAAR小波分解是將原始信號通過1個高通濾波器和1個低通濾波器進行濾波得到一組高頻信號和一組低頻信號，再繼續(xù)對低頻信號分解到需要的層數(shù)為止，每次分解后的高、低頻信號的長度各為分解前信號長度的一半，利用這種方法能減少神經(jīng)網(wǎng)絡的輸入數(shù)目，簡化整個系統(tǒng)的結(jié)構(gòu)。本文選取HAAR小波分解的最后一層低頻信號能量和各層分解的高頻信號能量組合構(gòu)成神經(jīng)網(wǎng)絡的輸入量。具體步驟為：

1) 對原始信號進行層HAAR小波分解，選取最后一層分解的低頻系數(shù)和第1到層分解的高頻系數(shù)構(gòu)成系列(Ca，1，2，……，Cd)，Ca為第層低頻分解系數(shù)，Cd為第層高頻分解 系數(shù)。

2) 求低頻、高頻分解系數(shù)能量。設ECa為第層低頻小波分解的能量，由式(4)可以求得序列Ca的能量：

把采集的原始功率信號進行3層HAAR小波分解，按式(4)計算得出第1到3層高頻分解系數(shù)序列的能量(1，2，3)和第3層低頻分解系數(shù)序列的能量3，再組合構(gòu)成特征向量集(3，1，2，3)，然后通過MATLAB 中的premnmx函數(shù)歸一化處理得到神經(jīng)網(wǎng)絡的輸入量。正常狀態(tài)和8種典型故障狀態(tài)信號小波變換得到特征向量如表2(正常狀態(tài)用f0表示)。

表2 正常與故障功率信號小波分解能量值

3 改進型遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

3.1 遺傳算法及改進

遺傳算法是一種結(jié)合自然淘汰和遺傳選擇的全局優(yōu)化搜索方法，它通過模擬生物進化過程中的繁殖、雜交和變異的自然選擇規(guī)律，利用“優(yōu)勝劣汰，適者生存”的選擇原則篩選出問題的最優(yōu)解，從而優(yōu)化問題。遺傳算法擁有全局搜索的特點[13]，神經(jīng)網(wǎng)絡網(wǎng)絡有良好的局部搜索特性，兩者結(jié)合能取長補短，充分發(fā)揮各自的長處。目前，遺傳算法與神經(jīng)網(wǎng)絡的結(jié)合有2種方式：一種是神經(jīng)網(wǎng)絡結(jié)構(gòu)固定，遺傳算法優(yōu)化網(wǎng)絡的權(quán)值、閾值等。另一種是遺傳算法優(yōu)化網(wǎng)絡結(jié)構(gòu)和網(wǎng)絡參數(shù)。本文采用第一種優(yōu)化方式。采用二進制編碼的方式對要優(yōu)化的參數(shù)進行編碼，產(chǎn)生規(guī)模為的初始種群，經(jīng)過迭代的遺傳操作，產(chǎn)生每代個個體的新種群，根據(jù)個體的適應度大小進行選擇、改進后的交叉和變異操作，產(chǎn)生出代表解集的新種群。后一代產(chǎn)生的種群比前代具有更強的適應性，如此反復的操作，最后一代種群中的最佳個體經(jīng)過解碼，便可作為問題的最優(yōu)解。

選擇合適的適應度函數(shù)是遺傳算法優(yōu)化神經(jīng)網(wǎng)絡選出最佳解的關鍵，判定神經(jīng)網(wǎng)絡性能好壞的一個重要特點是網(wǎng)絡輸出與期望輸出之間誤差平方和的大小。根據(jù)本文故障診斷實例，進行網(wǎng)絡訓練時，目標函數(shù)選為

因為式(5)是極小值問題，在遺傳操作求適應度函數(shù)時要將它轉(zhuǎn)換為極大值問題，可采用式(6)：

經(jīng)觀察S700K轉(zhuǎn)轍機典型故障功率曲線圖和故障功率信號小波分解各層次能量值后發(fā)現(xiàn)故障2，故障6和故障7不管是在圖像上還是小波處理后的能量值上都有一定程度的相近，這可能會影響診斷的準確性。因此本文在原有遺傳算法的基礎上引入衰減因子來平衡系統(tǒng)的全局與局部搜索能力，便于對故障2，故障6和故障7做進一步的區(qū)分，從而提高系統(tǒng)的精度與收斂度。衰減因子表達式為

引入因子后的交叉概率為

引入因子后的變異概率為：

其中：為遺傳代數(shù)；max為遺傳最大截止代數(shù)；為0~1之間的常數(shù)；為交叉中適應值大的個體；′為當前個體的適應度；avg為群體平均適應度；max為群體最大適應度；c0和m0為交叉和變異的最大概率；c1和m1為交叉和變異的最小概率。由式(8)和式(9)可知，當群體平均適應度低于個體適應度，則采用含有衰減因子的交叉和變異的概率來保留局部最優(yōu)解，反之則用最大的交叉變異概率繼續(xù)搜索。在進化后期，同樣受衰減因子的影響，交叉和變異的概率迅速變小來保留全局最優(yōu)解。利用這種改進方法提高了整個算法的收斂性，對于區(qū)分故障2，故障6和故障7有一定的優(yōu)勢。

3.2 故障診斷系統(tǒng)設計

采用2.2節(jié)所示方法提取故障特征量，構(gòu)建如圖3所示3層BP神經(jīng)網(wǎng)絡模型，輸入層節(jié)點數(shù)為歸一化后的特征向量個數(shù)，共4個神經(jīng)元，隱含層節(jié)點數(shù)的確定參考經(jīng)驗公式：

式中：為輸入神經(jīng)元個數(shù)；為輸出神經(jīng)元個數(shù)；為0~10之間的常數(shù)。根據(jù)建立的神經(jīng)網(wǎng)絡進行網(wǎng)絡訓練和測試后，發(fā)現(xiàn)當為11時，網(wǎng)絡的均方誤差最小。輸出層節(jié)點數(shù)由S700K故障類型數(shù)確定，共9個神經(jīng)元。輸入層和隱含層傳遞函數(shù)采用tansig型函數(shù)，隱含層和輸出層傳遞函數(shù)采用logsig型函數(shù)。神經(jīng)網(wǎng)絡訓練算法采用L-M算法，神經(jīng)網(wǎng)絡參數(shù)用改進型遺傳算法優(yōu)化。遺傳算法設計：染色體編碼采用二進制編碼，適應度函數(shù)采用式(5)和式(6)，交叉變異概率采用添加衰減因子的式(8)和式(9)，種群規(guī)模設置為40，最大進化代數(shù)設置為50。

故障診斷總體設計如圖4所示。

圖3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

圖4 遺傳小波神經(jīng)網(wǎng)絡故障診斷流程圖

4 仿真及結(jié)果分析

根據(jù)采集到的200組功率信號進行小波分解提取特征向量，取9種故障類型信號每種5組共45組功率信號進行網(wǎng)絡測試，剩余155組進行網(wǎng)絡訓練，網(wǎng)絡訓練最大次數(shù)設置為1 000次，最小誤差設置為0.001。從圖5可以看出普通遺傳算法尋找最優(yōu)解大概要在22代以后才能找到，而運用本文改進遺傳算法在12代左右就已經(jīng)獲得了最優(yōu)解，并在適應度函數(shù)值上也取得了較好的優(yōu)化效果。在平方誤差和方面(圖6)，運用普通遺傳算法優(yōu)化神經(jīng)網(wǎng)絡權(quán)值、閾值誤差下降較平緩，到22代以后趨于穩(wěn)定，而運用改進遺傳算法優(yōu)化網(wǎng)絡參數(shù)前8代誤差急劇下降，到12代左右便趨于穩(wěn)定。

圖5 適應度變化曲線

圖6 平方誤差和變化曲線

系統(tǒng)的神經(jīng)網(wǎng)絡訓練誤差如圖(7)，若只采用小波變換處理神經(jīng)網(wǎng)絡樣本，BP神經(jīng)網(wǎng)絡經(jīng)過271步后誤差達到0.001，訓練誤差圖線如圖7(a)。用原有遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡后經(jīng)過110步神經(jīng)網(wǎng)絡的訓練誤差達到0.001，訓練誤差圖線如圖7(b)。用本文改進型遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡只需經(jīng)過87歩便達到設定的訓練誤差，訓練誤差圖線如圖7(c)。

(a) 小波神經(jīng)網(wǎng)絡訓練誤差曲線；(b) 遺傳小波神經(jīng)網(wǎng)絡訓練誤差曲線；(c) 改進型遺傳小波神經(jīng)網(wǎng)絡訓練誤差曲線

神經(jīng)網(wǎng)絡測試結(jié)果見表3，只采用小波變換預處理的神經(jīng)網(wǎng)絡測試正確率為91.1%。利用改進型遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡，測試正確率達到97.8%。結(jié)果表明，小波變換預處理數(shù)據(jù)后提取特征向量作為網(wǎng)絡的輸入，網(wǎng)絡診斷正確率較高，再用添加本文衰減因子的遺傳算法優(yōu)化網(wǎng)絡，診斷正確率進一步提高。

表3 小波神經(jīng)網(wǎng)絡與改進型遺傳小波神經(jīng)網(wǎng)絡診斷結(jié)果對比

5 結(jié)論

1) 通過查閱資料和現(xiàn)場調(diào)研列出了目前高速鐵路提速道岔常用的S700K轉(zhuǎn)轍機的8種典型故障及其微機監(jiān)測功率曲線，并對正常狀態(tài)和典型故障功率曲線進行分析。

2) 對功率曲線進行3層HAAR小波變換，選取第1到3層高頻分解系數(shù)序列的能量和第3層低頻分解系數(shù)序列的能量組合構(gòu)成神經(jīng)網(wǎng)絡輸入特征量進行故障診斷，減少了神經(jīng)網(wǎng)絡的輸入量，仿真結(jié)果表明，診斷正確率為91.1%。

3) 針對本文S700K典型故障2，6和7在圖像和小波處理數(shù)值上相近的特點，為了進一步區(qū)分各種故障，在原有遺傳算法基礎上添加衰減因子來控制交叉和變異的概率，從而保留局部與全局的最優(yōu)解。仿真結(jié)果表明，改進型遺傳算法相比原有遺傳算法在尋優(yōu)過程和收斂度方面都有較大提升。在故障診斷方面用3層HAAR小波變換提取神經(jīng)網(wǎng)絡輸入特征量后，并融入本文改進型遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的權(quán)值和閾值進行故障診斷。采取改進型遺傳算法和神經(jīng)網(wǎng)絡及小波變換結(jié)合的方法既減少了神經(jīng)網(wǎng)絡的輸入量，提高神經(jīng)網(wǎng)絡的全局搜索能力，減少神經(jīng)網(wǎng)絡的訓練時間，又增加了診斷的精度與速度。仿真結(jié)果表明，診斷正確率達到97.8%，能夠滿足目前高速鐵路現(xiàn)場運用的需要。

[1] Atamuradov V, Cammci F, Baskan S, et al. Failure diagnostics for railway point machines using expert systems[C]// IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives. New York: IEEE Press, 2009: 1?5.

[2] Eker O F, Camci F, Kumar U. SVM based diagnostics on railway turnouts[J]. International Journal of Performability Engineering, 2012, 8(3): 289?298.

[3] 王思明, 雷華. 一種基于 LS-SVM的道岔控制電路故障診斷[J]．蘭州交通大學學報, 2010, 29(4): 1?5.WANG Siming, LEI Hua. Fault diagnosis for railway switch control circuit based on ARPSO least squares support vector machine[I]. Journal of Lanzhou Jiaotong University, 2010, 29(4): 1?5.

[4] 王鐵軍, 董昱, 馬彩霞, 等. 基于BP神經(jīng)網(wǎng)絡的道岔智能故障診斷方法[J]. 鐵道運營技術, 2011, 17(2): 4?7.WANG Tiejun, DONG Yu, MA Caixia, et al. Intelligent turnout fault diagnosis based on BP neural network[J]. Railway Operation Technnology, 2011, 17(2): 4?7.

[5] 翟永強. 貝葉斯網(wǎng)絡在道岔控制電路故障診斷中的應用研究[D] . 蘭州: 蘭州交通大學, 2012. ZHAI Yongqiang. Research on Bayesian networks in the application of rail switch control circuit fault diagnosis[D]. Lanzhou: Lanzhou Jiaotong University, 2012.

[6] 董海鷹, 李娜. 基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機故障診斷方法研究[J]. 測試技術學報, 2013, 27(1): 1?6. DONG Haiying. LI Na. Fault diagnosis method for switch machine based on D-S evidence theory information fusion[J]. Journal of Test and Measurement Technology, 2013, 27(1): 1?6.

[7] 王錕, 韓華亭, 何廣軍. 基于小波包頻帶能量檢測的神經(jīng)網(wǎng)絡故障診斷技術[J]. 軍械工程學院學報, 2007(6): 38?41. WANG Kun, HAN Huating, HE Guangjun. Neural network fault diagnosis technology based on wavelet packet frequency band energy detection[J]. Journal of Ordnance Engineering College, 2007(6): 38?41.

[8] 何攸旻. 高速鐵路道岔故障診斷方法研究[D]. 北京: 北京交通大學, 2014. HE Xiaomin. Research on fault diagnosis method of high-speed railway turnouts[D]. Beijing: Beijing Jiaotong University, 2014.

[9] 王瑞峰, 陳旺斌. 基于灰色神經(jīng)網(wǎng)絡的S700K轉(zhuǎn)轍機故障診斷方法研究[J]. 鐵道學報, 2016, 38(6): 69?72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for s700k switch machine based on grey neural network[J]. Journal of the China Railway Society, 2016, 38(6): 69?72.

[10] 趙林海, 陸橋.基于灰關聯(lián)的道岔故障診斷方法[J]. 鐵道學報, 2014, 36(2): 69?74.ZHAO Linhai, LU Qiao. Method of turnout fault diagnosis based on grey correlation analysis[J]. Journal of the China Railway Society, 2014, 36(2): 69?74.

[11] 中華人民共和國鐵道部. 信號微機監(jiān)測系統(tǒng)技術條件(暫行)[Z]. 北京:中國鐵道出版社, 2006.Ministry of Railways of the People’s Republic of China. Technical conditions of signal microcomputer monitoring system (temporary)[Z]. Beijing: China Railway Press, 2006.

[12] 謝宏, 何怡剛, 周應堂, 等. 小波神經(jīng)網(wǎng)絡在模擬電路故障診斷中的應用研究[J]. 湖南大學學報(自然科學版), 2004, 31(4): 38?40. XIE Hong, HE Yigang, ZHOU Yingtang, et al. Application of wavelet and neural network in analog circuit fault location[J]. Journal of Hunan University (Natural Sciences), 2004, 31(4): 38?40.

[13] Shatnawi Y, Al-khassaweneh M. Fault diagnosis in internal combustion engines using extension neural network[J]. IEEE Transactions on Industrial Electronics, 2014, 61(3): 1434?1443.

(編輯 蔣學東)

Fault diagnosis of S700K switch machine based on improved WNN analyses power curve

ZHANG Ding, LI Guoning

(College of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In this paper, based on the power curve under the common fault of S700K switch machine, a fault diagnosis method based on wavelet transform, improved genetic algorithm and neural network was proposed. Orthogonal wavelet decomposition was carried out by using the power signal in the corresponding fault mode. The result was taken as the input eigenvector of the neural network, and then the improved genetic algorithm was used to optimize the parameters of the BP neural network. Finally, the trained BP neural network was used for fault diagnosis. The results show that the method can be effectively applied to the fault diagnosis of S700K switch machine and improve the accuracy and speed of fault diagnosis of switch machine.

S700K switch machine; power curve; wavelet transform; neural network; fault diagnosis

10.19713/j.cnki.43?1423/u.2018.08.028

U284

A

1672 ? 7029(2018)08 ? 2123 ? 08

2017?06?15

國家自然科學基金資助項目(61164010)

李國寧(1959?)，男，寧夏中寧人，副教授，從事軌道交通信號與控制研究；E?mail：372514424@qq.com