吳永成，陽(yáng)長(zhǎng)瓊，何濤

基于Fretchet距離與TWSVM的多機(jī)牽引道岔故障診斷研究

吳永成1，陽(yáng)長(zhǎng)瓊1，何濤2

(1.蘭州交通大學(xué) 甘肅省工業(yè)交通自動(dòng)化工程技術(shù)研究中心，甘肅 蘭州 730070；2. 蘭州交通大學(xué) 光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070)

針對(duì)多機(jī)牽引道岔故障頻發(fā)、人工診斷困難的問(wèn)題，提出一種基于Fretchet距離和雙向支持向量機(jī)的故障診斷方法。首先，設(shè)計(jì)基于Fretchet距離的相似度指標(biāo)，通過(guò)計(jì)算實(shí)時(shí)曲線與標(biāo)準(zhǔn)曲線的相似度值來(lái)定位多機(jī)牽引道岔的故障源；其次，利用雙向支持向量機(jī)一對(duì)一型分類算法對(duì)已定位的故障多機(jī)牽引道岔進(jìn)行故障類型診斷；通過(guò)使用蘭州西站采集的數(shù)據(jù)進(jìn)行仿真，結(jié)果表明該算法能及時(shí)、準(zhǔn)確診斷多機(jī)牽引道岔故障。

多機(jī)牽引道岔；Fretchet距離；TWSVM；故障診斷

隨著高速鐵路的快速發(fā)展，多機(jī)牽引提速道岔在現(xiàn)場(chǎng)使用的比重越來(lái)越大，因此，保證提速道岔的正常工作對(duì)鐵路的安全運(yùn)行和行車的效率有重要的意義。目前，對(duì)多機(jī)牽引道岔的故障仍以人工診斷為主[1]，多機(jī)牽引的復(fù)雜結(jié)構(gòu)增加了信號(hào)人員的工作難度，通過(guò)實(shí)時(shí)診斷多機(jī)牽引道岔的故障源及其類型，能夠降低維修人員的工作難度并提高工作效率，在可維修的時(shí)間段內(nèi)以最快速度診斷出故障轉(zhuǎn)轍機(jī)和故障類型，保障列車的行車安全。目前道岔故障診斷的研究主要以單機(jī)牽引道岔的故障診斷為主，多機(jī)牽引道岔的研究比較少；祝芹芹[2]提出基于核Fisher的多機(jī)牽引故障診斷，但是多機(jī)道岔的故障類型只有一種，不具有說(shuō)服力；趙振 翔[3]提出一種模塊化的多機(jī)牽引提速道岔的智能分析儀，該分析儀存在故障庫(kù)匱乏且實(shí)時(shí)更新成本大、操作繁瑣的問(wèn)題，很難應(yīng)用到實(shí)際中；當(dāng)前多數(shù)研究者研究的數(shù)據(jù)源都來(lái)自微機(jī)監(jiān)測(cè)系統(tǒng)采集的道岔功率/電流曲線[4?8]。本文延續(xù)使用道岔功率曲線作為研究對(duì)象，故障診斷分2步，第1步使用基于Fretchet距離的曲線相似度指標(biāo)定位多機(jī)牽引道岔的故障源，即解決“故障在哪里”；第2步使用TWSVM一對(duì)一型多類分類算法，根據(jù)常見(jiàn)故障的特征量建立訓(xùn)練集，利用分類器測(cè)試出具體的故障類型，即解決“故障是什么”；仿真結(jié)果表明，該方法能夠?qū)崿F(xiàn)多機(jī)牽引道岔的故障診斷，具有實(shí)時(shí)性強(qiáng)、精確度高的特點(diǎn)。

1 多機(jī)牽引道岔

提速道岔在高速鐵路占有很大的比重，根據(jù)轍叉心的余切值進(jìn)行分類。目前廣泛使用的型號(hào)主要有12，18和42號(hào)等，隨著號(hào)數(shù)增大，道岔的曲線半徑同步變大，此時(shí)需要通過(guò)增加牽引點(diǎn)帶動(dòng)大號(hào)碼道岔的轉(zhuǎn)換[9?10]。根據(jù)尖軌的聯(lián)動(dòng)和分動(dòng)方式不同，分為一機(jī)多動(dòng)和多機(jī)多動(dòng)2種類型道岔，根據(jù)道岔曲線半徑的不同分為五機(jī)牽引和九機(jī)牽引等，本文選擇多機(jī)多動(dòng)的五機(jī)牽引作為研究對(duì)象，如圖1所示。

1—基本軌；2—尖軌；3—導(dǎo)曲線軌；4—連接部分；5—翼軌；6—轍叉心；7—護(hù)軌。

圖1為雙開(kāi)道岔五機(jī)牽引的示意圖，尖軌部分設(shè)置3個(gè)牽引點(diǎn)，心軌部分設(shè)置2個(gè)牽引點(diǎn)，A股道為列車運(yùn)行正線，B股為列車運(yùn)行側(cè)線。

1.1 動(dòng)作特點(diǎn)

多機(jī)牽引道岔的控制電路是在單機(jī)牽引道岔控制電路的基礎(chǔ)上改進(jìn)得到，各轉(zhuǎn)轍機(jī)各自按照規(guī)定的順序進(jìn)行動(dòng)作，帶動(dòng)大號(hào)碼道岔轉(zhuǎn)換。首先在每一個(gè)牽引點(diǎn)設(shè)置轉(zhuǎn)轍機(jī)的啟動(dòng)、控制和表示電路，然后通過(guò)增加順序動(dòng)作、故障停轉(zhuǎn)以及串級(jí)表示電路將多個(gè)牽引點(diǎn)電路進(jìn)行連接。

1.1.1 順序動(dòng)作

轉(zhuǎn)轍機(jī)在啟動(dòng)初期會(huì)產(chǎn)生較大的峰值電流，若多臺(tái)轉(zhuǎn)轍機(jī)同時(shí)啟動(dòng)，疊加后的啟動(dòng)電流會(huì)燒毀轉(zhuǎn)轍機(jī)的電源模塊，為了保護(hù)電源模塊的同時(shí)讓道岔能正常工作，設(shè)置了順序動(dòng)作電路。實(shí)驗(yàn)表明，電源模塊最多可以容許2臺(tái)轉(zhuǎn)轍機(jī)同時(shí)啟動(dòng)，要求五機(jī)道岔中的J1和X1牽引點(diǎn)同時(shí)啟動(dòng)，電路要求J2的1DQJ勵(lì)磁電路需要檢查J1的1DQJ吸起狀態(tài)，J3的1DQJ勵(lì)磁電路需要檢查J2的1DQJ吸起狀態(tài)，X2的1DQJ勵(lì)磁電路需要檢查X1的1DQJ吸起狀態(tài)等條件來(lái)實(shí)現(xiàn)順序動(dòng)作，即J1和X1同時(shí)動(dòng)作，J1，X1→J2和X2→J3，尖軌啟動(dòng)示意圖如圖2所示。

圖2 尖軌啟動(dòng)示意圖

1.1.2 故障停轉(zhuǎn)

為了防止心軌和尖軌同時(shí)動(dòng)作時(shí)其中某個(gè)轉(zhuǎn)轍機(jī)在動(dòng)作過(guò)程中出現(xiàn)電氣或者機(jī)械故障停轉(zhuǎn)，但其余轉(zhuǎn)轍機(jī)仍在帶動(dòng)道岔轉(zhuǎn)動(dòng)，發(fā)生“蛇形扭動(dòng)”對(duì)道岔造成致命損傷這種情況的發(fā)生，在尖軌和心軌分別設(shè)置切斷電路繼電器(QDJ)和總保護(hù)電路繼電器(ZBHJ)，保證在出現(xiàn)單機(jī)故障時(shí)能及時(shí)切斷總電源，達(dá)到保護(hù)道岔的目的。

1.1.3 串級(jí)表示

設(shè)置總定位表示電路(ZDBJ)和總反位表示電路(ZFBJ)，要求當(dāng)所有的轉(zhuǎn)轍機(jī)都成功得到表示時(shí)，道岔的ZDBJ或ZFBJ繼電器才會(huì)吸起，得出道岔的位置狀態(tài)，避免表示與實(shí)際狀態(tài)不符的情況 發(fā)生。

1.2 故障說(shuō)明

單機(jī)牽引道岔大概包括20多種故障類型，而多機(jī)牽引是由多個(gè)轉(zhuǎn)轍機(jī)組成，所以故障類型更加復(fù)雜[6]。由現(xiàn)場(chǎng)調(diào)研發(fā)現(xiàn)，已增設(shè)的故障停轉(zhuǎn)電路解決了多臺(tái)轉(zhuǎn)轍機(jī)同時(shí)故障對(duì)道岔造成致命損傷的問(wèn)題，排除了多機(jī)同時(shí)故障的可能，故目前多機(jī)牽引的故障主要為單機(jī)故障，但是如何定位故障源是需要解決的難題。

1.3 道岔動(dòng)作功率曲線

通過(guò)微機(jī)監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)五機(jī)牽引道岔中每一臺(tái)轉(zhuǎn)轍機(jī)的功率曲線可以判斷道岔是否正常工作，轉(zhuǎn)轍機(jī)都采用S700K型，因此所有牽引點(diǎn)轉(zhuǎn)轍機(jī)的標(biāo)準(zhǔn)動(dòng)作功率曲線都一致，如圖3所示。

圖3 標(biāo)準(zhǔn)功率曲線

從圖3中可以看出，轉(zhuǎn)轍機(jī)動(dòng)作過(guò)程分成啟動(dòng)解鎖、轉(zhuǎn)換、鎖閉和表示4個(gè)階段，多機(jī)牽引道岔正常動(dòng)作過(guò)程中會(huì)產(chǎn)生多組實(shí)時(shí)功率曲線。

2 多機(jī)牽引道岔故障診斷方法

多機(jī)牽引道岔的故障診斷分2步進(jìn)行，確定多機(jī)牽引道岔中的轉(zhuǎn)轍機(jī)故障源與診斷轉(zhuǎn)轍機(jī)的具體故障類型，具體流程如圖4所示。

圖4 故障診斷流程圖

2.1 基于離散Frechet距離的故障源判定

本文設(shè)計(jì)基于Fretchet距離的曲線相似度指標(biāo)ξ，F(xiàn)retchet距離可以解決2條曲線之間相似度問(wèn)題[11]，設(shè)Frechet距離為，分別計(jì)算5條實(shí)時(shí)曲線與標(biāo)準(zhǔn)曲線的相似度，具體如下：

設(shè)曲線是由個(gè)采樣點(diǎn)組成的多機(jī)道岔中的一組實(shí)時(shí)曲線，曲線是由個(gè)采樣點(diǎn)組成的道岔標(biāo)準(zhǔn)曲線，2條曲線和對(duì)應(yīng)的采樣集合為()=(1,…,a),()=(1,…,b)，2個(gè)集合所包含的點(diǎn)均由平面坐標(biāo)值(,)組成，表示道岔曲線采樣點(diǎn)的二維坐標(biāo)。

計(jì)算2條曲線的距離矩陣如式(1)：

其中：d表示道岔曲線上的第個(gè)序列點(diǎn)與標(biāo)準(zhǔn)曲線曲線第個(gè)序列點(diǎn)之間的距離，計(jì)算公式如式(2)：

計(jì)算出距離矩陣后，需要找出矩陣中的最大值max=max()和最小值min=min()，根據(jù)式(3)計(jì)算循環(huán)間隔，同時(shí)取目標(biāo)距離初值=min。

通過(guò)比較矩陣中每一個(gè)元素與值的大小，可以求出對(duì)應(yīng)的二值矩陣′為：

其中：,′∈{0,1}，得到2條曲線的Frechet距離后，可得到2條曲線的相似度，如式(7)所示。越大表示該曲線與標(biāo)準(zhǔn)曲線的相似程度越高，越小則表示該曲線與標(biāo)準(zhǔn)曲線的相似程度越低，越有可能為故障源，道岔功率曲線中的數(shù)據(jù)經(jīng)過(guò)歸一化處理，故無(wú)度量，求解多機(jī)牽引道岔每一條實(shí)時(shí)曲線與標(biāo)準(zhǔn)曲線的相似度ξ，本文中=1,…,5，選擇相似度最小曲線對(duì)應(yīng)的轉(zhuǎn)轍機(jī)作為故障源。

2.2 基于TWSVM的故障類型判定

確定故障源后，需要診斷該機(jī)的具體故障類型才能方便維修人員檢修和處理。單機(jī)故障診斷比較成熟，目前應(yīng)用的診斷算法有BP神經(jīng)網(wǎng)絡(luò)與SVM算法，但BP神經(jīng)網(wǎng)絡(luò)存在局部最優(yōu)、SVM存在運(yùn)算量龐大等缺陷，不適合處理多機(jī)故障。本文使用基于孿生支持向量機(jī)(TWSVM)的一對(duì)一多類分類算法進(jìn)行故障類型判定，并與BP神經(jīng)網(wǎng)絡(luò)和SVM的故障診斷在耗時(shí)與準(zhǔn)確度方面進(jìn)行比較，驗(yàn)證TWSVM的優(yōu)越性。

一組道岔動(dòng)作功率曲線有165組采樣序列，直接處理易造成“維數(shù)爆炸”，使用前需進(jìn)行數(shù)據(jù)預(yù)處理，包括去噪和特征提取，定義8組時(shí)域特征量，如表1所示，其中u,i,m(=1,2,…,；=1,…,4；=1,…, 8)表示道岔功率數(shù)據(jù)第個(gè)樣本第個(gè)區(qū)段的第個(gè)特征量，代表功率值。

表1 時(shí)域特征量

按照表1所列的特征量可以分別計(jì)算得出分類器需要的訓(xùn)練集和測(cè)試集；假設(shè)道岔特征值數(shù)據(jù)集為1,2,…,x∈m×n，與數(shù)據(jù)集相對(duì)應(yīng)的數(shù)據(jù)標(biāo)簽為1,2,…,y∈{?1,1},標(biāo)簽值為?1對(duì)應(yīng)的數(shù)據(jù)表示故障，其余標(biāo)簽值為1對(duì)應(yīng)的數(shù)據(jù)表示正常，因此一組包括特征值和其標(biāo)簽的樣本集是9維數(shù)據(jù)。

多機(jī)牽引道岔數(shù)據(jù)因?yàn)榘硕嘟M轉(zhuǎn)轍機(jī)功率曲線，因此具有非線性特性，使用孿生支持向量機(jī)用核函數(shù)將低維空間中的非線性道岔數(shù)據(jù)映射到高維空間，讓數(shù)據(jù)在高維空間的數(shù)據(jù)集呈線性，將非線性數(shù)據(jù)的分類變成高維空間線性數(shù)據(jù)的分類；TWSVM算法相比SVM使用了一對(duì)超平面對(duì)得到的特征數(shù)據(jù)集進(jìn)行二分類，如式(8)所示。

其中：(T,T)為核函數(shù)；T=(T,T)；1，2，1和2為需要求解的超平面參數(shù)。求解參數(shù)時(shí)，需要首先求解如式(9)的一對(duì)二次規(guī)劃問(wèn)題。

其中：1,2表示TWSVM的懲罰參數(shù)；與分別表示2類數(shù)據(jù)集的松弛因子；1,2表示一維列向量，向式(9)中引入的拉格朗日乘子∈R1,∈R2,通過(guò)相對(duì)應(yīng)的拉格朗日函數(shù)最小值求解方法與KKT條件判別可得：

其中：=[,2]，=[,1]，為了解決矩陣T和T存在奇異性的可能，使用T+和T+分別代替T和T，求出拉格朗日乘子后根據(jù)式(11)可以得到2個(gè)超平面的參數(shù)1，2，1和2。

式中：為趨近于0的正實(shí)數(shù)；表示單位矩陣。

TWSVM為二分類算法，而道岔對(duì)應(yīng)多個(gè)故障類型，所以使用一對(duì)一多分類的方法進(jìn)行多故障分類，即：假設(shè)存在種故障類型，設(shè)置出(?1)/2個(gè)子分類器，每一個(gè)子分類器對(duì)道岔故障進(jìn)行分類，最后對(duì)(?1)/2個(gè)子分類器分類的結(jié)果進(jìn)行統(tǒng)計(jì)，選擇最多的結(jié)果作為判別結(jié)果。

3 仿真研究

應(yīng)用在蘭州西客站采集的6類多機(jī)牽引道岔故障對(duì)應(yīng)的故障曲線作為輸入向量，分別是尖軌卡缺口、解鎖不良、轉(zhuǎn)換過(guò)程卡阻、無(wú)法解鎖、阻力異常與室外二極管短路，針對(duì)多機(jī)牽引道岔的故障診斷，首先采用基于Frechet距離的曲線相似度判定算法對(duì)目前現(xiàn)場(chǎng)多發(fā)的6類故障進(jìn)行故障源定位仿真，需要依次比較5機(jī)牽引道岔的5條功率曲線與道岔標(biāo)準(zhǔn)曲線之間相似度的大小，現(xiàn)場(chǎng)故障曲線如圖5所示。其次對(duì)6類常見(jiàn)故障進(jìn)行故障診斷仿真，每類故障共收集120組故障功率曲線，每個(gè)樣本含有165個(gè)采集序列，對(duì)采集的原始數(shù)據(jù)集首先使用Matlab中的小波分析工具箱中的dB1小波進(jìn)行信號(hào)分解，去除干擾信號(hào)，同時(shí)求解它們對(duì)應(yīng)的特征量，共720×9組數(shù)據(jù)集，從樣本集中隨機(jī)選擇360×9組作為T(mén)WSVM多類分類器的訓(xùn)練集，其余的360×9組作為測(cè)試集。

圖5 故障類型

圖5分別表示6種故障模式下采集到的五機(jī)牽引道岔的實(shí)時(shí)功率曲線，實(shí)線表示標(biāo)準(zhǔn)曲線，虛線為故障曲線，圖中圖像重疊復(fù)雜，無(wú)法直接獲得任何有效的故障信息；首先需要依次計(jì)算每一種故障類型下的道岔5組曲線分別與標(biāo)準(zhǔn)曲線的相似度值ξm，需要注意的是，此處m值由各自故障類型決定，最大為5，因?yàn)榇嬖谝蚰骋粻恳c(diǎn)故障、其余牽引點(diǎn)被故障停轉(zhuǎn)電路切斷動(dòng)作電路的情況，五機(jī)不一定都存在功率曲線，選擇其中最小的ξ作為故障源；根據(jù)式(1)~(6)依次計(jì)算各故障類型下各牽引點(diǎn)的相似度，如表2所示。

表2 相似度對(duì)比

對(duì)數(shù)據(jù)進(jìn)行小波分解和特征提取后，按照設(shè)定的訓(xùn)練集來(lái)構(gòu)建TWSVM一對(duì)一型多類分類器，核函數(shù)為高斯徑向基核函數(shù)，同時(shí)使用網(wǎng)格搜索的方法設(shè)定分類器的參數(shù)，對(duì)應(yīng)范圍為：核函數(shù)參數(shù)∈[0.01,6]，懲罰因子∈[0.01,12]，仿真結(jié)果表明最優(yōu)參數(shù)結(jié)果為=0.02，懲罰因子1=1.35，2=3.52。與TWSVM作對(duì)比的BP神經(jīng)網(wǎng)絡(luò)及SVM結(jié)構(gòu)具體參數(shù)為：BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層分別為8，18和6，隱含層的激活函數(shù)為sigmoid函數(shù)，輸出層的激活函數(shù)為relu函數(shù)，訓(xùn)練誤差設(shè)置為0.000 1，訓(xùn)練次數(shù)為2 500次；SVM一對(duì)一型多類分類器的參數(shù)分別為=0.15，懲罰因子=0.58。

使用已構(gòu)造的訓(xùn)練集訓(xùn)練3種模型，根據(jù)訓(xùn)練集確定分類器結(jié)構(gòu)參數(shù)后，輸入360×9組測(cè)試集數(shù)據(jù)進(jìn)行仿真，TWSVM和SVM分類器共仿真10次，BP神經(jīng)網(wǎng)絡(luò)按照設(shè)置進(jìn)行仿真的分類準(zhǔn)確度結(jié)果如表3，耗費(fèi)時(shí)間如表4所示。

表3 分類準(zhǔn)確度匯總

表4 耗費(fèi)時(shí)間匯總

TWSVM分類器在訓(xùn)練過(guò)后對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行仿真，得到的診斷正確率如表3所示。結(jié)果表明，TWSVM多類分類算法的故障診斷準(zhǔn)確率最低為97.6%，同時(shí)BP神經(jīng)網(wǎng)絡(luò)和SVM分類器最高值為91.7%和97.6%，遠(yuǎn)小于TWSVM。

表4表明，TWSVM的耗時(shí)是SVM的一半、BP神經(jīng)網(wǎng)絡(luò)的1/7，這一點(diǎn)與TWSVM采用的雙超平面有關(guān)。

以上部分的仿真都是對(duì)提取出的已知故障曲線進(jìn)行診斷，而多機(jī)牽引道岔實(shí)際動(dòng)作過(guò)程中正常曲線和故障曲線相互摻雜，故需要將2種曲線合起來(lái)進(jìn)行測(cè)試；本文采集蘭州西站500×6組多機(jī)牽引道岔正常動(dòng)作曲線數(shù)據(jù)，與120×6組故障曲線數(shù)據(jù)混合，然后隨機(jī)分出400×6組混合數(shù)據(jù)作為訓(xùn)練集，其余的作為測(cè)試集，使用基于Fretchet距離與TWSVM的算法進(jìn)行仿真，M1-M6這6種故障類型的診斷正確率依次為98.7%，97.3%，99.4%，93.5%，98.9%和97.6%，結(jié)果驗(yàn)證了該算法在現(xiàn)場(chǎng)的可行性。

4 結(jié)論

1) 在結(jié)合五機(jī)牽引道岔動(dòng)作電路的基礎(chǔ)上，分析多機(jī)牽引道岔的結(jié)構(gòu)和動(dòng)作過(guò)程；通過(guò)現(xiàn)場(chǎng)調(diào)研得出常見(jiàn)的多機(jī)牽引道岔故障主要以單機(jī)故障為主，將多機(jī)牽引道岔的故障診斷分為故障源判定和故障類型診斷2步。

2) 提出一種基于Fretchet距離和TWSVM分類器的故障診斷算法，通過(guò)使用蘭州西站的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行仿真，驗(yàn)證了該算法的可行性，為后續(xù)多機(jī)道岔故障診斷研究提出新思路。

[1] 楊靜. 道岔故障診斷方法研究[D]. 南京: 南京理工大學(xué), 2017. YANG Jing. Research on turnout fault diagnosis method [D]. Nanjing: Nanjing University of Technology, 2017.

[2] 祝芹芹. 基于核Fisher的多機(jī)牽引道岔故障診斷技術(shù)研究[D]. 蘭州: 蘭州交通大學(xué), 2018. ZHU Qinqin. Research on fault diagnosis technology of multi-machine traction turnout based on nuclear Fisher [D]. Lanzhou: Lanzhou Jiaotong University, 2018.

[3] 趙振翔. 模塊化的多機(jī)牽引提速道岔轉(zhuǎn)轍機(jī)智能測(cè)試儀的研究與設(shè)計(jì)[D]. 蘭州: 蘭州交通大學(xué), 2018. ZHAO Zhenxiang. Research and design of modular intelligent tester for multi-machine traction speed-raising turnout switch[D]. Lanzhou: Lanzhou Jiaotong University, 2018.

[4] 許慶陽(yáng), 劉中田, 趙會(huì)兵. 基于隱馬爾科夫模型的道岔故障診斷方法[J]. 鐵道學(xué)報(bào), 2018, 40(8): 98?106. XU Qingyang, LIU Zhongtian, ZHAO Huibing. Turnout fault diagnosis method based on hidden Markov model [J]. Journal of the Railway China Society, 2018, 40(8): 98?106.

[5] 劉明明, 王良順, 趙輝, 等. 基于群決策的道岔控制電路故障診斷方法研究[J]. 自動(dòng)化學(xué)報(bào), 2019, 2(24): 4? 10. LIU Mingming, WANG Liangshun, ZHAO Hui, et al. Research on fault diagnosis method of switch control circuit based on group decision[J]. Journal of Automation, 2019, 2(24): 4?10.

[6] 鄭輝. 基于故障樹(shù)的高速鐵路道岔故障分析與研究[D].北京: 中國(guó)鐵道科學(xué)研究院, 2018. ZHENG Hui. Fault analysis and research of high-speed railway turnout based on fault tree[D]. Beijing: China Academy of Railway Sciences, 2018.

[7] 張釘, 李國(guó)寧. 基于改進(jìn)WNN分析功率曲線的S700K轉(zhuǎn)轍機(jī)故障診斷[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2018, 15(8): 2123?2130. ZHANG Nai, LI Guoning. Fault diagnosis of S700K switch machine based on improved WNN analysis power curve[J]. Journal of Railway Science and Engineering, 2018, 15(8): 2123?2130.

[8] Roberts C, Dassanayake H P B, Lehrasab N, et al. Distributed quantitative and fault diagnosis: Railway junction case study[J]. Control Engineering Practice, 2002, 10(4): 419.

[9] 朱長(zhǎng)青, 霍亮. 城際鐵路客運(yùn)站道岔型號(hào)選用的研究[J]. 鐵道標(biāo)準(zhǔn)設(shè)計(jì), 2014, 58(7): 4?8. ZHU Changqing, HUO Liang. Study on selection of turnout types for intercity railway passenger station[J]. Railway Standard Design, 2014, 58(7): 4?8.

[10] 張凱, 杜凱, 巨永鋒. 基于BP神經(jīng)網(wǎng)絡(luò)的提速道岔故障診斷算法[J]. 武漢理工大學(xué)學(xué)報(bào), 2014, 36(11): 77? 81. ZHANG Kai, DU Kai, JU Yongfeng. Fault diagnosis algorithm of speed-up turnout based on BP neural network[J]. Journal of Wuhan University of Technology, 2014, 36(11): 77?81.

[11] Niraj Kumar, Garima Manocha. A class of entire dirichlet series as an FK-space and a Frechet space[J]. Acta Mathematica Scientia, 2013, 33(6): 1571?1578.

[12] DU Yanbin, XIAO Lingfei, CHEN Yusheng, et al. Aircraft engine gas path fault diagnosis based on hybrid PSO-TWSVM[J].Transactions of Nanjing University of Aeronautics and Astronautics, 2018, 35(2): 334?342.

[13] CHU Maoxiang, WANG Anna, GONG Rongfen, et al. Multi-class classification methods of enhanced LS- TWSVM for strip steel surface defects[J]. Journal of Iron and Steel Research (International), 2014, 21(2): 174?182.

Research on fault diagnosis of multi-machine traction turnout based on Fretchet distance and TWSVM

WU Yongcheng1, YANG Changqiong1, HE Tao2

(1. Gansu Industrial Traffic Automation Engineering Technology Research Center, Lanzhou Jiaotong Uninversity, Lanzhou 730070, China;2. Key Laboratory of Opto-Technology and Intelligent Control Ministory of Education, Lanzhou Jiaotong University, Lanzhou 730070, China)

Aiming at the problem of high fault frequency and difficult manual diagnosis of multi-machine traction turnout, a fault diagnosis method based on Fretchet distance and bidirectional support vector machine was proposed. Firstly, the fault source of multi-machine traction turnout was determined by calculating the similarity between the real-time curve and the standard curve by Fretchet distance. Then, the fault type diagnosis of multi-machine traction turnout was carried out by using two-dimensional support vector machine one-to-one multi-level classification algorithm. By using the data collected from Lanzhou West Railway Station, the simulation results show that the algorithm can diagnose multi-machine traction turnout faults timely and accurately.

multi-machine traction turnout; Fretchet distance; TWSVM; fault diagnosis

U284

A

1672 ? 7029(2019)11? 2866 ? 07

10.19713/j.cnki.43?1423/u.2019.11.028

2019?02?27

蘭州交通大學(xué)青年科學(xué)基金資助項(xiàng)目(2017039)

何濤(1977?)，男，內(nèi)蒙古商都人，教授，博士，從事交通信息工程及控制研究；E?mail：lzjdhetao@163.com

(編輯 陽(yáng)麗霞)