王林潔， 米根鎖

(蘭州交通大學(xué) 自動化與電氣工程學(xué)院,甘肅 蘭州 730070)

0 引 言

隨著高速鐵路的快速發(fā)展，S700K轉(zhuǎn)轍機(jī)作為鐵路信號的重要設(shè)備已大量投入使用，其工作狀況直接影響列車行車安全與運(yùn)輸效率[1，2]。目前，對轉(zhuǎn)轍機(jī)故障診斷主要依靠工作人員維修經(jīng)驗定位故障，這種方法故障識別效率低，且不能實(shí)時在線確定故障位置，故對轉(zhuǎn)轍機(jī)的智能化診斷研究顯得尤為重要。

近年來，針對轉(zhuǎn)轍機(jī)的故障診斷各國專家已做了相應(yīng)研究，但均存在局限性。文獻(xiàn)[3,4]采用支持向量機(jī)法，對道岔故障進(jìn)行診斷，但支持向量機(jī)(SVM)法不適用于對多種故障進(jìn)行分類；文獻(xiàn)[5]將故障樹與專家系統(tǒng)結(jié)合，但專家系統(tǒng)獲取知識困難；文獻(xiàn)[6,7]將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到轉(zhuǎn)轍機(jī)故障診斷，但訓(xùn)練網(wǎng)絡(luò)需大量樣本；文獻(xiàn)[8]將D-S信息融合用于道岔系統(tǒng)故障診斷，但該方法缺乏學(xué)習(xí)能力。

研究發(fā)現(xiàn)，轉(zhuǎn)轍機(jī)故障類型與其動作功率存在很強(qiáng)的對應(yīng)關(guān)系，因此,需考慮各故障特征與故障類型間的相互關(guān)聯(lián)程度。而樸素貝葉斯分類器(NBC)是建立在基于條件獨(dú)立性假設(shè)的基礎(chǔ)上，未考慮相互關(guān)聯(lián)程度。

本文將灰色關(guān)聯(lián)分析(grey correlation analysis,GCA)引入樸素貝葉斯分類器(naive Bayesian classifier,NBC)中，提出基于GCA-NBC的分類方法。利用HHT和屬性約簡算法對故障特征進(jìn)行提取及約簡，根據(jù)約簡特征建立GCA-NBC分類模型并求解各故障后驗概率值，最大后驗概率值對應(yīng)的類型則為待檢樣本的故障類型。該方法以實(shí)時采集的轉(zhuǎn)轍機(jī)功率曲線為數(shù)據(jù)源，結(jié)合希爾伯特—黃變換(Hilbert-Huang transform,HHT)、屬性約簡和GCA-NBC的診斷方法，實(shí)現(xiàn)在線實(shí)時診斷轉(zhuǎn)轍機(jī)故障。

1 轉(zhuǎn)轍機(jī)功率曲線分析

圖1為轉(zhuǎn)轍機(jī)正常工作的曲線，轉(zhuǎn)轍機(jī)在啟動階段要完成內(nèi)部解鎖和外鎖閉啟動解鎖，故需較大功率；在解鎖和轉(zhuǎn)換階段所受阻力不大，轉(zhuǎn)轍機(jī)可平緩?fù)苿蛹廛壝苜N；在鎖閉階段，由于表示電路接通、控制電路被斷開，功率曲線幅值減小但不為0；在表示階段，道岔位置已給定導(dǎo)致表示電路斷開，所以功率值降為0。

圖1 S700K轉(zhuǎn)轍機(jī)功率曲線(N1)

在現(xiàn)場實(shí)際應(yīng)用中，常見的S700K轉(zhuǎn)轍機(jī)故障類型包含8種類型，圖2為各故障類型的功率曲線。F1～F8分別表示的故障為解鎖故障、轉(zhuǎn)換異常、無法轉(zhuǎn)換、鎖閉異常、鎖閉卡阻、缺口故障、斷相保護(hù)器故障、表示電路二極管故障。

圖2 不同故障類型下的功率曲線

2 基于GCA-NBC的轉(zhuǎn)轍機(jī)診斷模型

轉(zhuǎn)轍機(jī)故障診斷模型建立包含特征提取和構(gòu)建模型兩部分。通過HHT提取到Hilbert邊際譜不同頻率范圍內(nèi)的能量特征。構(gòu)建模型是以約簡后的頻段能量作為子節(jié)點(diǎn)，故障類型作為父節(jié)點(diǎn)，構(gòu)建基于GCA-NBC的S700K轉(zhuǎn)轍機(jī)故障診斷模型。

2.1 故障特征提取

2.1.1 HHT

HHT是先把復(fù)雜的時間序列通過經(jīng)驗?zāi)B(tài)分解(empirical mode decomposition,EMD)分解得出能夠反映序列局部特征的本征模態(tài)(intrinsic mode function,IMF)分量,然后IMF分量經(jīng)過Hilbert變換得出能夠反映序列在時間尺度上頻譜分布狀況的Hilbert譜和Hilbert邊際譜[9,10]。

EMD是把頻率復(fù)雜的時間序列分解成IMF分量以及殘存函數(shù)

(1)

式中Y(t)為原始信號，ci(t)為某個IMF分量，rn(t)為殘存函數(shù)。

根據(jù)Hilbert變換定義得到原始信號的Hilbert邊際譜為如

(2)

2.1.2 基于HHT的故障特征提取

Hilbert邊際譜雖真實(shí)的反映功率信號的頻譜分布，但無法直接將其應(yīng)用于NBC，故需對邊際譜進(jìn)行分段量化，使其成為變量信息，便于NBC處理。本文采用累加法對邊際譜分段量化，將頻帶等分為n等份，故邊際譜能量向量為E=(E1,E2,…,En)，Ei為頻率區(qū)間[wi,wi+1]上邊際譜的能量,計算如式(3)所示

(3)

基于HHT轉(zhuǎn)轍機(jī)故障特征提取步驟如下：1)采用EMD分解方法對采集的轉(zhuǎn)轍機(jī)功率信號進(jìn)行分解，得出IMF分量；2)IMF分量經(jīng)過Hilbert變換，獲得轉(zhuǎn)轍機(jī)功率信號的Hilbert邊際譜；3)按式(3)將Hilbert邊際譜進(jìn)行分段量化，得出該譜能量向量。

2.1.3 基于HHT的轉(zhuǎn)轍機(jī)故障特征提取

在微機(jī)監(jiān)測系統(tǒng)中以40ms為采樣周期采集450組(各狀態(tài)訓(xùn)練樣本和測試樣本均為25組)S700K轉(zhuǎn)轍機(jī)正常和故障狀態(tài)的功率曲線，以轉(zhuǎn)轍機(jī)不能正常解鎖為例詳述故障特征提取過程，圖2中F5為轉(zhuǎn)轍機(jī)不能正常解鎖的功率信號對應(yīng)曲線,先對該功率信號EMD分解，得到IMF分量，然后將IMF分量Hilbert變換，得到Hilbert邊際譜。把功率信號Hilbert邊際譜頻帶等分10份，按照式(3)計算每個區(qū)間譜的能量，得出譜能量的特征向量EF5;有

EF5=[72.151 1 1.632 6 1.113 9 0.005 2 0.584 0 0.591 5 0.294 9 0.010 7 0.004 3 23.651 8]

同理，可得其余功率信號邊際譜特征向量，從而構(gòu)成故障特征決策表，如表1所示。

表1 S700K轉(zhuǎn)轍機(jī)故障特征決策表

2.2 故障特征屬性約簡

因在轉(zhuǎn)轍機(jī)不同狀態(tài)下某些頻段內(nèi)存在能量類型相同，故采用基于類差別矩陣算法對特征決策表進(jìn)行屬性約簡。

2.2.1 故障特征決策表離散化

定義“很高，較高，高，中，低，很低”6個語言變量對屬性數(shù)值進(jìn)行描述，用0～5的6個數(shù)字表示，數(shù)值取值范圍分別為：010。

2.2.2 構(gòu)造類差別矩陣和計算屬性重要度

rij=δ1δ2…δs

(4)

當(dāng)對象xi中條件屬性cl的值與對象xj中條件屬性cl的值相等，則δl為1，否則為0。

在決策表S中，設(shè)A=(a1,a2,…,ak)，則

(5)

(6)

式中kij為屬性ai在矩陣MC中為1的元素。

2.2.3 屬性約簡步驟

2.2.4 轉(zhuǎn)轍機(jī)故障特征約簡

按照劃定等級對表1離散化，獲到表2所示故障特征決策表。

為提高約簡效率，將表2中條件屬性值和類屬性值均相同的元素刪除，然后根據(jù)簡化后的表2及式(4)構(gòu)造各類差別矩陣，如類屬性N1與F1的類差別矩陣為

表2 離散化后的轉(zhuǎn)轍機(jī)故障特征決策表

同理，可得出其余不同類屬性間的類差別矩陣。根據(jù)式(5)便可得出總類差別矩陣MC。

統(tǒng)計MC，可得a1～a10出現(xiàn)1的次數(shù)分別為0,90,177,154,160,201,169,223,229,125，其中a9為1的次數(shù)最多，說明屬性a9最重要，然后在MC中刪除a9屬性為1的項，即可得到MC-a9；依次類推，直到MC-a9-a8-a6-a2-a10-a3-a5=?，可得到屬性約簡集為Ared={a2,a3,a5,a6,a8,a9,a10}。

2.3 故障診斷模型構(gòu)建

因轉(zhuǎn)轍機(jī)功率信號的Hilbert邊際譜特征與故障間存在不確定性，故采用NBC進(jìn)行轉(zhuǎn)轍機(jī)故障診斷，但考慮到不同條件屬性與類屬性間的關(guān)聯(lián)程度，本文將GCA引入NBC中，用計算的灰色系數(shù)作為各屬性權(quán)重值。

2.3.1 計算故障特征權(quán)重

Step1 確定待檢特征序列B和故障特征序列D

B=[B(1),B(2)，…,B(n)]

(7)

(8)

式中n為故障特征個數(shù)，m為故障模式個數(shù)。

h表示每種故障類型的樣本個數(shù)。

Step2 按式(9)對序列B，D歸一化處理。

(9)

Step3 根據(jù)式(10)計算序列B與序列D的灰色關(guān)聯(lián)系數(shù)，再根據(jù)式(11)計算權(quán)重值。

(10)

(11)

式中ε為分辨系數(shù)，ε∈(0,1)，一般取0.5

2.3.2 構(gòu)建GCA-NBC模型

將提取及約簡后的邊際譜能量特征作為網(wǎng)絡(luò)子節(jié)點(diǎn)，將轉(zhuǎn)轍機(jī)的故障類型作為父節(jié)點(diǎn)，建立基于GCA-NBC的故障診斷模型，其結(jié)構(gòu)如圖3所示。

圖3 GCA-NBC結(jié)構(gòu)

3 基于GCA-NBC的轉(zhuǎn)轍機(jī)診斷

3.1 故障推理

根據(jù)故障特征向量，貝葉斯定理，先驗概率及條件概率計算出不同故障類型的后驗概率，后驗概率最大的類型則為故障類型[11]。

類屬性cj的先驗概率和條件概率計算式分別如式(12)、式(13)

(12)

(13)

由于考慮了條件屬性相對于類屬性的權(quán)重值，則引入權(quán)重后類屬性為cj時條件屬性ai的值將改寫為

(14)

類屬性cj的后驗概率為

(15)

式中α為常數(shù)。

3.2 實(shí)例分析

圖4為蘭州電務(wù)段管內(nèi)某一轉(zhuǎn)轍機(jī)故障時的功率曲線，以該故障為例說明診斷過程。

圖4 轉(zhuǎn)轍機(jī)故障功率曲線

根據(jù)2.1節(jié)內(nèi)容對該故障曲線進(jìn)行故障提取，得到其故障特征向量為

E=[87.419 4 1.989 4 0.481 3 0.189 3 0.700 6

0.019 4 0.184 6 0.061 3 0.002 0 10.007 8]

選擇特征向量屬性a2，a3,a5,a6,a8,a9,a10進(jìn)行離散化，得I={4,3,3,2,2,1,5}。最后根據(jù)式(12)～式(15)計算圖4所示曲線屬于各故障類型的后驗概率值，如表3所示。

表3 不同故障類型的條件概率

后驗概率值最大的類型最可能為故障類型，經(jīng)計算故障類型F5的后驗概率值最大，其值為0.967，故確定該故障為S700K轉(zhuǎn)轍機(jī)鎖閉卡阻故障，診斷結(jié)果正確。

4 結(jié) 論

從提高轉(zhuǎn)轍機(jī)故障診斷的快速性和準(zhǔn)確性角度出發(fā)，提出一種基于HHT和GCA-NBC結(jié)合的轉(zhuǎn)轍機(jī)故障診斷方法。通過HHT對轉(zhuǎn)轍機(jī)功率曲線故障特征進(jìn)行準(zhǔn)確提?。徊捎脤傩约s簡算法對故障特征約簡，極大地提高了診斷效率；采用約簡的故障特征構(gòu)建GCA-NBC模型，簡化了網(wǎng)絡(luò)結(jié)構(gòu)且考慮了不同條件屬性與類屬性之間的相互關(guān)聯(lián)程度，從而更快更準(zhǔn)確的診斷轉(zhuǎn)轍機(jī)故障。實(shí)例分析表明，該方法可減少故障特征的冗余性，快速、準(zhǔn)確的對轉(zhuǎn)轍機(jī)進(jìn)行故障診斷，診斷結(jié)果證明了該方法的有效性。