基于灰色神經(jīng)網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機故障診斷方法研究

王瑞峰，陳旺斌

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

隨著鐵路向高速、重載快速發(fā)展，S700K轉(zhuǎn)轍機大量投入使用，這就需要更加完備的運行狀態(tài)監(jiān)測機制和智能化的故障診斷方法來提高設(shè)備的安全性和可靠性。長期以來，對轉(zhuǎn)轍機故障診斷及定位的分析僅依靠維修工作人員的專業(yè)知識和經(jīng)驗，微機監(jiān)測系統(tǒng)采集的信息僅作為人工判斷故障的依據(jù)，故障識別時間較長，且誤判、漏判現(xiàn)象時有出現(xiàn)。因此，研究通過功率曲線判斷故障的智能診斷方法具有重要意義。

目前，研究應(yīng)用于S700K轉(zhuǎn)轍機的故障診斷方法中，沒有充分利用微機監(jiān)測系統(tǒng)采集的反映設(shè)備運行狀態(tài)的最優(yōu)信息，且各診斷方法均有其局限性。廣泛研究使用的專家系統(tǒng)[1]知識獲取困難，神經(jīng)網(wǎng)絡(luò)[2]需要大量訓(xùn)練樣本，支持向量機[3]原則上只能進行兩兩分類，貝葉斯網(wǎng)絡(luò)[4]需要提供可靠合理的先驗概率，而它的確定非常困難。

本文結(jié)合灰色關(guān)聯(lián)分析方法[5，6]和神經(jīng)網(wǎng)絡(luò)模型建立灰色神經(jīng)網(wǎng)絡(luò)[7，8]，利用微機監(jiān)測系統(tǒng)提供的S700K轉(zhuǎn)轍機動作功率曲線，實現(xiàn)轉(zhuǎn)轍機的故障診斷。該方法克服了單獨灰色關(guān)聯(lián)分析和神經(jīng)網(wǎng)絡(luò)建模的缺陷，實現(xiàn)了二者的優(yōu)勢互補，經(jīng)驗證有效提高了設(shè)備的故障識別率。

1 S700K轉(zhuǎn)轍機動作過程的數(shù)據(jù)分析

1.1 功率曲線與運行狀態(tài)的關(guān)系

S700K轉(zhuǎn)轍機采用三相交流異步電機，其輸出功率P和輸出拉力F分別為

( 1 )

( 2 )

由式( 1 )、式( 2 )可得

( 3 )

式中：U為電動機電壓；I為電動機電流；η為電動機效率；cosθ為電動機功率因數(shù)；Re為轉(zhuǎn)轍機傳動系統(tǒng)等效力臂；n為電動機轉(zhuǎn)速[9]。

由式( 3 )可知，S700K電動轉(zhuǎn)轍機功率的大小可以反映其輸出拉力的變化值。根據(jù)S700K轉(zhuǎn)轍機設(shè)計原理，轉(zhuǎn)轍機各零部件的機械強度、工作壽命，都是根據(jù)轉(zhuǎn)轍機設(shè)計的最大工作拉力乘以安全系數(shù)進行計算的，所以轉(zhuǎn)轍機的工作狀態(tài)就是其輸出工作拉力的變化狀態(tài)[10-12]。

綜上可知，S700K轉(zhuǎn)轍機功率值反映道岔尖軌推拉力的大小，而該拉力值反映轉(zhuǎn)轍機的運行狀態(tài)，所以通過分析微機監(jiān)測系統(tǒng)采集到的對應(yīng)道岔的動作功率曲線可準確判斷轉(zhuǎn)轍機的運行狀態(tài)。

1.2 正常動作功率曲線分析

S700K轉(zhuǎn)轍機正常動作功率曲線如圖1所示，功率值在0.15 s左右上升并很快達到最大值，此段為轉(zhuǎn)轍機啟動階段，之后隨著設(shè)備的運行，其輸出功率急劇下降并趨于穩(wěn)定，轉(zhuǎn)轍機動作桿帶動道岔尖軌進行解鎖和轉(zhuǎn)換，待道岔轉(zhuǎn)換完畢，轉(zhuǎn)轍機的輸出功率出現(xiàn)一定幅度的下降，但不會降為零，之后隨著道岔位置的給出，相應(yīng)電路被斷開，功率值降為零。

圖1 S700K正常動作功率曲線

1.3 故障功率曲線分析

經(jīng)過現(xiàn)場調(diào)研和查閱相關(guān)資料，目前上道使用的S700K轉(zhuǎn)轍機常見故障模式主要有8種，其故障現(xiàn)象和故障原因見表1，相應(yīng)故障下對應(yīng)的輸出功率曲線如圖2所示，其中功率值測量精度為±2%，符合信號微機監(jiān)測系統(tǒng)技術(shù)條件[13]。

表1 S700K電動轉(zhuǎn)轍機常見故障分析

2 故障識別系統(tǒng)總體設(shè)計

S700K轉(zhuǎn)轍機故障識別系統(tǒng)原理如圖3所示，主要包括標準故障特征集的建立和灰色神經(jīng)網(wǎng)絡(luò)的建立兩部分。其中微機監(jiān)測系統(tǒng)的道岔監(jiān)測模塊為故障診斷提供數(shù)據(jù)來源，灰色神經(jīng)網(wǎng)絡(luò)計算標準故障曲線和待檢故障曲線的灰色關(guān)聯(lián)度值，最后對計算得到的關(guān)聯(lián)度值進行大小排序，最大值對應(yīng)的曲線類型即為該待檢曲線的故障類別。

圖2 常見故障所對應(yīng)的功率曲線

圖3 故障識別原理圖

3 基于灰色神經(jīng)網(wǎng)絡(luò)的故障識別方法

3.1 標準故障特征集的建立

根據(jù)轉(zhuǎn)轍機動作各階段的功能及其對應(yīng)功率值的大小，將功率曲線分為啟動、解鎖、轉(zhuǎn)換、鎖閉和表示5段。讀取每一段中功率的最大值、最小值并求其平均值，以每一段的最大功率值、最小功率值、功率平均值和時間長度作為反映該段曲線的特征數(shù)據(jù)。將轉(zhuǎn)轍機正常動作功率曲線故障代碼記作f0，可得到故障診斷特征數(shù)據(jù)集，見表2。

表2 S700K電動轉(zhuǎn)轍機常見故障特征數(shù)據(jù)

3.2 灰色神經(jīng)網(wǎng)絡(luò)的建立

灰色關(guān)聯(lián)分析的基本思想是根據(jù)序列幾何形狀的相似程度來判斷其聯(lián)系是否緊密。曲線越接近，相應(yīng)序列之間的關(guān)聯(lián)度就越大，反之越小[6]。

利用灰色關(guān)聯(lián)分析算法進行故障診斷，首先要建立故障診斷特征集，存儲標準故障參考模式數(shù)據(jù)，然后提取待檢樣本相應(yīng)的特征值，計算待檢樣本與各標準故障模式的關(guān)聯(lián)度值，最后根據(jù)關(guān)聯(lián)度值的大小識別待檢曲線的故障模式。具體步驟如下：

步驟1確定標準故障特征矩陣X和待檢特征向量Y。

由表2數(shù)據(jù)可建立如下所示的特征矩陣，其中m=8為故障模式個數(shù)，n=20為每個故障模式的特征向量維數(shù)。

( 4 )

( 5 )

步驟2求初值像。

( 6 )

( 7 )

步驟3求序列差、最大差和最小差。

Δi(k)=|xi′(k)-y′(k)|

( 8 )

( 9 )

步驟4計算關(guān)聯(lián)系數(shù)。

(10)

式中：ε為分辨系數(shù)，ε∈(0，1)。

步驟5計算關(guān)聯(lián)度。

(11)

步驟6按關(guān)聯(lián)度排序。

由式(11)可得待檢曲線與9類模式曲線的關(guān)聯(lián)度值，可表示為式(12)所示的序列，對該序列各數(shù)值進行排序，其中最大值對應(yīng)的模式即為當(dāng)前待檢樣本的故障類型。

γ=[γ0γ1…γm]

(12)

灰色關(guān)聯(lián)分析方法通過定量計算數(shù)值實現(xiàn)定性的結(jié)果分析，診斷結(jié)果可靠。但其并行處理能力弱，當(dāng)特征向量維數(shù)大于3時計算復(fù)雜。而神經(jīng)網(wǎng)絡(luò)具有很強的并行計算能力，所以將灰色關(guān)聯(lián)分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合形成灰色神經(jīng)網(wǎng)絡(luò)，用神經(jīng)網(wǎng)絡(luò)進行灰色關(guān)聯(lián)度的計算，可以實現(xiàn)二者的優(yōu)勢互補。

設(shè)計如圖4所示的自定義神經(jīng)網(wǎng)絡(luò)模型，計算待檢樣本曲線和標準故障數(shù)據(jù)的灰色關(guān)聯(lián)度值。所建網(wǎng)絡(luò)由三層組成，其中第一層作為輸入數(shù)據(jù)緩沖器，輸入X和Y并作無量綱處理，其節(jié)點數(shù)為特征向量的分量個數(shù)，共20個神經(jīng)元；第二層作為中間數(shù)據(jù)存儲器，其節(jié)點數(shù)為標準曲線類型個數(shù)，共9個神經(jīng)元；第三層輸出灰色關(guān)聯(lián)度值，其節(jié)點數(shù)為曲線類型數(shù)，共9個輸出神經(jīng)元。第一層與第二層之間以式( 8 )為映射函數(shù)，第二層與第三層間的映射函數(shù)為灰色關(guān)聯(lián)度的計算式，即以式(10)和式(11)為激勵函數(shù)。各層的閾值和權(quán)值分別設(shè)為0和1。

圖4 灰色神經(jīng)網(wǎng)絡(luò)

3.3 實例驗證及結(jié)果分析

從微機監(jiān)測系統(tǒng)獲取轉(zhuǎn)轍機當(dāng)前運行狀態(tài)下的功率曲線，按圖5所示流程計算該待檢樣本與故障診斷特征集各模式特征值的灰色關(guān)聯(lián)度值，最大灰色關(guān)聯(lián)度值所對應(yīng)的曲線模式即為當(dāng)前轉(zhuǎn)轍機的故障類型。

圖5 故障診斷流程框圖

以標準故障診斷特征集中9種曲線模式數(shù)據(jù)為訓(xùn)練樣本確定分辨系數(shù)ε的取值。分別計算ε以0.01為步長從0到0.99時該診斷網(wǎng)絡(luò)的故障識別率，可以得到故障正確識別率結(jié)果，如圖6所示。由圖6可知，分辨系數(shù)ε=0.48附近，診斷網(wǎng)絡(luò)的正確識別率最高，其最大值為95.9%。

圖6 不同分辨系數(shù)下的識別率

圖7為武廣長沙電務(wù)段管轄內(nèi)某一道岔對應(yīng)的S700K轉(zhuǎn)轍機發(fā)生故障時的功率曲線，將該曲線作為待檢樣本，提取其特征數(shù)據(jù)見表3，按式( 7 )進行數(shù)據(jù)無量綱處理得到特征值見表4。

圖7 現(xiàn)場某S700K轉(zhuǎn)轍機發(fā)生故障時對應(yīng)的功率曲線

i特征值Pimax/kWPimin/kWPi/kWTi/s1207010306620570490440673061049056271412205092095512912212515

表4 待檢曲線特征值

按圖5所示流程，取ε=0.48，計算得到灰色關(guān)聯(lián)度值見表5，其中最大關(guān)聯(lián)度值所對應(yīng)的曲線為標準特征集中的曲線f5，該曲線故障為道岔不能鎖閉空轉(zhuǎn)，與現(xiàn)場檢修結(jié)果一致。

表5 關(guān)聯(lián)度值序列

為了測試該診斷方法的故障識別性能，從微機監(jiān)測系統(tǒng)中新獲取48條S700K轉(zhuǎn)轍機動作形成的功率曲線作為待檢樣本，按圖5所示流程進行故障診斷，計算得到正確識別率為95.8%，誤識率為0%，拒識率為4.2%。

4 結(jié)論

本文通過分析交流轉(zhuǎn)轍機功率曲線與動作過程的關(guān)系，說明功率曲線能反映轉(zhuǎn)轍機的運行狀態(tài)，提取功率曲線特征量將其作為診斷對應(yīng)設(shè)備故障類型的數(shù)據(jù)，比已有僅針對電流電壓數(shù)據(jù)的分析方法更能反映設(shè)備故障機理。建立灰色神經(jīng)網(wǎng)絡(luò)模型，計算待檢曲線和故障特征集中各曲線間的灰色關(guān)聯(lián)度值，通過灰色關(guān)聯(lián)度值的大小確定待檢曲線的故障類型，定量計算有效提高了故障識別率。結(jié)果表明，該方法無需訓(xùn)練，診斷結(jié)果準確性高，故障識別率可達95.8%，為S700K轉(zhuǎn)轍機故障診斷提供了理論依據(jù)。

后續(xù)可對將S700K轉(zhuǎn)轍機的動作功率和電流等參數(shù)結(jié)合進行故障診斷的灰色神經(jīng)網(wǎng)絡(luò)方法，及將不同灰色關(guān)聯(lián)分析方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合用于S700K轉(zhuǎn)轍機的故障診斷方法進行研究。

參考文獻：

[1]ATAMURADOV V,CAMCI 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]王鐵軍,董昱,馬彩霞,等.基于BP神經(jīng)網(wǎng)絡(luò)的道岔智能故障診斷方法[J].鐵道運營技術(shù),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 Technology,2011,17(2):4-7.

[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(xué)學(xué)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[J].Journal of Lanzhou Jiaotong University,2010,29(4):1-5.

[4]翟永強.貝葉斯網(wǎng)絡(luò)在道岔控制電路故障診斷中的應(yīng)用研究[D].蘭州:蘭州交通大學(xué),2012.

[5]DENG J L.Control Problems of Grey Systems[J].Systems & Control Letters,1982,1(5):288-294.

[6]劉思峰,黨耀國,方志耕,等.灰色系統(tǒng)理論及應(yīng)用[M].北京:科學(xué)出版社,2010.

[7]袁景凌,鐘珞,李小燕.灰色神經(jīng)網(wǎng)絡(luò)的研究及發(fā)展[J].武漢理工大學(xué)學(xué)報,2009,31(3):91-93.

YUAN Jingling,ZHONG Luo,LI Xiaoyan.The Research and Development of Grey Neural Network[J].Journal of Wuhan University of Technology,2009,31(3):91-93.

[8]姜波.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)分析方法及其應(yīng)用研究[D].武漢:華中科技大學(xué),2004.

[9]王耀杰,高曉丁,辛凱.信號設(shè)備非電量參數(shù)測試[M].北京:中國鐵道出版社,2004:136-138.

[10]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(xué),2014.

[11]趙林海,陸橋.基于灰關(guān)聯(lián)的道岔故障診斷方法[J].鐵道學(xué)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.

[12]高曉丁,佟元江,王躍杰,等.電動轉(zhuǎn)轍機工作特性分析[J].鐵路通信信號,2001,37(1):23-25.

GAO Xiaoding,TONG Yuanjiang,WANG Yuejie,et al.Analysis of the Electric Switch Working Feature[J].Railway Signalling & Communication,2001,37(1):23-25.

[13]中華人民共和國鐵道部.信號微機監(jiān)測系統(tǒng)技術(shù)條件(暫行)[Z].北京:中國鐵道出版社,2006.