基于劣化度模糊評判與最優權重的轉轍機狀態評估

陳永剛，戴乾軍，杜濤, 2，白天晟，周凈毓

基于劣化度模糊評判與最優權重的轉轍機狀態評估

陳永剛1，戴乾軍1，杜濤1, 2，白天晟1，周凈毓1

(1. 蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070；2. 中鐵工程設計咨詢集團有限公司鄭州設計院，河南 鄭州 450001)

針對轉轍機機械故障發生的隨機性和模糊性，建立基于劣化度的設備健康狀態評估模型。根據不同影響因素，分別選擇轉轍機狀態監測數據、維修人員打分和設備役齡3個方面計算劣化度。采用聯合主觀分析的層次分析法(AHP)與客觀分析的熵權法確定設備各健康狀態，借助最小方差確定主、客觀分析法的最優權重；最后采用模糊理論對轉轍機健康狀況進行綜合評估。通過實例分析驗證該評估方法能較好地反映轉轍機健康影響因素的模糊性和復雜性，為維修人員提供參考依據，減少檢修工作量。

轉轍機；模糊性；隨機性；健康狀態；劣化度；層次分析法；熵權法

轉轍機作為鐵路信號系統重要的基礎設備，對于保證行車安全、提高運營效率、改善行車人員勞動強度起到至關重要的作用[1]。鐵路現場轉轍機結構復雜，數量多且室外環境多變，其運行狀態的好壞不僅與自身狀態有關，而且還會受到地理環境和氣候等諸多不確定因素的影響[2]。近年來，鐵路信號設備健康狀態診斷及預測方面的研究不斷增加。李娜等[3]針對單一電氣故障診斷精度偏低的問題，提出基于D-S證據理論信息融合的方法對軌道電路進行分析，采用BP神經網絡和模糊綜合評判法進行診斷，取得了可信度較高的效果；董昱等[4]采用小波分析方法對轉轍機動作電流曲線進行故障分析；肖蒙等[5]提出基于快速貝葉斯網絡的轉轍機電氣故障診斷方法；翟琛等[6]借助BN算法分析轉轍機控制電路和道岔工作原理，分析其機械故障類型及故障原因；王瑞峰等[7]結合灰色神經網絡算法建立轉轍機動作過程的功率曲線和故障曲線之間的灰色關聯度，便于維修檢測。通過對目前轉轍機相關研究文獻的分析可得：1) 轉轍機故障的研究主要集中在電氣方面，然而實際中絕大部分為機械故障[6]；2) 各種智能故障診斷算法得到行業專家的肯定；3) 轉轍機的研究主要局限在故障診斷方面，缺乏對設備全生命周期機械狀態實時監控與設備運行狀態的評估[8?13]。針對設備健康狀態評估常用方法有層次分析法、熵權法、模糊綜合評判法等。其中層次分析法借助專家經驗評價重要度，具有較強的主觀性。熵權法在求取各評價指標的權重時難以充分考慮各指標的重要度。模糊綜合評判法易忽略評價監測信息的模糊性和隨機性，若隸屬度函數構造不準則嚴重影響評價結果。綜上，鑒于各種評價方法的缺陷，且為了強化模型狀態評判的模糊性和隨機性的問題，本文通過分析轉轍機全生命周期健康狀態退化過程建立設備的劣化模型。同時結合劣化過程模糊理論、層次分析法和熵權法對轉轍機性能影響的多因素進行全面綜合考慮。為使模型更貼近設備實際運行狀態，引入最小方差理論優化算法權重，建立設備健康狀態綜合評估模型，為鐵路部門提高維修效率、增大設備的安全可靠性及及時給出維修決策提供指導。

1 劣化度及其計算公式

1.1 設備故障演化過程

圖1為一般設備故障演化過程，0時刻為設備故障萌發點(故障開始發生點)表示設備剛剛出現故障，但沒有明顯征兆；潛在故障點(能發現的故障點)表示設備故障帶有明顯征兆；故障點(功能故障點)表示設備的功能喪失，發生功能故障。通過監測狀態參數與捕獲故障萌發點或潛在故障點的狀態參數變化可分析設備故障部位、性質及變化 規律[14]。

圖1 設備故障演化過程

1.2 劣化度的概念

設備的健康狀態由一系列狀態特征參數表征。隨著設備役齡增加逐漸劣變，定義為(){12,…,}。設備功能定義為個參數所確定的正常工作狀態的集合(1,2,…,)。反之，故障或失效是狀態特征參數()超過正常工作狀態的集合界限。而正常工作表示設備狀態在一定程度上偏離良好狀態，但未超過極限狀態的界限，屬中間狀態。因此，劣化度可定義為設備狀態偏離良好狀態向極限狀態發展的程度，表示為：

其中：l為設備的第個狀態特征參數的劣化度，表示設備偏離正常狀態X的劣化程度。

1.3 劣化度的計算

設備運行過程中受環境、工況等多因素的影響，其健康狀態是一個逐漸退化的過程，一旦性能退化超出允許的偏差，設備將表現為故障狀態。鑒于設備狀態的模糊性和隨機性，采用劣化度模型進行設備的健康狀態評估，其模糊綜合評估模型如圖2。設備的健康狀態由各組成部件的狀態共同組成，而各組成部件的健康狀態又決定于相應的子部件。因此，首先進行子部件健康狀態評估，最終綜合得到設備的健康狀態。由于設備狀態特征參數劣化與多個因素有關，結合不同情況選擇相應的劣化度計算。

圖2 設備健康狀態的模糊綜合評估模型

1) 根據狀態監測數據計算

對于第個狀態特征參量，其劣化度計算公 式為：

其中：A為第個狀態特征參數的出廠值；B為第個狀態特征參數的極限值；C為第個狀態特征參數的實測值；為常數，表示第個狀態特征參數的變化對設備功能的影響程度；A和B的值取自設備設計和維修指導書。

2) 根據技術人員、檢修人員打分估計

對于第個狀態特征參量，其劣化度計算公 式為：

其中：Y分別為不同技術專家對第個狀態特征參數的打分，分值在[0,1]之間；0為良好，1為失效；S分別為專家打分權值，介于[0,1]。

3) 根據設備役齡計算

對于難以檢測和監測的設備參量，若狀態特征參數的變化(如磨損量)與時間具有近似線性關系，且知其平均故障間隔期的統計值，其劣化度計算公式為：

其中：為該設備的使用時間；為該設備的平均故障間隔時間；為故障指數。

2 建立健康狀態評估模型

2.1 健康狀態評估過程

依據設備組成的層次結構特點和設備健康狀態的模糊性，采取層次分析法(AHP)與熵權法結合的評估方法，評估過程如圖3。

圖3 設備健康狀態評估過程

2.2 建立設備狀態集和狀態評價集

2.2.1 計算設備和部件的重要度

分別采用主觀層次分析9標度法與客觀評價熵權法確認各部件的重要度權重。

1) AHP法

采用層次分析法確定設備的重要度權重向量1={1,2,…,}和部件的重要度權重向量=(1,2,…,)，具體步驟為：先建立設備的層次結構模型；再按照標度法進行兩兩比較建立判斷矩陣，如表2；最后計算權重向量并進行一致性 檢驗。

表1 設備健康等級劃分

表2 標度及其含義

則稱1具有順序一致性，可進行權重計算。

2) 熵權法

信息論中熵是不確定性的度量，信息量越大其不確定性越小。具體步驟如下。

Step 1：原始數據預處理

其中：x為評價指標的量化評價值；p為預處理后結果。

Step 2：計算指標信息熵

Step 3：確定指標權重;第項指標的權重w為：

3) 最優權值

組合賦權法將主觀權重和客觀權重有機地結合在一起，既反映決策者的主觀意愿，又可避免評價結果的主觀隨意性，更加真實、科學合理[16]。

鑒于常見線性賦權主觀性較強，本文采用基于最小方差的組合賦權原則，綜合考慮設備運行狀態的主觀經驗與客觀實際。

假設決策者運用主、客觀賦權法共種，其權重向量為

在組合賦權中，第種賦權方法所給出的權重為，在不同賦權方法下的權重向量為

為使主觀經驗與客觀實際能夠達到統一，設定其權重向量為

為保證決策結果與主、客觀評價方法的總偏差最小，即各方法的加權權重偏差取極小值。建立單目標規劃模型：

建立拉格朗日常函數，求得最優權重向量

2.2.2 建立部件級劣化度模糊判斷矩陣

根據部件的劣化度求其健康狀態等級的隸屬度，選擇嶺形分布計算各健康等級的隸屬度，其具有主值區間寬、過渡帶平緩的特點，能較好地反映設備劣化度狀態空間的模糊關系。結合隸屬度函數隨劣化度變化過程，“良好”狀態采取降型分布(處理區間內數據偏小)，“正常”、“注意”和“惡化”狀態選擇中間型分布(處理區間內中間段數據)，“故障”狀態選用升型分布(處理區間內偏大數據)。加之隸屬度函數本身的交叉性，其區間邊界數據控制在小范圍內，嶺形分布隸屬度函數如式(15)~(19)。

由此可得以劣化度模型為標準的模糊評判矩陣為

2.2.3 設備健康狀態模糊判斷矩陣

其中：第個組成設備的健康狀態隸屬度向量為

2.2.4 計算設備的健康狀態評估向量

2.2.5 按最大隸屬度確定設備的健康狀態

結合最大隸屬度原則可確定設備的健康狀態等級。

3 健康狀態評估實例驗證

S700K型轉轍機在普速鐵路中應用最廣且其機械故障在信號設備故障中占比較大。調研某鐵路公司電務段2015~2017年5臺S700K型轉轍機的信號設備臺賬、電務故障登記薄、月/年度安全分析會及微機監測數據，用相關系數對大樣本數據進行計算，驗證本文提出算法對轉轍機健康狀態評判的可行性。

3.1 建立設備狀態集和狀態評價集

為更好地對S700K型轉轍機機械部件運行狀態進行評估，從其關鍵零部件系統構造、工作原理、故障模式出發，建立多層次評價指標，每個子系統又選擇表征其運行狀態的指標。其整體結構劃分如表3所示。

表3 轉轍機主要組成部分

S700K轉轍機(U)安全裝置(U4)開關鎖(U41) 遮斷開關(U42) 連桿(U43) 搖把控擋板(U44)

3.2 確定子系統和部件的重要度

通過現場對S700K型轉轍機系統資料的分析，結合操作人員、檢修人員和技術專家對4個子系統17個部件的重要度采取層次分析法進行評判得到的矩陣為

表4 S700K型轉轍機各部件的權重

結合式(5)~(6)驗證模型具有一致性，經過歸一化處理得到17個子部件的主觀權重向量。然后結合熵權法計算各指標的信息熵，得到其客觀權重。最終，通過最小方差對層次分析法和熵權法評價計算得到主客觀權重如表4。

3.3 建立模糊綜合評判矩陣

根據各部件狀態特征參數的出廠值、極限值和測試值，取2，由式(3)可計算各部件的劣化度如表5。

表5 S700K型轉轍機各部件的劣化度

結合各部件的劣化度值，再由式(16)~(20)計算各個部件劣化度的隸屬度建立各部件的模糊判斷矩陣。

3.4 進行子系統的模糊綜合評判

最終可得子系統的模糊綜合判斷矩陣為：

3.5 進行設備的模糊綜合評判

從模糊綜合評判結果看出設備屬于“健康”、“良好”、“注意”、“惡化”和“故障”的程度分別為：0.090 6，0.574 5，0.312 6，0.022 4和0，依據隸屬度最大原則可確定測試的S700K型轉轍機屬于“良好”狀態。從后續的監測及維修記錄來看，該5臺轉轍機安全運行周期長，動作過程均可靠，機械效率高。故此，本文評價方法與實際運行狀態接近。

4 結論

1)結合轉轍機健康狀態受諸多因素影響且其系統復雜，對轉轍機全生命周期的健康狀態進行劃分，旨在通過主、客觀的評價方法確定轉轍機當前的健康狀態。

2)首先采用劣化度模型作為統一衡量方法，結合9標度的層次分析法與熵權法分別計算轉轍機健康狀態評估的主觀和客觀權重。

3)然后借助最小方差法計算主客觀評價的最優權重。

4)最后進行變權模糊綜合評估，此方法同時考慮現場實測數據、現場打分和歷史數據，又避免了單一評價算法的局限性，為鐵路電務部門進行信號設備狀態評判做出故障預測及維修決策提供參考。

[1] 郭進. 鐵路信號基礎[M]. 北京: 中國鐵道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 伏玉明, 劉伯鴻,宋爽. 基于模糊綜合評判的轉轍機健康評估研究[J]. 鐵道科學與工程學報, 2017, 14(5): 1070?1076. FU Yuming, LIU Bohong, SONG Shuang. Research on health assessment methods for switch machine based on fuzzy comprehensive evaluation[J]. Journal of Railway Science and Engineering, 2017, 14(5): 1070?1076.

[3] 李娜,董海鷹. 基于D-S證據理論信息融合的軌道電路故障診斷方法研究[J]. 鐵道科學與工程學報, 2012, 9(6): 107?112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107?112.

[4] 董昱,趙媛媛,林海香. 基于小波分析的電動轉轍機動作電流的分析研究[J]. 蘭州交通大學學報, 2012, 31(6): 39?43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39?43.

[5] 肖蒙,翟琛, 潘翠亮. 基于快速貝葉斯網絡的S700K轉轍機故障診斷研究[J]. 鐵道科學與工程學報, 2015(2): 414?418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015(2): 414?418.

[6] 翟琛. 基于BN的轉轍機故障診斷研究[D]. 蘭州: 蘭州交通大學, 2015. ZHAI Chen. Study on fault diagnosis of rut machine based on BN[D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[7] 王瑞峰,陳旺斌. 基于灰色神經網絡的S700K轉轍機故障診斷方法研究[J]. 鐵道學報, 2016, 38(6): 68?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): 68?72.

[8] Fattahi R, Khalilzadeh M. Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment[J]. Safety Science, 2018(102): 290?300.

[9] 沈祥明,劉坡拉,汪繼鋒. 基于層次分析法的鐵路巖溶隧道突水風險評價[J]. 鐵道工程學報, 2010, 27(12): 56?63. SHEN Xiangming, LIU Pola, WANG Jifeng. Evaluation of water inrush risk in railway karst tunnel based on analytic hierarchy process[J]. Journal of Railway Engineering, 2010, 27(12): 56?63.

[10] YANG X, QU Yanwei. Application of multi-level fuzzy comprehensive evaluation method to block evaluation of coal bed methane in western Henan province[J]. Journal of Henan University of Engineering, 2018, 32(1): 101? 108.

[11] ZHENG W, School B, University H. Study on water resources carrying capacity in Guangdong province based on multilevel fuzzy comprehensive evaluation model[J]. Hubei Agricultural Sciences, 2018, 2(1): 1849?1903.

[12] 高海濤,楊明宇,孟令云, 等. 基于AHP-熵權的高速鐵路行車安全風險研究[J]. 鐵道運輸與經濟, 2018, 40(3): 85?90. GAO Haitao, YANG Mingyu, MENG Lingyun, et al. Research on the safety risk of high-speed railway based on ahp-entropy weight[J]. Railway Transportation and Economy, 2018, 40(3): 85?90.

[13] 王思華,吳健. 高鐵牽引變電所風險模糊綜合評估方法研究[J]. 鐵道科學與工程學報, 2017, 14(8): 1589? 1596. WANG Sihua, WU Jian. Research on fuzzy comprehensive evaluation method for the risk of traction substation of high-speed railway[J]. Journal of Railway Science and Engineering, 2017, 14(8): 1589?1596.

[14] 朱帥軍. 高鐵動車組故障預測與健康管理關鍵技術的研究[D]. 北京: 北京交通大學, 2016. ZHU Shuaijun. Research on the key technology of fault prognostics and health management for EMU[D]. Beijing: Beijing Jiaotong University, 2016.

[15] 徐瀟源, 趙建偉, 嚴正, 等. 基于改進層次分析法和PSS/E的電磁環網解環方案評估[J]. 電力系統及其自動化學報, 2017, 29(12): 76?82. XU Xiaoyuan, ZHAO Jianwei, YAN Zheng, et al. Evaluation of electromagnetic loop decoupling schemes based on improved analytic hierarchy process and PSS/E[J]. Power System and Automation Journal, 2017, 29(12): 76?82.

[16] 吳翔, 何怡剛, 張大波, 等. 基于最優權重與雷達圖的變壓器狀態評估[J]. 電力系統保護與控制, 2017, 45(2): 55?60. WU Xiang, HE Yigang, ZHANG Dabo, et al. Transformer state assessment based on optimal weight and radar map[J]. Power System Protection and Control, 2017, 45(2): 55?60.

(編輯 陽麗霞)

Study on evaluation of switch machine based on fuzzy evaluation and optimal weight

CHEN Yonggang1, DAI Qianjun1, DU Tao1, 2, BAI Tiancheng1, ZHOU Jingyu1

(1. School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Zhengzhou Design Institute of China Railway Engineering Consulting Group Co., Ltd, Zhengzhou 450001, China)

According to the fuzziness and randomness of the mechanical failure of the switch machine, the health evaluation of the rutting machine based on the deterioration model is established. According to the influence of different factors on the health condition of the switch machine, the state monitoring data, maintenance personnel score and service age of the switch machine were selected to calculate the deterioration degree of the switch machine. Then, the optimal weight of the analytic hierarchy process (AHP) and the entropy weight method of the objective analysis were adopted based on the minimum variance. Finally, fuzzy theory was used to evaluate the health of the switch machine. It is proved that this evaluation method can reflect the fuzziness and complexity of the health impact factors of the switch, and provide reference for maintenance personnel and reduce the maintenance work.

switch machine; fuzziness; randomness; health status; deterioration degree; AHP; entropy weight method

10.19713/j.cnki.43?1423/u.2019.05.027

U283.2；U284.7

A

1672 ? 7029(2019)05 ? 1315 ? 08

2018?05?28

國家自然科學基金地區科學基金資助項目(61763023)

陳永剛(1972?)，男，甘肅會寧人，副教授，從事鐵路信號設備故障診斷與預測技術研究；E?mail：2575011580@qq.com