基于QTA的道岔轉轍機故障診斷研究

陳旻棟，李政

（1.上海地鐵維護保障有限公司通號分公司，上海 200443；2.上海市質量監督檢驗技術研究院，上海 201114）

城市軌道交通隨著城市化的進程不斷的快速發展，電子監控技術在軌道設備中的發展也較為明顯，但由于受到各種因素的影響，會產生各種故障，道岔轉轍機的故障診斷方面存在諸多問題，本文運用QTA算法進行ZD6轉轍機的故障診斷和檢測。

1 轉轍機的運行

轉轍機的類型不同，其電流的曲線也不同，但同一臺轉轍機如果出現不同的電流曲線，也就代表著故障的不同。下面以ZD6轉轍機為例，進行同一臺電機不同工作電流的分析。在一般情況下，轉轍機運行過程。牽引軌道的切換操作可分為3個部分：解鎖-開關-鎖定。

比較并分析了轉轍機故障發生時正常工作條件下的運行電流曲線，3個工作范圍之間存在顯著差異。如圖1所示，2種類型的故障描述如下：（1）難以解鎖的缺點。在釋放過程中，S1的工作電流間隔比正常狀態顯著增加，這是由反向解鎖的困難引起的。只要當前的S1間隔增加，緊固鎖定，即所示的解鎖動作電流的增加，可以用作判斷接近難度的故障；（2）在阻塞過程中難以解鎖，并且S3段工作電流單調增加。這是由于軌道與基軌之間的距離較短和阻塞阻力增加所致。只要再加工的電流增大，就很難對其進行判斷，會對故障的發生產生影響，其他類型的故障可以直接從運行電流中進行分析。

圖1 不同工作狀態下動作電流曲線對比

2 QTA的工作原理

QTA的建立是奠定在定性趨勢分析之上的。定性趨勢分析的內容主要包括以下兩種，一是趨勢提取；二是趨勢識別。其中，趨勢提取使用固定時間窗口的所有趨勢段集{ABBCACCC ...}將數據劃分為連續時間間隔。當時間窗口寬度為T時，總時間T = nT（n是分割后的間隔數）。間隔數據運用最小的二乘法線擬合。連續區間中的數據擬合為：y(T)=P(t)，其中的T是一個時間點，是區間的起點，擬合函數的斜率為P，是時間的值。在趨勢識別中，將擬合函數的斜率P的范圍歸一化為[-1，1]，并選擇合適的閾值。根據斜率P，定義了三個趨勢段的范圍：A∈[β，1]，B∈[-β，-1]，C∈[-β，β]。基于斜率P的值，將擬合到每個分區的線性函數定義為對應的趨勢段。

3 基于QTA運算方式對轉轍機的故障進行診斷

對可能出現的故障條件進行分析和識別，基于第一個規則知識庫：使用if.. error屬性由then語句映射。當發生特定故障狀態時，故障特征由相應的傳感器數據表示，通過手動計算的形式進行分析結果的計算和提取。以規則知識庫為基礎，對趨勢圖中的故障類型進行分析和總結，并進行連接推理映射。如果傳感器S1是Td1并且傳感器S2是td2和td的趨勢。故障是F1。根據趨勢序列的順序和趨勢段的數量匹配各個傳感器數據。通過手動模擬和分析，識別各種已知類型的可能故障，然后使用。

4 應用分析

實驗中，采用電流傳感器和電壓傳感器對接線盒中的信號進行采集，實時的監控著電流信號，將實時監測的頻率和信號進行采樣分析。分別在不同時間進行20組無障礙信號的采集，運用疑難故障信號進行書面上的表示，最后，將20組信號進行解鎖分析。在20組中選不同狀態下的3種信號進行分析，只選擇10組數據進行。

4.1 診斷規則庫的建立

下面對無故障數據進行分析，這些數據能夠反映出構建規則知識庫的過程，適于解鎖故障診斷的過程。根據對10套無故障電流曲線的分析，從ZD6轉轍機開關開始到最大電流的時間為30m/s，所以，將時間定義為30m/s。電流信號被分為相同寬帶的數據段，每一個數據段都是采用最小二乘法擬合進行的，擬合的一階函數的斜率用于判斷。對于不同的趨勢段，基于經驗和實驗數據分析，確定斜率的閾值是pI/18。本文對0-0.3S區間的數據進行攔截，在所有趨勢提取結果中均有109個趨勢段。為了便于分析，趨勢段集縮寫為{A1b8C61b2c89b1}。通過類比，提取并簡化了其余9套無故障電流數據的趨勢，得到了另外9套趨勢序列。總結10個趨勢，如表1所示。

表1 10組無故障電流曲線趨勢序列

從表1中的10組非故障趨勢序列中選擇近似公共部分，最小值為{A1B6C6B1C88B1}。然后使用無故障診斷規則。允許趨勢段的數量小于50%的錯誤。如果忽略不屬于誤差范圍的序列，則對干擾項進行過濾。例如，第8組數據是{A1B7C6B1C1B2C88B1}。前4個趨勢段和最后3個趨勢段分別是{A1B7C6B1}和{B2C88B1}。它們都在錯誤范圍內，沒有診斷規則。第5個趨勢段不屬于忽略錯誤的范圍。將省略的診斷序列簡化為{A1B7C6B1B2C88B1}，這符合診斷規則序列。對于粘性故障和非故障，建立趨勢診斷規則類似于非故障診斷規則。

當前，在解鎖過程中，困難電流曲線的下降趨勢小于S1間隔前段無故障電流曲線的下降趨勢，因此出現趨勢段{B}減。類似地，在解鎖過程中，解鎖較為困難的電流曲線在大于S1區間，所以，趨勢段{B}由表面上看更多。需要對趨勢的診斷匹配規則進行修改和完善，以此來保證和完善趨勢段的匹配度。

4.2 故障診斷的驗證結果

從當前的數據中隨機抽取2組數據進行驗證后發現，即便是故障趨勢序列和無故障趨勢序列之間存有很多的相似之處，即使計算結果相似，匹配度計算也能正確識別故障狀態。在不同故障狀態下，該方法的準確率可達100%。表2為各個狀態趨勢診斷結果。

表2 各個狀態趨勢診斷結果

5 結語

QTA分析已經成為轉轍機趨勢分析的有效使用工具。與大多數定量分析相比較，QTA將大量的數據計算過程變得簡單化，并且通俗易懂，直面性較強。將采集而來的數據轉化為趨勢圖來表示，其中數據真實可靠，趨勢圖直觀明了，為轉轍機的故障診斷提供了科學的依據。本文基于QTA對ZD6轉轍機故障分析的過程可了解到QTA計算方式能夠自動、準確的對故障進行識別。文中對2種故障形式進行了細致的分析，對同一時間、不同類型的故障進行分析。