基于云模型與組合賦權(quán)的轉(zhuǎn)轍機(jī)SOH評(píng)估模型

張娟娟，黃斌，蔣敏建

基于云模型與組合賦權(quán)的轉(zhuǎn)轍機(jī)SOH評(píng)估模型

張娟娟，黃斌，蔣敏建

(柳州鐵道職業(yè)技術(shù)學(xué)院，廣西 柳州 545616)

當(dāng)前鐵路信號(hào)設(shè)備智能運(yùn)維正在起步階段，針對(duì)轉(zhuǎn)轍機(jī)機(jī)械故障率高且存在模糊性與隨機(jī)性的特點(diǎn)，建立一種結(jié)合云模型與主、客觀組合賦權(quán)相融合的設(shè)備健康狀態(tài)(SOH, state of health)評(píng)估模型。首先，從“設(shè)備-環(huán)境-人員-管理”4個(gè)方面建立影響轉(zhuǎn)轍機(jī)SOH的綜合指標(biāo)體系；其次，選擇改進(jìn)AHP法(主觀法)與CRITIC法(客觀法)理論求取對(duì)應(yīng)20組指標(biāo)層的權(quán)重；再分別采用2種組合賦權(quán)法(乘法集成法、動(dòng)態(tài)賦權(quán)法)對(duì)比求取對(duì)應(yīng)7組部件層的組合權(quán)重。然后，通過(guò)云模型理論與組合賦權(quán)相交，結(jié)合云相似度計(jì)算設(shè)備當(dāng)前SOH等級(jí)。最后，通過(guò)一個(gè)實(shí)例分析驗(yàn)證了該方法的可行性與有效性，為鐵路信號(hào)設(shè)備智能運(yùn)維提供借鑒。

轉(zhuǎn)轍機(jī)；模糊性；隨機(jī)性；云模型；SOH；AHP法；CRITIC法

轉(zhuǎn)轍機(jī)是鐵路信號(hào)系統(tǒng)中重要的基礎(chǔ)設(shè)備，對(duì)于保證行車安全、提高運(yùn)營(yíng)效率、擴(kuò)充運(yùn)輸能力起到至關(guān)重要的作用[1]。由于其長(zhǎng)年處在室外復(fù)雜環(huán)境，受到雨雪、風(fēng)沙等自然變化的影響，加之使用頻繁，部件易松動(dòng)、磨損與老化，導(dǎo)致故障頻發(fā)。隨著列車提速及線路向高密化、重載化方向發(fā)展，傳統(tǒng)鐵路信號(hào)的“故障?安全”原則、故障診斷及設(shè)備“計(jì)劃修”、“故障修”已難以適應(yīng)線路運(yùn)營(yíng)要求。當(dāng)前，鐵科研、北京交通大學(xué)等單位都在加緊研究設(shè)備智能運(yùn)維系統(tǒng)，對(duì)其進(jìn)行狀態(tài)評(píng)估勢(shì)在必行。圖1闡明了信號(hào)設(shè)備智能運(yùn)維發(fā)展目標(biāo)。

圖1 信號(hào)設(shè)備智能運(yùn)維目標(biāo)

近年來(lái)，針對(duì)轉(zhuǎn)轍機(jī)的研究主要集中于故障診斷方面[3?5]。戴乾軍等[6]通過(guò)對(duì)轉(zhuǎn)轍機(jī)機(jī)械故障退化規(guī)律進(jìn)行分析，建立了設(shè)備PHM模型，評(píng)估其SOH、預(yù)測(cè)剩余壽命(RUL)。胥紅敏等[7?12]針對(duì)不同設(shè)備進(jìn)行SOH評(píng)估，主要方法有層次分析法、熵權(quán)法和模糊綜合評(píng)判法等。其中，層次分析法在求取指標(biāo)權(quán)重時(shí)過(guò)分依賴專家經(jīng)驗(yàn)；熵權(quán)法則存在指標(biāo)重要度分析不充分的缺點(diǎn)；模糊綜合評(píng)判法易忽略評(píng)價(jià)監(jiān)測(cè)信息的模糊性和隨機(jī)性，若隸屬度函數(shù)構(gòu)造不準(zhǔn)確則嚴(yán)重影響評(píng)價(jià)結(jié)果。鑒于各單一評(píng)判方法的局限性，綜合考慮云模型在應(yīng)對(duì)隨機(jī)性與模糊性問(wèn)題的優(yōu)勢(shì)，結(jié)合改進(jìn)AHP法(主觀法)和CRITIC法(客觀法)對(duì)轉(zhuǎn)轍機(jī)性能影響的多因素進(jìn)行全面綜合考慮。最終建立設(shè)備SOH綜合評(píng)估模型，旨在為鐵路部門(mén)智能運(yùn)維目標(biāo)提供參考。

1 評(píng)價(jià)指標(biāo)的選取

本文以高鐵大號(hào)碼道岔及正線廣泛采用的S700K型轉(zhuǎn)轍機(jī)為分析對(duì)象，綜合考慮設(shè)備故障數(shù)據(jù)、10名專家意見(jiàn)對(duì)其進(jìn)行狀態(tài)評(píng)價(jià)指標(biāo)提取，其SOH評(píng)估體系如圖2所示。第1層為系統(tǒng)層，表示S700K轉(zhuǎn)轍機(jī)整體SOH；第2層為7組部件層，從“設(shè)備?環(huán)境?人員?管理”對(duì)系統(tǒng)最重要的4個(gè)方面綜合考慮；第3層為指標(biāo)層，結(jié)合部件層的特性確定評(píng)價(jià)指標(biāo)元素。

圖2 S700K型轉(zhuǎn)轍機(jī)SOH評(píng)估體系

2 建立SOH評(píng)估模型

2.1 評(píng)級(jí)指標(biāo)歸一化處理

其中：x為第個(gè)影響因素的實(shí)際值；x'為x的歸一化值；x∈[x,x]。

2.2 SOH評(píng)估過(guò)程

2.2.1 云模型理論

云模型是建立在模糊數(shù)學(xué)與隨機(jī)數(shù)學(xué)基礎(chǔ)上的算法，具有強(qiáng)定性、定量分析的特點(diǎn)[14]。設(shè)是一個(gè)用數(shù)值表示的定量域，是的定性概念。若定量值∈,且是上隨機(jī)量，隸屬度()∈[0,1]。為云的云滴，存在：

云滴是構(gòu)成云的元素，云滴越確定則云的確定性就越大。云由元素期望Ex，熵En，超熵He來(lái)表征,即C[Ex,En,He]。其中Ex為云滴論域中心點(diǎn)；En衡量其不確定度，體現(xiàn)定性概念的隨機(jī)性與模糊性。He體現(xiàn)En的不確定性，即熵之熵，反映云滴的離散性。He值越大，云層越厚。隸屬云及其數(shù)字特征如圖3所示。

對(duì)于存在雙邊約束[min,max]指標(biāo)的云模型，其數(shù)字特征公式為：

其中：為常數(shù)，可由指標(biāo)的模糊性與隨機(jī)性程度確定。

云發(fā)生器是云的生成算法。其中正向云發(fā)生器是定性到定量的映射，結(jié)合特征量[E,E,H]生成云滴，其算法如下[18]：

Step 1：生成一個(gè)期望E，方差E的正態(tài)隨機(jī)數(shù)x；

Step 2：生成一個(gè)期望E，方差H的正態(tài)隨機(jī)數(shù)y；

Step 3：計(jì)算()

Step 4：輸入一個(gè)云滴(x,)；

Step 5：重復(fù)Step 1~Step 4，直到產(chǎn)生滿足要求的第個(gè)云滴組成云。

2.2.2 改進(jìn)AHP分析法

AHP的基本思想是將復(fù)雜問(wèn)題分層化處理，確定各評(píng)價(jià)指標(biāo)對(duì)目標(biāo)的權(quán)重值。本文采用改進(jìn)的3標(biāo)度法AHP法，其算法如下。

Step 1：確定層次結(jié)構(gòu)模型；

Step 2：建立比較矩陣

Step 3：計(jì)算重要度排序指數(shù)I

I為矩陣中第行元素和，maxmax(I)，minmin(I)。

Step 4：判斷矩陣

其中：b為基點(diǎn)比較標(biāo)準(zhǔn)，將2個(gè)基點(diǎn)比較要素按照1~9級(jí)判別尺度比較，對(duì)b取值。

Step 5：求判斷矩陣的最優(yōu)傳遞矩陣

Step 6：求判斷矩陣的擬優(yōu)一致矩陣

Step 7：計(jì)算權(quán)重

為簡(jiǎn)化計(jì)算，選擇近似的方均根法計(jì)算。即先求每一行的元素之積，再計(jì)算方根，最后對(duì)所得的向量歸一化處理求權(quán)重。

2.2.3 CRITIC法

CRITIC基本原理[15]為：1) 引入對(duì)比度，用標(biāo)準(zhǔn)差反映同一指標(biāo)對(duì)個(gè)級(jí)別的差距范圍，標(biāo)準(zhǔn)差越大指標(biāo)差距越大；2) 反映評(píng)價(jià)指標(biāo)間的沖突性，如2指標(biāo)間具有越強(qiáng)的正相關(guān)性，則其沖突越小。具體步驟如下。

Step 1：原始數(shù)據(jù)標(biāo)準(zhǔn)化

對(duì)每個(gè)評(píng)價(jià)指標(biāo)進(jìn)行無(wú)量綱化處理，消除變量間的單位影響，具體如式(1)所示。

Step 2：確定相關(guān)系數(shù)

相關(guān)系數(shù)可體現(xiàn)評(píng)價(jià)指標(biāo)間的相互關(guān)聯(lián)的系數(shù)，求其積方差計(jì)算，公式為：

其中：為某一評(píng)價(jià)指標(biāo)個(gè)數(shù)；σ為評(píng)價(jià)因子標(biāo) 準(zhǔn)差。

Step 4：設(shè)第個(gè)評(píng)價(jià)指標(biāo)客觀權(quán)重，則由CRITIC賦權(quán)得到的第個(gè)指標(biāo)的權(quán)重為：

2.2.4 組合賦權(quán)

方法1：乘法集成法

方法2：動(dòng)態(tài)賦權(quán)

2=(1?)W* (14)

其中：為動(dòng)態(tài)賦權(quán)系數(shù)，為使評(píng)價(jià)結(jié)果更準(zhǔn)確，本文首先求組合賦權(quán)法結(jié)果與改進(jìn)AHP和CRITIC法計(jì)算結(jié)果的偏差值，再以偏差值間的平方和最小為優(yōu)化目標(biāo)，動(dòng)態(tài)求取值。

3 SOH評(píng)估實(shí)例驗(yàn)證

通過(guò)調(diào)研2017~2018年中旬某局電務(wù)段段管信號(hào)設(shè)備臺(tái)賬、電務(wù)故障登記薄、月/年安全分析會(huì)數(shù)據(jù)，應(yīng)用上述分析方法對(duì)8臺(tái)S700K型轉(zhuǎn)轍機(jī)進(jìn)行SOH評(píng)估驗(yàn)證(以1臺(tái)數(shù)據(jù)為例進(jìn)行算法分析)。

結(jié)合我國(guó)GB/T 25338.1?2010《鐵道道岔轉(zhuǎn)轍機(jī)》環(huán)境：

1) 大氣壓力：不低于70.1 kPa(相當(dāng)于海拔3 000 m以下)；

2) 周圍空氣溫度：?40~+70 ℃；

3) 空氣相對(duì)濕度：不大于90%(25 ℃時(shí))；

4) 振動(dòng)范圍：38~1 kHz。

3.1 云評(píng)價(jià)模型的建立

鑒于轉(zhuǎn)轍機(jī)在其全生命周期狀態(tài)的退化過(guò)程，將其劃分為4個(gè)環(huán)節(jié)，如表1所示[9]。

結(jié)合鐵路專家經(jīng)驗(yàn)及現(xiàn)場(chǎng)工作人員指導(dǎo)，確定各健康狀態(tài)的范圍，且將用于評(píng)價(jià)的云模型特征量取值如表2所示，相應(yīng)評(píng)價(jià)云如圖4。

表1 狀態(tài)評(píng)價(jià)等級(jí)

表2 云評(píng)價(jià)集

圖4 SOH評(píng)價(jià)云模型

3.2 確定指標(biāo)權(quán)重

3.2.1 改進(jìn)AHP法求解

通過(guò)對(duì)現(xiàn)場(chǎng)S700K型轉(zhuǎn)轍機(jī)運(yùn)行資料的匯總，結(jié)合維修人員、技術(shù)專家對(duì)7組部件層的20組指標(biāo)的權(quán)重進(jìn)行分析驗(yàn)證，用MATLAB2014b數(shù)值軟件計(jì)算求得主觀3標(biāo)度AHP結(jié)果為：

最終建立基于改進(jìn)AHP的權(quán)重為：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

3.2.2 CRITIC法求解

結(jié)合式(10)~(12)在MATLAB2014b軟件上進(jìn)行計(jì)算，得出各部件層指標(biāo)權(quán)重：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

然后，通過(guò)2.2.4將2種主客觀求取的權(quán)重進(jìn)行組合賦權(quán)分析。其中主、客觀建立在系統(tǒng)層分析，組合賦權(quán)法建立在部件層(取0.45)。在表3中，通過(guò)對(duì)各類的賦權(quán)方法的比對(duì)，采用2種組合賦權(quán)方法分析，分別計(jì)算組合權(quán)重得到各指標(biāo)層的權(quán)重。

將4種賦權(quán)法進(jìn)行仿真分析見(jiàn)圖5，得出在3標(biāo)度AHP法及CRITIC法的分析中，CRITIC法權(quán)重變化幅度較小。改進(jìn)AHP法主要受專家的主觀因素影響較多，忽略了一些隨機(jī)性及次要因素，影響了整個(gè)SOH評(píng)估模型的準(zhǔn)確性。CRITIC法由于對(duì)原始數(shù)據(jù)的依賴性較強(qiáng)，權(quán)重分配差距小亦欠準(zhǔn)確。組合賦權(quán)的乘法集成法與動(dòng)態(tài)賦權(quán)法結(jié)果可得動(dòng)態(tài)賦權(quán)法權(quán)重變化范圍小，在指標(biāo)權(quán)重間較平衡，抑制了一些隨機(jī)、次要因素與忽略專家經(jīng)驗(yàn)帶來(lái)的影響，結(jié)果較優(yōu)，故此將其作為組合賦權(quán)的結(jié)果。

圖5 4種賦權(quán)法權(quán)重

表3 權(quán)重確定對(duì)比表

表4 云綜合評(píng)價(jià)集

結(jié)合專家打分、表2中云模型狀態(tài)評(píng)價(jià)集以及正向云生成器公式(4)，其中設(shè)置為0.031，建立云綜合評(píng)價(jià)集如表4。

選擇部件層權(quán)重與指標(biāo)相對(duì)值，建立轉(zhuǎn)轍機(jī)狀態(tài)評(píng)價(jià)綜合云，最后，將組合賦權(quán)結(jié)果與云模型相交：

結(jié)合云運(yùn)算規(guī)則，求得狀態(tài)評(píng)估結(jié)果為：

最后，通過(guò)云模型與組合賦權(quán)相交得到轉(zhuǎn)轍機(jī)狀態(tài)評(píng)估結(jié)果如圖6所示，其中綠色部分()代表設(shè)備當(dāng)前結(jié)果，介于[2,1]之間，更靠近2。得該設(shè)備處在“亞健康(2)”狀態(tài)，整體狀態(tài)良好。將模型評(píng)估結(jié)果與現(xiàn)場(chǎng)實(shí)際運(yùn)行狀況進(jìn)行比對(duì)，二者基本一致(其余7臺(tái)結(jié)果亦一致)。

圖6 綜合評(píng)價(jià)結(jié)果

4 結(jié)論

1) 結(jié)合歷史故障數(shù)據(jù)及10名專家意見(jiàn)將其劃分為7部件20個(gè)子部件的狀態(tài)體系劃分。

2) 分別計(jì)算3標(biāo)度AHP法與熵權(quán)法的部件權(quán)重，體現(xiàn)了現(xiàn)場(chǎng)工作人員的主觀經(jīng)驗(yàn)，又避免其主觀隨意性。在組合賦權(quán)中，為體現(xiàn)多樣對(duì)比，采用乘法集成與動(dòng)態(tài)賦權(quán)2種方法。仿真顯示動(dòng)態(tài)賦權(quán)法效果更優(yōu)。

3) 利用云模型的優(yōu)勢(shì)和特點(diǎn)，將其與組合權(quán)重相交，結(jié)果接近2狀態(tài)。通過(guò)與現(xiàn)場(chǎng)8臺(tái)轉(zhuǎn)轍機(jī)運(yùn)行狀態(tài)比對(duì)，結(jié)果一致。

4) 本文方法可為實(shí)現(xiàn)信號(hào)設(shè)備定性向定量化評(píng)估的轉(zhuǎn)化，以及為信號(hào)設(shè)備智能運(yùn)維提供借鑒。

[1] 郭進(jìn). 鐵路信號(hào)基礎(chǔ)[M]. 北京: 中國(guó)鐵道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 李娜, 董海鷹. 基于D-S證據(jù)理論信息融合的軌道電路故障診斷方法研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 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.

[3] 董昱, 趙媛媛, 林海香. 基于小波分析的電動(dòng)轉(zhuǎn)轍機(jī)動(dòng)作電流的分析研究[J]. 蘭州交通大學(xué)學(xué)報(bào), 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.

[4] 肖蒙, 翟琛, 潘翠亮. 基于快速貝葉斯網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2015, 12(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, 12(2): 414?418.

[5] 王瑞峰, 陳旺斌. 基于灰色神經(jīng)網(wǎng)絡(luò)的S700K轉(zhuǎn)轍機(jī)故障診斷方法研究[J]. 鐵道學(xué)報(bào), 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.

[6] 戴乾軍, 陳永剛, 陶榮杰. 基于動(dòng)態(tài)PSO優(yōu)化HSMM的轉(zhuǎn)轍機(jī)PHM模型研究[J]. 鐵道標(biāo)準(zhǔn)設(shè)計(jì), 2018(9): 174?178. DAI Qianjun, CHEN Yonggang, TAO Rongjie. Study on the PHM model of switch machine based on dynamic PSO optimization HSMM[J]. Railway Standard Design, 2018(9): 174?178.

[7] 胥紅敏, 張湜, 李曉宇. 基于層次分析法的鐵路安全事故后果評(píng)價(jià)[J]. 鐵道技術(shù)監(jiān)督, 2018(2): 89?92. XU Hongmin, ZHANG Shi, LI Xiaoyu. Evaluation of railway safety accidents based on analytic hierarchy process[J]. Railway Technology Supervision, 2018(2): 89?92.

[8] Bianchini A. 3PL provider selection by AHP and TOPSIS methodology[J]. Benchmarking an International Journal, 2018, 25(1): 28?32.

[9] Laksono P, Wulan S R, Supangkat S H, et al. AHP and dynamic shortest path algorithm to improve optimum ambulance dispatch in emergency medical response[C]// International Conference on ICT for Smart Society. IEEE, 2018: 1?6.

[10] Sennaroglu B, Celebi G V. A military airport location selection by AHP integrated PROMETHEE and VIKOR methods[J]. Transportation Research Part D Transport & Environment, 2018, 59: 160?173.

[11] 王思華, 吳健. 高鐵牽引變電所風(fēng)險(xiǎn)模糊綜合評(píng)估方法研究[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2017(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(8): 1589?1596.

[12] AN Yingxia. PHM technical framework and proposal for HSR traction power supply system[J]. China Railway, 2018(6): 145?151.

[13] Chekired D A, Khoukhi L, Mouftah H T. Decentralized cloud-SDN architecture in smart grid: A dynamic pricing model[J]. IEEE Transactions on Industrial Informatics, 2018, 14(3): 1220?1231.

[14] Baghdadi N, El Hajj M, Zribi M, et al. Calibration of the water cloud model at C-Band for winter crop fields and grasslands[J]. Remote Sensing, 2018, 9(969): 189?193.

[15] 汪順生, 黃天元, 陳豪, 等. 基于CRITIC賦權(quán)的模糊綜合評(píng)判模型在水質(zhì)評(píng)價(jià)中的應(yīng)用[J]. 水電能源科學(xué), 2018(6): 144?148. WANG Shunsheng, HUANG Tianyuan, CHEN Hao, et al. Application of fuzzy comprehensive evaluation model based on CRITIC weighting in water quality evaluation [J]. Hydro-Electric Energy Science, 2018(6): 144?148.

SOH evaluation model of switch machine based on cloud model and combined weighting

ZHANG Juanjuan, HUANG Bin, JIANG Minjian

(Liuzhou Railway Vocational and Technical College, Liuzhou 545616, China)

At present, intelligent operation and maintenance of railway signal equipment are in the initial stage. In view of the characteristics of high mechanical failure rate, fuzziness and randomness of switch machine, this paper established a SOH (state of health) evaluation model combining cloud model with subjective and objective weightings. Firstly, a comprehensive index system affecting switch machine SOH was built from four aspects of “equipment-environment-personnel-management”. Secondly, it was chosen to improve the AHP method (subjective method) and the CRITIC method (objective method) theory to find the corresponding 20 groups of index layer weight; Thirdly, two combined weighting methods (multiplication integration method and dynamic weighting method) were used to compare and obtain the combined weights of the corresponding 7 groups of component layers. Then, through the intersection of cloud model theory and combined weighting, the current SOH level of cloud similarity computing equipment was combined. Finally, an example was given to verify the feasibility and effectiveness of this method. This paper provided a reference for intelligent operation and maintenance of railway signal equipment.

switch machine; fuzziness; randomness; cloud model; SOH; AHP method; CRITIC method

U283.2；U284.7

A

1672 ? 7029(2019)08? 2100 ? 07

10.19713/j.cnki.43?1423/u.2019.08.029

2018?10?29

廣西高等學(xué)校高水平創(chuàng)新團(tuán)隊(duì)及卓越學(xué)者計(jì)劃項(xiàng)目(2017KY1239)

黃斌(1983?)，男，河南南陽(yáng)人，副教授，從事軌道交通信號(hào)與控制研究；E?mail：185879649@qq.com

(編輯 陽(yáng)麗霞)