基于DS證據理論的道砟清篩機作業工況識別研究

張 龍，王海波，，張寶明，毛志華，豆玉龍

（1.西南交通大學軌道交通運維技術與裝備四川省重點實驗室，四川成都 610031；2.中國鐵建高新裝備股份有限公司，云南昆明 650200）

碎石道床在長期的運營過程中會逐漸受到污染。當污染達到一定程度時，就會使道床失去彈性，增大列車與線路之間的沖擊，影響列車運行的平穩性，并且影響道床的排水性能。當無縫線路通過總量達到900 Mt 或普通線路通過總量達到700 Mt 時，就需要對道床進行清篩作業［1］。道砟清篩機是最常用的鐵路線路養護機械，能代替人工對道床進行周期性的大修清篩作業，恢復道床的彈性和排水性能。由于國內早期修建鐵路時規范性不高，且在后期運營過程中存在部分路段養護不及時等情況，導致許多清篩機作業線路工況復雜多變。當前清篩機施工作業普遍采用人工手動控制，對操作人員有較高的要求。一旦操作人員在施工過程中不能根據工況變化及時調整相關工作參數，清篩機就有可能發生卡鏈、堵帶、振動篩停振等施工故障，嚴重影響作業效率［2］。若能對清篩機進行智能化、自動化改造，使其能針對在施工過程中經常遇到的幾種典型工況進行預判，進而及時調整相應的工作參數進行針對性施工，就能有效提高清篩機工作效率。

在國內外已有的文獻資料中，暫無有關清篩機作業工況識別的相關研究，現階段對清篩機作業工況的識別仍停留在操作人員憑經驗判斷的階段。隨著人工智能技術蓬勃發展，針對傳統機械領域的各種智能化改造項目正大力開展，養路機械行業也從傳統作業模式向智能化作業模式轉變。而養路機械實現智能化作業的基礎和先決條件是對于作業工況的識別。因此，考慮到國內復雜多變的道床施工現狀以及未來清篩機作業的智能化發展需求，進行清篩機作業工況的識別研究具有重要的實際意義。

相比之下，其他領域在工況識別方面已開展了諸多研究。文獻［3］基于工作循環識別對液壓混合裝載機制動控制進行了策略研究，并基于多傳感器信息融合實現了對挖掘機4種常見工作模式的識別；文獻［4］將多重分形理論引入到工況識別研究中，實現了對水泥回轉窯內部復雜工況的辨識；文獻［5］通過主成分分析法對原始信號進行降維，通過遺傳算法和粒子群算法構建了優化初始權值的神經網絡以進行工況識別，提高了液體管道工況識別的精度；文獻［6］運用DS證據理論，采用分布式結構進行單平臺多周期時域信息融合和多平臺空域信息融合，實現了雷達工作模式的判定。

綜合上述研究成果，并結合道砟清篩機現有傳感器的特點，本文進行了基于DS 證據理論的道砟清篩機作業工況識別研究。主要思路為：首先通過采集清篩機各工作裝置的壓力傳感器信號，提取特征參數并構建傳感器信號特征庫；然后通過預設的判定流程快速實現對空載工況的識別；最后基于DS 證據理論進行多傳感器信息融合，結合分類決策規則實現清篩機的作業工況識別與趨勢預判。

1 清篩機傳感器信號特征庫

1.1 清篩機的幾種典型工況

清篩機主要由挖掘系統、篩分系統、污土輸送系統和回填輸送系統幾大裝置組成。施工作業時，分別由挖掘壓力傳感器、振動篩壓力傳感器、污土帶壓力傳感器和回填帶壓力傳感器采集各裝置對應馬達的進出口壓力差，令所采集到的壓力差分別為PW，PZ，PD和PH，其大小反應了各裝置負載的大小。

清篩機常見的幾種典型工況分別為空載工況KZ、一般工況YB、冒泥工況MN、板結工況BJ。當清篩機處于空載工況KZ時，各工作裝置均未接觸道砟，液壓系統僅帶動機械傳動件空載運行，所采集到的壓力差值取決于液壓系統本身以及機械效率等因素，是一定范圍內的確定值；當清篩機處于一般工況YB時，道砟含污量和板結程度均處于一般狀態，PW，PZ，PD較小，PH最大；當清篩機處于冒泥工況MN時，道砟含污量最大，挖掘阻力介于一般工況和板結工況之間，PD最大，PH最小；當清篩機處于板結工況BJ時，挖掘阻力最大，道砟含污量介于一般工況和冒泥工況之間，PW最大，PZ較大。

表1是根據《大型道砟清篩機施工作業指導書》給出的清篩機在幾種典型工況下作業時各裝置對應馬達的進出口壓力差值范圍。

表1 清篩機在幾種典型工況下各裝置馬達壓力差 MPa

1.2 清篩機傳感器信號特征庫的建立

清篩機傳感器信號特征庫是其作業工況識別的核心部分，本文將各傳感器采集到的信號進行結構化描述。自清篩機開始工作后，采集挖掘壓力傳感器、振動篩壓力傳感器、污土帶壓力傳感器和回填帶壓力傳感器數據。值得注意的是，由于采集到的壓力差是波動和突變的，因此本文經過濾波后才將其作為工況識別依據。濾波方式為均值濾波，即以2 s 為單位求1次均值并保存1組數據，最終得到4n組參數值。n為采集的次數。

將選定的特征參數以行向量形式構成傳感器向量，再按照時序關系排列，構成清篩機傳感器信號特征庫矩陣W。其表達式為

2 基于DS證據理論的清篩機作業工況識別方法

2.1 DS證據理論

DS 證據理論是信息融合領域中最重要的處理方法之一。該理論采用可信度、擬信度區間表達證據對結論的支持程度，實現了在引入不確定性的同時擺脫先驗概率的限制。基于DS 證據理論的信息融合技術已成功應用在雷達［7-8］、一般車輛［9］、搗固車［10］等領域。

設Θ是一個識別框架，或稱假設空間，為構成假設空間所有元素的集合，對應本文即為Θ={KZ，YB，MN，BJ}。在識別框架上的基本概率分配是一個2Θ→[0，1]的函數m，稱為mass函數，m（A）在區間［0，1］上，滿足

式中，A表示某一特定事件。

在同一識別框架下對不同信度函數進行DS 合成的規則為

式中：A1，A2，…，An表示第1～n個特定事件；k反映證據沖突的程度，其表達式為

合成結果進一步用于分類決策。記判定工況為m（A0），對清篩機作業工況分類決策的原則為［7］

式中：α為相關系數；β為傳感器的相關分配值；θ為綜合判定系數。

本文考慮到判定目標工況數目對DS 證據理論應用時的影響，依據文獻［11］確定傳感器j對目標工況ui的信度函數為

傳感器j不確定性θ的信度函數為

式中：Cj（ui）為傳感器j對目標工況ui的相關系數，結合文獻［12］通過隸屬度函數計算得出；Nc為目標工況數目；N為傳感器數目；Rj為傳感器j的可靠性系數；Wj為傳感器j的環境加權系數，其值域為［0，1］；αj為Cj（ui）中的最大相關系數；βj為傳感器j的相關分配值。

βj和Rj的表達式為

2.2 清篩機作業工況識別流程

1）構建清篩機信號特征庫

從清篩機各工作裝置壓力傳感器中獲取清篩機信號，提取信號參數并構建清篩機信號特征庫W=

2）空載工況識別

判斷特征庫W內參數是否滿足“KZ條件”，即是否滿足PW?［0，10］MPa，PZ?［0，15］MPa，PD?［0，9］MPa，PH?［0，9］MPa。若滿足該條件，則判定該工況為空載工況，否則進入下一步。

3）其他工況識別

運用DS 證據理論對各傳感器進行多傳感器間信息融合，并根據分類決策規則，得出當前工況判定結論。

4）完成識別

輸出滿足條件的工況作為最終判定結果，并根據當前作業工況與預測工況的結果調整相關作業參數，繼續施工。

基于DS 證據理論的道砟清篩機作業工況識別整體流程如圖1所示。

2.3 QS650清篩機作業工況識別系統

QS650清篩機作業工況識別系統的硬件部分由布置在各裝置的壓力傳感器和人機交互界面組成，軟件部分集成了前文提到的多傳感器數據融合和DS 證據理論各公式與算法。當系統處于檢測狀態時，后臺會根據各傳感器傳回的數據自動處理并按設定算法進行識別，結果顯示在人機交互界面上。圖2為清篩機作業工況識別人機交互界面。

圖1 清篩機作業工況識別整體流程

圖2 清篩機作業工況識別人機交互界面

3 試驗驗證

結合中國鐵建高新裝備股份有限公司進行的清篩機性能測試試驗數據［13］，選取4種不同工況，分別記為G1，G2，G3，G4，由傳感器采集開始作業后一段時間內的5 組信號值（采集這5 組信號時在該周期內清篩機作業工況未改變），得到清篩機傳感器信號特征庫參數PW，PZ，PD，PH的值，見表2。

根據本文提出的基于DS 證據理論的道砟清篩機作業工況流程，對表2中的4種工況G1，G2，G3，G4分別進行工況識別判定。

首先進行空載工況識別，通過將G1中數據與“KZ條件”對比，快速得出G1工況為空載工況KZ。然后繼續對G2，G3，G4進行基于 DS 證據理論的工況識別，DS分類決策規則中門限設置為α= 0.2，β= 0.3。判定結果見表3，即G2為一般工況YB，G3為冒泥工況MN，G4為板結工況BJ。

表2 清篩機傳感器信號特征庫參數 MPa

表3 清篩機作業工況識別

將上述結果與試驗線路實際情況進行對比，可知本文提出的基于DS 證據理論的道砟清篩機作業工況識別方法實現了對清篩機作業工況的準確識別。

4 結論與展望

4.1 結論

本文從信息融合的角度出發，針對道砟清篩機作業中的幾種典型工況，提出了一種新的識別方法和判定流程。通過采集清篩機各工作裝置壓力傳感器信號，提取特征參數并構建傳感器信號特征庫，基于DS證據理論進行多傳感器信息融合，實現清篩機的作業工況識別判定。經清篩機現場試驗驗證表明：該方法實現了對清篩作業工況的準確識別，能有效代替工人進行清篩機作業工況判定。研究成果為清篩機實現智能化作業提供了先決條件和理論基礎，具有較高的實際應用價值。

4.2 展望

本文提出的針對清篩機作業工況的識別系統能根據傳感器信號特征庫進行工況識別，但仍存在以下不足：

1）本文只是根據現場施工經驗將工況簡單分為4大類，同一工況下傳感器值容錯區間較大。這種分類方法雖然會降低工況識別的難度，但對下一步實施控制提出了更高的要求，如何將工況分類細化是下一步研究的重點。

2）在計算信度函數值時，隸屬度函數與環境加權系數值是通過結合其他領域已有的研究成果和清篩機實際情況由筆者自定義給出，由于先前未有該領域較為成熟的經驗，該數值有待進一步精確化，從而提高工況識別的合理性和準確性。