基于自回歸滑動平均模型的道岔動作電流故障曲線預測方法*

黃世澤 張肇鑫 張 帆 楊玲玉

(1.上海市軌道交通結構耐久與系統安全重點實驗室，201804，上海；2.同濟大學道路與交通工程教育部重點實驗室，201804，上海；3.中國中鐵二院工程集團有限責任公司，610031，成都∥第一作者，副教授)

隨著我國高速鐵路的發展，鐵路設備安全性和可靠性愈加重要。而道岔狀態直接影響著鐵路運輸的安全和效率。當前道岔故障識別研究取得了不錯效果[1-3]，而對基于道岔曲線故障預測的研究還較少。

故障預測技術是一門涉及電子、控制、計算機及材料等多種專業的新興學科[4-6]。文獻[7]利用傳感器實時采集道岔的相關數據，得到未來道岔退化水平。文獻[8-9]提出了電流電壓信號特征檢測和預測道岔故障。文獻[10-11]提出了采用貝葉斯網絡與蒙特卡羅模擬結合以及利用AdaBoost和最小二乘法預測道岔故障方法。文獻[12-14]利用有限元分析法和滑動平均模型預測道岔交叉口疲勞壽命。現有研究主要是預測道岔有無故障，而無法直觀獲知道岔未來時刻具體工作狀態，也無法預測故障類型，更無法預測電流曲線。由于道岔故障類型直接反映在電流曲線上，故預測電流曲線進而預測故障類型具有重要意義。

ARMA(autoregressive moving average,自回歸滑動平均模型)僅利用電流歷史數據就可預測電流數據。因此，基于ARMA的道岔故障預測方法可預測未來時刻的道岔動作電流。

1 道岔動作電流曲線

以S700K交流電動轉轍機為例，其正常動作時的三相電流曲線如圖1所示，可分為T1—T5階段。道岔動作電流突增故障曲線如圖2所示。

a)A相

a)A相

2 基于ARMA的道岔動作曲線預測方法

2.1 ARMA模型的基本原理

取ARMA模型參數為{a1,a2,…,ai,…,ap}及{b1,b2,…,bj,…,bq}，則平穩時間序列{Xt}滿足

(1)

式中：

p和q的特征多項式Ap(r)和Bq(r)分別為：

Ap(r)=1+a1r+…+aprp

(2)

Bq(r)=1+b1r+…+bqrp

(3)

其中，r為后移參數，有：

rsXt=Xt-s，s∈Z

(4)

(5)

2.2 道岔動作電流曲線預測模型設計

道岔動作曲線預測過程如圖3所示。

圖3 道岔動作曲線預測模型流程圖

3 道岔動作曲線預測的試驗驗證

3.1 預測所用數據說明

以某鐵路局實際產生的微機監測數據為建模基礎。現場調研獲取近1個月內的11個道岔動作電流數據(如表1所示)。

表1 11個道岔電流數據的樣本量

3.2 預測結果分析

3.2.1 電流突增故障曲線預測

圖4為1號道岔動作電流突增故障曲線圖。由圖4可見，預測曲線與實際曲線擬合較好，說明基于ARIMA預測得到的道岔故障電流曲線較準確。

a)A相

3.2.2 正常電流曲線預測

圖5為7號道岔正常動作電流曲線。圖5中的預測曲線與實際曲線擬合較好，說明基于ARIMA預測得到的道岔正常動作電流曲線較準確。

a)A相

3.2.3 模型預測效果

為驗證模型的準確度，計算ARMA模型的MAE(平均絕對誤差)、MSE(均方誤差)、RMSE(均方根誤差)、MAPE(平均絕對百分比誤差)和NMSE(歸一化均方誤差)。

圖6為故障曲線預測結果誤差比對圖。由圖6可知，誤差值均在0.35以內，且大部分誤差值都為0.05左右。這進一步說明預測的準確度較高。

圖6 故障曲線預測結果誤差對比圖

圖7為正常電流曲線預測結果誤差對比圖。由圖7的預測誤差計算結果可知，誤差值均在0.15以下。

圖7 正常電流曲線預測結果誤差對比圖

由此可見，基于ARMA模型的道岔動作電流曲線模型具有較好的預測效果。

4 結語

通過分析道岔動作電流曲線與道岔工作過程之間的關系，預測未來時刻道岔動作電流曲線，進而直接預測道岔設備具體故障類型。建立基于ARMA的道岔動作電流曲線預測模型，通過調整模型參數，定量計算出道岔動作曲線每一個點的預測結果，得到完整道岔動作電流曲線。結果表明，該方法能夠快速準確預測出道岔動作預測曲線，具有較高預測精度。該方法從現有對道岔故障類型的概率預測轉變為對道岔動作電流曲線的預測，對直觀地預測道岔故障類型具有重要的作用。