基于多描述補償預測的地鐵道岔短時動作超負荷預警方法*

文 豪 黃 瑞 謝光祥

(1.武漢鐵路職業技術學院鐵道通信與信號學院, 430205, 武漢; 2.武漢地鐵運營有限公司, 430019, 武漢)

作為地鐵行車最關鍵的基礎設備,道岔一旦故障輕則導致延誤,重則造成脫軌。地鐵折返線道岔動作頻繁,受自身磨耗及周邊環境影響,經常進入短時動作超負荷狀態,進而引發卡阻等機械故障。相比斷線、短路等跡象微弱的電氣故障,機械故障的狀態劣化過程更容易被觀測捕捉,具有可預警的應用價值。若能在故障前預知風險,提前調配搶修資源或變更折返線,則可大大降低故障影響,甚至避免故障發生。可見,道岔短時超負荷動作預警對保障地鐵行車安全有重大意義。

現有道岔故障預測和狀態預警方面的研究特點鮮明。文獻[1-2]建立狀態退化模型來預測設備的剩余使用壽命;此方法用于擬合設備失效演化過程,不適合短時狀態突變感知。文獻[3-4]對功率監測曲線進行特征提取,學習、挖掘狀態閾值可實現實時的故障預測及診斷;但其僅通過識別當前已形成的動作曲線異常來預測故障的發生,較為片面,既容易誤判,也不易提前發現問題。文獻[5]利用多步單點預測的電流時域特征預先診斷故障,并根據診斷結果進行實時故障預測;其預測效果依賴于預測的準確性和故障診斷方法的可靠性。

由于道岔周界環境復雜,動作特征易在短時內發生各類變化,故采用確定性預測難以適應復雜的場景變化。對此,本文提出基于多描述補償預測的道岔短時動作超負荷預警方法。

1 道岔動作負荷特征

功率曲線是用來表征道岔動作狀態負荷的常用信號。根據故障診斷經驗和研究,道岔異常動作時的功率曲線普遍有明顯上揚或波動上浮等現象,本文以道岔轉換過程中采樣點功率曲線的均方根值R作為動作負荷特征。若R在短時內異常波動連續增大,則表明道岔很可能進入超負荷動作期,易發生故障。

2 道岔短時動作負荷的區間預測

2.1 多描述補償預測機制

短時預測序列長度有限。為了能在盡量小的誤差范圍內得到更多用于整體取值置信區間估計的預測值,進而充分表征預測時段的動作狀態,本文基于多描述編碼思想[6]提出多描述補償預測機制。

首先,設原始序列為{R(i)|i=1,2,…,2L}(2L為原始序列長度),將采樣所得的兩組奇偶互補序列{R(1),R(3),…,R(2L-1)}及{R(2),R(4),…,R(2L)},視為稀疏度為0.5的原始序列信息描述;然后,用基預測器對{R(i)}預測,得到預測序列{r(j)|j=1,2,…,2l},再對兩組奇偶互補采樣序列預測得{ro(j)|j=1,3,…,2l-1}、{re(j)|j=2,4,…,l};最后,根據給定的權值序列{k1,k2,…,k2l},由r和r′、r″交織加權,得到預測序列每單點預測值rf(j):

(1)

依據時間序列特性,任一單點預測值rf(j)都可從不同描述角度由原序列連續預測或其采樣序列等間隔預測得到,且必有其一誤差更小;在各自完成預測之后將兩者加權,可對權值學習尋優來促使結果更靠近真實值。若對各kj都訓練n個值,則可得到2nl個期望范圍內變化的擴大樣本,用于整體置信區間估計。

2.2 建立多描述加權預測機

以訓練效率高和泛化能力好的ELM(極限學習機)[7]作基預測器,基于預測機制建立的多描述加權預測機如圖1所示。

圖1 基于預測機制建立的多描述極限預測機

預測模型的學習過程分兩步:

第一步:ELM訓練,使模型具備預測能力。具體方法參考文獻[7]。

第二步:將預測序列{rf(j)}作為輸入,對每一步單點預測值都訓練1組變化步長為b的補償權值,得到n步的補償權值序列{kj,kj+b,…,kj+(n-1)b|j=2l},進而得到補償權值矩陣K2l×n用于構造取值變化的預測特征集,期望在小范圍內包絡或盡量接近真實值。

給定權值域B,設加權后,第u行第v列單點預測值為Tvu、第v列單點實值為Vv,定義預測特征集在K2l×n下的預測損失(K2l×n):

(2)

式中:

DKL(·)——Kullback-Leibler散度修改式;

FT、FP——分別為真實序列和預測特征集在同一樣本空間Ω下的離散累積概率分布;

λ——正則比例系數。

(3)

綜上,多描述加權預測機的實質是實現可靠的序列單點值范圍預測,以擴大得到預測特征集用于整體取值置信區間估計。

2.3 自適應核密度估計置信區間

以預測特征集為樣本,基于AKDE(自適應核密度估計)法推測未來短時內動作負荷特征的概率分布,以得到具有概率意義的取值置信區間。

設有預測特征集{Xt|t=1,2,…,M},則預測值x的核密度估計函數為:

(4)

式中:

φ(·)——核函數,選取高斯核表征;

h——核帶寬,用根據第t個預測特征位置自適應確定的可變值ht代替。

(5)

其中,由文獻[8]可得ht的求解方式為:

(6)

式中:

ω——帶寬參數。

(7)

3 超負荷預警評估

3.1 預警評估指標

定義預測的道岔動作特征值整體超負荷狀態程度為超負荷度S,并將之作為預警評估指標。首先,采集大量不同時期歷史動作負荷特征樣本;然后,利用式(7)計算可得,基于歷史動作負荷特征值的、在同一P下的置信區間[z1,z2]。[z1,z2]可用來反映道岔動作負荷特征取值的歷史經驗水平,可據此計算S,進而衡量道岔狀態安全性。S取值為:

(8)

S越接近1,說明預測水平整體超過歷史經驗水平上限的概率越大、超標量越多,道岔短時內因超負荷動作引起故障的可能性就越大。

3.2 預警評估流程

道岔短時動作超負荷預警評估流程如圖2所示。

圖2 道岔短時動作超負荷預警評估流程

4 實證測試

4.1 測試數據及主要參數設定

實證測試數據均來源于武漢地鐵實際運營時的道岔數據,包括非故障日數據和超負荷動作故障案例當日數據。以功率值作為特征取值。取L=10,l=5;補償權值范圍為[0,1]且b=0.05,每步單點預測值均設n=11個補償權值。

4.2 單點值范圍預測

選取4組不同道岔及其轉轍機為對象,先分別采集大量歷史動作負荷特征樣本R序列用于預測模型訓練,再分別從其日常單方向動作數據中任意選取1組長為30的R序列用于測試。主要測試預測序列每一步的單點預測值變化范圍。每步單點的預測值上下限及真實值曲線如圖3所示。

a) 實例測試1

由圖3可見,由預測序列每一步單點預測值連成的上下限曲線包絡范圍不僅能將真實值序列基本包絡在內,還能在較小的包絡范圍內有效反映出真實值序列的趨勢變化。

4.3 整體取值置信區間估計

以真實故障案例當天道岔連續動作產生的負荷特征序列R為實例(故障前數據變化特征明顯,能更好地反映方法效果),自當日運營開始一段時間后,以10次動作為一個短時預測單位及間隔,進行時段性整體動作負荷置信區間估計測試,直至故障發生前停止。圖4為兩個故障案例發生故障前的特征序列及估計的整體取值置信區間。

圖4 兩個案例發生故障前的特征序列及估計的整體取值置信區間

由圖4可以看出,每個案例各短時預測單位的整體置信區間基本能在一個恰當小的寬度內將所屬10個序列值都包絡在內。參照文獻[9]計算總體區間覆蓋率FICR:案例2的FICR達94.2%,接近95.4%的置信度;與案例2相比,案例1的FICR整體波動變化更大,雖由于預測時滯性導致FICR降低,但FICR仍能接近90%。此外,置信區間寬度會隨著序列波動情況而改變,且在大多數情況下和實際序列值變化區間寬度高度契合。

4.4 超負荷預警評估測試

按照圖2的狀態預警評估流程對武漢地鐵8起故障案例當日數據進行復盤預警評估。預警評估自故障當天運營開始第20次道岔動作后開始,執行至故障發生前。表1為各故障案例動作超負荷預警評估指標的變化情況。

表1 各故障案例動作超負荷預警評估指標的變化情況

根據指標推進情況分析:當預警評估門限取0.63時,不僅都能在臨近故障前成功預警,且能抵抗非臨近故障期的虛警;預警提前動作次數為4～9次,契合短時預測和預警的設定,可為主動應急處置爭取時間。

5 結語

本文圍繞地鐵道岔短時動作超負荷預警展開研究,提出多描述加權預測機,并結合自適應核密度估計等手段實現動作負荷區間預測及超負荷度量,從而建立短時狀態預警評估方法。該預警評估方法特點為:

1) 建立一種機器學習的短時序列單點范圍預測模型,可優化預測性能的同時獲得更多表征道岔后續動作負荷的預測值。

2) 用自適應核密度估計法計算預測時段整體的負荷置信區間實現超負荷預警評估,以適應不確定性場景,且利于及時發現問題爭取應急時間。

利用武漢地鐵真實運營數據測試驗證了此方法不僅可以精確地對短期負荷特征進行范圍預測和置信區間估計,而且更能夠實現綜合性能可靠的超負荷預警評估,可作為智能化預警的實用方案。