基于轉轍機牽引力和PSO-SVM的道岔故障診斷研究

楊小銳,王 安,安邦軍

(西北工業大學 自動化學院，西安 710129)

基于轉轍機牽引力和PSO-SVM的道岔故障診斷研究

楊小銳,王 安,安邦軍

(西北工業大學 自動化學院，西安 710129)

隨著高速鐵路的快速發展，道岔故障頻發，成為一直是急需解決的重大安全問題；首先從道岔的運行原理出發，研究了轉轍機拉力對道岔的影響；然后進行了轉轍機的電動機的功率和電流參數的比較，結果表明，轉轍機拉力更能直觀反映道岔的運行情況；最后提出了用轉轍機拉力參數實現基于粒子群算法優化支持向量機(PSO-SVM)的道岔故障診斷算法；經過對實際數據的處理，表明此種診斷方法對道岔的故障有較好的分辨能力。

道岔；故障診斷；支持向量機

0 引言

由于我國經濟發展和資源分布的不均衡，鐵路承擔了大量的中長途旅客運輸以及長距離的貨物運輸，給人們提供了極大的方便。道岔作為鐵路線路變更的轉換設備，是線路的交合分離點。鐵路道岔更像是整個鐵路網的關節和咽喉，也是整個鐵路網最薄弱的環節，是鐵路事故的多發點。

道岔故障的隱蔽性比較強，復雜度高，并且長期以來沒有完善的智能檢測分析和預警的系統。現階段，關于道岔設備的監控和故障分析主要是由現場維護者完成，采用故障修和定期維修的方法。故障修是指在設備發生故障后再進行維修，通常都伴隨著巨大的安全問題。定期維修是指維護者按一定的周期對道岔設備的運行狀態進行維護，容易造成過剩維修，帶有很大的盲目性。現已提出狀態修的概念，即依據道岔運行狀態對道岔進行維護，動態掌握道岔的運行特性[1-2]。

目前國內外的諸多學者都對道岔的故障進行了研究，研究的算法多種多樣，包括專家系統、神經網絡、神經網絡的優化、卡爾曼濾波、貝葉斯等[4-8]。選取的數據基本上是電流或者功率，但是就轉轍機搬動道岔的運行過程看，轉轍機牽引力能直觀的反映道岔的運行狀態，因此，選取了拉力數據來研究。

1 道岔故障模式分析

1.1 轉轍機拉力數據獲取

從圖1中可以看出轉轍機與道岔是通過連接桿和連接銷連接的，即轉轍機提供的動力通過連接桿和連接銷傳遞到道岔，使道岔做相應的運動。因此，轉轍機的牽引力與道岔的轉換阻力是作用力與反作用力的關系，力的轉換點在連接銷處。若用銷式力傳感器替換連接銷，就可以測量出轉轍機牽引力的大小，這對于所有的轉轍機和道岔都是成立的。因為力傳感器對力的測量是直接的，所以測量精度取決于力傳感器本身，而且對力變化的響應是及時的，所以拉力曲線的變化能夠實時顯示出來。

圖1 S700K型轉轍機結構圖

便攜式轉轍機拉力測試儀是應用力傳感器測量道岔轉換阻力的方法。由于便攜式轉轍機拉力測試儀是目前國內使用最多的，也是國家鐵道標準規定的道岔阻力測量儀器，所以下面所用到的測試數據均是使用拉力測試儀在現場獲得。

1.2 道岔正常動作曲線分析

《鐵路信號維護規則技術標準I》中指出，S700K型電動轉轍機在正常情況下，其動作時間應小于等于6.6 s，牽引點的額定轉換力也是固定的。下圖是一組轉轍機在道岔無故障時的牽引力曲線。

圖2 拉力測試曲線圖(正常)

道岔轉換的主要動作過程分為3個階段：解鎖、轉換、鎖閉。

第一階段：解鎖。解鎖的時候，道岔剛啟動時，需要克服較大的阻力來帶動傳動設備運轉，完成轉轍機內部的解鎖。同時，也需要推動外鎖閉裝置完成外部解鎖。因此，轉轍機需要輸出足夠大的牽引力。解鎖快結束時的牽引力通常要大于轉換時的牽引力，并且從解鎖開始到解鎖結束，力是呈上升趨勢的。

第二階段：轉換。在轉換過程中，轉轍機拉動尖軌移動，設備運行平穩，牽引力穩定在一定值左右，曲線較為平緩。在這個運行過程中，除去其他因素，牽引力應是越小越好，因為這表明需要克服的外界阻力比較小。

第三階段：鎖閉。道岔尖軌或心軌轉換到指定位置后進行鎖閉，鎖閉時要克服鎖閉裝置的阻力，因此，在鎖閉剛開始的時候，牽引力會比轉換時要稍大一些，而后趨于0。

鎖閉后道岔控制電路切斷電源。道岔控制電路被切斷，電流曲線的值會迅速下降。又因為鎖閉狀態下接通了表示電路，而這個電路接通時，轉轍機的電源端子也是接通狀態。但是，1DQJ具有緩放特性，道岔電流不為0。

1.3 道岔故障曲線分析

道岔的故障大致分為機械故障和電氣故障，而道岔的機械故障占道岔故障總數的90%以上，并且，道岔的機械故障總是能夠導致嚴重的安全事故。

主要研究了機械故障中的三類故障：尖軌反彈、轉換阻力過大和多點牽引出力不均勻問題。分析S700K電動轉轍機的拉力曲線，探究其產生原因，并給出可能的解決辦法。

1)尖軌反彈(故障模式1)。

反彈現象一般發生在解鎖的時候，能聽見“咣當”一聲，尖軌會順著移動的方向“竄動”一下，表現在力曲線上就是圖3中力3。道岔是從縮回狀態往伸出狀態轉換，但是表現出來在解鎖階段會向縮回狀態瞬移。

圖3 拉力測試曲線圖(故障模式1)

可能的原因有：尖軌有側彎跡象，曲尖軌動程偏小，所以在扳動尖軌，尖軌與基本軌不能同時密貼，在再次扳動尖軌時，尖軌容易反彈；連接桿、接頭鐵和連結銷銹蝕或螺栓過緊，形成整體框架，尖軌扳動時轉轍不靈活；尖軌爬行等。

2)轉換阻力過大(故障模式2)。

轉換過程中的某個時間段出力較大，轉換困難，可能存在尖軌爬行，拉來曲線抖動幅值較大。轉換阻力過大的現象表現在力曲線上就是圖4中的力2、力3。

圖4 拉力測試曲線圖(故障模式2)

可能的原因有：外鎖閉桿中心線與固定在基本軌上的鎖閉框中心線不垂直平行，鎖閉框與鎖閉桿磨卡，造成道岔轉換阻力急劇加大，使道岔不能正常轉換；道岔桿件連接部分，如道岔尖軌爬行，道岔尖軌在天氣因素影響下由于熱脹冷縮而引起伸長或縮短，這種情況下與尖軌相連的鎖閉桿位置也隨尖軌爬行而變化，導致轉轍機動作桿的動作無法順暢完成，產生異常阻力。

3)出力不均勻(故障模式3)。

出力不均勻現象表現在力曲線上就是圖5中力2和力3，在整個過程中有一段時間不出力。

圖5 拉力測試曲線圖(故障模式3)

可能的原因：解鎖不同步，先解鎖的走得快會拉著后解鎖的，所以先解鎖的力會大一點；滑床板不夠規整，因為尖軌在轉換過程中會落在滑床板上，整個過程都會摩擦滑床板，前后牽引點的滑床板不夠規整，可能造成牽引點出力的不均勻。

2 道岔轉轍機拉力曲線的特征表示

常用的時域特征參數分為有量綱特征參數和無量綱特征參數，主要包括：最大值、最小值、平均值、峰峰值、方差值、標準差、均方根值、峭度值、波形因子、峰值因子、峭度因子、脈沖因子和裕度因子等。除此之外，道岔的穩態力也是很重要的指標。穩態力就是道岔在鎖閉的狀態下，尖軌對轉轍機施加的力，對最后轉轍機鎖閉狀態是一個很好的衡量標準。

1)最大值：表示轉轍機拉動道岔受到的最大阻力。

2)最小值：表示轉轍機拉動道岔受到的最小阻力。

3)平均值：能夠反映轉轍機拉力的中心趨勢。

4)峰峰值：在轉轍機拉動道岔過程中，拉力值的波動情況。

5)方差值：主要描述轉轍機拉力值在平均值附近的離散程度。

6)標準差：描述轉轍機拉力值在平均值附近的離散程度。

7)均方根值：描述了轉轍機拉力值的波動情況。

8)波形因子：反映區段內拉力信號的波動趨勢，且與振幅無關。

9)峰值因子：反映拉力信號中是否存在沖擊信號的指標。

10)峭度因子：對脈沖故障敏感。

11)脈沖因子：對拉力信號中的沖擊脈沖類信號敏感。

12)裕度因子：對拉力信號中的沖擊脈沖信號比較敏感，且減少了偏差差異。

13)穩態力：衡量道岔轉換到位后的狀態。

3 基于PSO-SVM的道岔故障診斷方法

3.1 故障診斷整體流程

首先把原始數據依據一定的規則劃分成訓練集和測試集，然后對數據進行預處理，包括歸一化處理和特征提取等等，再之后利用訓練集數據對SVM模型進行訓練，得到最后的分類模型，再用測試集數據來測試測試集的分類，流程圖如圖6所示。

圖6 SVM模型整體流程

3.2 SVM模型建立

對于線性可分的問題，平面H1、H2都能將兩類樣本正確的分開，即保證經驗風險最小，這樣的平面有無數個，最優分類面即離兩類樣本間隔最大的平面。

這樣最優分類面的計算轉化為待約束的最小值問題：

yi[(w·xi)+b]-1≥0 (i=1,2,…,n)

(1)

上式可轉化為:

(2)

依矩陣形式表示如下：

(3)

由此可得到最優分類面如下：

(4)

對于線性不可分的問題，SVM采用將低維空間轉化為高維空間的方法將其變成線性可分的，而將低維空間的輸入轉化為高維空間的內積值的映射函數就稱之為核函數。V.Vapnik在引入核空間定理的同時提出，滿足Mercer條件的對稱函數都可作為核函數。

論文選用的是徑向基核函數，主要因為RBF核函數能夠滿足Mercer條件，可對非線性可分的數據進行分類，需設置的參數個數較少，計算起來比較穩定[3]。

3.3 粒子群算法

因為SVM分類結果影響比較大的因素是核函數的參數選取和懲罰因子，而粒子群算法參數少、 簡單、 全局搜索能力強等優點。

粒子群算法(PSO)是一種新興群體智能優化技術，該算法最早是由Kennedy和Eberhart于1995年提出的，它的基本概念源于對人工生命和鳥群捕食行為的研究。

假設粒子群有m個粒子在一個解空間(n維空間)運動，粒子群為Z={Z1,Z2,…,Zm}，這m個粒子各個粒子的位置為Zi={zi1,zi2,…,zin}，每個位置都是一個解。粒子會調整自己來尋找新解，并且具有記憶性，會保留搜索到的最優解pid和目前群體的最優解pgd。粒子的速度為Vi={vi1,vi2,…,vin}，如果已經找到了兩個最優解，則粒子就更新自己。依據式(5)更新速度，依據式(6)更新位置。

vid(t+1)=wvid(t)+η1rand()(pid-zid(t))+

η2rand()(pgd-zid(t))

(5)

zid(t+1)=zid(t)+vid(t+1)

(6)

vid(t+1)為粒子在t+1次迭代中第d維上的速度。w為0時，粒子失去記憶性，失去搜索最優解的能力，所以一般取0～1之間的隨機數。η1、η2為速度調節參數，rand()是0～1之間的隨機數。此外，還可以限制粒子速度大小，設粒子最大速度是vmax，vid(t+1)>=vmax時，令vid(t+1)=vmax，vid(t+1)<=-vmax時，vid(t+1)=-vmax。

其參數流程如圖7所示。

圖7 PSO優化流程圖

4 結果分析

所使用的數據是來自于S700k轉轍機在全國各地不同地區的實地測量。所使用的測量儀器是教研室自己研制的轉轍機拉力測試儀，并且教研室研制的這款儀器已經在全國范圍內得到了廣泛使用。

所使用的樣本共109個，分為四類：無故障、故障模式1、故障模式2和故障模式3，分別貼的標簽為0、1、2、3。其中每類又分訓練樣本和測試樣本，其詳細信息如表1所示。

表1 樣本集詳細信息

利用MATLAB的SVM工具箱，編寫PSO-SVM算法程序，參數c和g的搜索范圍為[0.1,100]，PSO最大進化代數100，粒子群的個數為 30, CV 折數為 4。

圖8是粒子群算法對模型進行優化的適應度曲線。平均適應度為所有粒子在每一代中平均的適應度值，最佳適應度曲線為粒子群中所有粒子在每一代中的最大適應度值。從圖8中可以看到，適應度曲線在前期收斂較快，隨后逐漸趨于平緩，最終收斂水平趨近一致，即實現了參數的優化。

圖8 PSO優化過程的適應度曲線

圖9 PSO-SVM診斷結果

5 結論

在研究道岔運行原理的基礎上，選取轉轍機拉力參數對道岔常見的三類故障進行分析，選取了對故障敏感的時域特征，在建立PSO-SVM的故障診斷方法的基礎上，通過實際收集的數據對算法進行了仿真驗證，結果表明，模型最終的分類結果準確率達到了100%，選用拉力數據和PSO-SVM算法對此類故障診斷具有較好的效果。

[1] 賓任祥. 鐵路運輸安全管理概論[M]，成都：西南交通大學出版社，2002.

[2] 丁家望. 高速鐵路道岔設備維修的探索與思考[J]. 鐵道通信信號, 2011, 47(5):53-55.

[3] Nelllo Cristianini,John Shawe-Taylor.支持向量機導論[M].北京：電子工業出版社, 2004.

[4] Atamuradov V, Camci F, Baskan S, et al. Failure diagnostics for railway point machines using expert systems[A].Diagnostics for Electric Machines, Power Electronics and Drives, 2009. SDEMPED 2009. IEEE International Symposium on[C]. IEEE, 2009: 1-5.

[5] 李雅美, 魏文軍. 基于模糊神經網絡的道岔故障診斷系統研究[J]. 鐵路計算機應用, 2012, 21(1): 35-39.

[6] 關 瓊. 基于 FOA-LSSVM 的高速鐵路道岔故障診斷[J]. 科技通報, 2015(4):76.

[7] Eker O F, Camci F, Kumar U. SVM based diagnostics on railway turnouts[J]. International Journal of Performability Engineering, 2012, 8(3): 289.

[8] Yilboga H, Eker O F, Guclu A, et al. Failure prediction on railway turnouts using time delay neural networks[A].Computational Intelligence for Measurement Systems and Applications (CIMSA), 2010 IEEE International Conference on[C]. IEEE, 2010: 134-137.

Research on Turnout Fault Diagnosis Algorithm Based on SVM

Yang Xiaorui,Wang An,An Bangjun

(School of Automation, Northwestern Polytechnical University, Xi’an 710129，China)

With the rapid development of high-speed railway, turnout faults have been an urgent problem to be solved. Firstly, from the operation principle of turnout, the influence of traction force of switch machine on turnout is studied; then compared to the power and current parameters of the switch motor, and it was found that the switch traction can more directly reflect the operation conditions of turnouts; finally it put forward the turnout fault diagnosis algorithm based on PSO-SVM and the switch traction parameters. After the processing of the actual data, it was found that this diagnostic method had good resolving power on the turnout faults.

turnout; fault diagnosis; support vector machine

2017-01-21；

2017-02-21。

楊小銳(1989-),女，碩士研究生，河南濟源人，主要從事嵌入式計算機、儀器儀表、機器學習等領域方向的研究。

1671-4598(2017)07-0055-04

10.16526/j.cnki.11-4762/tp.2017.07.014

TP206

A