基于QTA的道岔轉轍機故障診斷研究與應用*

胡錦添，蔡俊濤，張 滔

（1.廣州市光機電技術研究院，廣東廣州 510663；2.廣州地鐵集團有限公司，廣東廣州 510330）

0 引言

隨著城軌交通的迅速發展，微機監測被廣泛應用于各種軌道裝備[1-3]，為設備日常維護決策提供了豐富的數據與判斷依據，保障了信號系統的穩定運行。針對電動轉轍機的監測，主要是采集電動轉轍機動作過程的電流曲線與電壓曲線，技術人員憑借經驗對電流曲線與功率曲線進行分析，根據電流曲線的各項特征參數來判斷轉轍機的機械與電氣的特性變化[4-6]。但存在著分析時間長、誤判與漏判的問題，因此，相對于人工分析，利用計算機基于QTA算法進行故障自動檢測與診斷，可實現在線快速進行精確的故障診斷。

定性趨勢分析（QTA）的核心思想是把采集的信號轉變為一種趨勢序列，而這種趨勢序列是基于基元的，意思是指一定時間區間內的數據所表現的趨勢，例如上升、下降、不變等。趨勢可以反映系統的特征、發展速度和趨勢，為故障診斷與預測提供一個重要手段。目前，QTA已被廣泛應用于過程狀態監測[7]、故障檢測與診斷[8-9]等。

1 電動轉轍機工作原理

不同型號的電動轉轍機其動作電流曲線不一樣，而對于同一個轉轍機，不同的動作電流曲線表征著不同的故障類型。本文以ZD6型直流電動轉轍機為例分析不同狀態下其所表現的不同動作電流曲線，根據ZD6轉轍機的控制信號電路原理[10-12]，使用霍爾電流傳感器檢測道岔的動作回路中的電流，在正常狀態下，整個動作過程的電流曲線如圖1所示。轉轍機牽引道岔的動作過程大概可以分為三部分：解鎖—轉換—鎖閉。把圖1的動作過程分為三個區間：第一區間為道岔解鎖過程S1；第二區間為道岔轉換過程S2；第三區間為道岔鎖閉過程S3。道岔轉換完畢后，切斷動作電路，此時電流為0。

圖1 正常狀態下動作電流曲線Fig.1 Action current curve under the normal state

當道岔出現故障時，與正常狀態下的動作電流曲線進行對比分析，在三個動作區間中分別出現明顯的差別。如圖2所示，以兩種故障為例進行說明：（1）解鎖困難故障，在解鎖過程S1區間中，動作電流比正常狀態下明顯增大了一定的數值，這是由于正向鎖閉過緊造成反向解鎖困難，表現為解鎖動作電流增大，只要根據S1區間電流增大即可判斷為密貼困難故障；（2）密貼困難故障，在鎖閉過程S3區間中，動作電流單調增加，這是由于道岔尖軌與基本軌密貼不好，鎖閉阻力逐漸增大，只要根據S3區間電流單調增加即可判斷為密貼困難故障。其他故障類型也能直接反映在動作電流曲線中，例如，移動阻力變大故障會表現為動作電流只在S2區間增大。由此可見，不同的故障類型在電流曲線中的變化比較明顯，而且分布在不同動作區間，因此，通過分析電流曲線可判斷道岔的工作狀態與故障類型。

圖2 不同工作狀態下動作電流曲線對比Fig.2 Comparison of action current curves in different working conditions

2 QTA原理

J.T.Y.Cheung和G.Stephanopoulos（1990年）[13-14]提出了描述過程趨勢的問題，提出了“三角形”劇情的思想和以七種劇情來描述的“三角形”組件概念，就是把一個趨勢劃分為幾個劇情來進行分析，奠定了QTA的根基。定性趨勢分析（QTA）主要包含兩個方面：（1）趨勢提取；（2）趨勢識別。

2.1 趨勢提取

趨勢提取的步驟為：（1）數據分割；（2）數據擬合成三種趨勢片段（A上升，B下降，C不變）進行描述；（3）所有趨勢片段集合{ABBCACCC…}。

以固定時間窗把數據平均分割為連續的區間，時間窗寬度為T，則總時間t=nT（n為分割后的區間個數）。

在每一個區間的數據中使用最小二乘法進行線性擬合[15]，在連續區間中的數據擬合為函數：

其中，時間t0為區間的開始點，p是擬合函數的斜率，y0是在時間點t0的縱坐標值。

圖3 三種趨勢片段Fig.3 Three types of trend

2.2 趨勢識別

擬合函數的斜率p取值范圍歸一化為[-1,1]，選擇合適的閥值β，根據斜率p分別定義三種趨勢片段的取值范圍：A∈[β,1]， B∈[-β,-1]，C∈[-β，β]，每一個劃分區間擬合的線性函數根據斜率p的值定義為相應的趨勢片段。

3 基于QTA的故障診斷

識別可能產生的故障狀態，是根據先制定規則知識庫：使用if…then語句來進行故障特征映射，故障特征由特定故障狀態發生時的相應傳感器數據來表現，通過人工分析進行提取。

基于規則知識庫從趨勢到故障類型的推理映射，多個傳感器聯合判斷用and連接。

if傳感器S1趨勢為Td1 and傳感器S2趨勢為Td2 and…then故障是F1。

單個傳感器數據以趨勢序列的順序以及趨勢片段的個數進行匹配。例如，如果規則知識庫中包含規則兩條：

if傳感器S1趨勢為{AABBCC}then故障是F1；

if傳感器S1趨勢為{AABCC}then故障是F2。

若當前傳感器趨勢序列為{AABCC}，則可判斷故障為F2。

各種已知的可能的故障類型通過人工模擬并分析識別后，使用if…then形式的規則進行映射，最終形成一個包含多種趨勢類型與多種故障類型映射關系的推理知識庫。

4 應用分析

如圖4所示，實驗中在ZD6型轉轍機的接線盒中采用電流電壓傳感器進行信號采集，使用20 kHz采樣頻率對電流信號進行實時監測，分別采集無故障信號20組，密貼困難故障信號20組，解鎖困難故障信號20組。從三種狀態下的電流信號中分別隨機選取10組數據共30組數據用于建立故障診斷規則知識庫，余下的30組數據用于測試趨勢匹配與故障診斷驗證。

圖4 ZD6型轉轍機故障模擬Fig.4 Switch default simulation about ZD6

4.1 建立診斷規則庫

下面以無故障狀態數據為例，說明建立規則知識庫的過程，而密貼困難與解鎖困難故障診斷的規則建立過程類似。

根據對無故障狀態10組電流曲線分析可知，ZD6直流轉轍機從開始動作到電流達到最大值的時間基本為30 ms，所以時間窗的寬度定義為30 ms，把電流信號分割為相同寬度的數據區間，如圖5所示。

圖5 無故障電流曲線分割Fig.5 Segmentation of no fault current curve

圖6 0～0.3 s無故障電流數據擬合曲線Fig.6 Fitting curve of no fault current data between 0 to 0.3 second

在每個數據區間分別進行最小二乘法線性擬合，根據擬合后的一階函數斜率分別判斷為不同的趨勢片段，根據經驗與實驗數據分析，選擇斜率判斷閥值為β=π/18。此處截取0～0.3 s的前段區間數據進行擬合說明，如圖6所示，全部趨勢提取的結果集合為{ABBBBBBBBCCCCCCBCBBCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCCC CCCCCCCCCCCCCCCCCCCCCCCCCCCB}，共109個趨勢片段，為便于分析，把趨勢片段集合簡記為{A1B8C6B1C1B2C89B1}。

以此類推，對余下9組無故障電流數據進行趨勢提取并簡化，得到另外9組趨勢序列，把10組趨勢序列匯總，如表1所示。

表1 10組無故障電流曲線趨勢序列Table 1 10 sets of trend sequencea of no fault current curve

從表1的10組無故障趨勢序列中取近似公共部分并取最少個數為：{A1B6C6B1C88B1}，則以此為無故障診斷的規則，每個趨勢片段的個數數值允許誤差為±50%，若不在誤差范圍內的序列被忽略，以此過濾干擾項。例如第8組數據為{A1B7C6B1C1B2C88B1}，前4個趨勢片段與后3個趨勢片段的個數分別為：{A1B7C6B1}、{B2C88B1}，它們均在無故障診斷規則的誤差范圍內，第五個趨勢片段{C1}則不在誤差范圍內，以此被忽略，省略后的診斷序列簡化為{A1B7C6B1B2C88B1}，與診斷規則序列的順序吻合。

密貼困難故障與解鎖困難故障的趨勢診斷規則建立方式與無故障趨勢診斷規則的制定方式類似，具體見圖7。

圖7 兩種故障電流曲線與趨勢序列Fig.7 Current curve and trend sequence of two faults

匯總無故障趨勢診斷規則與兩種故障趨勢診斷規則，如表2所示。

表2 趨勢診斷規則Table 2 rules of trend diagnosis

由于無故障與解鎖困難故障的動作電流曲線差別在于解鎖過程S1區間，解鎖困難故障電流幅值比無故障電流幅值大。從圖2可看出，解鎖困難電流曲線比無故障電流曲線在解鎖過程S1區間前段下降趨勢小，因此趨勢片段{B}出現較少；同理，解鎖困難電流曲線比無故障電流曲線在解鎖過程S1區間前段下降趨勢大，因此趨勢片段{B}出現較多。所以，趨勢診斷規則匹配需要修改為在趨勢片段相同的狀態下增加趨勢片段匹配度ps，

其中，n為趨勢診斷規則中趨勢片段的總個數，vmini與vmaxi分別為第i個趨勢片段的個數在趨勢序列與趨勢診斷規則中的最小值與最大值。

4.2 故障診斷驗證

在余下的30組電流數據中，每個狀態數據隨機抽取2組共6組數據作為驗證。首先，把6組數據進行趨勢提取與趨勢識別，提取的趨勢序列與診斷結果如表3所示。

分析表3可知，使用該方法可以準確識別出無故障、密貼困難故障、解鎖困難故障三種狀態，即使解鎖困難故障與無故障狀態的趨勢序列類似，使用匹配度計算后，雖然計算結果比較接近，但是依然可以正確識別為非無故障狀態。區分不同故障狀態情況下，該方法準確率能達到100%。

表3 各個狀態趨勢診斷結果Table 3 Results of trend diagnosis in different conditions

5 結論

過程趨勢分析已經成為一種分析時間序列信號的有用手段。使用這種方法的重點在于趨勢提取與趨勢識別以及診斷規則知識庫建立，QTA與大部分的定量分析相比，簡化了大量數據的計算過程，使用簡潔的表達方式，把采集到的傳感器數據轉化成趨勢特征，為故障診斷提供了一個決策依據。通過QTA進行ZD6直流轉轍機故障分析，優于人工經驗分析，可自動準確判斷是否存在故障并識別相應的故障類型。本文只對兩種故障進行分析，采用固定時間窗平均劃分數據的方法，可同時適用于不同的故障類型識別，在后續的研究中，加入更優的提取算法與識別算法，建立更全面的所有已知故障診斷規則庫，快速地診斷出早期出現的故障。

［1］王麗.微機監測在信號設備維護中的應用［J］.鐵道通信信號，2007，43（6）：18-19.

［2］ Ren Y.Analysis of Switch Action Status Cures of Mi?cro-computer Monitoring System ［J］.Railway Signal?ling&Communication，2009.

［3］趙會兵.未來鐵路信號微機監測的發展方向［J］.科技創新與應用，2017（13）：295-295.

［4］邱俊杰.ZD6型轉轍機動作電流曲線分析［J］.鐵道通信信號，2008，44（7）：20-21.

［5］董昱，趙媛媛，林海香.基于小波分析的電動轉轍機動作電流的分析研究［J］.蘭州交通大學學報，2012，31（6）：39-43.

［6］劉倉.直流電動轉轍機動作電流的智能分析［J］.鐵道通信信號，2009，45（8）：14-16.

［7］李偉.基于質量數據趨勢提取的過程質量控制方法研究［D］.鎮江：江蘇大學，2013.

［8］張海洋，張貝克，吳重光.用于監測復雜系統的計算機輔助定性趨勢分析［J］.計算機工程與應用，2007，43（17）：41-44.

［9］張貝克，張海洋，馬昕.定性趨勢分析在過程故障診斷中的應用研究［J］.系統仿真學報，2008，20（10）：2750-2753.

［10］王明泉.六線制雙動轉轍機道岔控制電路探討［J］.鐵道通信信號，2009，45（5）：30-31.

［11］沈懷密，金永亮，徐勤弼，等.ZD6型電動道岔工作原理［J］.山東交通科技，2015（3）：100-101.

［12］劉學民.淺析ZD6電動轉轍機單獨操縱系統［J］.科技信息，2012（23）：120-120.

［13］Cheung T Y， Stephanopoulos G.Representation of pro?cess trends-Part I.A formal representation framework［J］.Computers& Chemical Engineering， 1990，14（4）： 495-510.

［14］ Konstantinov K B， Yoshida T.Real-time qualitative analysis of the temporal shapes of （bio） process vari?ables ［J］.Aiche Journal， 1992， 38 （11）：1703-1715.

［15］李麗丹.基于MATLAB的離散數據最小二乘擬合［J］.遼寧工程技術大學學報，2011，30（S1）：202-204.