融合粗糙集與灰色模型的道岔故障預測

張友鵬，江雪瑩，趙斌

融合粗糙集與灰色模型的道岔故障預測

張友鵬，江雪瑩，趙斌

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

以高鐵常用S700K型轉轍機為例，通過預測電流特征實現對未發生故障的預先檢修。結合粗糙集與灰色理論提出一種新方法用于道岔故障預測，該方法通過粗糙集的知識獲取與規則約簡，獲得最小診斷規則；通過離散灰色預測模型的建模方法，實時建立不同故障類型的預測模型。隨機抽取30組故障進行診斷，其中96.67%與實際情況相符，可滿足診斷準確率的要求；隨機抽取1組預測情況，預測值與實際值之間的殘差較小，可滿足預測準確率的要求。所提出方法能夠有效減少由故障帶來的安全問題，可操作性高，更具實用性。

道岔；故障預測；粗糙集；離散灰色預測模型

道岔是鐵路信號設備中最重要同時也是極易發生故障的設備[1]，其安全性和可靠性直接關系鐵路的正常運營，因此，對于道岔的故障診斷是十分關鍵且必要的。經過現場調研發現，道岔故障常常是造成重大事故的主要原因之一，一旦發生故障，即可能造成脫軌、追尾等險性事故[2]。因此，研究道岔故障預測具有重要意義，可在故障發生前，根據預測結果采取針對性措施，確保道岔安全可靠運行。研究表明[3?4]，道岔動作電流可以清晰反映道岔當前所處狀態，通過預測，分析道岔動作電流的變化，能得出道岔的變化趨勢。近些年，基于Adaboost算法和神經網絡等智能技術的故障預測，均取得了一定的成果[5?6]，但由于Adaboost算法迭代次數難以確定且訓練時間長；神經網絡的收斂速度慢有時還會發散，且需要大量的歷史數據，因此，需要尋找一種更為優越的方法。離散灰色模型所需數據少，計算量小、預測精度高，是一種較為理想的預測模型[7]。然而，該模型并不能反映與故障類型的關系，因此，不能單獨用于故障預測。研究發現[8?9]，道岔故障類型與其動作電流之間存在很強的對應關系，但通過動作電流獲取的數據并不能夠很好地滿足現有道岔故障診斷方法所需數據量的要求，使得診斷結果的準確率較低，而通過粗糙集知識獲取方法，能夠在數據量較少的情況下，更加準確地對故障進行分類。因此，提出基于粗糙集與離散灰色模型的道岔故障預測方法，利用粗糙集建立決策表，并對電流特征與故障類型間的規則進行簡化；再建立模型對電流特征進行預測，獲得預測特征后，對照規則得出最終預測結果。該方法結合預測的動作電流特征和診斷規則，盡早發現還未發生的故障，能預先有針對性地對故障處進行檢修。

1 基于粗糙集理論的知識提取與規則約簡

粗糙集理論由Pawlak提出[10]，該理論能夠有效地對信息進行分析與處理，并從中發現隱含的知識，揭示潛在的規律[11]，尤其適用于數據量較少的故障診斷。

粗糙集理論能有效處理不精確、不一致的信息數據，發現內部潛在關系，得到有用知識[12]，并把研究對象抽象為一個信息系統，在這個信息系統中存在屬性與值[13]，而這種屬性與值的關系構成一張二維表，稱之為決策表。

決策表的生成、化簡方法如下：

1) 構建。將選出的電流特征作為條件屬性，故障作為決策屬性，列出初步決策表。

2) “替換”。將每個數據與其正常狀態時的數據進行比較：大于記為2，等于記為1(將屬于正常值的±0.1范圍內記作等于)，小于記為0。

3) 屬性約簡。刪除多余的條件屬性，得到簡化決策表。

4) 規則生成。簡化決策表的條件屬性為規則前件，決策屬性為規則后件，生成規則。

2 離散灰色模型的預測原理

離散灰色模型(Discrete Grey Model, DGM)是以微分方程為核心的建模方法，其根據已有信息，通過對初始數據的累加、累減等計算建立模型，利用提供的已知或不確定的數據來計算各參量，并對數據進行預測。

DGM(1,1)的定義形式[14]為：

DGM(1,1)建模及預測具體步驟[15]如下：

2) 建立矩陣和，

本文利用DGM(1,1)對道岔動作電流特征進行預測，根據預測結果，結合診斷規則，確定故障類型，為現場道岔故障的預先檢修提供依據。

3 基于粗糙集與DGM(1,1)的道岔故障預測方法

利用粗糙集獲得最小診斷規則，利用DGM(1,1)獲取高精度的道岔動作電流特征的預測值。具體預測過程如圖1所示。

圖1 具體預測過程

采用直接多步預測，設定某一時刻動作電流特征預測點數目為，通過預測點建模得到預測值，但不宜過大，因為DGM(1,1) 長期預測會出現較大偏差，而短期預測效果好[16]。每一組預測點都反映了道岔動作電流在某一時刻的特征，將特征“替換”后，對照診斷規則，若符合則可知預測的故障類型。

其中：b為類間離散距離，如式(12)所示；w為類內離散距離，如式(13)所示。

根據式(11)~(15)，即可選出最優特征。

選出最優特征之后，進行“替換”。即將特征值用“0，1和2”來替換，“替換”規則為：大于基準值替為2，小于替為0，在基準值正負0.1范圍內替為1(基準值選取為道岔正常動作電流曲線的特征值)。

“替換”后，建立決策表，約簡得到最小決策表和最小診斷規則。

根據系統已監測到的動作電流數據，計算其特征值，建立DGM(1,1)預測模型(模型中每5個實際值為1組進行預測，預測10次)，并對相應故障類型特征進行預測。截取其中1組預測值，結合“替換”方法，與最小診斷規則的條件屬性進行比對，判斷符合哪一種，即可得出預測的道岔故障類型。

4 應用實例

本文主要研究高速鐵路道岔故障，因此提到轉轍機相關故障時，均為S700K型。由于S700K型為交流轉轍機，因此對其三相動作電流進行故障預測。根據現場調研可知幾種常見的故障如表1所示。

表1 常見故障

以正常動作電流為例，對其進行分區：1DQJ吸起后，曲線開始記錄：0?1為啟動區；1?2為解鎖區，2?3為轉換區，3?4為鎖閉區；4?5為緩放區，但在其緩放時間內，啟動電路中仍會有兩相小電流存在；最后1DQJ落下，曲線終止，如圖2 所示。

按照圖2所示，對其余8種故障類型(2?9)按相應時間區段對電流曲線進行區域劃分，提取時域特征參數，利用Fisher準則選出最優特征分別如下。A相：1,7，2,9，3,9，4,9和5,6；B相：1,8，2,9，3,4，4,9和5,2；C相：1,2，2,9，3,9，4,9和5,6。這里做一個簡單的解釋：A相的1,7就代表A相動作電流曲線在第1個區段內的第9個時域特征參數所對應的值，以此類推，然后通過前文所述的“替換”方法建立決策表，如表2所示。其中，為序號集，為決策屬性集，1?15分別為三相動作電流的最優特征所對應的時域特征參數經過“替換”之后得到的狀態特征，這些狀態特征的集合稱為條件屬性集。例如：故障8的3，其對應的時域特征參數數值為1.01，經過與正常狀態的對比，“替換”為1，即3所對應的值。

分別去掉1?15，對比發現，去掉其中某些條件屬性會對診斷結果有影響，根據粗糙集規則簡化方法，可得最小診斷規則如表3所示。

從表3可以看出，原來需要15個條件屬性得到的決策屬性，在經過規則簡化之后僅需4個條件屬性即可得到，如第8行獲取的規則：3(1)∩5(2)∩10(0)∩11(2)T(f8)。

由于條件屬性的減少，減少了后續故障預測的復雜性。從原有故障數據集中抽取30組進行診斷準確率的驗證，結果表明，其中96.67%是符合實際情況的。

圖2 正常(f1)動作電流分區示意

表2 決策表

表3 最小診斷規則

武漢鐵路局電務段管轄內，設備名稱為1J1的道岔于2015?02?06，12:23:03發生道岔表示整流匣開路故障，取其故障前15次動作的電流數據，將這15次中的第1~5次作為一組初始序列，分別對3，5，10和11建立模型，建立模型分別如式(16)~(19)所示。

3的DGM(1,1)：

5的DGM(1,1)：

10的DGM(1,1)：

11的DGM(1,1)：

利用式(16)~(19)所建立的模型以及第1~5次的實際動作電流數據所提取的時域特征參數，對后續電流特征參數進行10步預測，得到10次預測的電流特征參數后，對其進行“替換”，然后根據“替換”后的狀態特征結合最小診斷規則，得到最后預測的道岔故障類型。

將第1次至第5次的實際值與其相應預測值(這里的預測值其實相當于是模擬值，即根據遞推公式以及還原值公式推出來的值)進行對比，并得出殘差(模擬誤差)，如表4所示。

從表4可以看出，殘差(%)均較小，說明預測值與實際值之間的差別較小，滿足預測的準確率要求。

根據所建立模型計算預測故障類型的時域特征參數，對其進行“替換”，并最終得出故障預測結果如表5所示，其中預測次數共為10次，即故障發生前的10次道岔動作電流特征的預測，但需要說明的一點是：預測出的并不是準確值，而是接近于準確值的一種趨勢。

表4 實際值與預測值對比

表5 故障預測數據結果

從表5可以看出，第1~3次預測時，故障代碼分別為“1211”和“1212”，根據最小診斷規則(表3)可知無此種代碼對應的故障類型；當第4~10次動作時，故障代碼為“1202”，由表3可知故障類型為8，因而表示電路故障的概率為70%，無對應故障代碼概率為30%。

由于無對應故障代碼概率低于表示電路故障概率，因此，最終此次預測結果為表示電路故障(未構通)。預測結果與實際情況相符。

若通過早期動作電流特征直接進行故障診斷，則診斷結果為60%正常，40%無對應故障代碼，不能正確及時的診斷出故障，如表6所示。這是由于早期電流特征不足以直接準確診斷出道岔的故障，而通過預測則可以獲得更多后期可能出現的特征，幫助故障的早期識別。

為進一步驗證本文方法的有效性，試驗分析了117個實例，其中110例符合實際情況，預測所得故障中，概率最高的特征所對應的故障即為實際發生的故障，預測準確率達到94.02%，而在預測前同時刻基于粗糙集故障診斷方法的準確率僅為17.09%。

據此對比，充分說明，在還未發生故障之時直接利用故障診斷方法是無法有效準確地得出診斷結果，而經過預測后續特征的方法得出可能出現的結果，再對預測結果進行故障診斷能夠更為高效、準確的針對還未發生故障的設備進行檢修。

部分較為典型的實例如表7所示。對于表7中提出的任一故障，其中實際值特征代碼均來自于用于預測的5次實際動作中的最后一次。預測次數為10次。所得故障類型用表1中各故障類型的對應代碼表示。

表6 早期故障診斷

表7 實例分析表

從表7可以看出，在早期故障未發生時，利用粗糙集的診斷方法直接對故障進行診斷，準確率是相當低的，原因就在于早期故障特征并不明顯，不能準確作出診斷。

5 結論

1) 基于粗糙集的知識獲取與規則化簡方法，得到用于診斷故障的最小決策表及最小診斷規則，能夠更好地反映電流與故障之間的關系，提高了診斷的準確率。

2) 選用的樣本是從眾多實例中選取的典型案例，因而獲取的規則可信度較高。

3) 本文所提方法結合預測電流特征與最小診斷規則，能盡早且準確地發現還未發生的故障，根據預測結果，有針對地對其進行檢修，可有效減少故障的發生，避免故障真實發生所帶來的安全性問題。

4) 由于電流數據可隨道岔動作獲得，因此規則庫的建立是容易的；又因為預測模型的建立是隨數據而變換的，因此是實時建立的，更具實用性。

[1] 林海香, 李陽慶. 面向高速鐵路道岔的隱患分析與故障定位改進[J]. 鐵道科學與工程學報, 2018, 15(9): 2217?2223. LIN Haixiang, LI Yangqing. Hidden-security-risk analysis and fault location improvement for high-speed railway switch[J]. Journal of Railway Science and Engineering, 2018, 15(9): 2217?2223.

[2] 劉明明, 王良順, 趙輝, 等. 基于群決策的道岔控制電路故障診斷方法研究[J]. 自動化學報, 2017, 43(5): 1? 10. LIU Mingming, WANG Liangshun, ZHAO Hui, et al. Fault diagnosis method of turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2017, 43(5): 1?10.

[3] 張星. 基于相似度的道岔故障電流曲線識別方法研究與實現[D]. 蘭州: 蘭州交通大學, 2016: 10?15. ZHANG Xing. Research and implementation of switch fault current curve recognition method based on similarity[D]. Lanzhou: Lanzhou Jiaotong University, 2016: 10?15.

[4] 王鐵軍, 董昱, 馬彩霞, 等. 基于BP神經網絡的道岔智能故障診斷技術[J]. 鐵道運營技術, 2011, 17(2): 4?7. WANG Tiejun, DONG Yu, MA Caixia, et al. Fault diagnosis of turnout based on BP neural network[J]. Railway Operation Technology, 2011, 17(2): 4?7.

[5] Yilboga H, Eker O F, Gü?lü A, et al. Failure prediction on railway turnouts using time delay neural networks[C]// Computational Intelligence for Measurement Systems and Applications (CIMSA), Taranto: IEEE Xplore, 2010: 1521?1524.

[6] WANG Guang, XU Tianhua, WANG Haifeng, et al. AdaBoost and least square based failure prediction of railway turnouts[C]// 2016 9th International Symposium on Computational Intelligence and Design (ISCID), Hangzhou: IEEE Xplore, 2016: 2488?2491.

[7] 丁松, 黨耀國, 徐寧, 等. 基于時滯效應的多變量離散灰色預測模型[J]. 控制與決策, 2017, 32(11): 1997? 2004. DING Song, DANG Yaoguo, XU Ning, et al. Multi- variable time-delayed discrete grey model[J]. Control and Decision, 2017, 32(11): 1997?2004.

[8] 趙林海, 陸橋. 基于灰關聯的道岔故障診斷方法[J]. 鐵道學報, 2014, 36(2): 69?74. ZHAO Linhai, LU Qiao. Fault diagnosis method of turnout based on grey relation[J]. Journal of the China Railway Society, 2014, 36(2): 69?74.

[9] 程宇佳. 基于核方法的高速鐵路道岔故障診斷方法研究[D]. 北京: 北京交通大學, 2016: 3?9. CHENG Yujia. Research on fault diagnosis method of high-speed railway turnout based on kernel method[D]. Beijing: Beijing Jiaotong University, 2016: 3?9.

[10] 黃文濤, 趙學增, 王偉杰, 等. 基于粗糙集理論的故障診斷決策規則提取方法[J]. 中國電機工程學報, 2003, 23(11): 150?154. HUANG Wentao, ZHAO Xuezeng, WANG Weijie, et al. Fault diagnosis decision rules extraction method based on rough set theory[J]. Journal of Chinese Electrical Engineering, 2003, 23(11): 150?154.

[11] 費勝巍, 孫宇. 融合粗糙集與灰色理論的電力變壓器故障預測[J]. 中國電機工程學報, 2008, 28(16): 154? 160. FEI Shengwei, SUN Yu. Fault prediction of power transformer by combination of rough sets and grey theory[J]. Journal of Chinese Electrical Engineering, 2008, 28(16): 154?160.

[12] 張明. 粗糙集理論中的知識獲取與約簡方法的研究[D].南京: 南京理工大學, 2012: 7?13. ZHANG Ming. Research on knowledge acquisition and reduction in rough set theory[D]. Nanjing: Nanjing University of Science & Technology, 2012: 7?13.

[13] 朱敏玲, 吳海艋, 石磊. 粗糙集規則匹配算法及其在文本分類中的應用[J]. 計算機系統應用, 2018, 27(4): 131?137. ZHU Minling, WU Haimeng, SHI Lei. Rough set rule matching algorithm and its application in text categorization[J]. Computer Systems & Applications, 2018, 27(4): 131?137.

[14] 蘇先娜, 謝富紀. DGM(1,1)模型的特性及其在科技創新領域中的應用[J]. 系統工程理論與實踐, 2016, 36(3): 635?641. SU Xianna, XIE Fuji. The properties of model DGM(1,1) and its application in technology innovation[J]. Systems Engineering-Theory & Practice, 2016, 36(3): 635?641.

[15] 謝乃明,張可.離散灰色預測模型及其應用[M]. 北京: 科學出版社, 2016: 51?57. XIE Naiming, ZHANG Ke. Discrete grey forecasting model and its application[M]. Beijing: Science Press, 2016: 51?57.

[16] WU Lifeng, WANG Yinao. Modelling DGM(1,1) under the criterion of the minimization of mean absolute percentage error[C]// 2009 Second International Symposium on Knowledge Acquisition and Modeling. Wuhan: IEEE Xplore, 2009: 123?126.

[17] 武漢鐵路局電務處. 信號集中監測信息分析指南[M].北京: 中國鐵道出版社, 2016: 24?26. Wuhan Railway Bureau Electric Service. Analysis of signal centralized monitoring information[M]. Beijing: China Railway Press, 2016: 24?26.

Turnout fault prediction based on Rough Set and Grey Model

ZHANG Youpeng, JIANG Xueying, ZHAO Bin

(School of Automatic & Electric Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

Taking S700K switch machine which is often used in high speed railway as an example, by predicting current characteristics, the fault of turnout which has not happened can be examined and repaired in advance. A new method for fault prediction of turnout based on Rough Set and Grey Theory was presented. And the minimum diagnosis rules were obtained by knowledge acquisition and rule reduction methods which are based on Rough Set. Then through modeling method, discrete grey prediction models of different fault types were established in real time. Thirty groups of faults were randomly selected for diagnosis, and 96.67% of them were consistent with the actual situation, which could meet the requirements of diagnostic accuracy. A group of cases were randomly selected for prediction, and it could be known that the residual between the predictive value and the actual value is small, which could meet the requirement of predictive accuracy. The proposed method can effectively reduce accident rate caused by faults, and also have high operability and practicability.

turnout; fault prediction; Rough Set; Discrete Grey Prediction Models

TP206+.3；U213.6

A

1672 ? 7029(2019)09? 2331 ? 08

10.19713/j.cnki.43?1423/u.2019.09.027

2018?11?22

中國鐵路總公司科技研究開發計劃項目(2016J006-A，2015X007-H)；蘭州交通大學青年科學基金資助項目(2017052)

張友鵬(1965?)，男，甘肅慶陽人，教授，從事故障診斷及預測研究；E?mail：Jiangxy_105@163.com

(編輯 陽麗霞)