基于云模型與組合賦權的轉轍機SOH評估模型

張娟娟，黃斌，蔣敏建

基于云模型與組合賦權的轉轍機SOH評估模型

張娟娟，黃斌，蔣敏建

(柳州鐵道職業技術學院，廣西 柳州 545616)

當前鐵路信號設備智能運維正在起步階段，針對轉轍機機械故障率高且存在模糊性與隨機性的特點，建立一種結合云模型與主、客觀組合賦權相融合的設備健康狀態(SOH, state of health)評估模型。首先，從“設備-環境-人員-管理”4個方面建立影響轉轍機SOH的綜合指標體系；其次，選擇改進AHP法(主觀法)與CRITIC法(客觀法)理論求取對應20組指標層的權重；再分別采用2種組合賦權法(乘法集成法、動態賦權法)對比求取對應7組部件層的組合權重。然后，通過云模型理論與組合賦權相交，結合云相似度計算設備當前SOH等級。最后，通過一個實例分析驗證了該方法的可行性與有效性，為鐵路信號設備智能運維提供借鑒。

轉轍機；模糊性；隨機性；云模型；SOH；AHP法；CRITIC法

轉轍機是鐵路信號系統中重要的基礎設備，對于保證行車安全、提高運營效率、擴充運輸能力起到至關重要的作用[1]。由于其長年處在室外復雜環境，受到雨雪、風沙等自然變化的影響，加之使用頻繁，部件易松動、磨損與老化，導致故障頻發。隨著列車提速及線路向高密化、重載化方向發展，傳統鐵路信號的“故障?安全”原則、故障診斷及設備“計劃修”、“故障修”已難以適應線路運營要求。當前，鐵科研、北京交通大學等單位都在加緊研究設備智能運維系統，對其進行狀態評估勢在必行。圖1闡明了信號設備智能運維發展目標。

圖1 信號設備智能運維目標

近年來，針對轉轍機的研究主要集中于故障診斷方面[3?5]。戴乾軍等[6]通過對轉轍機機械故障退化規律進行分析，建立了設備PHM模型，評估其SOH、預測剩余壽命(RUL)。胥紅敏等[7?12]針對不同設備進行SOH評估，主要方法有層次分析法、熵權法和模糊綜合評判法等。其中，層次分析法在求取指標權重時過分依賴專家經驗；熵權法則存在指標重要度分析不充分的缺點；模糊綜合評判法易忽略評價監測信息的模糊性和隨機性，若隸屬度函數構造不準確則嚴重影響評價結果。鑒于各單一評判方法的局限性，綜合考慮云模型在應對隨機性與模糊性問題的優勢，結合改進AHP法(主觀法)和CRITIC法(客觀法)對轉轍機性能影響的多因素進行全面綜合考慮。最終建立設備SOH綜合評估模型，旨在為鐵路部門智能運維目標提供參考。

1 評價指標的選取

本文以高鐵大號碼道岔及正線廣泛采用的S700K型轉轍機為分析對象，綜合考慮設備故障數據、10名專家意見對其進行狀態評價指標提取，其SOH評估體系如圖2所示。第1層為系統層，表示S700K轉轍機整體SOH；第2層為7組部件層，從“設備?環境?人員?管理”對系統最重要的4個方面綜合考慮；第3層為指標層，結合部件層的特性確定評價指標元素。

圖2 S700K型轉轍機SOH評估體系

2 建立SOH評估模型

2.1 評級指標歸一化處理

其中：x為第個影響因素的實際值；x'為x的歸一化值；x∈[x,x]。

2.2 SOH評估過程

2.2.1 云模型理論

云模型是建立在模糊數學與隨機數學基礎上的算法，具有強定性、定量分析的特點[14]。設是一個用數值表示的定量域，是的定性概念。若定量值∈,且是上隨機量，隸屬度()∈[0,1]。為云的云滴，存在：

云滴是構成云的元素，云滴越確定則云的確定性就越大。云由元素期望Ex，熵En，超熵He來表征,即C[Ex,En,He]。其中Ex為云滴論域中心點；En衡量其不確定度，體現定性概念的隨機性與模糊性。He體現En的不確定性，即熵之熵，反映云滴的離散性。He值越大，云層越厚。隸屬云及其數字特征如圖3所示。

對于存在雙邊約束[min,max]指標的云模型，其數字特征公式為：

其中：為常數，可由指標的模糊性與隨機性程度確定。

云發生器是云的生成算法。其中正向云發生器是定性到定量的映射，結合特征量[E,E,H]生成云滴，其算法如下[18]：

Step 1：生成一個期望E，方差E的正態隨機數x；

Step 2：生成一個期望E，方差H的正態隨機數y；

Step 3：計算()

Step 4：輸入一個云滴(x,)；

Step 5：重復Step 1~Step 4，直到產生滿足要求的第個云滴組成云。

2.2.2 改進AHP分析法

AHP的基本思想是將復雜問題分層化處理，確定各評價指標對目標的權重值。本文采用改進的3標度法AHP法，其算法如下。

Step 1：確定層次結構模型；

Step 2：建立比較矩陣

Step 3：計算重要度排序指數I

I為矩陣中第行元素和，maxmax(I)，minmin(I)。

Step 4：判斷矩陣

其中：b為基點比較標準，將2個基點比較要素按照1~9級判別尺度比較，對b取值。

Step 5：求判斷矩陣的最優傳遞矩陣

Step 6：求判斷矩陣的擬優一致矩陣

Step 7：計算權重

為簡化計算，選擇近似的方均根法計算。即先求每一行的元素之積，再計算方根，最后對所得的向量歸一化處理求權重。

2.2.3 CRITIC法

CRITIC基本原理[15]為：1) 引入對比度，用標準差反映同一指標對個級別的差距范圍，標準差越大指標差距越大；2) 反映評價指標間的沖突性，如2指標間具有越強的正相關性，則其沖突越小。具體步驟如下。

Step 1：原始數據標準化

對每個評價指標進行無量綱化處理，消除變量間的單位影響，具體如式(1)所示。

Step 2：確定相關系數

相關系數可體現評價指標間的相互關聯的系數，求其積方差計算，公式為：

其中：為某一評價指標個數；σ為評價因子標 準差。

Step 4：設第個評價指標客觀權重，則由CRITIC賦權得到的第個指標的權重為：

2.2.4 組合賦權

方法1：乘法集成法

方法2：動態賦權

2=(1?)W* (14)

其中：為動態賦權系數，為使評價結果更準確，本文首先求組合賦權法結果與改進AHP和CRITIC法計算結果的偏差值，再以偏差值間的平方和最小為優化目標，動態求取值。

3 SOH評估實例驗證

通過調研2017~2018年中旬某局電務段段管信號設備臺賬、電務故障登記薄、月/年安全分析會數據，應用上述分析方法對8臺S700K型轉轍機進行SOH評估驗證(以1臺數據為例進行算法分析)。

結合我國GB/T 25338.1?2010《鐵道道岔轉轍機》環境：

1) 大氣壓力：不低于70.1 kPa(相當于海拔3 000 m以下)；

2) 周圍空氣溫度：?40~+70 ℃；

3) 空氣相對濕度：不大于90%(25 ℃時)；

4) 振動范圍：38~1 kHz。

3.1 云評價模型的建立

鑒于轉轍機在其全生命周期狀態的退化過程，將其劃分為4個環節，如表1所示[9]。

結合鐵路專家經驗及現場工作人員指導，確定各健康狀態的范圍，且將用于評價的云模型特征量取值如表2所示，相應評價云如圖4。

表1 狀態評價等級

表2 云評價集

圖4 SOH評價云模型

3.2 確定指標權重

3.2.1 改進AHP法求解

通過對現場S700K型轉轍機運行資料的匯總，結合維修人員、技術專家對7組部件層的20組指標的權重進行分析驗證，用MATLAB2014b數值軟件計算求得主觀3標度AHP結果為：

最終建立基于改進AHP的權重為：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

3.2.2 CRITIC法求解

結合式(10)~(12)在MATLAB2014b軟件上進行計算，得出各部件層指標權重：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

然后，通過2.2.4將2種主客觀求取的權重進行組合賦權分析。其中主、客觀建立在系統層分析，組合賦權法建立在部件層(取0.45)。在表3中，通過對各類的賦權方法的比對，采用2種組合賦權方法分析，分別計算組合權重得到各指標層的權重。

將4種賦權法進行仿真分析見圖5，得出在3標度AHP法及CRITIC法的分析中，CRITIC法權重變化幅度較小。改進AHP法主要受專家的主觀因素影響較多，忽略了一些隨機性及次要因素，影響了整個SOH評估模型的準確性。CRITIC法由于對原始數據的依賴性較強，權重分配差距小亦欠準確。組合賦權的乘法集成法與動態賦權法結果可得動態賦權法權重變化范圍小，在指標權重間較平衡，抑制了一些隨機、次要因素與忽略專家經驗帶來的影響，結果較優，故此將其作為組合賦權的結果。

圖5 4種賦權法權重

表3 權重確定對比表

表4 云綜合評價集

結合專家打分、表2中云模型狀態評價集以及正向云生成器公式(4)，其中設置為0.031，建立云綜合評價集如表4。

選擇部件層權重與指標相對值，建立轉轍機狀態評價綜合云，最后，將組合賦權結果與云模型相交：

結合云運算規則，求得狀態評估結果為：

最后，通過云模型與組合賦權相交得到轉轍機狀態評估結果如圖6所示，其中綠色部分()代表設備當前結果，介于[2,1]之間，更靠近2。得該設備處在“亞健康(2)”狀態，整體狀態良好。將模型評估結果與現場實際運行狀況進行比對，二者基本一致(其余7臺結果亦一致)。

圖6 綜合評價結果

4 結論

1) 結合歷史故障數據及10名專家意見將其劃分為7部件20個子部件的狀態體系劃分。

2) 分別計算3標度AHP法與熵權法的部件權重，體現了現場工作人員的主觀經驗，又避免其主觀隨意性。在組合賦權中，為體現多樣對比，采用乘法集成與動態賦權2種方法。仿真顯示動態賦權法效果更優。

3) 利用云模型的優勢和特點，將其與組合權重相交，結果接近2狀態。通過與現場8臺轉轍機運行狀態比對，結果一致。

4) 本文方法可為實現信號設備定性向定量化評估的轉化，以及為信號設備智能運維提供借鑒。

[1] 郭進. 鐵路信號基礎[M]. 北京: 中國鐵道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 李娜, 董海鷹. 基于D-S證據理論信息融合的軌道電路故障診斷方法研究[J]. 鐵道科學與工程學報, 2012, 9(6): 107?112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107?112.

[3] 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. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39?43.

[4] 肖蒙, 翟琛, 潘翠亮. 基于快速貝葉斯網絡的S700K轉轍機故障診斷研究[J]. 鐵道科學與工程學報, 2015, 12(2): 414?418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015, 12(2): 414?418.

[5] 王瑞峰, 陳旺斌. 基于灰色神經網絡的S700K轉轍機故障診斷方法研究[J]. 鐵道學報, 2016, 38(6): 68?72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on Grey neural network[J]. Journal of the China Railway Society, 2016, 38(6): 68?72.

[6] 戴乾軍, 陳永剛, 陶榮杰. 基于動態PSO優化HSMM的轉轍機PHM模型研究[J]. 鐵道標準設計, 2018(9): 174?178. DAI Qianjun, CHEN Yonggang, TAO Rongjie. Study on the PHM model of switch machine based on dynamic PSO optimization HSMM[J]. Railway Standard Design, 2018(9): 174?178.

[7] 胥紅敏, 張湜, 李曉宇. 基于層次分析法的鐵路安全事故后果評價[J]. 鐵道技術監督, 2018(2): 89?92. XU Hongmin, ZHANG Shi, LI Xiaoyu. Evaluation of railway safety accidents based on analytic hierarchy process[J]. Railway Technology Supervision, 2018(2): 89?92.

[8] Bianchini A. 3PL provider selection by AHP and TOPSIS methodology[J]. Benchmarking an International Journal, 2018, 25(1): 28?32.

[9] Laksono P, Wulan S R, Supangkat S H, et al. AHP and dynamic shortest path algorithm to improve optimum ambulance dispatch in emergency medical response[C]// International Conference on ICT for Smart Society. IEEE, 2018: 1?6.

[10] Sennaroglu B, Celebi G V. A military airport location selection by AHP integrated PROMETHEE and VIKOR methods[J]. Transportation Research Part D Transport & Environment, 2018, 59: 160?173.

[11] 王思華, 吳健. 高鐵牽引變電所風險模糊綜合評估方法研究[J]. 鐵道科學與工程學報, 2017(8): 1589?1596. WANG Sihua, WU Jian. Research on fuzzy comprehensive evaluation method for the risk of traction substation of high-speed railway[J]. Journal of Railway Science and Engineering, 2017(8): 1589?1596.

[12] AN Yingxia. PHM technical framework and proposal for HSR traction power supply system[J]. China Railway, 2018(6): 145?151.

[13] Chekired D A, Khoukhi L, Mouftah H T. Decentralized cloud-SDN architecture in smart grid: A dynamic pricing model[J]. IEEE Transactions on Industrial Informatics, 2018, 14(3): 1220?1231.

[14] Baghdadi N, El Hajj M, Zribi M, et al. Calibration of the water cloud model at C-Band for winter crop fields and grasslands[J]. Remote Sensing, 2018, 9(969): 189?193.

[15] 汪順生, 黃天元, 陳豪, 等. 基于CRITIC賦權的模糊綜合評判模型在水質評價中的應用[J]. 水電能源科學, 2018(6): 144?148. WANG Shunsheng, HUANG Tianyuan, CHEN Hao, et al. Application of fuzzy comprehensive evaluation model based on CRITIC weighting in water quality evaluation [J]. Hydro-Electric Energy Science, 2018(6): 144?148.

SOH evaluation model of switch machine based on cloud model and combined weighting

ZHANG Juanjuan, HUANG Bin, JIANG Minjian

(Liuzhou Railway Vocational and Technical College, Liuzhou 545616, China)

At present, intelligent operation and maintenance of railway signal equipment are in the initial stage. In view of the characteristics of high mechanical failure rate, fuzziness and randomness of switch machine, this paper established a SOH (state of health) evaluation model combining cloud model with subjective and objective weightings. Firstly, a comprehensive index system affecting switch machine SOH was built from four aspects of “equipment-environment-personnel-management”. Secondly, it was chosen to improve the AHP method (subjective method) and the CRITIC method (objective method) theory to find the corresponding 20 groups of index layer weight; Thirdly, two combined weighting methods (multiplication integration method and dynamic weighting method) were used to compare and obtain the combined weights of the corresponding 7 groups of component layers. Then, through the intersection of cloud model theory and combined weighting, the current SOH level of cloud similarity computing equipment was combined. Finally, an example was given to verify the feasibility and effectiveness of this method. This paper provided a reference for intelligent operation and maintenance of railway signal equipment.

switch machine; fuzziness; randomness; cloud model; SOH; AHP method; CRITIC method

U283.2；U284.7

A

1672 ? 7029(2019)08? 2100 ? 07

10.19713/j.cnki.43?1423/u.2019.08.029

2018?10?29

廣西高等學校高水平創新團隊及卓越學者計劃項目(2017KY1239)

黃斌(1983?)，男，河南南陽人，副教授，從事軌道交通信號與控制研究；E?mail：185879649@qq.com

(編輯 陽麗霞)