基于電流曲線的道岔卡阻識別算法及實現

2022-04-27 12:24:08陳蕊

自動化與儀表 2022年4期

陳蕊

（國能包神鐵路集團有限責任公司，包頭 014000）

道岔卡阻在道岔故障類別中的危險等級是相對較高的，道岔的卡阻意味著道岔無法運動至有效位置，列車傾覆的發生概率將會大幅提高，由于目前大多數岔區未安裝檢測道岔鎖閉是否結束的傳感器，因此無法采用傳感器檢測的方式對道岔卡阻第一時間進行預警。

一個完整的轉轍機動作的電流曲線是能夠從某些視角反映道岔的移動過程的，由于道岔在各個時刻所承受的摩擦力、鋼鐵的回彈力是在變化的，因此其所需要的動力也是在不停變化的，這是引起電流曲線變化的主要原因。ZD6 轉轍機正常工作下的一個周期完整電流曲線如圖1所示。

從圖1可以明顯看出，在轉子轉速達到正常運行速度（300 ms 時刻附近）后，整個運動過程的電流維持在1100 mA 左右。當卡阻發生后，離合器內將發生摩擦，由于該摩擦力大于道岔搬動所需要的力，因此電動機需要消耗更多的電能來克服摩擦力，電流曲線將會上移，此時的電流曲線也被稱為摩擦電流。在卡阻持續的情況下，該摩擦電流將會持續，直到超時檢測發生或人為關斷電源。典型的卡阻電流如圖2所示。

圖1 正常的ZD6 轉轍機周期動作電流曲線Fig.1 Normal ZD6 switch machine periodic action current curve

圖2 卡阻發生時ZD6 轉轍機的電流曲線Fig.2 Current curve of ZD6 switch machine when switch block

圖2所示的情形，相對來說是一個較為理想的卡阻電流曲線，實際上由于現場環境復雜，強弱電交叉的場景較為普遍，電流曲線中出現噪點是不可避免的。如果僅采用閾值的方式進行卡阻識別，那么電機啟動過程中的尖峰段的部分曲線也是符合條件的，也可能會被誤判為卡阻。隨著人工智能的發展，出現了大量的基于相似、故障樹的識別技術[1-12]。本文通過分析數據特征，采用了一系列成熟的算法對這些特征進行提取，可以在有限的條件下，高質高效地完成電流曲線的特征識別，從而進行進一步的分析和診斷。

1 研究思路

在開始研究之前需要特別指出的是，通過對卡阻曲線和正常曲線對比，卡阻曲線的數據量往往是正常曲線數據量的幾倍甚至十幾倍，處理的時間也將會大大延長，因此先對數據進行小波分解和重構[13]，采用小波降層采樣的處理方法既能降低數據量，又能保證曲線形態，從而實現“降維打擊”。但并非所有大數據量曲線均是卡阻曲線，因此需要在曲線形態吻合的情況下，才能進行故障定位。

對于常見的電流曲線，將其分為啟動階段、解鎖階段、移動階段和鎖閉階段。而對于卡阻曲線，由于卡阻的發生與正常曲線之間具有明顯的交接線，因此也是可以進行階段分割。

2 算法設計與實現

本研究以ZD6 的實際電流曲線為例，采用算法設計與實現同步進行的方式對識別方法進行展開說明。

2.1 小波降層采樣

小波分析的核心思想為：利用小波尺度函數對原始數據進行階梯逼近，如式（1）所示，采用多層小波分解算法（如式（2）所示）對逼近數據進行分解，其層分解的邏輯圖如圖3所示。對數據分層后，以圖3所示，從下往上根據所需要的數據量進行截斷，最后對函數進行重構。在圖3中，越是上層其數據量越大，代表采用的尺度函數的分辨率越高。重構采用的算式如式（3）所示：

圖3 小波多層分解示意圖Fig.3 Schematic diagram of wavelet multilayer decomposition

式中：φ 為尺度函數。

式中：

ψ 為小波函數。

式中：

本研究建議采用保留不少于3000 點的最少點數的方式進行小波降層采樣，也就是以剛好大于3000 點的層數為截至，得到采樣數據。采用本方法對圖2數據進行采樣，采樣后的采樣數據如圖4所示。其中兩側存在極少點的零值，這是由于降層剔除了高頻分量，而該位置的數據為斷崖式階躍變化，因此出現了超高頻分量被剔除，導致該位置數據無法中和，各端的零值點數通常是不超過5 個的。在此要說明的是，降維采樣數據的點的位置與原位置之間正比于二者數據的個數，因此可得到二者之間的點的對應關系，換算關系如式（4）所示：

圖4 卡阻電流曲線的小波降層采樣結果Fig.4 Wavelet laydown sampling results of the switch block current curve

式中：xold為原始位置點；xnew為降層采樣后位置點；Nold為原始數據點總數；Nnew為降層采樣后數據點總數。

2.2 降噪處理

由于采樣點具有紋波的抖動特點，所以需要把這些抖動幅度進行降低。同時在多個位置電流曲線具有“階躍”式變化，因此無法采用低通濾波方式進行濾波（階躍信號含有所有頻率分量，低通濾波依然產生伴生波形），為此本研究采用求累積求和量的方法對電流曲線進行處理，算式如式（5）所示：

2.3 高通濾波

可以看出，累積曲線發生轉折的位置即為電流曲線發生大跳躍的位置，如果對數據進行去趨勢處理后（去除直流量），則曲線發生轉折的位置將會被放大。這里采用了Butterworth 高通濾波，其頻幅相應曲線如圖5所示，進行累積曲線與高通濾波后曲線如圖6所示。

圖5 Butterworth 濾波器頻幅響應Fig.5 Frequency response of Butterworth filter

圖6 濾除直流量的累積曲線Fig.6 Cumulative curve for filtering out direct flow

2.4 區域粗分割

高通濾波后的曲線的峰值（波峰或波谷）對應著累積曲線的拐點位置，這些拐點位置也對應著電流曲線的階躍位置。可以看到由于濾波的緣故，在幅度較大的尖峰附近存在伴生的小波尖峰，在數據結尾處存在一個尖峰。

本研究采用五點極值法求取峰值位置，方法如下：

某點Pi，其值大于0，且其值與左側2 個點呈遞增趨勢，與右側2 個點成遞減趨勢，且連續5 個值不能全部相等，則稱為正向極值，條件表達式為

某點Pi，其值小于0，且其值與左側2 個點呈遞減趨勢，與右側2 個點成遞增趨勢，則稱為負向極值，條件表達式為

從圖6中可見，對于為了降低中間段的紋波對駝峰提取的影響，采用KS 密度函數法對其進行分類，如圖7所示。去除靠近x 軸范圍內的數據，降低紋波對其駝峰求取的影響。去除0 位置的紋波的數據后，新的濾除直流量的數據如圖8所示。

圖7 KS 密度函數計算結果Fig.7 KS density function calculation results

求取圖8中的峰值后，以各峰值作為界限，即實現了將電流曲線以跳躍點較大的位置分段的方法。加入分段結果后的電流曲線如圖9所示。

圖8 去除紋波后的駝峰圖Fig.8 Hump diagram after ripple removal

圖9 加入分割線后的原始電流曲線Fig.9 Original current curve after adding the dividing line

在圖9中可以看到，在第一區段內，右側的數據是存在強烈波動的，但是其始終圍繞著本區段內的“主值”，實際上仔細觀察圖6中的高通曲線，對應劇烈波動位置的尖峰是確實存在的，只是其尖峰被更明顯的尖峰“掩蓋”了。這種情況在下面步驟中是有處理的。

2.5 卡阻區段細分

為了消除初級分段造成的范圍不準確，需要對初分后的區段進行二次細分。

對大量的摩擦電流分析后，得出常規情況下摩擦電流的曲線具有的4 個規律：

（1）連續的；

（2）持續范圍較長的；

（3）紋波小；

（4）水平趨勢穩定。

利用第（3）和第（4）條規律，本文再次采用KS密度函數對初級分割的范圍內符合的電流值進行分類，以初級分段求得的第一區間的數據為例如圖10所示，做KS 密度函數分布如圖11所示。

圖10 初分第一區間原始數據放大圖Fig.10 Enlarged view of original data in the first interval of initial division

從圖11可以看出，數據段形成了3 組圍繞其某主值分布的集合，也就是整段的數據被分為了3 個范圍。求得其中所有的尖峰，則可以得到每個分類區間的“主值”，找到該尖峰與其它峰之間的分界，即每個尖峰的兩側的“山谷（山坳）”位置，為了防止范圍過寬而導致無效數據可能被誤包含，因此建議從峰值對應x 軸位置向左右兩側最多延伸不大于±150 mA 的范圍，這樣就得到了每個尖峰及其能控制的范圍，即得到了整個區段內數據被分類后能覆蓋的多個（也可能是一個）數據范圍。

圖11 第一區間內的KS 密度函數分布圖Fig.11 KS density function distribution in the first interval

將求得的分類范圍與摩擦電流范圍進行對比，將二者之間存在包含、交叉關系的分類范圍作為重點研究對象，因為發生摩擦電流的區段內的數據一定位于這些分類范圍內。

經過篩選后，通常只會有一個分類區間是符合上述條件的。為了防止發生誤判，如果發生多個區間符合條件的情況，則加入閾值判斷，即交叉范圍的比例低于某一閾值的情況則認為該區間內并未發生摩擦電流。

獲得有效范圍后，剔除不在該范圍內的數據，剩余數據如圖12所示。其中“■”狀數據為篩選后的數據，線型為原始電流數據。

圖12 KS 密度函數篩選前后的電流曲線Fig.12 Current curve of KS density function before and after screening

從圖12可以看到，雖然某些部分數據是屬于摩擦電流的范圍，但其并不是由摩擦導致的電流數據，因此不能構成有效卡阻區間。由于摩擦電流是穩定的，其總趨勢應呈現出水平直線的形態，所以建議先采用線性回歸法對值的變化趨勢做出判斷，如果擬合結果的斜率是相對較大的，那么就證明本段數據并不平穩，僅是一個穿過有效范圍內的曲（直）線，違背了第（4）條規律：“水平趨勢穩定”，其本質是一個過路者。本文根據大量的算例，認為斜率大于0.1 的情況，即便其平均值在有效范圍內，也不屬于摩擦電流范圍。

由于摩擦電流是連續的，因此很容易通過判斷圖12中“■”點的序號是否連續，對其進行分組。本文認為某一分組中點數少于3 點，則該組是噪點。

對分組內的數據做線性擬合，擬合結果與原始數據對比如圖13所示。

圖13 擬合線和原始數據的比較Fig.13 Comparison of fitting line and original data

常用的線性回歸通常采用最小二乘法計算，以方差作為最終目標，找到能夠使得方差最小、最穩定的一元一次多項式，本研究也采用了該方法[14]。

2.6 摩擦電流發生的判別

出現摩擦電流并不就代表一定發生了卡阻，卡阻發生在出現持續一段時間的摩擦電流后。實際在正常的情況下，在鎖閉階段也可能由于密貼調整的不完美發生一小段的摩擦電流，這種情況可以認為是正常現象。因此對于摩擦電流發生的時長要進行確認，本研究針對ZD6 常用的場景，認為如果摩擦電流持續在2000 ms 以上即可認為發生了卡阻。

本研究的全局流程如圖14所示。