基于EEMD多尺度模糊熵的S700K轉轍機故障診斷

魏文軍，劉新發，張軒銘，武曉春

(1.蘭州交通大學 自動化與電氣工程學院， 甘肅 蘭州 730070；2.蘭州交通大學 光電技術與智能控制教育部重點實驗室， 甘肅 蘭州 730070)

S700K轉轍機作為重要的鐵路信號設備在高速鐵路中已大規模投入使用，其可靠工作對于保障列車安全運行非常重要。傳統的故障識別方法是通過人工對比功率曲線之間的區別，依靠經驗判斷轉轍機的工作狀態。這種方法不僅人為因素較大，而且不能及時對故障類型做出準確判斷而對行車安全產生影響。因此，通過分析轉轍機動作功率曲線，研究根據故障功率曲線與正常功率曲線的變化規律來判斷轉轍機當前工作狀態的智能故障診斷方法具有重大意義。

目前已有的轉轍機故障診斷方法，在提取故障特征參數時僅是單一地提取特征曲線在某一時間尺度或頻率的特征值，但由于轉轍機動作功率曲線存在突變性，因此從單一頻率提取的特征值不能完全體現曲線的變化規律。文獻[1-2]利用專家系統對道岔的功率曲線進行分析，但轉轍機的工作環境惡劣，曲線變化類型多樣，導致專家知識庫不易獲取，且當有新的故障出現時專家知識庫不能及時更新。文獻[3]將灰色關聯度和神經網絡相結合計算曲線間的關聯度值，以此來判斷轉轍機的當前運行狀態。文獻[4-5]是基于SVM的轉轍機故障診斷，然而經典SVM算法本質上只能進行二分類，當故障樣本較大時會耗費大量的機器內存和計算時間。文獻[6]將貝葉斯網絡用于分析轉轍機故障類型，該算法在應用的過程中首先需要確定先驗概率這一經驗參數，當數據量不充足時會影響該參數的精確度。文獻[7-8]利用小波分析的診斷方法，在診斷時需確定一個基函數和分解尺度，這2個參數的精確度會對診斷的精度產生較大影響。文獻[9-10]將神經網絡和模糊理論相結合應用于轉轍機的故障識別，通過提高模糊知識庫的智能性來提高識別精度。

動作功率曲線可反應轉轍機運行狀態，因此當轉轍機發生不同故障時，其動作功率曲線也各不相同。由于集合經驗模態分解算法在軸承的故障監測中取得了良好效果[11-12]，能夠精確提取軸承故障的微小特征信息，模糊熵在齒輪故障特征的提取中表現優異[13]，灰色關聯度適合少樣本的故障分類[14]，因此本文借鑒以上3種技術并把它們成功應用于轉轍機的故障診斷中，取得了不錯的結果。該方法克服了前述文獻中特征提取不充分和先驗概率無法確定等缺點，經實驗驗證故障識別率得到了很大提升。

1 轉轍機動作過程的數據分析

1.1 動作功率曲線與運行狀態的關系

S700K電動轉轍機采用交流異步電動機，工作時電流不大于2 A，輸出功率P與輸出轉矩M之間的數學模型可表示為

(1)

(2)

由式(1)、式(2)可得

(3)

轉轍機的工作拉力F與輸出轉矩M之間的關系為

M=η·Re·F

(4)

由式(1)、式(4)可得

(5)

式中：U、I分別為轉轍機的電壓、電流；η、cosφ、n分別為轉轍機的轉動效率、功率因數、轉速；Re為S700K傳動等效力矩[15]。

由式(5)可知，轉轍機功率P與尖軌推拉力F存在一定的線性關系，而F能反映轉轍機的正常或故障狀態，因此根據P曲線的變化情況即可準確判斷S700K轉轍機動作正常或故障狀態。

1.2 正常動作功率曲線分析

S700K轉轍機正常動作功率曲線f0見圖1。圖1中，p為轉轍機運轉時的瞬時功率。

圖1 S700K轉轍機正常動作功率曲線f0

由圖1可以看出，在0.15 s左右設備啟動時，由于需要較大的輸出功率，曲線急速上升，達到峰值；道岔開始轉換轉轍機正常運行過程中，尖軌的推拉力減小，功率值隨之下降并趨于穩定；在5 s左右道岔轉換到位，尖軌與基本軌密貼，功率值進一步下降，但是不會為0；當鎖舌彈出，轉轍機完成內鎖閉時，啟動電路斷開，表示電路接通，功率值變為0。

1.3 故障動作功率曲線分析

S700K轉轍機常見故障所對應的功率曲線f1-f8見圖2，反映了現場出現的幾種典型故障，以及故障形成原因和故障現象。

(1)在轉轍機啟動和轉換過程中，道岔尖軌尖端與基本軌密貼，由于轉轍機卡缺口，鎖舌沒法彈出，啟動電路不能正常斷開，導致表示階段功率曲線不降反升，形成空轉曲線，見圖2(a)。

(2)在轉轍機轉換階段道岔功率曲線出現一定范圍的起伏，見圖2(b)。出現該種曲線的可能原因是轉轍機在轉換過程中出現卡阻，導致作用于道岔尖軌的推拉力增大。

圖2 S700K轉轍機常見故障所對應的功率曲線

(3)道岔啟動和轉換階段正常，當道岔轉換到位進行鎖閉時，曲線出現明顯的上升，見圖2(c)。造成這一現象的可能原因是動作桿由于異物被卡死，導致作用于道岔尖軌的推拉力大幅度增大，功率曲線出現陡升。

(4)道岔啟動正常，在道岔轉換的過程中曲線出現小范圍的波動，但是道岔可以轉換到位并鎖閉，且啟動電路可以正常斷開，表示電路可以正常接通，見圖2(d)。造成這一現象的可能原因是轉轍機的某一桿件安裝松動或者安裝不標準所致。

(5)道岔啟動和轉換過程正常，但在鎖閉階段啟動電路不能正常斷開且功率曲線出現明顯的上升，見圖2(e)。造成這一現象的原因是道岔在鎖閉階段由于異常阻力，鎖舌不能正常彈出，道岔不能正常鎖閉。

(6)道岔啟動和轉換正常，道岔轉換到位后功率曲線出現小范圍的上升，見圖2(f)。造成該現象的可能原因是鎖舌鎖閉塊被卡死，無法正常鎖閉。

(7)道岔啟動和轉換正常，道岔轉換到位且正常鎖閉，表示階段末期曲線不能下降到零，見圖2(g)。造成這一現象的可能原因是轉轍機內部器件斷相保護器損壞。

(8)道岔啟動和轉換正常，道岔可以轉換到位并鎖閉，但在表示階段道岔功率曲線出現較大的波動，如圖2(h)所示。造成這一現象的可能原因是電纜盒中二極管器件損壞。

2 故障診斷系統方案設計

故障識別系統框圖見圖3，展示了在S700K電動轉轍機發生故障時故障診斷的步驟。首先將來源于微機監測系統數據庫典型故障下的動作功率曲線通過集合經驗模態分解(ensemble empirical mode decomposition，EEMD)，提取每一個固有模態函數的模糊熵作為特征參數構建標準故障特征集；再對現場轉轍機當前運行的功率曲線按照同樣方法提取特征量；然后利用灰色關聯度分析算法計算待檢曲線與各故障曲線之間的關聯度值，依此確定轉轍機的故障狀態。

圖3 故障識別系統框圖

3 基于EEMD多尺度模糊熵的故障特征集建立

3.1 EEMD算法

將從蘭州局某段數據庫獲取的S700K電動轉轍機信號p(t)，利用經驗模態分解算法(EMD)進行分解，得到本征模態函數(Intrinsic Mode Function，IMF)分量ci和對應余項rn為

(6)

利用EMD算法分解振動信號時可能會產生模態混疊現象，即得到的本征模態函數中可能包含相差較大的特征時間尺度或相近的本征模態函數分布在不同的IMF分量中。文獻 [16]證明了不同的極點值會產生模態混疊現象。

EEMD算法是在EMD的基礎上，將非線性和非平穩的振動信號疊加高斯白噪聲(White Gaussian Noise，WGN)，并進行多次經驗模態分解，可得EMD分解后的IMF分量的平均值，以消除原始信號中的斷續性，從而排除模態混疊現象。下面展示EEMD算法的過程[17]：

Step1對原始振動信號p(t)，初始化EMD執行總次數M，變量i=1。

Step2在p(t)的基礎上增加幅值為p(t)的數據離散程度值的0.1～0.4倍且數據的集中趨勢趨于零的高斯白噪聲ni(t)，則疊加后的原始振動信號pi(t)為

pi(t)=p(t)+ni(t)i=1,2,…,M

(7)

Step3對pi(t)分別疊加M次幅值不同的ni(t)，并對每次疊加后的信號進行經驗模態分解，獲得一組IMF分量cij(t)和一個殘余分量ri(t)。第i次分解后得到的結果形式為

(8)

式中：J為IMF的總數。

Step4在進行M次分解后可以得到IMF分量，對這些分量求取平均值得到將白噪聲排除后的IMF分量，即

(9)

式中：cj(t)為對p(t)進行EEMD分解后的第j個IMF分量。

Step5信號pi(t)經過EEMD分解后得到的最終結果為

(10)

式中：r(t)為信號pi(t)經EEMD分解后的殘余分量。

3.2 多尺度模糊熵

熵是當時間序列的復雜性和維度發生變化時生成新模式的概率的度量，模糊熵用模糊隸屬函數代替一般熵中的硬閾值準則，隸屬度函數的使用使熵隨參數變化而平滑變化，降低了對參數的靈敏程度及依賴程度，統計結果穩定性更好。模糊熵的具體計算步驟[18]如下：

Step1對于給定的時間序列，設定模式維數m，對時間序列Q=[q(1),q(2),…,q(N)]構造m維向量Qm(i)為

Qm(i)=[q(i),q(i+1),…,q(i+m-1)]-u(i)

(11)

(12)

式中：N為數據長度。

Step2定義Qm(i)與Qm(j)為2個m維矢量，2個匹配元素之間差的最大絕對值是2個向量之間的距離，即

[q(j+k)-u(j)]|}

i,j=1,2,…,N-m+1i≠j

(13)

Step3引入模糊隸屬度函數

(14)

式中：h為相似容限參數，其定義為原一維時間序列標準差的R倍，即h=R×δ，δ為原始數據的標準差。

向量Qm(i)、Qm(j) 之間的相似度定義為

(15)

Step4定義函數

(16)

由式(16)可得，當模式維數為m時，向量Qm(i)、Qm(j)之間的關系維度φm(h)為

(17)

Step5模式維數增加1，即對m+1維重復Step1～Step4，得

(18)

Step6模糊熵定義為

FuzzyEn(m,h,N)=(lnφm)h-(lnφm+1)h

(19)

由上述算法可知，振動信號經EEMD分解的最終結果為一系列IMF分量，從而實現對振動信號的多尺度化；對IMF分量提取模糊熵，即為原始振動信號的多尺度模糊熵。

3.3 故障特征集的建立

以圖2中f5信號為例，設定經驗模態分解的次數M=100，相比于振動信號標準差，高斯白噪聲信號的標準差高出0.25倍，然后對疊加白噪聲后的振動信號f5進行EEMD分解，可以得到9個固有模態函數c1(t)～c9(t)和1個殘余分量r(t)。f5信號EEMD分解結果見圖4。

圖4 f5信號EEMD分解結果

分別對圖1正常功率曲線f0以及圖2中8種典型故障功率曲線f1～f8進行EEMD分解，然后提取分解得到的9個IMF分量相對應的模糊熵值，設定Q=[q(1),q(2),…,q(N)]的數據長度N=700,模式維數m=2，相似容限參數h=0.25δ。IMF分量模糊熵見表1。在這里由于篇幅所限，表1僅列出了每個功率曲線分解后前4個IMF分量的模糊熵值。

表1 IMF分量模糊熵

4 基于灰色關聯度的轉轍機故障識別

4.1 灰色關聯分析算法

(20)

定義待檢測樣本為一維向量Y=[y1y2…yt]，根據灰色關聯度計算待檢樣本特征量Y與診斷特征集X中各特征向量Xi間的絕對差Δxik為

Δxik=|yk-xik|k=1,2,…,t

(21)

ΔXi=[Δxi1,Δxi2,…,Δxit]

(22)

(23)

分別計算Y與Xi(i=1,2,…,s)的灰關聯系數rik為

(24)

式中：ξ為分辨系數，ξ∈(0,1)。

基于式(24)分別計算待檢樣本特征量Y與診斷特征向量Xi(i=1,2,…,s)間的灰關聯度Ri為

(25)

對上述算法計算得到的關聯度值進行分析比較，關聯度值較大的為診斷特征向量，待檢曲線和此向量的故障類型一致[19]。

4.2 案例分析

圖5為蘭州局某段轄區內某一道岔轉換時對應的S700K轉轍機運行狀態下的動作功率曲線，經過人工檢修后確認為本文中f5所對應的故障曲線。

圖5 現場某轉轍機不正常時的功率曲線

將該曲線作為待檢樣本對其進行EEMD分解獲取若干個不同尺度的IMF分量，然后提取每個IMF分量的模糊熵作為故障特征數值，待檢曲線故障特征值見表2。

表2 待檢曲線故障特征值

在灰色關聯算法中，ξ的取值影響故障識別的準確率，基于現有的36組測試數據確定ξ的取值范圍為0～0.99，間隔為0.01。不同ξ下故障總體識別率見圖6。由圖6可知，在ξ=0.15附近時，能夠進行故障判斷的網絡的故障辨別率能夠達到最好狀態，為96.2%。

圖6 不同分辨系數ξ下故障總體識別率

圖7 基于圖5數據的灰關聯度值

根據式(21)～式(25)計算待檢樣本與診斷特征量之間的關聯度值，計算結果見圖7。由圖7可知，最大關聯度值所對應的曲線為故障曲線f5，這與現場人工檢測結果一致。

為了檢驗上述方法在S700K電動轉轍機故障診斷中的準確性，將從微機監測系統獲取的36組樣本進行故障診斷試驗，驗證結果為：正確率96.2%，錯誤率3.8%。

5 結論

(1)本文根據S700K轉轍機動作功率曲線的變化規律，尤其在典型故障下的變化趨勢，提出一種基于EEMD多尺度模糊熵特征提取與灰色關聯分析診斷器相結合的S700K診斷新方法。

(2)利用EEMD與模糊熵算法對轉轍機的不同故障模式構建故障特征集，并對現場運行的功率曲線提取特征量，然后根據樣本與各故障模式之間檢測的關聯程度進行故障識別。

(3)實驗結果表明，該方法無需進行訓練，具有較強的適應能力，顯著提高了故障診斷的精度。