基于神經網絡和馬爾科夫模型的道岔故障診斷與預測研究

陳紅霞，孔筱筱

（南京鐵道職業技術學院，南京 210031）

截至2022年底，我國鐵路營業里程已突破15.5 萬km，其中高速鐵路營業里程已達到4.2 萬km。鐵路線路的完好是保證行車安全的重要保障，道岔是鐵路線路三大薄弱環節之一，如果道岔發生故障，維修不及時的話，可能導致嚴重的事故和較大的損失。因此針對道岔的研究以減少其發生故障是十分必要的。

目前，我國道岔故障狀態的監測和狀態信息采集主要是通過鐵路信號集中監測系統，通過該系統掌握道岔的運行狀態，并為分析道岔故障原因提供可靠依據。但在道岔發生故障時，缺少一個狀態監測和故障診斷一體的綜合監測軟件，只能去現場確認查看，進而判斷故障原因進行處理。這種維護方式隨著高鐵線路的不斷增加，效率就顯得很低。隨著鐵路的發展，必然需要采用新的理論和技術對道岔的故障預測進行探索。道岔故障預測即對道岔進行預防維修將是道岔故障分析的新方向，也是本論文的研究內容。

本文以S700K 電動轉轍機為研究對象，實現道岔退化狀態的識別、故障的預測。通過對道岔典型故障退化狀態的挖掘和劃分，進行道岔故障診斷及狀態評估，實現道岔狀故障預測的目的。

1 理論依據

S700K 型電動轉轍機由電機、摩擦聯結器、齒輪組、保持連接器、滾珠絲杠、動作桿、鎖閉桿和速動開關組等組成。

1.1 動作過程

S700K 型電動轉轍機與外鎖閉裝置配套使用，具有通過能力強、使用壽命長、安全可靠性高等優良性能，因而被廣泛應用于我國的高速鐵路線路。下面是S700K型電動轉轍機實現道岔轉換電路，主要包括啟動電路、動作電路和表示電路。

以道岔向定位轉換為例，首先由計算機聯鎖設備發出道岔從反位向定位轉換的操縱指令后，YCJ↑和DCJ↑，1DQJ 的3-4 線圈勵磁、1DQJF 隨之勵磁吸起，由1DQJF↑接通2DQJ 的轉極電路。當2DQJ 轉極后，1DQJ的自閉電路斷開，通過1DQJ、1DQJF、2DQJ 的接點向室外送三相動作電源，BHJ 在1DQJ 的緩放時間內吸起，1DQJ 的1-2 線圈通過BHJ↑構成自閉電路。1DQJ 的緩放時間長度與3-4 線圈充磁的時間成正比。

圖1中A 相－RD1－DBQ11－21－1DQJ11－12－電動機A 繞組、B 相－RD2－DBQ31－41－1DQJF11－12－2DQJ111－113－轉轍機接點11－12－電動機C 繞組和C 相－RD3－DBQ51－61－1DQJF21－22－2DQJ121－123－轉轍機接點13－14－遮斷開關K－電動機B 繞組道岔從反位向定位轉換時的動作電路圖。表示電路由表示變壓器、定位表示繼電器、電阻和速動開關組組成。道岔轉換到規定的位置后，BHJ↓，1DQJ↓，1DQJF↓，動作電源被切斷，通過1DQJ↓接通其表示電路。

圖1 動作電路圖

1.2 S700K 電動轉轍機常見故障分類及分析

道岔故障主要通過鐵路信號集中監測系統調取查看道岔動作的功率曲線進行故障分析，然后根據道岔在轉換過程中的阻力變化情況對道岔故障情況進行診斷。此外，由于電流曲線也能夠較好反映道岔電路結構上出現的故障情況，鐵路維護人員也將道岔電流數據作為輔助診斷依據，從而達到更全面的故障分析。圖2 是某道岔在某次正常動作情況下的三相電流以及功率曲線。正常情況下，S700K 型電動轉轍機完成一次完整的動作轉換大概需要9 s，鐵路信號集中監測采集系統的采樣頻率為40 ms，所以道岔一次正常動作時間內采集到的數據曲線大約包含230 個數據點。S700K 五線制道岔控制電路動作時序為1DQJ 吸起、1DQJF 吸起、2DQJ 轉極、BHJ 吸起，三相電經斷相保護器DBQ 送至室外轉轍機電機線圈。要注意的是，1DQJ 有0.8 s 的緩放時間，期間是1DQJF 吸起、2DQJ 轉極、BHJ 吸起的時間，0.8 s 后三相電送進來，溝通1DQJ 自閉電路。如果其中哪個環節沒有完成，1DQJ 都將在0.8 s 后緩放落下。一般情況下，道岔轉換過程中，一條完整的功率或電流曲線主要由啟動解鎖、轉換、鎖閉以及表示4 個部分組成。

圖2 正常情況下的標準動作曲線

道岔系統內部結構復雜，長期處于室外惡劣多變的環境中以及受到列車經過時帶來的巨大沖擊力影響，這些因素使得道岔成為了信號系統中最“脆弱”的設備之一。根據現場專家經驗、相關文獻查詢，本論文對每種故障的類型和現象進行闡述，并對可能產生故障的原因進行了分析總結得到表1，這對于后續故障診斷和故障預測起著重要的作用。

表1 道岔常見故障模式

以上幾種故障模式根據其發生前是否具有明顯征兆分為2 類：可預測故障和突發性故障。其中，可預測故障是指在道岔不斷的往復運動過程中，在不考慮突發情況的前提下由于道岔機械性能的退化而引發的漸變性故障，例如由于轉換過潤滑減小程阻力過大沒能及時維護引發的卡阻故障F4 屬于機械性能下降導致的阻力增大引發的可預測故障。突發性故障由于發生無任何征兆，具有極強的隨機性，無法進行故障預測研究。因此在本研究的故障預測研究工作中，將選取由于阻力逐漸增大導致的F4 故障進行研究。

2 分析過程和方法

退化狀態是介于正常與故障之間的一種工作狀態，該狀態會隨著時間的推移，最終的結果會演化成故障狀態。盡管這種狀態不是導致道岔故障的根本原因，但是是增加道岔故障的可能性原因，因此有必要對道岔的退化狀態進行識別，通過識別其退化狀態達到預防故障發生的目的。

2.1 基于Kohonen 網絡的退化狀態挖掘

Kohonen 網絡的這種拓撲結構能對人腦神經細胞的特點和工作機理進行模擬。輸入層模擬不同的刺激信號，輸出層中的每個節點模擬為神經細胞。由于神經細胞興奮的原因是接收到了信號的刺激，因此，當輸入節點接收到樣本數據的“刺激信號”后，將通過網絡連接“傳遞”給輸出節點。輸出節點將對不同的輸入表現出不同的“敏感性”，并通過側向連接影響其鄰接節點，最終“獲勝”的輸出節點將給出最大的輸出值。圖3 是Kohonen 神經網絡學習算法程序流程。

由以上可知，道岔的一次工作曲線大約為9 s，鐵路信號集中監測系統采集周期是40 ms，一般采集到的功率數據要比故障時的多，如果把所有的數據作為故障診斷模型的輸入，這樣會導致部分故障特征被忽略掉，同時還增加訓練和測試的時間，影響診斷的效率和性能，所以要根據其特點，對這些數據進行特征提取，提取出典型的故障特征數據。

針對表1，結合Fisher 準則函數和LLE 2 種方法，篩選表征故障狀態的特征量，并對特征進行降維處理，得出合適的特征輸入，完成道岔轉換過程中的功率數據的提取。針對道岔降維后的功率數據特征，采用Kohonen神經網絡進行無監督學習聚類得出其退化狀態選擇流程圖。

?

根據上述方法進行分析，得出6 種退化狀態挖掘數據，見表2。

表2 退化狀態挖掘結果

每種狀態與正常動作功率曲線相比發現。狀態1 的功率數據值普遍偏小，但是動作時間及功率值的波動性都和正常的道岔動作一致，該狀態只能當做一類特殊的正常樣本看待。狀態2、狀態3 及狀態4 三種狀態的功率曲線無論是解鎖階段，還是鎖閉和緩放階段功率表征與正常動作過程基本一致。可以推斷出這3 種狀態退化過程不斷加重，并且和道岔轉換過程阻力異常故障相關聯。狀態5 的功率數據在初始動作階段較為正常，只是在動作階段和鎖閉階段的結合部分，功率值異常波動。該狀態沒有形成有效的集中分布，所以不用于有效樣本。狀態6 的功率數據最大的特點是解鎖功率值過低，而且鎖閉時功率值有異常波動，和狀態5 所表征的意義基本一致，所以也不用于有效樣本。

2.2 隱馬爾可夫（HMM）模型

以上得到了典型故障以及退化狀態的功率樣本數據，要找出典型退化狀態與故障狀態之間的聯系，從而有效地識別道岔設備所處的健康狀態。本論文利用隱馬爾可夫模型在故障識別領域的優越性，結合上述數據處理結果，采用隱馬爾可夫模型對道岔系統進行狀態識別，即正常工作狀態、退化狀態和故障狀態，為現場工作人員制定合理的道岔維護計劃提供有力的幫助。

隱馬爾可夫模型是一種在Markov 鏈的基礎上發展起來的統計信號模型，能夠利用收集的訓練樣本進行自適應學習，該方法非常適合類似于道岔這種復雜設備進行模式識別與故障診斷。

一個隱馬爾可夫模型是不確定的、隨機的有限狀態自動機，由不可觀測的狀態轉移過程和可觀測的觀察生成過程組成。它可分為離散型和連續型，本文利用離散HMM。離散HMM 是一個五元組

1）狀態的集合S={S1，S2，…，SN}。記N個狀態為θ1，…，θN，記t時刻馬爾可夫鏈所處狀態為qt，顯然qt∈（θ1，…，θN）。

2）M：每個狀態對應的可能的觀察值數目。觀測符號集合V＝{ν1，ν2，…，νM}。

3）T：觀測符號序列的長度，觀測符號序列O＝{O1，O2，…，OT}。記M個觀察值為V1，…，VM，記t時刻觀察到的觀察值為ot，其中ot∈（V1，…，VM）。

4）π：初始狀態概率π=（π1，…，πN），式中

5）A：狀態轉移概率矩陣，（aij）N×N，式中

6）B：觀察值概率矩陣，bjk（ ）N×N，式中

基于HMM 的道岔狀態評估系統由3 部分組成，分別為數據處理、矢量量化和狀態評估。數據處理主要根據圖2 和表2 的分析結果進行樣本數據的特征提取、選擇和降維，得到道岔狀態的有效特征向量；然后根據隱馬爾可夫模型進行處理和量化得出模型的輸入，建立正常狀態、故障狀態、退化狀態等模型，最后利用樣本值驗證隱馬爾可夫模型的準確性，從而實現道岔設備故障診斷和故障預測。對道岔的健康狀態進行評估。

根據以上分析，利用表2 中退化樣本中3 種退化狀態數據和阻力異常故障樣本進行道岔設備故障診斷及健康狀態的評估。將6 種不同維度輸入的樣本集合用于進行HMM 模型訓練與驗證。從結果上看，HMM 診斷識別率、準確度都比較高，所以在實際應用中，該方法比較合適。

3 故障預測與故障診斷平臺設計

根據以上分析，設計道岔故障診斷與預測系統，系統結構如圖4 所示。

圖4 故障預測和故障診斷系統結構

該系統包括主機，主機通過導線連接有電源模塊，電源模塊用于提供主機所需的電能，主機通過信號線連接有數據輸入模塊和數據輸出模塊，數據輸入模塊用于對外部監測得到的數據進行輸入，數據輸出模塊用于對分析的結果進行輸出，主機通過信號線連接有分析模塊，分析模塊對采集的數據進行分析，從而能夠得出故障預測結果，主機通過信號線連接有存儲模塊，存儲模塊用于對輸入的歷史數據進行存儲，數據輸入模塊通過信號線連接有實驗模塊，實驗模塊用于模擬道岔工作的實際情況從而輸出各項參數以供分析，實驗模塊通過信號線連接有外觀監測模塊和電路監測模塊，外觀監測模塊通過實際工作的外部狀況對道岔的工作情況進行監測，電路監測模塊通過對道岔轉轍機工作的電路狀況對道岔的工作情況進行監測，主機通過信號線連接有訓練模塊，訓練模塊通過對實驗模塊輸入的各種數據結果進行分析，從而得出符合實際情況的函數模型，以便進行各種復雜狀況的快速分析，主機通過信號線連接有警示模塊，警示模塊用于對故障預測進行警示。

4 結論

本論文以S700K 型電動道岔轉轍機為研究對象，通過闡述道岔的轉換原理，信號集中監測系統采集的功率曲線，分析了道岔的正常工作狀態和故障狀態，以及故障產生的原因。利用神經網絡和馬爾科夫建立故障診斷模型，根據故障模式的類型進行分類，并提出了故障識別的方法，建立道岔故障診斷和預測的系統平臺，對于現場道岔設備的維護工作由很重要的指導意義和參考價值。