基于混合故障字典的高速公路機電設備故障定位方法研究

張弛

(北京公科飛達交通工程發展有限公司,北京 100088)

機電設備是高速公路施工過程中的主要構件,擔負著監控、供水、通信等方面功能,是交通運輸行業領域中的基礎設備。隨著我國經濟和社會的持續發展,高速公路的施工規模日益擴大,機電設備的應用量也逐漸增加,機電設備的廣泛應用在一定程度上促進了我國高速公路建設的發展,但在運用過程中也難免發生故障。因此,必須加強對機電設備故障的檢測工作,并在此基礎上提供針對性的診斷措施。

針對機電設備故障診斷相關問題,部分學者對此進行了研究。徐振林等[1]采用小波變換的高速機械系統短路故障探測技術,研究機械控制系統的短路故障類型,并通過小波變換獲得有關短路故障的信息,對所收集到的信息進行歸一化處理,從而實現了高速機械控制系統的短路故障探測,但此方式對機電設備的檢測精確度較低,容易發生誤檢情況。王振祥等[2]采用無線射頻傳輸的高速公路機電裝備的故障智能識別技術,利用多維傳感器無線射頻技術實現高速公路機電器件的行駛狀況信息收集,根據所搜集的高速公路機電器件的狀態特性信息進行信號建模,擬合高速公路機電器件運行故障信息,完成對高速公路機電器件運行故障信息的智能分析與鑒別,但此方法抗干擾能力較差,容易發生檢測失敗的情況。

故障字典通常借助于神經網絡構建,可以對一些非線性函數進行推理,并得到推理樣本。本文借鑒傳統方法,提出基于混合故障字典的高速公路機電設備故障定位方法。

1 故障數據采集

本文采用多維度傳感器無線射頻識別技術建立高速公路機電設備器件故障射頻波束信息模型,對高速公路機電設備故障信息進行收集,并錄入數據庫中。通過對信息特征的提取與分析建立高速公路機電設備故障識別模型,通過模型對高速公路機電設備進行故障信息的識別,實現對故障信息的檢測,獲得高速公路機電設備的故障數據樣本。其檢測到的高速公路機電設備器件故障高分辨率信息特征量為:

(1)

式中:a為高速公路機電設備發生故障時產生的故障數據頻率;θk為高速公路機電設備故障頻率的相位角;t為高速公路機電系統的振蕩信號;fm為機電設備故障點信號;k為故障系數;bk為在高速公路機電系統的工作環境中,會出現故障的脈沖效應的傳輸頻率[3-4]。

通過傳感信息集成技術,實現高速公路機電設備的故障測量,故障信息的傳輸模式為:

bk(t)=(1+acos2πfm)t

(2)

設N為高速公路機電設備的故障特征點的分布數量,采用數據融合技術對高速公路機電設備故障特征進行分割,得到故障信號的統計學特性:

(3)

式中:x(f)為所得到的統計學特性。故障模型中的調幅信息主要由2種方向的傳播信息構成,一種是高速公路機電設備本身具有的故障信息,另一種是由高速公路機電設備發生故障時傳播的故障信息。通過上述模擬構架,對高速公路的機電設備故障信息進行建模,為下文開展基于混合故障字典的高速公路機電設備故障定位提供數據輸入基礎[5-6]。

2 故障定位

每一個高速公路機電設備故障信息數據,其歸屬值只與其中的一個或幾個決策函數相關,對其余決策函數來說,則不需要參與運算。最常見的故障字典決策方式有部分冗余運算[7-8]。從決定階段出發,只要運算全部的決策函數,決策函數符號就能夠減少冗余運算,但運算存在很大的復雜性,為了迅速定位要估計的決策函數,本文采取了兩部故障字典進行定位[9-10]。

2.1 構建第一部故障字典

第一部故障字典是由所有故障模式類型的數據樣本中心構成。假定要區分為N類故障模式,且每個故障模式的訓練樣本個數是c個,則此處每個故障模式的訓練數據樣本中心為:

(4)

式中:Cj為第j類故障模式的樣本中心;xij為第j級故障模型中的第i個訓練樣本。使用第一部故障字典對高速公路機電設備進行故障定位,首先求出高速公路機電設備故障信息數據與故障模式類型之間的中心距離,然后根據中心距離的值來選擇決策函數,利用故障字典的決策機制對高速公路機電設備故障信息數據進行定位[11]。通過第一部故障字典得到的故障定位通常含有模糊性,因此需要構建第二部故障字典,對得到的模糊定位進行精確[12]。

2.2 構建第二部故障字典

第二部故障字典的構造主要是通過多類別分類策略完成,內部包括多個二元結構分類策略器,每種分類策略器都包括支持向量和相應的標簽類型、拉氏系數、偏差值等[13-14]。多類別分類策略應用圖像分析識別技術,形成本文第二部故障字典,設含有n個高速公路機電設備故障模型代碼,記為L0,L1,L2,…,Ln各個故障模型的樣本為v,在特殊類模型與剩余模型中間的分類策略器中配置特殊類模型的全部訓練樣本與剩余模型的高速公路機電設備故障數據信息樣本,在分類策略器練習完成后,得到最佳決策函數的順序為Di(i=0,1,2,…,n-1),在對全部高速公路機電設備故障信息數據樣本作出決定時,則必須運算出全部的決策函數Di(x),表示為:

(5)

式中:yik為第i個最優決策函數的支撐矢量的分配標記;λik為第i個支撐矢量的拉格朗日乘子;k為故障字典定理的核參數;x為第一個決策函數;xik為得到結果的決策函數。

完成第二部故障字典的構建后,根據第一部故障字典的統計結果,結合精度分析即可對高速公路機電設備故障進行精確定位[15]。

3 試驗研究

為了驗證本文提出的基于混合故障字典的高速公路機電設備故障定位方法的實際應用效果,選取水泥混凝土路面攤鋪機的濾波器為試驗對象,在主頻為 3.60 GHz,內存為 8GB 的 PC 機上,使用 Python 軟件開發環境和 Open CV 開發工具下進行仿真試驗測試。

試驗過程的激勵信號為2 kHz,產生的正弦波信號為5 V,設定10種不同情況的路面攤鋪機濾波器故障,同時選擇5個被測點檢測故障概率。濾波器結構見圖1。

圖1 被測濾波器結構

由圖1可知,高速公路機電設備濾波器內部設置了多個運算放大器,通過分析運算放大器狀態,能夠更好地檢測故障。圖1中的5個被測點檢測故障概率見表1。

表1 多值測點故障概率

根據故障字典檢測方法建立3個測點,統計測點結果,將測點1、測點2和測點3統計到一起,形成故障字典。不同測點形成的故障字典,故障概率檢測結果見表2。

表2 最優測點故障概率

由表2可知,利用混合故障字典得到的檢測方法能夠很好地檢測出內部全部故障,檢測結果與表1結果一致,證明該檢測方法得到的結果為有效結果。本文提出的混合故障字典檢測方法通過檢測3個測點就能夠準確地判斷故障概率,與未引入故障字典之前通過5個測點才能判斷故障概率的傳統檢測手段相比,檢測過程更加簡單。由此可以證明,故障字典在保證檢測效果一致的情況下,能夠更加簡單地判斷故障概率,降低檢測成本,縮短檢測時間。

為進一步對檢測復雜度進行分析,本文通過啟發函數對混合故障字典進行測序檢驗,將10種檢測故障設定為f=[f1,f2,f3,f4,f5,f6,f7,f8,f9,f10],得到的序列測試試驗結果見圖2。

圖2 序列測試試驗結果

圖2中,T1～T5為針對混合故障字典進行的序列測試,T、T′為故障檢測序列結果。診斷耗費時間、診斷成本試驗結果見表3。

表3 診斷耗費時間試驗結果

由表3可以發現,引入混合故障字典后,測序復雜度更低,測序時間明顯縮小,為2～2.5 min。診斷成本較未引入之前低于50%。本文提出的故障診斷方法通過故障字典進行檢測,通過選擇測點來確保能夠在最短時間得到測試集,減少測試成本,降低復雜度。同時選用傳統的基于小波變換的高速公路機電系統短路故障檢測方法、基于無線射頻的高速公路機電設備運行故障智能識別方法和本文提出的基于混合故障字典的高速公路機電設備故障定位方法進行試驗對比, 選用的試驗對象機電設備電路為非線性電路,內部包含2個整流二極管,被檢測設備線路見圖3。

圖3 被檢測設備線路

比較3種診斷方法的檢測時間、虛警率、誤檢率和漏檢率,得到的試驗結果見圖4～圖7。

圖4 檢測時間試驗結果

圖5 虛警率試驗結果

圖6 誤檢率試驗結果

圖7 漏檢率試驗結果

從圖4可以發現3種診斷方法在對同一電路進行檢測時,檢測性能不同。傳統的基于無線射頻的高速公路機電設備運行故障智能識別方法在檢測過程中由于需要使用決策函數,因此檢測的時間較長,小波變換檢測方法對小波計算結果的準確性十分依賴, 而本文提出的混合故障字典檢測方法在檢測過程中使用了冗余計算,能夠很好地縮小檢測時間,與傳統方法相比,檢測時間縮短了50%以上。

從圖5可以看出,在虛警率方面,本文提出的診斷方法和傳統的基于小波變換的高速公路機電系統短路故障檢測方法虛警率都為0,證明這兩種診斷方法的報警能力較強,而傳統的基于無線射頻的高速公路機電設備運行故障智能識別方法虛警率雖然基本為0,但是仍會出現誤報情況。

由于高速公路機電設備電路的復雜性,因此本文提出的診斷方法和傳統診斷方法都存在漏檢和誤檢,但是本文提出的混合故障字典檢測方法漏檢率和誤檢率都低于傳統的診斷方法,本文的診斷方法通過建立故障字典改善和提高各項指標,通過定位距離和信息分析提高診斷的準確率,確保診斷效果。

4 結論

本文提出了基于混合故障字典的高速公路機電設備故障定位方法,通過無線射頻識別技術建立高速公路機電設備器件故障射頻波束信息模型,完成對高速公路機電設備故障數據的采集,采用故障模式類的數據中心建立第一部故障字典,利用多類別分類策略建立第二部故障字典,并采用第二部故障字典的決策機制對高速公路機電設備故障進行定位,完成對高速公路機電設備故障的精準診斷。通過試驗結果可知,所提方法進行高速公路機電設備故障診斷的虛警率、誤檢率和漏檢率均較低,檢測準確率較高。