基于灰色神經網絡的S700K轉轍機故障診斷方法研究

王瑞峰，陳旺斌

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

隨著鐵路向高速、重載快速發展，S700K轉轍機大量投入使用，這就需要更加完備的運行狀態監測機制和智能化的故障診斷方法來提高設備的安全性和可靠性。長期以來，對轉轍機故障診斷及定位的分析僅依靠維修工作人員的專業知識和經驗，微機監測系統采集的信息僅作為人工判斷故障的依據，故障識別時間較長，且誤判、漏判現象時有出現。因此，研究通過功率曲線判斷故障的智能診斷方法具有重要意義。

目前，研究應用于S700K轉轍機的故障診斷方法中，沒有充分利用微機監測系統采集的反映設備運行狀態的最優信息，且各診斷方法均有其局限性。廣泛研究使用的專家系統[1]知識獲取困難，神經網絡[2]需要大量訓練樣本，支持向量機[3]原則上只能進行兩兩分類，貝葉斯網絡[4]需要提供可靠合理的先驗概率，而它的確定非常困難。

本文結合灰色關聯分析方法[5，6]和神經網絡模型建立灰色神經網絡[7，8]，利用微機監測系統提供的S700K轉轍機動作功率曲線，實現轉轍機的故障診斷。該方法克服了單獨灰色關聯分析和神經網絡建模的缺陷，實現了二者的優勢互補，經驗證有效提高了設備的故障識別率。

1 S700K轉轍機動作過程的數據分析

1.1 功率曲線與運行狀態的關系

S700K轉轍機采用三相交流異步電機，其輸出功率P和輸出拉力F分別為

( 1 )

( 2 )

由式( 1 )、式( 2 )可得

( 3 )

式中：U為電動機電壓；I為電動機電流；η為電動機效率；cosθ為電動機功率因數；Re為轉轍機傳動系統等效力臂；n為電動機轉速[9]。

由式( 3 )可知，S700K電動轉轍機功率的大小可以反映其輸出拉力的變化值。根據S700K轉轍機設計原理，轉轍機各零部件的機械強度、工作壽命，都是根據轉轍機設計的最大工作拉力乘以安全系數進行計算的，所以轉轍機的工作狀態就是其輸出工作拉力的變化狀態[10-12]。

綜上可知，S700K轉轍機功率值反映道岔尖軌推拉力的大小，而該拉力值反映轉轍機的運行狀態，所以通過分析微機監測系統采集到的對應道岔的動作功率曲線可準確判斷轉轍機的運行狀態。

1.2 正常動作功率曲線分析

S700K轉轍機正常動作功率曲線如圖1所示，功率值在0.15 s左右上升并很快達到最大值，此段為轉轍機啟動階段，之后隨著設備的運行，其輸出功率急劇下降并趨于穩定，轉轍機動作桿帶動道岔尖軌進行解鎖和轉換，待道岔轉換完畢，轉轍機的輸出功率出現一定幅度的下降，但不會降為零，之后隨著道岔位置的給出，相應電路被斷開，功率值降為零。

圖1 S700K正常動作功率曲線

1.3 故障功率曲線分析

經過現場調研和查閱相關資料，目前上道使用的S700K轉轍機常見故障模式主要有8種，其故障現象和故障原因見表1，相應故障下對應的輸出功率曲線如圖2所示，其中功率值測量精度為±2%，符合信號微機監測系統技術條件[13]。

表1 S700K電動轉轍機常見故障分析

2 故障識別系統總體設計

S700K轉轍機故障識別系統原理如圖3所示，主要包括標準故障特征集的建立和灰色神經網絡的建立兩部分。其中微機監測系統的道岔監測模塊為故障診斷提供數據來源，灰色神經網絡計算標準故障曲線和待檢故障曲線的灰色關聯度值，最后對計算得到的關聯度值進行大小排序，最大值對應的曲線類型即為該待檢曲線的故障類別。

圖2 常見故障所對應的功率曲線

圖3 故障識別原理圖

3 基于灰色神經網絡的故障識別方法

3.1 標準故障特征集的建立

根據轉轍機動作各階段的功能及其對應功率值的大小，將功率曲線分為啟動、解鎖、轉換、鎖閉和表示5段。讀取每一段中功率的最大值、最小值并求其平均值，以每一段的最大功率值、最小功率值、功率平均值和時間長度作為反映該段曲線的特征數據。將轉轍機正常動作功率曲線故障代碼記作f0，可得到故障診斷特征數據集，見表2。

表2 S700K電動轉轍機常見故障特征數據

3.2 灰色神經網絡的建立

灰色關聯分析的基本思想是根據序列幾何形狀的相似程度來判斷其聯系是否緊密。曲線越接近，相應序列之間的關聯度就越大，反之越小[6]。

利用灰色關聯分析算法進行故障診斷，首先要建立故障診斷特征集，存儲標準故障參考模式數據，然后提取待檢樣本相應的特征值，計算待檢樣本與各標準故障模式的關聯度值，最后根據關聯度值的大小識別待檢曲線的故障模式。具體步驟如下：

步驟1確定標準故障特征矩陣X和待檢特征向量Y。

由表2數據可建立如下所示的特征矩陣，其中m=8為故障模式個數，n=20為每個故障模式的特征向量維數。

( 4 )

( 5 )

步驟2求初值像。

( 6 )

( 7 )

步驟3求序列差、最大差和最小差。

Δi(k)=|xi′(k)-y′(k)|

( 8 )

( 9 )

步驟4計算關聯系數。

(10)

式中：ε為分辨系數，ε∈(0，1)。

步驟5計算關聯度。

(11)

步驟6按關聯度排序。

由式(11)可得待檢曲線與9類模式曲線的關聯度值，可表示為式(12)所示的序列，對該序列各數值進行排序，其中最大值對應的模式即為當前待檢樣本的故障類型。

γ=[γ0γ1…γm]

(12)

灰色關聯分析方法通過定量計算數值實現定性的結果分析，診斷結果可靠。但其并行處理能力弱，當特征向量維數大于3時計算復雜。而神經網絡具有很強的并行計算能力，所以將灰色關聯分析與神經網絡相結合形成灰色神經網絡，用神經網絡進行灰色關聯度的計算，可以實現二者的優勢互補。

設計如圖4所示的自定義神經網絡模型，計算待檢樣本曲線和標準故障數據的灰色關聯度值。所建網絡由三層組成，其中第一層作為輸入數據緩沖器，輸入X和Y并作無量綱處理，其節點數為特征向量的分量個數，共20個神經元；第二層作為中間數據存儲器，其節點數為標準曲線類型個數，共9個神經元；第三層輸出灰色關聯度值，其節點數為曲線類型數，共9個輸出神經元。第一層與第二層之間以式( 8 )為映射函數，第二層與第三層間的映射函數為灰色關聯度的計算式，即以式(10)和式(11)為激勵函數。各層的閾值和權值分別設為0和1。

圖4 灰色神經網絡

3.3 實例驗證及結果分析

從微機監測系統獲取轉轍機當前運行狀態下的功率曲線，按圖5所示流程計算該待檢樣本與故障診斷特征集各模式特征值的灰色關聯度值，最大灰色關聯度值所對應的曲線模式即為當前轉轍機的故障類型。

圖5 故障診斷流程框圖

以標準故障診斷特征集中9種曲線模式數據為訓練樣本確定分辨系數ε的取值。分別計算ε以0.01為步長從0到0.99時該診斷網絡的故障識別率，可以得到故障正確識別率結果，如圖6所示。由圖6可知，分辨系數ε=0.48附近，診斷網絡的正確識別率最高，其最大值為95.9%。

圖6 不同分辨系數下的識別率

圖7為武廣長沙電務段管轄內某一道岔對應的S700K轉轍機發生故障時的功率曲線，將該曲線作為待檢樣本，提取其特征數據見表3，按式( 7 )進行數據無量綱處理得到特征值見表4。

圖7 現場某S700K轉轍機發生故障時對應的功率曲線

i特征值Pimax/kWPimin/kWPi/kWTi/s1207010306620570490440673061049056271412205092095512912212515

表4 待檢曲線特征值

按圖5所示流程，取ε=0.48，計算得到灰色關聯度值見表5，其中最大關聯度值所對應的曲線為標準特征集中的曲線f5，該曲線故障為道岔不能鎖閉空轉，與現場檢修結果一致。

表5 關聯度值序列

為了測試該診斷方法的故障識別性能，從微機監測系統中新獲取48條S700K轉轍機動作形成的功率曲線作為待檢樣本，按圖5所示流程進行故障診斷，計算得到正確識別率為95.8%，誤識率為0%，拒識率為4.2%。

4 結論

本文通過分析交流轉轍機功率曲線與動作過程的關系，說明功率曲線能反映轉轍機的運行狀態，提取功率曲線特征量將其作為診斷對應設備故障類型的數據，比已有僅針對電流電壓數據的分析方法更能反映設備故障機理。建立灰色神經網絡模型，計算待檢曲線和故障特征集中各曲線間的灰色關聯度值，通過灰色關聯度值的大小確定待檢曲線的故障類型，定量計算有效提高了故障識別率。結果表明，該方法無需訓練，診斷結果準確性高，故障識別率可達95.8%，為S700K轉轍機故障診斷提供了理論依據。

后續可對將S700K轉轍機的動作功率和電流等參數結合進行故障診斷的灰色神經網絡方法，及將不同灰色關聯分析方法與神經網絡相結合用于S700K轉轍機的故障診斷方法進行研究。

參考文獻：

[1]ATAMURADOV V,CAMCI F,BASKAN S,et al.Failure Diagnostics for Railway Point Machines Using Expert Systems[C]//IEEE International Symposium on Diagnostics for Electric Machines,Power Electronics and Drives.New York:IEEE Press,2009:1-5.

[2]王鐵軍,董昱,馬彩霞,等.基于BP神經網絡的道岔智能故障診斷方法[J].鐵道運營技術,2011,17(2):4-7.

WANG Tiejun,DONG Yu,MA Caixia,et al.Intelligent Turnout Fault Diagnosis Based on BP Neural Network[J].Railway Operation Technology,2011,17(2):4-7.

[3]王思明,雷華.一種基于LS-SVM的道岔控制電路故障診斷[J].蘭州交通大學學報,2010,29(4):1-5.

WANG Siming,LEI Hua.Fault Diagnosis for Railway Switch Control Circuit Based on ARPSO Least Squares Support Vector Machine[J].Journal of Lanzhou Jiaotong University,2010,29(4):1-5.

[4]翟永強.貝葉斯網絡在道岔控制電路故障診斷中的應用研究[D].蘭州:蘭州交通大學,2012.

[5]DENG J L.Control Problems of Grey Systems[J].Systems & Control Letters,1982,1(5):288-294.

[6]劉思峰,黨耀國,方志耕,等.灰色系統理論及應用[M].北京:科學出版社,2010.

[7]袁景凌,鐘珞,李小燕.灰色神經網絡的研究及發展[J].武漢理工大學學報,2009,31(3):91-93.

YUAN Jingling,ZHONG Luo,LI Xiaoyan.The Research and Development of Grey Neural Network[J].Journal of Wuhan University of Technology,2009,31(3):91-93.

[8]姜波.灰色系統與神經網絡分析方法及其應用研究[D].武漢:華中科技大學,2004.

[9]王耀杰,高曉丁,辛凱.信號設備非電量參數測試[M].北京:中國鐵道出版社,2004:136-138.

[10]何攸旻.高速鐵路道岔故障診斷方法研究[D].北京:北京交通大學,2014.

[11]趙林海,陸橋.基于灰關聯的道岔故障診斷方法[J].鐵道學報,2014,36(2):69-74.

ZHAO Linhai,LU Qiao.Method of Turnout Fault Diagnosis Based on Grey Correlation Analysis[J].Journal of the China Railway Society,2014,36(2):69-74.

[12]高曉丁,佟元江,王躍杰,等.電動轉轍機工作特性分析[J].鐵路通信信號,2001,37(1):23-25.

GAO Xiaoding,TONG Yuanjiang,WANG Yuejie,et al.Analysis of the Electric Switch Working Feature[J].Railway Signalling & Communication,2001,37(1):23-25.

[13]中華人民共和國鐵道部.信號微機監測系統技術條件(暫行)[Z].北京:中國鐵道出版社,2006.