赵 阳
(淮南师范学院 机械与电气工程学院,安徽 淮南 232038)
我国铁路运量大、消耗多,必须时刻监测各信号设备状态和各项性能指标。S700K道岔转辙机从国外引进以来,经不断改进,以其维护少,功率输出大等优点迅速在我国铁路提速区段得到应用,成为高速铁路上控制列车运行方向的关键设备之一。道岔的转换方向能和联锁控制命令相一致,道岔能完全转换,是列车安全运行的基础,是铁路运营安全理念的重要体现之一。
目前国内外学者对S700K道岔转辙机的研究主要集中在原理介绍[1-2]、电路优化[3-4]、三维建模[5]、调整维护[6-7]等,通过智能算法研究交流电动转辙机的故障诊断方案已有提出。例如,将智能算法包括神经网络算法[8]、贝叶斯网络[9]、灰色关联理论[10]、模糊聚类[11-13]、PSO 优化HSMM[14-16]、支持向量机算法[17]等用于转辙机的故障分类。以上智能算法在对S700K道岔转辙机进行故障诊断时,没有结合现有的微机监测系统,且故障诊断过程较为复杂,难以应用到实际现场,存在当诊断网络扩大时可能出现指数爆炸的现象。
弗雷歇距离算法重点研究的是空间时序中两曲线的路径距离与两曲线的相似度关系。本文提出的弗雷歇距离S700K道岔故障诊断算法省去了对大量样本数据的训练过程,无需对S700K道岔转辙机动作时的电流、功率或其他工作曲线进行特征提取,诊断过程简捷,能够满足电务实际对S700K转辙机典型故障的诊断需求。
现阶段我国主要采用微机监测系统来对各信号设备的运行状态进行远程监测和采集,通过观测各信号设备运行时的电流、电压、功率或其他指标变化情况来判断其状态是否良好。S700K道岔转辙机在转换过程中对道岔尖轨尖端的拉力和输出功率存在如下关系:
式中,Re为转辙机传动系统等效力臂;n为电动机转速;η为电动机效率。
由此可以看出,S700K道岔转辙机的拉力大小能够直接反映在其运行功率上。因此,S700K运行时的功率曲线为诊断其是否发生故障以及故障类型提供了判断条件。
道岔的正常工作过程可分为5个阶段:启动-解锁-转换-锁闭-构通。正常转换过程中输出功率随时间变化的曲线如图1所示。在该转换过程中,启动阶段是功率需求最大的阶段,能够在2 s内使转辙机的输出功率急速增长到约1.5 kW,如图1中的a阶段。在道岔解锁、转换和锁闭过程中,S700K道岔转辙机的输出功率会迅速下降至约0.5 kW,并在该功率水平保持一段时间,如b阶段。道岔锁闭完成后动作电路会自动被切断,其功率输出用于完成道岔位置的表示,此时S700K道岔转辙机的功率降至0.2 kW,如c阶段。
当道岔位置完成表示后,其表示电路被切断,输 出功率为0,如d阶段。
经过对上海铁路局某段实地调研并结合S700K故障检测的相关研究成果,将S700K典型故障分成8类,如表1所示,其对应的故障功率曲线如图2所示。
图2 S700K典型故障状态功率曲线图
表1 S700K道岔转辙机典型故障列表
进行故障功率曲线与故障原因比对时,设计步骤如下:
①收集典型的故障曲线并进行聚类:从运营现场获取S700K转辙机动作功率曲线大数据并进行筛选分类;
②构建各类故障曲线模板:根据①的故障曲线建立各类故障的曲线模板,用于对后续待测曲线进行相似度比对;
③计算弗雷歇距离:收集新的待测故障曲线计算其与各类故障模板之间的弗雷歇距离;
④相似度比较:匹配与待测故障曲线距离最近的故障模板曲线,将其对应的故障类型作为输出。
Fr é chet distance(弗雷歇距离)是法国数学家Maurice René Fr é chet在1906年提出的一种路径空间相似形描述,该理论为描述空间路径相似度提供了新的思路[18]。弗雷歇距离的提出为描述空间路径相似度提供了新的思路,使得空间中两曲线之间相似度的评价效率得到提高。弗雷歇距离的定义如下:
设L1和L2是度量空间L上的两条连续曲线,各满足式(1)和式(2)。
又设α和β是单位区间[0,1]上的两个重参数化函数,即式(3)和式(4)。
曲线L1和L2之间的弗雷歇距离F(L1,L2)为式(5)。
其中,α,β∈[0,1]t∈[0,1],d是L上的度量函数。
基于弗雷歇将空间中两条曲线之间距离具体化的思想,本文构建的两曲线相似性判断流程如图3所示。
图3 两曲线相似性判断流程图
待测曲线L1和模板曲线L2坐标化是曲线相似性判断的基础。如式(6)和式(7)分别为L1和L2各采样点的坐标集合。
其中,p(n)=(xn,yn),n为曲线L1上采样点序号,满足n∈ [1 ,N],xn和yn分别是采样点的横坐标和纵坐标。
其中,q(m)=(x*m,y*m),m为曲线L2上采样点序号,满足m∈ [1 ,M],mx∈*m[1和,My*]m分别是采样点的横坐标和纵坐标。
曲线L1和曲线L2之间的距离矩阵D1为L1和L2上各采样点之间距离形成的矩阵,如式(8)所示。
L1和L2上两点间最大距离dmax=max(D1),最小距离为dmin=min(D1)。目标距离f设置为dmin。并设置目标距离f的循环增长间隔r为式(9)。
二值矩阵D2从矩阵D1变换而来。将矩阵D1中小于目标距离f的元素设置为1,将矩阵D1中大于目标距离f的元素设置为0即可得到二值矩阵D2,如式(10)。
目标间隔路径R是否存在决定了在目标距离f下能否找到曲线L1和L2之间的弗雷歇距离。R需满足:
R 的起点为 d′11,终点为 d′MN;
路径在通过点d′mn后,其下一个通过点只能为中的一个;
R中所有点的值都必须为1。
弗雷歇距离算法部分代码实现如图4所示。
图4 弗雷歇距离算法部分代码
弗雷歇算法为两曲线之间的相似度计算开辟了新研究思路。在对S700K故障曲线分类比较过程中,本文重点关注相似度的计算,定义相似度Z如式(11)。
其中,F为弗雷歇距离。
通过式(11)可看出,相似度和弗雷歇距离呈现反比例关系,弗雷歇距离越小,两曲线间的相似度越高。
在上述故障功率曲线分类比较的过程中,设定的故障模板曲线分类不同会引起计算的弗雷歇距离和相似度不同。对S700K故障曲线进行分类就是对所得到的弗雷歇距离和相似度进行比较的过程,以此将待测的S700K故障匹配为相似度最高的模板曲线所属的故障模式。
本实例验证将表1中的故障类型及图2中S700K的故障功率曲线作为模板曲线用于弗雷歇距离的计算。
从上海铁路局某段的微机监测系统中选取S700K属于T5的功率故障曲线作为待测曲线,如图5所示。使用本文提出的弗雷歇距离算法进行相似度计算,结果见表2。
图5 S700K待测故障功率曲线
表2 T5类S700K故障曲线诊断结果
根据表2结果推断待测故障曲线与T8类故障对应的功率曲线相似度最低,与T5类故障对应的功率曲线相似度最高,从而可以判定此次诊断的S700K故障为T5类故障,与预判故障类型设定相一致,说明采用弗雷歇距离算法能够对S700K故障进行正确诊断。
在表1中,每类故障曲线各10条,共80条,对本文提出的S700K故障进行批量验证,诊断结果如表3所示。
表3 各类型S700K故障曲线诊断结果
由表3得出,本文提出的采用弗雷歇距离算法进行S700K故障诊断的方法能够对8类典型故障进行正确诊断。
本文以S700K型转辙机故障为研究对象总结出8种典型的故障类型并对其对应的功率曲线进行图表分析。针对S700K转辙机故障诊断准确性欠佳,提出采用计算弗雷歇距离判定两曲线相似性的方法融入故障诊断过程。最后通过实例验证,本文提出的故障诊断方法能够正确识别出故障所属类型,满足实际运营维护中对S700K典型故障进行有效诊断识别的需求。不足之处在于受微机监测系统自身存储数据的局限性,收集到的典型故障曲线数量较少,不能够对全部故障曲线进行有效匹配诊断。