提速道岔小波包能量熵故障诊断方法

安春兰，甘方成，罗微，秦发园

（1.华东交通大学 轨道交通学院，江西 南昌 330013；2.北京全路通信信号研究设计院有限公司，北京 100073）

提速道岔小波包能量熵故障诊断方法

安春兰1，甘方成1，罗微1，秦发园2

（1.华东交通大学 轨道交通学院，江西 南昌 330013；2.北京全路通信信号研究设计院有限公司，北京 100073）

将小波包变换应用于 S700K型提速道岔转辙机故障诊断中，以微机监测系统采集的S700K型转辙机三相交流电流为信号源，基于小波包多尺度分析对道岔转辙机正常工作状态和各故障状态下的三相交流电流进行分解，并通过小波包能量熵提取故障特征，然后根据能量熵定义故障诊断指标，并对每相电流的故障诊断指标设定2个阈值，来定量划分故障类型。实验结果表明：道岔不同故障情况下，三相电流小波包能量熵分布有一定的规律，故障诊断指标阈值的设定能有效划分道岔故障类型，待测样本测试结果与现场诊断结果一致。

转辙机；道岔；故障诊断；小波包分析；小波包能量熵

高速铁路的迅速发展对道岔的安全性与可靠性提出了更高的要求，也给道岔维修人员及时、准确地发现、排查故障带来了新的挑战。目前，高速铁路使用最广泛的道岔转辙机类型是 S700K型电动转辙机，铁路部门通过微机监测系统实时地监测并采集转辙机的动作电流，一旦发生故障，现场主要通过人工来分析转辙机动作电流曲线，排查故障，进而判别其故障类型。因此维修人员的经验和水平直接影响诊断的效率和准确率。为适应高速铁路的要求，有必要研究道岔智能故障诊断方法。目前，国内外在道岔智能故障诊断方面已开展了相应的研究，苏旷宇等［1-2］从道岔控制电路入手，采用信息融合技术和神经网络技术实现对道岔系统的故障诊断。Roberts等［3］以监测系统的转速和压力为参数建立道岔多项式模型实现故障诊断。张喜等［4］基于人工智能和专家系统方法开发车站信号控制设备故障诊断专家系统。赵林海等［5］基于道岔转辙机各种故障模式下的动作电流曲线变化规律，采用Fisher准则提取各种故障模式所对应的特征向量，并采用灰关联法实现智能故障诊断。董昱等［6］基于小波包分解方法提取 ZD6型转辙机故障特征向量，并通过神经网络实现智能故障诊断。然而提速道岔区段采用S700K型三相交流电动转辙机，再采用以上方法提取故障特征则特征向量维数太大，诊断效率会大大降低。小波分析因其多尺度多分辨率特性被广泛应用于各种故障诊断中［7-11］，并取得了很好的效果。因此，本文将小波包分解与小波包能量熵应用于道岔故障诊断中，首先以微机监测采集的 S700K型三相交流电动转辙机的动作电流为信息源，采用“db19”小波函数对正常工作状态和各种故障状态下的三相动作电流进行6层小波包分解，然后以第 6层各节点系数为参数计算小波包能量熵，并根据小波包能量熵定义故障诊断指标，最后根据各故障状态下的三相电流小波包能量熵故障诊断指标设定故障诊断指标阈值，定量划分故障模式实现智能故障诊断。

1 小波变换

1.1 小波包分解

小波分析是一种窗口面积固定但其形状可改变，即时间和频率窗都可改变的时频局部化分析方法，由于它在分解的过程中只对低频信号再分解，对高频信号不再实施分解，使得其频率分辨率随频率升高而降低。小波包分解不仅对低频部分进行分解，对高频部分也实施了分解，而且小波包分解能根据信号特性和分析要求自适应地选择相应频带与信号频谱相匹配，从而可聚焦到信号的任意细节，因而与小波相比能更有效地从信号中提取信息［12］。

小波包变换的二尺度方程定义如下：

其中：w0（t）=φ（t）为尺度函数，w1（t）=ψ（t）为小波函数；h（k）和 g（k）分别为由尺度函数φ（t）和小波函数 ψ（t）对应的低通和高通滤波器系数，g（k）=（-1）kh（1-k）即两系数具有正交关系，由式 （1）构 造 的 序 列 ｛wn｝n∈Z+称 为 由基 函 数w0（t）=φ（t）确定的小波包。

小波包系数递推公式定义如下：

1.2 小波函数与分解层数的选择

本文选择Daubechies小波作为故障特征提取的小波函数，并采用文献［8］中的方法，引入代价函数 M｛Ei，j｝（Ei，j为小波包能量谱中各频带能量系数）来确定 Daubechies小波函数阶次以及小波包分解层次。通过计算 lp范数熵标准作为代价函数，lp范数熵（1≤p≤2）定义为：

1.3 小波包能量熵

在信息论中，熵被用来衡量一个随机变量出现的期望值。它代表了在被接收之前，信号传输过程中损失的信息量，又被称为信息熵。小波包能量熵能反映信号在信号各尺度能量的分布情况。对于转辙机动作电流信号处理来说，不同故障模式下小波包能量熵不同，因此可把各故障模式下的小波包能量熵作为各种故障特征参数。

由于同一尺度下不同的小波包能量熵可以反应不同的故障状态，所以定义同一尺度下各故障状态的小波包能量熵 Wj与正常工作状态的小波包能量熵 W的偏差百分比作为故障诊断指标［11］，即：

2 基于小波包能量熵的道岔故障分析

2.1 S700K型转辙机动作电流分析

道岔动作电流曲线是反映道岔运用质量的一个重要指标。微机监测系统对道岔动作电流随时间的变化进行实时监测，通过对动作电流曲线的分析，可对道岔的电气特性、机械特性和时间特性进行判断，图1为 S700K型转辙机牵引道岔正常动作的电流曲线。道岔转换过程分为解锁、转换和锁闭3个阶段：

第1为解锁阶段，三相电动机得到380 V交流电源，电机启动，启动电流很大，此阶段会出现峰值，表示接点断开，完成解锁后电流迅速回落。

第2为转换过程，三相电动机继续转动，动作杆带动道岔尖轨或可动心轨平稳转换，此阶段动作电流曲线平滑。

第3为锁闭过程，完成锁闭，接通表示接点，此时一相电流迅速回落至 0，另外两相电流回落至0.4 A左右。随着道岔位置给出，道岔控制电路断开，另外两相电流变为0。

图1 S700K型转辙机正常动作电流曲线Fig.1 Curves of normal operation current for S700K type switch machine

根据现场调研，S700K转辙机的典型故障模式有7种：

1）不能解锁：其中一项电流在锁闭阶段有大幅波动，整个动作过程延长至13 s切断，电流曲线如图2（a）所示，原因是转辙机锁舌蹩劲无法解锁。

2）不能锁闭：三相电流在整个过程中出现锯齿形波动，且扳动时间延长至13 s切断，电流曲线如图2（b）所示。原因是尖轨爬行超标或尖轨夹有异物导致锁钩、锁块蹩劲，道岔无法锁闭。

3）密贴器故障（或室外表示电路开路）：锁闭阶段小台阶无电流，电流曲线如图2（c）所示，原因是密贴器故障或室外表示电路开路。

4）室外电阻短路：转换阶段末端电流出现峰值，锁闭阶段小台阶偏高到正常电流的3倍，电流曲线如图2（d）所示。

5）整流堆不良（至少1对二极管软击穿）：锁闭阶段小台阶电流偏高到正常电流的2倍，电流曲线如图2（e）所示。

6）转辙机内部故障（电机中间齿轮别卡）：解锁阶段电流高达4 A左右，整个过程中电流出现锯齿型波动，转换和锁闭阶段电流值正常，由于故障点发生在摩擦联结器前所以解锁阶段电流高，而摩擦联结器后电流与正常值一致，电流曲线如图2 （f）所示。

7）TS-1接点不良：道岔在扳动中至少有一相电流会向下变化最低到0，电流曲线如图2（g）所示。

2.2 小波包分析道岔故障诊断方法

小波包分析是一种能够将低频分辨到任意细节的信号处理方法。因此，它能有效地提取电动转辙机动作电流曲线中的故障信息。将小波包能量熵分析法应用于 S700K型道岔转辙机动作电流故障诊断中的步骤如下（以A相交流信号为例，B和C两相交流信号分析方法与 A相同）。

Step1：小波包分解：采用“db19”小波对A相交流信号进行6层小波包分解，得到第6层从低频到高频64个频带的特征信号SA6j（其中j=0，1，…，63）。

Step2：重构小波包系数，重构的目的是恢复第6层各节点信号，使每一节点的信号长度与原信号长度一致，从而得到重构信号 SSA6j。

Step4：计算 A相交流信号第6层小波包分解总能量EA：。

Step5：根据式（4）求小波包能量熵 WA。

Step6：通过式（5）计算故障诊断指标，为方便计算，本文在此基础上乘以100，即

Step7：阈值设定：根据各异常状态下三相电流小波包能量熵故障诊断指标值分别设定三相交流信号的故障诊断指标阈值 hA1和 hA2，hB1和 hB2，hC1和 hC2，来定量划分故障模式。

图2 转辙机典型故障动作电流曲线Fig.2 Typical fault current curve of switch machine

2.3 小波包能量熵道岔故障诊断

表1为根据 2.2节的步骤计算得到的道岔转辙机正常状态和各故障状态下的小波包能量熵值，从表 1可以看出不同故障模式下，三相交流信号的能量熵不同，对同一转辙机来说，若三相电流变化规律相似，则能量熵也相近。其中，正常状态下，三相电流能量熵之间的关系是：WC＞WA＞WB，且WA和 WC相近；而 a，c和 f 3种故障状态下，WC＞WB＞WA，a状态下WA和WB相近，c和f状态下WA，WB和 WC相近，且c状态下各相电流的小波包能量熵高于f状态下；b和g 2种故障状态下WB＞WC＞WA，WA，WB和WC相近，且 g状态下的三相电流小波包能量熵远高于 b状态下；d状态下WA＞WB＞WC；e状态下WC＞WA＞WB，且WA，WB和WC相近。虽然各故障状态下道岔转辙机三相电流小波包能量熵有一定的变化规律，但是单凭故障状态下的小波包能量熵无法准确诊断故障情况，需将异常状态下各相电流的小波包能量熵与正常状态下各相电流能量熵分别进行比较，即通过小波包能量熵故障诊断指标来诊断故障。表2为图2中7种故障状态（a～g）下三相交流信号的小波包能量熵故障诊断指标值h，区分度明显，根据表2设定A，B和 C三相交流信号小波包能量熵故障诊断评价指标阈值分别为hA1=-10和 hA2=30，hB1=30和 hB2= 100，hC1=-20和hC2=30。各故障模式与小波包能量熵故障诊断指标阈值之间的对应关系如表 3所示。

若给定待测信号源，根据表3各故障模式下三相交流信号小波包能量熵故障诊断指标区间，其故障诊断流程如图3所示。

表1 正常状态和各故障状态下三相交流信号的小波包能量熵Table1 Three-phase AC signal wavelet packet energy entropy in normal state and fault state

表2 各故障模式下三相交流信号小波包能量熵故障诊断指标值Table2 Fault diagnosis index of three-phase AC signal wavelet packet energy entropy value in failure modes

表3 各故障模式与三相电流小波包能量熵故障诊断指标阈值之间的对应关系Table3 The relations between the failure modes and the index threshold of fault diagnosis for three-phase current wavelet packet energy entropy

图3 道岔故障诊断流程Fig.3 Process for switch fault diagnosis

2.4 结果验证

以图 4中上海铁路局某一起道岔故障数据为例进行测试，得到 hA=72.205 4，hB=142.994 7，hC=49.281 9，对照表 2诊断出属于故障类型 g，即“TS-1接点不良”故障，测试结果与现场诊断结果一致。

图4 现场转辙机动作电流曲线Fig.4 Switch machine current curve of the field

图4与图2（g）相比，电流变化规律有相似之处，又存在一定的差异，但是不影响诊断结果，这是由于阈值区间的设定保有一定的裕度，避免了误诊断。

3 结论

1）小波包能量熵能有效提取 S700K型道岔转辙机故障特征，且信号波动越明显，则熵值越大；

2）小波包能量熵故障诊断指标能反应异常状态下三相电流偏离正常信号的程度，阈值的设定能定量划分故障模式；

3）该方法简单，故障特征维数小，且无需训练，能够正确识别故障类型。

［1］苏旷宇，陈洪云，欧阳宏志.提速道岔故障的人工智能诊断实现［J］.微计算机信息，2007，23（8）：188-189.SU Kuangyu，CHEN Hongyun，OUYANG Hongzhi.Use artificial intelligence to diagnose the fault of speediness railway switch［J］.Microcomputer Information，2007，23 （8）：188-189.

［2］董海鹰，李娜.基于D-S证据理论信息融合的转辙机故障诊断方法研究［J］.测试技术学报，2013，27（1）：1-7.DONG Haiying，LI Na.Fault diagnosis method for switch machine based on D-S evidence theory information fusion［J］.Journal of Test and Measurement Technology，2013，27（1）：1-7.

［3］Roberts C，Dassanayake H P B，Lehrasab N，et al.Distributed quantitative and qualitative fault diagnosis：railway junction case study［J］.Control Engineering Practice，2002，10（4）：419-429.

［4］张喜，杜旭升，刘朝英.车站信号控制设备故障诊断专家系统的研究与实现［J］.铁道学报，2009，31（3）：43-49.ZHANG Xi，DU Xusheng，LIU Chaoying.Development of railway station signaling control equipment fault diagnosis expert system［J］.Journal of the Railway Society，2009，31 （3）：43-49.

［5］赵林海，陆桥.基于灰关联的道岔故障诊断方法［J］.铁道学报，2014，36（2）：69-74.ZHAO Linhai，LU Qiao.Method of turnout fault diagnosis based on grey correlation analysis［J］.Journal of the Railway Society，2014，36（2）：69-74.

［6］董昱，赵媛媛，林海香.基于小波分析的电动转辙机动作电流的分析研究［J］.兰州交通大学学报，2012，12 （31）：39-43.DONG Yu，ZHAO Yuanyuan，LIN Haixiang.Analysis and research on the action of electric switch machines current based on wavelet analysis［J］.Journal of Lanzhou Jiaotong University，2012，12（31）：39-43.

［7］Yildiz A，Akin M，Poyraz M，ed al.Application of adaptive neuro-fuzzy inference system for vigilance level estimation by using wavelet-entropy feature extraction［J］.Expert Syst Appl，2009，36（4）：7390-7399.

［8］丁幼亮，李爱群.基于振动测试与小波包分析的结构损伤预警［J］.力学学报，2006，38（5）：639-644.DING Youliang，LI Aiqun.Structural damage early warning based on vibration testing and wavelet packet analysis ［J］.Chinese Journal of Theoretical and Applied Mechanics，2006，38（5）：639-644.

［9］何正友，蔡玉梅，王志兵.电力暂态信号小波分析的后处理方法研究［J］.电网技术，2005，29（21）：46-51.HE Zhengyou，CAI Yumei，WANG Zhibing，et al.A study on post-analysis methods of wavelet-transformed power system transient signals［J］.Power System Technology，2005，29（21）：46-51.

［10］Wang D，Miao D Q，Xie C.Best basis-based wavelet packet entropy feature extraction and hierarchical EEG classification for epileptic detection［J］.Expert Syst Appl，2011，38（11）：14314-14320.

［11］张尧，林凌雪，钟庆.HVDC换相失败小波故障诊断方法［J］.华南理工大学学报（自然科学版），2007，35 （10）：172-176.ZHANG Yao，LIN Lingxue，ZHONG Qing.Fault diagnosis based on wavelet for commutation failure in HVDC ［J］.Journal of South China-University of Technology （Natural Science Edition），2007，35（10）：172-176.

［12］孙延奎.小波分析及其应用［M］.北京：机械工业出版社，2005.SUN Yankui.Wavelet analysis and its application［M］.Beijing：Mechanical Industry Press，2005.

（编辑 阳丽霞）

Method of speed-up turnout fault diagnosis using wavelet packet energy entropy

AN Chunlan1，GAN Fangcheng1，LUO Wei1，QIN Fayuan2

（1.School of Rail Transportation，East China Jiaotong University，Nanchang 330013，China；2.Beijing National Railway Research&Design Institute of Signal&Communication Co.Ltd，Beijing 100073，China）

The wavelet packet transformation was applied to the fault diagnosis of S700K type speed-up turnout switch machine.The three-phase AC current of S700K switch collected from microcomputer monitoring system was given as signal source.Based on wavelet packet multi-scale analysis，the three-phase alternating current of switch machine in working state and fault state was decomposed，and the fault feature from the wavelet energy entropy was extracted.Then according to the definition of the fault diagnosis index，two thresholds for each phase of the alternating current fault diagnosis index were set to categorize the fault type quantitatively.The experimental results show that wavelet energy entropy distribution of three-phase current has certain rules，and the thresholds of fault diagnosis index can effectively partition switch fault types.Moreover，the sample test results are consistent with the actual field diagnostic results.

switch machine；turnout；fault diagnosis；wavelet packet analysis；wavelet energy entropy

U213.6

A

1672-7029（2015）02-0269-06

2014-09-24

华东交通大学校立科研基金资助项目（12GD05）

甘方成（1968-），男，河南卫辉人，副教授，从事铁路信号设备智能故障诊断方法研究；E-mail：agfch@126.com