转辙机的故障预测与健康管理技术

汪　倩　周振威　陆裕东　史峥宇　孟凡江

(1. 暨南大学信息科学技术学院　广州　510632；2. 工业和信息化部电子第五研究所　广州　510610；　3. 广州市地下铁道总公司　广州　510310)



转辙机的故障预测与健康管理技术

汪倩1,2周振威2陆裕东2史峥宇2孟凡江3

(1. 暨南大学信息科学技术学院广州510632；2. 工业和信息化部电子第五研究所广州510610；3. 广州市地下铁道总公司广州510310)

阐述国内外转辙机故障预测与健康管理(prognostics and health management, PHM)技术的发展现状，提出转辙机PHM技术的原理框架，并给出转辙机PHM技术的关键点，包括敏感参数分析、数据采集、故障物理分析、特征提取、健康评估、故障诊断、故障预测以及决策计划等，为转辙机PHM技术的工程应用提供理论基础。

转辙机；故障预测与健康管理；技术框架

1　国内外研究现状

转辙机是控制道岔转换、锁闭及监督的关键设备，随着我国城市轨道交通的建设规模不断扩大，速度和运量不断增加，其故障率呈现上升趋势，容易导致道岔的误动作、不动作、不完全动作，严重影响轨道交通的运营效率(见表1)。由于转辙机的数量庞大、结构复杂，传统的事后维修和定期维护，耗费资源且效率低，很难严格保障道岔和转辙机的正常运行。为了提高可靠性和工作效率, 对转辙机进行状态监控和故障预测显得越来越迫切。故障预测与健康管理(prognostics and health management，PHM)技术是一种综合的技术解决方案，包括设备状态监测、健康评估、故障诊断和故障预测等功能，能够满足地铁设备维修保障的需求，有效地降低故障率，节约保障资源并减少经济损失。因此，将PHM技术应用于转辙机的维修维护具有现实意义。

国外在装备系统等领域的PHM技术，已经拥有一套成熟的设计思路和技术体系，转辙机等机械设备的PHM技术也有长足的发展。主要采集电流、功率、位移及转换力等信号进行实时监测，运用聚类、分类和回归等数据挖掘方法，实现系统的故障诊断和健康状态评估[1-3]。但是，故障预测技术和剩余使用寿命模型还不成熟，仍需要不断完善，同时缺少标准的评价体系和验证平台支撑理论的可行性。

表1　转辙机原因导致地铁道岔故障

注：信息来源于《信息时报》和《国际金融报》等报纸刊物。

我国的PHM技术起步相对较晚，主要用于装备的关键系统和部件，系统集成能力较弱。电子产品和工业控制等方面的PHM技术研究逐步将理论应用于实践[4]，加快实现工程产业化的进程。然而，针对转辙机等复杂机械设备的PHM技术仍处于起步阶段，逐步从最初的便携式测试仪发展到在线实时监测。虽然转辙机的故障检测和诊断的研究不少，但是技术重点相对分散，故障预测的工程化应用程度不高[5]，尚未形成完整的转辙机PHM技术框架。

下面给出转辙机PHM技术的原理框架，并阐述其技术的关键点及应用。

2　原理框架

转辙机PHM技术框架如图1所示，可分为敏感参数分析、数据采集、故障物理分析、数据挖掘以及决策计划5个部分。其中，数据挖掘包括特征提取、健康评估、故障诊断及故障预测4个环节。

图1　转辙机PHM技术的原理框架

首先，分析转辙机的故障机理，确定故障的形成诱因和表现形式，划分故障类型，并将其映射到电气或物理参数变化上，从而确定监测信号。其次，根据传感器安装及数据获取的难易程度，选择最优的信号采集方案，对原始数据进行降噪、剔除异常值以及缺失数据处理等操作，再采用数据挖掘方法提取故障特征，并建立数学模型用于诊断和预测。随后，以健康基准为标杆，评估系统的健康状态，定义维修级别：若检测信号处于故障状态，发出警告并诊断系统的失效模式，定位故障；若检测信号处于健康状态，则持续监测信号，分析可能的故障类型和退化模型，并对转辙机未来可能发生的故障进行预测，估算剩余使用寿命。最后，根据健康状态评估故障预测的结果，给出相应的维修维护的建议和措施，降低转辙机的保障成本。

3　关键技术

3.1敏感参数分析

大致而言，转辙机故障可分为电气和机械故障，常见的机械故障有30多种，其固有的关联性和偶发性导致故障难以排查。实验证明，大部分的故障发生前后，都会引起电流、转换力等信号的缓慢变化或突变。为此，采集转辙机的工作电压、工作电流、转换力、缺口，以及尖轨与基本轨密贴度等电气和物理参数信号。利用多组传感器(如CMOS数字图像传感器、热电偶、加速度计等)的协调互补进行智能化处理[6]。面向交流转辙机，由于功率与转换力线性相关，可通过采集电压和电流信号并进行曲线拟合得到有功功率[7-8]，通过监测有功功率信号的变化来反映故障。此外，应结合振动和温度等环境信号及历史维修数据进行辅助判断。

3.2数据采集

数据采集是转辙机PHM技术实施的重要环节，只有在转辙机合适的部位正确安装传感器，才能保证采集数据的有效性。转辙机数据采集的拓扑结构如图2所示，传感器的输出信号通常需要进行信号调理，经过数据采集卡传输至数据采集控制器中，再通过总线或者无线的方式连接至在线监测平台，应用Measurement Studio、LabVIEW等软件，进行数据采集、控制和表达，实现转辙机的实时监测。

图2　数据采集的拓扑结构

在数据采集过程中，需要注意两方面的问题；

1) 传感器的安装与优化。传感器安装部位和数量既不能影响转辙机的正常运行，又要确保数据的可靠性和有效性，排除测量误差引起的数据分析和健康状态的错误估计。

2) 采样率和精度的选择。保证数据的采样间隔在不会影响故障诊断的前提下，尽量减少内存负荷。

3.3故障物理分析

根据转辙机的设计参数和应力参数，建立数学模型进行失效分析[9]。道岔转辙机是一套复杂的机械系统，在实际工程应用时其加载条件和环境因素不断变化，很难精确地模拟实际的工作环境，因而需要考虑外部不确定性所带来的影响。此外，利用大量的转辙机实际工作数据进行模型验证，并不断修正模型参数。

3.4数据挖掘

数据挖掘是指从大量数据或者数据库中提取有用的信息。可通过统计分析、机器学习、专家系统和模式识别等诸多方法来实现。数据挖掘算法非常丰富(见表2)，以下说明这些方法在转辙机的特征提取、健康评估、故障诊断和故障预测中的应用，为转辙机的故障数据分离和故障预测等环节提供理论基础。

表2　数据挖掘方法在PHM技术中的应用

3.4.1特征提取

单一指标不能反映事物的属性，无权重的多指标导致数据的冗余，而特征提取可将多指标转化为少数几个对故障信息贡献率较大的综合指标，从而保持特征量的最优性。主成分分析(PCA)、时频域分析和小波分析是分析转辙机电流及转换力数据时最常用的数据处理方法。以PCA分析振动信号为例，采集水平和垂直方向的加速度信号，分别计算两路信号幅值的峰-峰值、均方根、振幅因子、峭度和方差，得到10维特征，以适当频率采集2 803次，形成2 803×10的数据矩阵。数据标准化之后，将10维相关的特征映射到4维不相关的正交特征，计算对方差的贡献率并进行高低排序，即第一主成分、第二主成分，以此类推。忽略信息贡献率较低的成分，因此数据由10维降至4维，选择主成分作为新的特征量。同时，在特征提取过程中，需要根据转辙机的故障或失效机理，分析敏感的物理参数，并利用数据的固有特征进行建模。

3.4.2健康评估

利用数学计算特征量的值并不能直接反映设备的健康状态，而需要将数据转化为反映故障程度的等级量，对现存或潜在的故障程度进行量化度量，即利用采集(现场和历史)的数据判断设备是否还处于健康的运行状态。因此健康评估是实现定量评价和质性评价的有效结合。评估转辙机是否处于健康状态的方法很多，如秩和检验和马氏距离。另外，高斯混合模型、自组织映射和罗杰斯特回归等方法也能给出良好的健康评估结果。推荐采用霍特林T2系数法(HotellingT2)，应用综合评判方法对多维变量的转辙机健康信息进行评估。首先通过实验得到转辙机的健康样本，然后判断实际数据是否来自健康样本。定义T2为实际数据与健康样本之间的距离，根据距离值判断设备是否健康，划分不同的故障等级，分级报警，并采取相应等级的维修或者维护措施。

3.4.3故障诊断

针对转辙机，利用微机监测道岔电流曲线，通过图像处理技术监测缺口位移量或者基于人工神经网络的智能故障诊断系统，通常都只能诊断部分故障。然而，利用转换力、电流以及位移等多种信号的数据进行信息融合，灵活运用隐马尔可夫模型和支持向量机等分类方法进行故障诊断，可以达到更好的效果。在此基础上，采用功率(电流)分段曲线法可以实现更精准的诊断。如图3所示，将转辙机的有功功率曲线划分为若干个工作区间，根据功率曲线的特征判断转辙机在哪一工作区间出现了故障或异常，从而实现故障的定位[1]。具体而言，可以考虑将转辙机工作过程分为3个阶段：启动解锁、转换和锁闭。在启动解锁阶段，涉及到电源、电机、摩擦连接器、齿轮以及解锁装置的启动；在转换阶段，动作杆、螺母、表示杆、检测杆以及滑床板等容易发生故障；在锁闭阶段，检测杆、速动开关组、锁闭块和锁舌等是故障频发部件。这些部件按一定的先后顺序运作完成转辙机的一次正(反)转，因此可将转辙机每一步动作进行分割，以区间为单位进行观察。若某区间的信号异常，则对该区间的工作部件进行剖析，进一步查找故障的具体原因。

图3　功率曲线的划分区间

3.4.4故障预测

转辙机的运行环境恶劣，部件磨损和累积形变都可能导致故障。结构复杂度越高，故障的偶发性越大。因此故障预测是转辙机PHM技术的至关重要环节，也是实现状态修的必要条件。避免维修盲目性，缩短维修工期，提高安全性、可靠性，同时降低运营成本。对于转辙机而言，建立自回归模型和灰色预测模型是目前普遍采用的方法，即利用预测对象特征参数的历史数据和现场数据，建立特征参数的发展变化模型，预测该参数到达某个阈值的时间。但是，由于转辙机工作时受到温度、湿度等多种环境因素的影响，难以建立准确的转辙机特征参数退化模型，从而影响了转辙机故障时间的预测精度。

3.5决策计划

基于设备健康状态的视情维修是定期维护和事后维修的有效补充，目前铁路部门也逐步从预防修、分散修和事后修向实行状态修过渡，从而压缩故障恢复时间，减少检修作业次数和时间。若转辙机的检测结果为故障，则立即隔离故障，对故障影响和就绪状态进行评估，采取相应等级的维修措施，排查故障，启动应急预案，保证地铁道岔的正常运行。若转辙机的检测结果为正常，则利用故障预测模型预测其故障发生的时间，提前采取相关维护措施，保证转辙机处于健康运行状态，实现转辙机的状态修，从而保障地铁营运效率和降低维修成本，实现良好的社会效益。

4　结语

针对转辙机可靠性和维修维护经济性的需要，给出了转辙机PHM技术的原理框架，并讨论了转辙机PHM技术的关键点，包括敏感参数分析、数据采集、故障物理分析、特征提取、健康评估、故障诊断、故障预测以及决策计划等环节，形成了较完整的转辙机PHM技术的解决方案，为转辙机的维修维护决策提供理论依据，提高了转辙机的可靠性并降低了维修维护成本。未来的工作是将转辙机PHM技术进行工程应用，形成综合的解决方案。

[1] Ardakani H D，Lucas C，Siegel D，et al.PHM for railway system：a case study on the health assessment of the point machines[C]//IEEE Conference on Prognostics and Health Management (PHM).Denver, 2012.

[2] Omer F E, Fatih C, Uday K.Failure diagnostics on railway turnout systems using support vector machines[C]//The 1st International Workshop and Congress on Maintenance. Luleå,2010.

[3] McHutchon M A, Staszewski W J , Schmid F.Signal processing for remote condition monitoring of railway points [J].Blackwell Publishing Ltd Strain, 2005(41):71-85.

[4] 孔学东，恩云飞，陆裕东,等.电子产品故障预测与健康管理：应用构架与实践[M].北京:电子工业出版社，2013.

[5] 郭瑞峰，陈晓雯，何银晖，等.基于灰色系统理论的转辙机动作杆疲劳裂纹扩展寿命预测[J].机械设计与研究，2013，29(2):114-116.

[6] 郑霄.基于图像处理技术的转辙机实时在线监测的研究[D].北京：北京交通大学，2009.

[7] 王安，于娜，程传畅.电动转辙机测试仪道岔阻力测试方法设计[J].现代电子技术， 2011，34(8):208-210.

[8] 王安，罗世刚，焦美鹏.转辙机转换力在轨监测方法研究[J].现代电子技术，2012，35(7):139-141.

[9] 孔学东，陆裕东，恩云飞.电子产品PHM及其关键技术[J].中国质量，2010(3)：15-18.

(编辑：曹雪明)

Prognostics and Health Management Technology of Point Machine

Wang Qian1,2Zhou Zhenwei2Lu Yudong2Shi Zhengyu2Meng Fanjiang3

(1. Institute of Information and Technology, Ji’nan University, Guangzhou 510632；2. China Electronic Product Reliability and Environmental Testing Research Institute, Guangzhou 510610;3. Guangzhou Metro Corporation, Guangzhou 510310)

The trend of prognostics and health management (PHM) about point machine was introduced, and the principle framework of PHM for point machine was proposed. Then, the key steps for point machine’s PHM technology were presented, including sensitive parameters analysis, data acquisition, physical analysis of failure, feature extraction, health assessment, fault diagnosis, prognostics and maintenance decision. These steps provide theoretic backgrounds for point machine’s PHM technology in engineering.

point machine; prognostics and health management (PHM); technology framework

10.3969/j.issn.1672-6073.2015.01.014

2014-01-04

2014-03-24

汪倩，女，硕士研究生，从事故障预测与健康管理研究，christy201314@126.com

科技部国际科技合作项目(2010DFB10070)

U231.94

A

1672-6073(2015)01-0058-04