基于SA-CPSO优化HSMM的转辙机故障预测模型研究

陈永刚，戴乾军，李俊武



基于SA-CPSO优化HSMM的转辙机故障预测模型研究

陈永刚，戴乾军，李俊武

(兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070)

针对目前铁路现场转辙机PHM中故障发生的模糊性与随机性等不确定问题，提出一种基于自适应混沌粒子群(SA-CPSO)优化隐半马尔科夫(HSMM)的设备退化过程故障预测模型。根据转辙机全生命周期机械部件状态退化过程对其进行退化状态划分；建立SA-CPSO优化HSMM的设备状态评估和故障预测模型，再结合前向-后向算法对优化后的模型进行参数估计；通过实例分析验证该方法的有效性和可行性，实现传统信号维修策略的方法改进。

转辙机；故障预测；自适应混沌粒子群；隐半马尔科夫；前向-后向算法

转辙机作为铁路信号系统中实现道岔操纵的重要基础设备，对于保证行车安全、提高运营效率至关重要[1−2]。传统转辙机采用的事后和定时维修模式存在“维修过剩”和“维修不足”等对维修时机把握不清的问题，且其数量多、结构复杂，故障发生带有明显随机性和不确定性，对转辙机进行状态评估与故障预测具有现实意义。近年来，铁路信号设备健康状态诊断及预测方面的研究不断增加。李娜等[4]针对单一电气故障诊断精度偏低的问题，提出基于D-S证据理论信息融合的方法对轨道电路进行分析，采用BP神经网络和模糊综合评判法进行诊断，取得了可信度较高的效果；董昱等[5]采用小波分析性方法对转辙机动作电流曲线进行故障分析；肖蒙等[6]提出基于快速贝叶斯网络的转辙机电气故障诊断方法；翟琛等[7]借助BN算法分析转辙机控制电路和道岔工作原理，分析其机械故障类型及故障原因；王瑞峰等[8]结合灰色神经网络算法建立转辙机动作过程的功率曲线和故障曲线之间的灰色关联度，便于维修检测。通过对目前转辙机相关研究文献的分析可得：1) 转辙机故障的研究主要集中在电气方面，然而实际故障绝大部分为机械故障[7]；2) 各种智能的故障诊断方法得到行业专家的肯定；3) 转辙机的研究主要局限在故障诊断方面，缺乏对设备全生命周期机械状态实时监控与故障预测。随着设备“计划修”向“状态修(CBM)”的转变，本文引入故障预测与健康管理(Prognostic and Health Management, PHM)理念评判转辙机当前健康状态并进行故障预测。在设备PHM中选择隐半马尔科夫(HSMM)描述设备退化过程的状态转移和故障规律的演化[9−13]。Boukra等[14−15]将PSO算法引入HSMM模型中，提高了模型的分类精度。粒子群(PSO)算法有强寻优能力，但存在过早收敛、易陷入局部最优缺点[16−17]。本文建立自适应混沌粒子群(SA- CPSO)算法。最终提出SA-CPSO优化HSMM的故障退化识别与状态预测模型。

1 设备状态退化划分

1.1 设备状态退化过程描述

转辙机全生命周期中，机械部件长期运行，易导致磨损和老化等问题，设备健康状态持续退化。如图1，0时刻为设备故障萌发点(故障开始发生点)表示设备刚刚出现故障，但没有明显征兆；潜在故障点(能发现的故障点)表示设备故障带有明显征兆；故障点(功能故障点)表示设备的功能丧失，发生功能故障。通过监测状态参数与捕获故障萌发点或潜在故障点的状态参数变化可分析设备故障部位、性质及变化规律，及时给出维修指导。

图1 状态退化曲线图

1.2 设备状态退化等级划分

通过分析转辙机的设备构造、故障机理，再结合故障数据、专家意见并分析故障演化规律、划分退化模式。将转辙机全生命周期的退化状态划分为：“健康”、“良好”、“注意”和“故障”，见表1。

表1 退化状态划分

2 基于HSMM相关算法介绍

HSMM是在隐马尔科夫(HMM)的基础引入状态驻留时间的扩展模型。HSMM的一个状态对应若干观测值，模型的一节状态代表宏观状态，多个微观状态组成一个宏观状态[18]，HSMM结构图如表2所示。转辙机的健康状态退化过程可看作是一定转移概率的隐含转移过程，具有不可逆和隐含性，其拓扑结构如图2所示。

表2 HSMM节描述

图2 HSMM拓扑结构图

3 SA-CPSO优化算法描述

3.1 标准PSO算法介绍

v(+1)()+11[p()−x()]+

22[g()−x()] (1)

x(+1)=x(+1)+v(+1) (2)

其中：1≤≤，1≤≤；为惯性系数；1和2为加速因子，为保证粒子具有较强的自我更新和全局寻优能力，取122；1和2为[0,1]上的随机数。

3.2 CPSO优化算法

鉴于粒子群算法在迭代过程中易过早收敛，借助混沌算法[19−20]的无规则、非线性如式(3)对粒子群进行混沌优化。

H1=mH(1−H)0, 1, 2,…(3)

其中：H1为混沌变量；0≤0≤1，H为第个变量；为取值(0,4]的参数，若4时，系统完全混沌，混沌空间为[0,1]。

为避免粒子群在混沌优化搜索中陷入过早收敛状态，按式(4)引导粒子位置变量快速跳出早熟状态，进一步搜索全局最优解。

x+1min+H+1max−min),0, 1, 2…(4)

其中：x+1为粒子位置变量；H+1由式(3)确定。

3.2.1 判断早熟收敛的方法

本文采用群体适应度方差判断粒子是否过早收敛，群体适应度方差如式(5)所示。

式中：为粒子群的粒子总数；f为第个粒子的适应度值；f为粒子群平均适应度值；群体适应度方差σ反映粒子群的收敛状态，若σ越小，则粒子群越趋于收敛。设定一定的σ值，若小于该值判定粒子为过早收敛。

3.2.2 适应度函数

为避免全局最优误判为过早收敛状态，设定最优适应度阈值，如式(7)所示。

其中：为被监测参量，即粒子的多组被观测的位置向量。act和tex分别为算法辨识得的实际值和测试值。适应度越小则参数辨识越准确。

3.3 自适应混沌粒子群(SA-CPSO)算法

CPSO算法的惯性系数对算法寻优具有重要影响。通常为增加混沌粒子群算法在全局和局部最优搜索的协调性，算法在迭代初期应保持较大的值，在迭代后期取较小值。本文利用自适应算法更新迭代过程中的权值，如式(8)。

其中：max与min是CPSO算法中的惯性系数的最大值和最小值；为当前迭代次数；MAX为最大迭代次数；为经验系数，取值为[20,60]。

由于公式中包含负指数部分，随着算法迭代，逐渐增大，逐渐减小，粒子的速度和位置也逐渐向小范围更新。

4 基于改进算法的故障预测

4.1 改进模型的参数估计

4.1.1 前向变量的模型参数估计

前向变量：

其中：1≤。

0时刻：

从时刻到时刻前向变量递归公式：

其中：1≤≤−1, 1≤≤−1,1≤≤

计算概率：

4.1.2 后向变量的模型参数估计

后向变量：

其中：1≤≤−, β()1≤≤。

从时刻到时刻后向变量递归公式：

其中：−1，21，1≤≤。

计算概率：

4.2 模型参数估计的优化设计

结合给定前向−后向变量算法与给定的观测序列确定模型，得到(|)重估计。

推导可得：

3) 观测值概率矩阵{b()},重估计b() =(o=k|q=S)，其中b(o)为状态时刻观测矢量值的概率。由于HSMM模型一个状态对应一节的观测值，则状态持续个时间单元后特定观测值概率满足：

4.3 SA-CPSO优化HSMM的框图

SA-CPSO优化HSMM的框图见图3所示。

图3 SA-CPSO优化HSMM模型流程图

5 仿真验证

以某铁路局电务段S700K转辙机动作杆、表示杆和保持连接器中微机监测数据和在线监测的振动信号(振动传感器型号：CT1010)作为监测量，实验中分别采集50组转辙机的运行数据，前20组用于模型训练，后30组用于模型测试。状态数目设置为4，训练算法最大迭代步数100，算法收敛误差0.000 001。图4为优化模型的训练曲线，横纵坐标分别为训练步数与不同状态下的似然概率估计值。测试模型的状态转移概率、各退化状态驻留时间的均值和方差分别见表3~5。该方法在4个模型中迭代曲线训练步数不超过50的情况下达到训练设定的误差。可以看出模型具有较强的数据处理能力。

图4 SA-CPSO优化HSMM模型的参数训练

表3 状态转移概率

表4 退化状态驻留时间均值和方差

表5 各状态驻留时间

将振动信号的各个故障特征向量样本输入到模型中，训练一个4状态的健康状态分类器，建立SA-CPSO优化HSMM模型的分类库。输入任意状态的测试样本值，结合Viterbi算法可以得出各状态模型分类器的最大似然概率估计值。依据贝叶斯分类准则，输出概率最大的模型即为其相应的状态。

分别对剩余的30组振动测试数据进行去噪，归一化处理形成观测序列并进行训练模型建立对应的健康状态评估分类器，得到其退化状态转移概率矩阵如表6所示。

表6 退化状态转移概率

再代入15组数据进行MATLAB仿真，各状态的预测结果如图5~8。由图5~8的4个状态分类器的仿真图可以看出，当训练样本很少时改进的预测模型依然能保持较高的分类精度、模型状态识别率依然维持在一个稳定的区间。

图5 “健康”状态样本预测结果

表7和表8通过将转辙机模型改进前后的健康状态识别率作比较，结果表明基于SA-CPSO算法优化的HSMM模型健康状态识别率明显高于传统HSMM模型。

图6 “良好”状态样本预测结果

图7 “注意”状态样本预测结果

图8 “故障”状态样本预测结果

表7 传统HSMM模型识别结果

表8 SA-CPSO优化的HSMM模型识别结果

6 结论

1) 首先通过分析转辙机退化状态机理，将转辙机全生命周期的健康状态化为4个状态。

2) 建立转辙机的一般退化状态的HSMM预测模型，再引入SA-CPSO优化HSMM模型。

3) 然后采用前向−后向算法对改进的预测模型进行参数重估计。

4) 最后选取实验数据对改进算法进行训练，再结合现场数据验证了该改进模型具有良好的故障预测性健康状态识别能力，提高了状态分类精度，为现场维护人员提供指导。

[1] 郭进. 铁路信号基础[M]. 北京: 中国铁道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 伏玉明, 刘伯鸿, 宋爽. 基于模糊综合评判的转辙机健康评估研究[J]. 铁道科学与工程学报, 2017, 14(5): 1070−1076. FU Yuming, LIU Bohong, SONG Shuang. Research on health assessment methods for switch machine based on fuzzy comprehensive evaluation[J]. Journal of Railway Science and Engineering, 2017, 14(5): 1070−1076.

[3] 钟英榕, 尚闻博, 吴长峰, 等. 基于改进HMM的模拟电路故障预测模型[J]. 火力与指挥控制, 2018(2): 91−97. ZHANG Yingrong, SHANG Wenbo, WU Changfeng, et al. Based on improvement of HMM analog circuit fault prognostics model[J]. Fire and Command Control, 2018(2): 91−97.

[4] 李娜, 董海鹰. 基于D-S证据理论信息融合的轨道电路故障诊断方法研究[J]. 铁道科学与工程学报, 2012, 9(6): 107−112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107−112.

[5] 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, 31(6): 39−43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39−43.

[6] 肖蒙, 翟琛, 潘翠亮. 基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 铁道科学与工程学报, 2015(2): 414−418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015(2): 414−418.

[7] 翟琛. 基于BN的转辙机故障诊断研究[D]. 兰州: 兰州交通大学, 2015. ZHAI Chen. Study on BN-based switch fault diagnosis [D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[8] 王瑞峰, 陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究[J]. 铁道学报, 2016, 38(6): 68−72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on grey neural network[J]. Journal of Railway, 2016, 38(6): 68−72.

[9] 朱帅军. 高铁动车组故障预测与健康管理关键技术的研究[D]. 北京: 北京交通大学, 2016. ZHU Shuaijun. Research on the key technology of fault prognostics and health management for EMU[D]. Beijing: Beijing Jiaotong University, 2016.

[10] 曾庆虎. 机械动力传动系统关键部件故障预测技术研究[D]. 长沙: 国防科学技术大学, 2010. ZENG Qinghu. Fault prognostics technologies research for key components of mechanical power and transmission system[D]. Changsha: National Defense Science and Technology University, 2010.

[11] GE H W, LIANG Y C. A hidden markov model and immune particle swarm optimization-based algorithm for multiple sequence alignment[C]// AI 2005: Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2005: 756−765.

[12] YANG F, ZHANG C, SUN T. Comparison of particle swarm optimization and genetic algorithm for HMM training[C]// International Conference on Pattern Recognition. DBLP, 2008: 1−4.

[13] LI C, LONG H, DING Y, et al. Multiple sequence alignment by improved hidden markov model training and quantum-behaved particle swarm optimization[C]// Life System Modeling and Intelligent Computing. Springer Berlin Heidelberg, 2010: 358−366.

[14] Boukra T, Lebaroud A. Identifying new prognostic features for remaining useful life prediction[C]// Power Electronics and Motion Control Conference and Exposition. IEEE, 2014: 1216−1221.

[15] 李小斌. 隐马尔可夫模型优化及其在胶带机故障预警中的应用[D]. 徐州: 中国矿业大学, 2014. LI Xiaobin. Optimization of the hidden Markov model and its application in the failure warning of the belt machine[D]. Xuzhou: China Mining University, 2014.

[16] Lee C S, WANG M H, WANG C S, et al. PSO-based fuzzy markup language for student learning performance evaluation and educational application[J]. IEEE Transactions on Fuzzy Systems, 2018(99): 1−1.

[17] 黄飞腾, 翁国庆, 南余荣, 等. 基于改进云自适应粒子群的多DG配电网EV充电站优化配置[J]. 中国电机工程学报, 2018, 38(2): 514−525. HUANG Feiteng, WENG Guoqing, NAN Yurong, et al. Optimized configuration of EV charging station based on improved cloud adaptive particle swarm[J]. Journal of Chinese Electrical Engineering, 2018, 38(2): 514− 525.

[18] Tobon-Mejia D A, Medjaher K, Zerhouni N, et al. Hidden markov Models for failure diagnostic and prognostic[C]// Prognostics and System Health Management Conference. IEEE, 2011: 1−8.

[19] Wadood A, Kim C H, Khurshiad T, et al. Application of a continuous particle swarm optimization (CPSO) for the optimal coordination of overcurrent relays considering a penalty method[J]. Energies, 2018(11): 1−20.

[20] LIU Hong, CHEN X, LI Jifeng, et al. Economic dispatch based on improved CPSO algorithm for regional power- heat integrated energy system[J]. Electric Power Automation Equipment, 2017(6): 1−4.

Research on the fault prognostics model of the switch machine based on HSMM optimized by SA-CPSO

CHEN Yonggang, DAI Qianjun, LI Junwu

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In view of the present railway site switch machine PHM in fault prognostics of fuzziness and randomness of uncertain problems, a fault prognostics model based on hidden Semi-Markov (HSMM) equipment degradation process optimized by adaptive chaotic particle swarm optimization (SA-CPSO) was proposed. Firstly, it was divided by the state degradation of the mechanical parts in the whole life cycle of the switch machine. Secondly, the equipment state evaluation and fault prognostics model of the HSMM optimized by SA-CPSO was established, and the parameters of the optimized model were estimated by combining the forward and backward algorithm. Finally, the effectiveness and feasibility of this method was verified by an example, and the traditional signal maintenance strategy was improved.

switch machine; fault prognostics; adaptive chaotic particle swarm; hidden Semi-Markov; forward and backward algorithm

10.19713/j.cnki.43−1423/u.2019.04.028

U283.2；U284.7

A

1672 − 7029(2019)04 − 1050 − 08

2018−05−03

国家自然科学基金地区科学基金资助项目(61763023)；兰州市科技计划资助项目(2017-4-135)

陈永刚(1972−)，男，甘肃会宁人，副教授，从事铁路信号设备PHM理论研究；E−mail：2575011580@qq.com

(编辑 蒋学东)