基于相似度的道岔健康状态评估及故障检测方法研究

郑云水，白邓宇，王妍

基于相似度的道岔健康状态评估及故障检测方法研究

郑云水，白邓宇，王妍

(兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070)

针对道岔系统故障诊断需要大量数据且较难获取的情况，提出基于波形相似度的健康状态评估及故障检测算法。使用SURF算法进行特征点预提取，提高计算的实时性；通过Hausdorff距离计算待识别曲线与标准曲线间的相似度，确定健康值及理论故障时间；对于已经处于故障状态的样本，与故障曲线库内模板曲线进行对比，选择匹配度最大的故障模板曲线所对应的故障类型作为待识别曲线的可能故障，从而提出检修意见。实例分析表明，该方法准确率高、速度快、适应性强，具有实际应用价值。

波形相似度；Hausdorff距离；健康评估；故障诊断

道岔作为铁路系统的重要设备之一，其安全性和可靠性直接影响到列车的正常运营和乘客的人身安全。目前我国铁路现场对道岔系统的故障判别主要依据微机监测软件提供的道岔动作电流及功率曲线，通过人工观察、综合个人经验来完成。该方法容易受到工作人员现场经验、知识水平等因素的影响，导致结果出现滞后、错判、漏判等情况，已经很难满足高速铁路发展的要求。因此使用计算机对道岔设备的健康状态进行实时评估，提前预测故障的发生具有现实意义[1]。目前，基于神经网络等智能算法的道岔故障诊断及预测的研究受到众多学者的青睐。王瑞峰等[2]采用灰色关联和神经网络结合的方法，建立灰色神经网络，计算待匹配模型和样本模型之间的关联度从而进行道岔的故障诊断。许庆阳等[3]采用Fisher准则进行道岔曲线特征提取，然后通过建立不同故障类型的HMM模型完成故障诊断，利用连续的道岔动作功率数据完成验证。张钉等[4]将遗传算法和神经网络结合，并对功率曲线进行正交小波分解完成故障诊断。周璐婕等[5]将道岔功率曲线分为3个过程，并对每个过程分别提取其特征参数，然后利用粒子群优化BP神经网络模型完成故障检测。董炜等[6]利用群决策理论将模糊理论，神经网络以及支持向量机3种方法结合起来进行综合评判，弥补单一智能算法的缺点，得到准确率更高的故障诊断模型。通过对文献分析可以发现当前研究采用的此类智能算法需要大量准确数据进行训练仿真，但获得准确的原始数据较难，因此针对该问题，提出一种基于波形相似度的道岔设备健康度评价及故障检测方案。本文选择道岔微机监测生成的电流及功率曲线作为研究对象，使用SURF算法对图像特征点进行提取，匹配，简化计算复杂度和时间。然后使用Hausdorff距离计算待识别曲线图和正常状态模板曲线图的相似度，并对健康值进行定义；对于已经故障的设备，再计算与故障库样本曲线的相似度，相似度最高的曲线对应的故障即为其可能出现的故障类型。

1 基础理论

1.1 SURF算法

本文采用的SURF算法可以大体分为如下几个环节：矩阵构建，行列式计算，特征点定位，方向分配，特征点描述符生成以及匹配[7−9]。

1) 构建Hessian矩阵

Hessian矩阵为整个算法的核心部分，其计算方法如式(1)所示。

式中：()为图像函数。

2) 行列式计算

通过式(3)得到像素点H阵行列式决定值，并进行特征点识别

式中：L，L，L为高斯滤波后图像在各个方向的二阶导数。

3) 特征点过滤，精确定位

通过步骤(2)求得的行列式决定值来判断一个点是否为极值点，如果H矩阵行列式值为正，且特征值不同号确定为极值点。然后在其邻域内对非极值进行丢弃操作，只有比26个邻域的值都大或者都小时才能作为候选特征点。

4) 特征点方向分配

以步骤(3)所选取出来的特征点作为中心，然后对各个60°的扇形范围中每个点的水平垂直Haar小波累加，选择最大的Haar累加值作为主方向，如图1。

图1 特征点主方向求取过程

5) 生成特征描述子

6) 匹配

将待测曲线图和模板曲线图中提取的特征点一一对应，然后计算其相对应的特征描述子向量的Hausdorff距离[10]。

1.2 Hausdorff距离

Hausdorff距离是一种综合考虑曲线整体走势，形状，对点集整体的相似度进行度量的距离函数[11−14]。由于在道岔微机监测系统中，所采集的电气量都是离散时间序列，其横坐标为时间，纵坐标为电流或电压的幅值。每一个数据点都相当于其一个特征点，不同的波形构成不同的点集，可以直接计算Hausdorff距离。其具体计算如下。

假设有2个有限点集：

它们两者之间的Hausdorff距离定义如下：

2 基于曲线相似度对比的道岔健康状态评估建模

系统整体思路架构如图2所示。建模步骤如下。

图2 系统架构图

1) 建立道岔曲线库，包括正常转换时的道岔动作曲线以及故障时的道岔故障曲线作为模板。故障库如表1所示。

表1 现场总结故障特征表

3) 分别计算待识别曲线和正常曲线各特征点之间的Hausdorff距离。

其中：l代表待匹配曲线上第个点到模板曲线上第个点的距离。

4) 计算Hausdorff距离，即待识别曲线与正常曲线间的距离。

5) 根据距离衡量相似度的原理，即距离越大相似度越低，距离越小相似度越高，可对待识别曲线与正常曲线的相似度进行定义，其具体计算式 如(8)。

7) 根据步骤6计算出的待识别曲线的，了解其所处健康状态。对于已经处于故障状态(阈值设定为＜0.2)的待识别曲线，计算其和故障样本库内模板曲线的相似度，相似度最高的故障模板曲线对应的故障就是待识别曲线的故障类型。

3 实例验证

根据南宁电务段调阅室的道岔曲线库完成实验仿真，与其对应的设备台账信息进行对比进行仿真结果验证。实例验证主要分为2个部分。第1部分，通过与标准曲线进行对比，完成健康值评估环节，并通过大量仿真分析，设定各个健康状态对应的阈值并提供维检修参考时间。第2部分，通过与各故障曲线进行对比，确定其可能出现的故障类型，为维检修提供参考意见。

3.1 健康状态评估

从道岔调阅曲线库中，任取5组道岔故障前20次转动的道岔功率曲线进行实验将其编号为A1～A20，B1～B20，…，E1～E20(其中A20，B20，C20，D20，E20为对应的故障状态前一次的状态)。首先对其和正常转换的道岔曲线进行特征点提取，以A1号动作曲线为例，如图3所示左侧为A1号曲线，右侧为标准曲线。首先对这2条曲线使用SURF算法进行特征点检测，提取，匹配如图4所示。

图3 A1曲线与标准曲线

图4 SURF算法特征点提取，匹配

然后计算其点群间的Hausdorrf距离，并将其转化为健康值。A1～E20共100组道岔曲线分别计算其Hausdorff距离以及健康值。计算结果如图5和6所示。

通过对图5～6进行分析可以发现，待识别曲线与正常样本曲线间Hausdorff距离与实际生产使用过程中出现故障的时间成负相关，健康值成正相关，即待识别曲线与正常样本曲线之间，Hausdorff距离越大，健康值越小，距离出现故障的时间越 接近。

图5 Hausdorff距离变化

通过对整体道岔曲线库所有道岔曲线与标准曲线的健康值进行分析，结合现场实际维检修作业记录，可以发现在健康值降到0.2之后平均还有10次转动时间会达到故障，且在0.5～0.2之间健康值会出现快速下降趋势，即设备进入劣化状态。

图6 健康值变化

结合本文方法，分析统计健康值图以及现场违规制定新的维修计划如表2所示。

3.2 故障检测

从调阅曲线库中任意选取一组故障曲线如图7，分别与表1中整理的故障库样本曲线进行对比匹配，其结果如表3所示。

由表3可知，图7所示道岔动作曲线与故障类型F7匹配度为0.862，高于其他故障类型匹配度。因此可以认为其故障类型为：滑床板过高与尖轨底部磨卡。

表2 维修计划参考

表3 待匹配曲线与模板曲线匹配度

图7 待匹配故障曲线

现场调阅记录中实际记录其发的故障为：4月30日08:23:41定位到反位动作至1.92 s时出现冒尖，冒尖部位由423 W升至536 W(参考487 W，摩擦836 W)。原因是第14块滑床板水平过高造成道岔转换过程中出现冒尖。通过对比两者的故障类型，本文方法监测出的结果与实际情况相符。

3.3 性能测试

将南宁电务段调阅室统计的2017～2019年道岔故障曲线作为测试集，进行故障类型匹配度测试，本文方法对于故障识别率为94.77%。其具体结果如表4所示。

表4 故障类型识别统计

表5 算法准确度时间对比

将本文中的方法与常用的欧氏距离以及未经SURF算法优化的Haudorff距离的准确率和运行时间进行对比，如表5所示。

通过对表5进行分析，可以发现本文中所采取的SURF+Hausdorff方法在时间上比传统的Hausdorff距离快0.292 s，比欧氏距离快0.354 s；在匹配准确度方面比传统Hausdorff距离低1.33%，比欧氏距离高6.83%。

4 结论

1) 提出了一种基于波形相似度的道岔健康状态评估以及故障类型确定方法，克服了现有故障诊断方法需要大量样本数据对算法进行支撑，而数据获取较难的情况。

2) 划分道岔设备健康状态，并通过本文方法对道岔设备健康状态进行评估，提前预测故障的发生，提出维检修建议，并对已经故障的设备进行故障类型的快速确定。

3) 通过实例仿真，验证了本文算法的准确性，且相对运算时间较短，维护预留时间充足，能够满足实际需求。

[1] 钟志旺. 铁路道岔健康状态评估与预测方法研究[D]. 北京: 北京交通大学, 2019. ZHONG Zhiwang. Research on methods of health condition assessment and prediction of railway turnout[D]. Beijing: Beijing Jiaotong University, 2019.

[2] 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 the China Railway Society, 2016, 38(6): 68−72.

[3] 许庆阳, 刘中田, 赵会兵. 基于隐马尔科夫模型的道岔故障诊断方法[J]. 铁道学报, 2018, 40(8): 98−106. XU Qingyang, LIU Zhongtian, ZHAO Huibing. Method of turnout fault diagnosis based on hidden Markov model[J]. Journal of the China Railway Society, 2018, 40(8): 98−106.

[4] 张钉, 李国宁. 基于改进WNN分析功率曲线的S700K转辙机故障诊断[J]. 铁道科学与工程学报, 2018, 15(8): 2123−2130. ZHANG Ding, LI Guoning. Fault diagnosis of S700K switch machine based on improved WNN analyses power curve[J]. Journal of Railway Science and Engineering, 2018, 15(8): 2123−2130.

[5] 周璐婕, 党建武, 王瑜鑫, 等. 基于道岔动作电流的故障特征提取与诊断方法[J]. 兰州交通大学学报, 2019, 38(5): 74−81. ZHOU Lujie, DANG Jianwu, WANG Yuxin, et al. Research on fault feature extraction and diagnosis based on turnout action current[J]. Journal of Lanzhou Jiaotong University, 2019, 38(5): 74−81.

[6] 董炜, 刘明明, 王良顺, 等. 基于群决策的道岔控制电路故障诊断方法[J]. 自动化学报, 2018, 44(6): 1005− 1014. DONG Wei, LIU Mingming, WANG Liangshun, et al. Fault diagnosis for railway turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2018, 44(6): 1005−1014.

[7] 练仕榴, 郑刚, 牟善玲. 用于心电波形分析的相似性度量策略[J]. 计算机工程, 2011, 37(9): 263−265. LIAN Shiliu, ZHENG Gang, MOU Shanling. Similarity measurement strategie for ECG waveform analysis[J]. Computer Engineering, 2011, 37(9): 263−265.

[8] Liboni L H B, De Flauzino R A, Da Silva I N, et al. Efficient feature extraction technique for diagnosing broken bars in three-phase induction machines[J]. Measurement, 2019, 134: 825−834.

[9] Raj R, Joseph N. Keypoint extraction using SURF algorithm for CMFD[J]. Procedia Computer Science, 2016, 93: 375−381.

[10] 张锐娟, 张建奇, 杨翠. 基于SURF的图像配准方法研究[J]. 红外与激光工程, 2009, 38(1): 160−165. ZHANG Ruijuan, ZHANG Jianqi, YANG Cui. Image registration approach based on SURF[J]. Infrared and Laser Engineering, 2009, 38(1): 160−165.

[11] ZHOU Yuhong, QIU Fang, NI Feng, et al. Curve matching approaches to waveform classification: a case study using ICESat data[J]. GIScience & Remote Sensing, 2016, 53(6): 739−758.

[12] 喻伟, 李新家, 徐博, 等. 基于电压曲线相似度的电力相位识别技术研究[J]. 机械设计与制造工程, 2019, 48(9): 60−63. YU Wei, LI Xinjia, XU Bo, et al. Research on the power phase identification technology based on voltage curve similarity[J]. Machine Design and Manufacturing Engineering, 2019, 48(9): 60−63.

[13] SUN Fukang, YU Junqi, JIAO Sen. Fault diagnosis algorithm for LED lamp driven by segmented linear solution in indoor environment via illumination waveform fluctuation similarity calculation[J]. Optik, 2019, 189: 32−41.

[14] Asada T, Roberts C, Koseki T. An algorithm for improved performance of railway condition monitoring equipment: Alternating-current point machine case study[J]. Transportation Research Part C: Emerging Technologies, 2013, 30: 81−92.

[15] 黄昊, 吴继平, 滕贤亮, 等. 基于Fréchet算法的电化学储能AGC控制性能评价指标[J]. 中国电力, 2020, 53(1): 108−114. HUANG Hao, WU Jiping, TENG Xianliang, et al. Performance indices of electrochemical energy storage for AGC control based on the discrete Fréchet algorithm[J]. Electric Power, 2020, 53(1): 108−114.

[16] JIA Ke, LI Yanbin, FANG Yu, et al. Transient current similarity based protection for wind farm transmission lines[J]. Applied Energy, 2018, 225: 42−51.

[17] 戴志辉, 刘雪燕, 黄敏, 等. 基于相似度比较的环状柔直配电网线路单极接地故障保护[J]. 电力系统自动化, 2019, 43(23): 107−115. DAI Zhihui, LIU Xueyan, HUANG Min, et al. Similarity comparison based single-pole grounding fault protection for lines in ring-shaped flexible DC distribution network[J]. Automation of Electric Power Systems, 2019, 43(23): 107−115.

[18] 吴梓亮, 曾耿晖, 李一泉, 等. 基于双门槛值的变压器Hausdorff距离快速保护新判据[J]. 电力系统保护与控制, 2019, 47(18): 128−135. WU Ziliang, ZENG Genghui, LI Yiquan, et al. A novel criterion for fast protection of transformer based on Hausdorff distance and double threshold[J]. Power System Protection and Control, 2019, 47(18): 128−135.

Research on turnout health state assessment and fault detection method based on similarity

ZHENG Yunshui, BAI Dengyu, WANG Yan

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

In view of the situation that the turnout system fault diagnosis requires a large amount of data and the data is difficult to obtain, a health evaluation and fault detection algorithm based on waveform similarity was proposed. Use SURF algorithm for pre-extraction of feature points to improve the real-time performance of the calculation; by calculating the similarity between the curve to be identified and the standard curve by Hausdorff distance to determine the health value and the theoretical failure time; for samples that were already in the failure state, compare it with the failure curve. The template curves in the library were compared, and the type of failure corresponding to the failure template curve with the largest matching degree was selected as the possible failure of the curve to be identified, so as to put forward maintenance advice. The example analysis shows that the method has high accuracy, fast speed and strong adaptability and has practical application value.

waveform similarity; Hausdorff distance; health assessment; fault diagnosis

10.19713/j.cnki.43−1423/u.T20200507

U229

A

1672 − 7029(2021)04 − 0877 − 08

2020−06−07

国家自然科学基金地区科学基金资助项目(61763023)

郑云水(1972−)，男，甘肃定西人，副教授，从事交通信息工程及控制方面的研究；E−mail：2809984474@qq.com

(编辑 涂鹏)