基于EEMD多尺度模糊熵的S700K转辙机故障诊断

魏文军，刘新发，张轩铭，武晓春

(1.兰州交通大学 自动化与电气工程学院， 甘肃 兰州 730070；2.兰州交通大学 光电技术与智能控制教育部重点实验室， 甘肃 兰州 730070)

S700K转辙机作为重要的铁路信号设备在高速铁路中已大规模投入使用，其可靠工作对于保障列车安全运行非常重要。传统的故障识别方法是通过人工对比功率曲线之间的区别，依靠经验判断转辙机的工作状态。这种方法不仅人为因素较大，而且不能及时对故障类型做出准确判断而对行车安全产生影响。因此，通过分析转辙机动作功率曲线，研究根据故障功率曲线与正常功率曲线的变化规律来判断转辙机当前工作状态的智能故障诊断方法具有重大意义。

目前已有的转辙机故障诊断方法，在提取故障特征参数时仅是单一地提取特征曲线在某一时间尺度或频率的特征值，但由于转辙机动作功率曲线存在突变性，因此从单一频率提取的特征值不能完全体现曲线的变化规律。文献[1-2]利用专家系统对道岔的功率曲线进行分析，但转辙机的工作环境恶劣，曲线变化类型多样，导致专家知识库不易获取，且当有新的故障出现时专家知识库不能及时更新。文献[3]将灰色关联度和神经网络相结合计算曲线间的关联度值，以此来判断转辙机的当前运行状态。文献[4-5]是基于SVM的转辙机故障诊断，然而经典SVM算法本质上只能进行二分类，当故障样本较大时会耗费大量的机器内存和计算时间。文献[6]将贝叶斯网络用于分析转辙机故障类型，该算法在应用的过程中首先需要确定先验概率这一经验参数，当数据量不充足时会影响该参数的精确度。文献[7-8]利用小波分析的诊断方法，在诊断时需确定一个基函数和分解尺度，这2个参数的精确度会对诊断的精度产生较大影响。文献[9-10]将神经网络和模糊理论相结合应用于转辙机的故障识别，通过提高模糊知识库的智能性来提高识别精度。

动作功率曲线可反应转辙机运行状态，因此当转辙机发生不同故障时，其动作功率曲线也各不相同。由于集合经验模态分解算法在轴承的故障监测中取得了良好效果[11-12]，能够精确提取轴承故障的微小特征信息，模糊熵在齿轮故障特征的提取中表现优异[13]，灰色关联度适合少样本的故障分类[14]，因此本文借鉴以上3种技术并把它们成功应用于转辙机的故障诊断中，取得了不错的结果。该方法克服了前述文献中特征提取不充分和先验概率无法确定等缺点，经实验验证故障识别率得到了很大提升。

1 转辙机动作过程的数据分析

1.1 动作功率曲线与运行状态的关系

S700K电动转辙机采用交流异步电动机，工作时电流不大于2 A，输出功率P与输出转矩M之间的数学模型可表示为

(1)

(2)

由式(1)、式(2)可得

(3)

转辙机的工作拉力F与输出转矩M之间的关系为

M=η·Re·F

(4)

由式(1)、式(4)可得

(5)

式中：U、I分别为转辙机的电压、电流；η、cosφ、n分别为转辙机的转动效率、功率因数、转速；Re为S700K传动等效力矩[15]。

由式(5)可知，转辙机功率P与尖轨推拉力F存在一定的线性关系，而F能反映转辙机的正常或故障状态，因此根据P曲线的变化情况即可准确判断S700K转辙机动作正常或故障状态。

1.2 正常动作功率曲线分析

S700K转辙机正常动作功率曲线f0见图1。图1中，p为转辙机运转时的瞬时功率。

图1 S700K转辙机正常动作功率曲线f0

由图1可以看出，在0.15 s左右设备启动时，由于需要较大的输出功率，曲线急速上升，达到峰值；道岔开始转换转辙机正常运行过程中，尖轨的推拉力减小，功率值随之下降并趋于稳定；在5 s左右道岔转换到位，尖轨与基本轨密贴，功率值进一步下降，但是不会为0；当锁舌弹出，转辙机完成内锁闭时，启动电路断开，表示电路接通，功率值变为0。

1.3 故障动作功率曲线分析

S700K转辙机常见故障所对应的功率曲线f1-f8见图2，反映了现场出现的几种典型故障，以及故障形成原因和故障现象。

(1)在转辙机启动和转换过程中，道岔尖轨尖端与基本轨密贴，由于转辙机卡缺口，锁舌没法弹出，启动电路不能正常断开，导致表示阶段功率曲线不降反升，形成空转曲线，见图2(a)。

(2)在转辙机转换阶段道岔功率曲线出现一定范围的起伏，见图2(b)。出现该种曲线的可能原因是转辙机在转换过程中出现卡阻，导致作用于道岔尖轨的推拉力增大。

图2 S700K转辙机常见故障所对应的功率曲线

(3)道岔启动和转换阶段正常，当道岔转换到位进行锁闭时，曲线出现明显的上升，见图2(c)。造成这一现象的可能原因是动作杆由于异物被卡死，导致作用于道岔尖轨的推拉力大幅度增大，功率曲线出现陡升。

(4)道岔启动正常，在道岔转换的过程中曲线出现小范围的波动，但是道岔可以转换到位并锁闭，且启动电路可以正常断开，表示电路可以正常接通，见图2(d)。造成这一现象的可能原因是转辙机的某一杆件安装松动或者安装不标准所致。

(5)道岔启动和转换过程正常，但在锁闭阶段启动电路不能正常断开且功率曲线出现明显的上升，见图2(e)。造成这一现象的原因是道岔在锁闭阶段由于异常阻力，锁舌不能正常弹出，道岔不能正常锁闭。

(6)道岔启动和转换正常，道岔转换到位后功率曲线出现小范围的上升，见图2(f)。造成该现象的可能原因是锁舌锁闭块被卡死，无法正常锁闭。

(7)道岔启动和转换正常，道岔转换到位且正常锁闭，表示阶段末期曲线不能下降到零，见图2(g)。造成这一现象的可能原因是转辙机内部器件断相保护器损坏。

(8)道岔启动和转换正常，道岔可以转换到位并锁闭，但在表示阶段道岔功率曲线出现较大的波动，如图2(h)所示。造成这一现象的可能原因是电缆盒中二极管器件损坏。

2 故障诊断系统方案设计

故障识别系统框图见图3，展示了在S700K电动转辙机发生故障时故障诊断的步骤。首先将来源于微机监测系统数据库典型故障下的动作功率曲线通过集合经验模态分解(ensemble empirical mode decomposition，EEMD)，提取每一个固有模态函数的模糊熵作为特征参数构建标准故障特征集；再对现场转辙机当前运行的功率曲线按照同样方法提取特征量；然后利用灰色关联度分析算法计算待检曲线与各故障曲线之间的关联度值，依此确定转辙机的故障状态。

图3 故障识别系统框图

3 基于EEMD多尺度模糊熵的故障特征集建立

3.1 EEMD算法

将从兰州局某段数据库获取的S700K电动转辙机信号p(t)，利用经验模态分解算法(EMD)进行分解，得到本征模态函数(Intrinsic Mode Function，IMF)分量ci和对应余项rn为

(6)

利用EMD算法分解振动信号时可能会产生模态混叠现象，即得到的本征模态函数中可能包含相差较大的特征时间尺度或相近的本征模态函数分布在不同的IMF分量中。文献 [16]证明了不同的极点值会产生模态混叠现象。

EEMD算法是在EMD的基础上，将非线性和非平稳的振动信号叠加高斯白噪声(White Gaussian Noise，WGN)，并进行多次经验模态分解，可得EMD分解后的IMF分量的平均值，以消除原始信号中的断续性，从而排除模态混叠现象。下面展示EEMD算法的过程[17]：

Step1对原始振动信号p(t)，初始化EMD执行总次数M，变量i=1。

Step2在p(t)的基础上增加幅值为p(t)的数据离散程度值的0.1～0.4倍且数据的集中趋势趋于零的高斯白噪声ni(t)，则叠加后的原始振动信号pi(t)为

pi(t)=p(t)+ni(t)i=1,2,…,M

(7)

Step3对pi(t)分别叠加M次幅值不同的ni(t)，并对每次叠加后的信号进行经验模态分解，获得一组IMF分量cij(t)和一个残余分量ri(t)。第i次分解后得到的结果形式为

(8)

式中：J为IMF的总数。

Step4在进行M次分解后可以得到IMF分量，对这些分量求取平均值得到将白噪声排除后的IMF分量，即

(9)

式中：cj(t)为对p(t)进行EEMD分解后的第j个IMF分量。

Step5信号pi(t)经过EEMD分解后得到的最终结果为

(10)

式中：r(t)为信号pi(t)经EEMD分解后的残余分量。

3.2 多尺度模糊熵

熵是当时间序列的复杂性和维度发生变化时生成新模式的概率的度量，模糊熵用模糊隶属函数代替一般熵中的硬阈值准则，隶属度函数的使用使熵随参数变化而平滑变化，降低了对参数的灵敏程度及依赖程度，统计结果稳定性更好。模糊熵的具体计算步骤[18]如下：

Step1对于给定的时间序列，设定模式维数m，对时间序列Q=[q(1),q(2),…,q(N)]构造m维向量Qm(i)为

Qm(i)=[q(i),q(i+1),…,q(i+m-1)]-u(i)

(11)

(12)

式中：N为数据长度。

Step2定义Qm(i)与Qm(j)为2个m维矢量，2个匹配元素之间差的最大绝对值是2个向量之间的距离，即

[q(j+k)-u(j)]|}

i,j=1,2,…,N-m+1i≠j

(13)

Step3引入模糊隶属度函数

(14)

式中：h为相似容限参数，其定义为原一维时间序列标准差的R倍，即h=R×δ，δ为原始数据的标准差。

向量Qm(i)、Qm(j) 之间的相似度定义为

(15)

Step4定义函数

(16)

由式(16)可得，当模式维数为m时，向量Qm(i)、Qm(j)之间的关系维度φm(h)为

(17)

Step5模式维数增加1，即对m+1维重复Step1～Step4，得

(18)

Step6模糊熵定义为

FuzzyEn(m,h,N)=(lnφm)h-(lnφm+1)h

(19)

由上述算法可知，振动信号经EEMD分解的最终结果为一系列IMF分量，从而实现对振动信号的多尺度化；对IMF分量提取模糊熵，即为原始振动信号的多尺度模糊熵。

3.3 故障特征集的建立

以图2中f5信号为例，设定经验模态分解的次数M=100，相比于振动信号标准差，高斯白噪声信号的标准差高出0.25倍，然后对叠加白噪声后的振动信号f5进行EEMD分解，可以得到9个固有模态函数c1(t)～c9(t)和1个残余分量r(t)。f5信号EEMD分解结果见图4。

图4 f5信号EEMD分解结果

分别对图1正常功率曲线f0以及图2中8种典型故障功率曲线f1～f8进行EEMD分解，然后提取分解得到的9个IMF分量相对应的模糊熵值，设定Q=[q(1),q(2),…,q(N)]的数据长度N=700,模式维数m=2，相似容限参数h=0.25δ。IMF分量模糊熵见表1。在这里由于篇幅所限，表1仅列出了每个功率曲线分解后前4个IMF分量的模糊熵值。

表1 IMF分量模糊熵

4 基于灰色关联度的转辙机故障识别

4.1 灰色关联分析算法

(20)

定义待检测样本为一维向量Y=[y1y2…yt]，根据灰色关联度计算待检样本特征量Y与诊断特征集X中各特征向量Xi间的绝对差Δxik为

Δxik=|yk-xik|k=1,2,…,t

(21)

ΔXi=[Δxi1,Δxi2,…,Δxit]

(22)

(23)

分别计算Y与Xi(i=1,2,…,s)的灰关联系数rik为

(24)

式中：ξ为分辨系数，ξ∈(0,1)。

基于式(24)分别计算待检样本特征量Y与诊断特征向量Xi(i=1,2,…,s)间的灰关联度Ri为

(25)

对上述算法计算得到的关联度值进行分析比较，关联度值较大的为诊断特征向量，待检曲线和此向量的故障类型一致[19]。

4.2 案例分析

图5为兰州局某段辖区内某一道岔转换时对应的S700K转辙机运行状态下的动作功率曲线，经过人工检修后确认为本文中f5所对应的故障曲线。

图5 现场某转辙机不正常时的功率曲线

将该曲线作为待检样本对其进行EEMD分解获取若干个不同尺度的IMF分量，然后提取每个IMF分量的模糊熵作为故障特征数值，待检曲线故障特征值见表2。

表2 待检曲线故障特征值

在灰色关联算法中，ξ的取值影响故障识别的准确率，基于现有的36组测试数据确定ξ的取值范围为0～0.99，间隔为0.01。不同ξ下故障总体识别率见图6。由图6可知，在ξ=0.15附近时，能够进行故障判断的网络的故障辨别率能够达到最好状态，为96.2%。

图6 不同分辨系数ξ下故障总体识别率

图7 基于图5数据的灰关联度值

根据式(21)～式(25)计算待检样本与诊断特征量之间的关联度值，计算结果见图7。由图7可知，最大关联度值所对应的曲线为故障曲线f5，这与现场人工检测结果一致。

为了检验上述方法在S700K电动转辙机故障诊断中的准确性，将从微机监测系统获取的36组样本进行故障诊断试验，验证结果为：正确率96.2%，错误率3.8%。

5 结论

(1)本文根据S700K转辙机动作功率曲线的变化规律，尤其在典型故障下的变化趋势，提出一种基于EEMD多尺度模糊熵特征提取与灰色关联分析诊断器相结合的S700K诊断新方法。

(2)利用EEMD与模糊熵算法对转辙机的不同故障模式构建故障特征集，并对现场运行的功率曲线提取特征量，然后根据样本与各故障模式之间检测的关联程度进行故障识别。

(3)实验结果表明，该方法无需进行训练，具有较强的适应能力，显著提高了故障诊断的精度。