王 宇 劉若晨

（江蘇理工學(xué)院交通運(yùn)輸系，213001，常州∥第一作者，助教）

受電弓的可靠性直接影響城市軌道交通車輛的安全運(yùn)行。目前的人工定期檢修維護(hù)受電弓的方式已不能滿足城市軌道交通發(fā)展需求，迫切需要新的受電弓診斷檢修方法。同時(shí)，在受電弓日常檢修中，存在大量過程數(shù)據(jù)及故障數(shù)據(jù)未被深度挖掘，這些數(shù)據(jù)可為檢修決策提供指導(dǎo)。

隨著人工智能技術(shù)的發(fā)展，設(shè)備故障診斷技術(shù)也在快速發(fā)展。文獻(xiàn)［1］采用蛙跳算法和過程神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對(duì)推油機(jī)進(jìn)行故障診斷。文獻(xiàn)［2］將自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于發(fā)動(dòng)機(jī)的故障診斷研究。文獻(xiàn)［3］基于高斯RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)建立了軌道交通車輛齒輪箱故障診斷模型。文獻(xiàn)［4］以模糊理論及自適應(yīng)網(wǎng)絡(luò)為基礎(chǔ)搭建了城市軌道交通車輛牽引供電系統(tǒng)故障診斷模型。文獻(xiàn)［5］以聚類分析為基礎(chǔ)，對(duì)高速鐵路信號(hào)故障進(jìn)行聚類集成、特征選取，從而實(shí)現(xiàn)診斷。小波包絡(luò)及貝葉斯網(wǎng)絡(luò)等方法也被應(yīng)用到鐵路車輛設(shè)備故障診斷中［6-9］。上述文獻(xiàn)的方法為城市軌道交通車輛受電弓的故障診斷提供了思路。文獻(xiàn)［10］通過片段跟蹤算法實(shí)現(xiàn)對(duì)受電弓系統(tǒng)的狀態(tài)進(jìn)行監(jiān)測(cè)。文獻(xiàn)［11］基于電動(dòng)機(jī)電流及受電弓工作距離的監(jiān)測(cè)對(duì)受電弓碳滑板磨耗量進(jìn)行預(yù)測(cè)估計(jì)，實(shí)現(xiàn)提前維護(hù)。文獻(xiàn)［12］提出了基于BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的受電弓接觸線磨損及應(yīng)變估計(jì)診斷模型。但上述診斷方法需利用在線監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷，而目前尚未有相關(guān)在線監(jiān)測(cè)設(shè)備能夠提供城市軌道交通車輛受電弓的在線監(jiān)測(cè)數(shù)據(jù)，同時(shí)在日常檢修過程中存在大量故障及檢修數(shù)據(jù)均未得到合理利用的情況。本文引入主元分析法對(duì)檢修過程數(shù)據(jù)進(jìn)行預(yù)處理，在此基礎(chǔ)上建立概率神經(jīng)網(wǎng)絡(luò)模型，將主元分析與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行受電弓的故障診斷，為檢修決策提供建議。

1 受電弓工作原理及故障分析

本文選用上海軌道交通某線路車輛單臂式氣動(dòng)受電弓為對(duì)象進(jìn)行分析。該受電弓主要由弓頭、上支架、平行導(dǎo)桿、液壓減振動(dòng)器、下支架、連接桿、氣動(dòng)設(shè)備、最低位置傳感器、底架等組成，如圖1 所示。

圖1 單臂式氣動(dòng)受電弓結(jié)構(gòu)圖

城市軌道交通車輛受電弓升起后與架空接觸網(wǎng)接觸，從接觸網(wǎng)獲取電流并傳遞給車輛電氣系統(tǒng)。電流由接觸網(wǎng)流入到弓頭，依次經(jīng)過上臂桿、下臂桿流入底架，最后經(jīng)連接板、車頂母線進(jìn)入車輛電氣系統(tǒng)。

升弓操作時(shí)，啟動(dòng)空氣壓縮機(jī)，當(dāng)達(dá)到受電弓的額定工作氣壓時(shí)，按下升弓按扭，壓縮空氣由電磁閥、控制箱進(jìn)入空氣彈簧，氣動(dòng)設(shè)備推動(dòng)鋼絲繩帶動(dòng)下臂桿運(yùn)動(dòng)，托起受電弓上臂桿，弓頭平穩(wěn)運(yùn)動(dòng)升至接觸網(wǎng)高度，完成升弓。

降弓時(shí)，受電弓控制箱將空氣彈簧中的壓縮空氣釋放之后，在重力作用和液壓減振器的輔助下，受電弓平穩(wěn)落位至底架上的橡膠止擋，完成降弓動(dòng)作。

根據(jù)對(duì)該型號(hào)受電弓日常檢修維護(hù)記錄的總結(jié)分析，結(jié)合單臂式氣動(dòng)受電弓的故障模式及其機(jī)理分析，可將受電弓的故障形式歸納為受電弓不能升起、狀態(tài)顯示不匹配、弓網(wǎng)拉弧、受電弓部件受損、受電弓無法響應(yīng)5 種類型。

2 受電弓狀態(tài)數(shù)據(jù)的采集與預(yù)處理

2.1 受電弓狀態(tài)數(shù)據(jù)的采集

考慮因線路條件不同而引發(fā)不同故障情況的因素，以及車輛檢修長(zhǎng)時(shí)間積累的大量故障數(shù)據(jù)資源不能得到充分利用，本文以受電弓結(jié)構(gòu)、工作原理、故障模式及失效機(jī)理為基礎(chǔ)，選取均日常運(yùn)營(yíng)狀態(tài)數(shù)據(jù)（如平均時(shí)速、運(yùn)行里程、工作電流、最大升弓高度等）以及均衡檢修中的過程數(shù)據(jù)（如碳滑板的磨損量、分流導(dǎo)線狀態(tài)、弓網(wǎng)接觸壓力等）中18 個(gè)特征參數(shù)向量X=［x1，x2，…，x18］作為初始數(shù)據(jù)，如表1 所示。

表1 受電弓初始特征參數(shù)

2.2 主元分析法

由于采集的受電弓初始狀態(tài)數(shù)據(jù)涉及參數(shù)變量較多，本文選用主元分析法對(duì)其進(jìn)行降維處理。

主元分析（PCA）法是一種用相對(duì)較少但攜帶信息足夠的特征變量來反映多個(gè)相關(guān)變量的轉(zhuǎn)化方法［14］。在保證診斷正確率的前提下，對(duì)冗余和噪聲進(jìn)行剔除，進(jìn)而實(shí)現(xiàn)原始特征數(shù)據(jù)變量的降維，減少診斷耗時(shí)，提高診斷效率。計(jì)算過程如下：

1）構(gòu)建原始變量矩陣X0∈R。矩陣的行xi對(duì)應(yīng)原始數(shù)據(jù)樣本，矩陣的列xj則對(duì)應(yīng)不同的被測(cè)量。由于初始數(shù)據(jù)的量綱不同會(huì)導(dǎo)致變量結(jié)果分散嚴(yán)重，因此需對(duì)觀測(cè)樣本進(jìn)行標(biāo)準(zhǔn)化處理。

2）對(duì)處理后的矩陣X0進(jìn)行協(xié)方差求解，即進(jìn)行相關(guān)系數(shù)矩陣R 的計(jì)算。即：

式中：

rjk——標(biāo)準(zhǔn)化后變量xj和xk的相關(guān)系數(shù)矩陣；

xki——矩陣第i 行第k 個(gè)向量。

4）將特征向量轉(zhuǎn)化為主元元素，計(jì)算主元貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。

式中：

Tj——第j 主元，代表矩陣X 在對(duì)應(yīng)主元特征向量上的投影，對(duì)應(yīng)的覆蓋范圍越大，其投影長(zhǎng)度會(huì)越長(zhǎng)。若主元Tj遞減，則I1即為覆蓋信息程度最廣的方向。

5）計(jì)算累計(jì)貢獻(xiàn)率α。

式中：

λj——j 主元特征值；

λs——s 主元特征值；

λk——k 主元特征值。

一般而言，累計(jì)貢獻(xiàn)率α 達(dá)到85%主元即認(rèn)作是包含絕大部分主要信息的主元元素。

2.3 基于主元分析的狀態(tài)數(shù)據(jù)預(yù)處理

在初始采集數(shù)據(jù)中，支架狀態(tài)、絕緣子狀態(tài)、氣缸狀態(tài)、分流導(dǎo)線狀態(tài)、絕緣軟管狀態(tài)、升弓彈簧狀態(tài)及繼電器狀態(tài)若處于損傷、裂紋或失效狀態(tài)下則記為“0”，無損狀態(tài)記為“1”。平均時(shí)速、運(yùn)行里程、最大升弓高度、升落弓時(shí)間、碳滑板磨損、升弓壓力、最低位置傳感器電流、工作電流、弓網(wǎng)接觸壓力等由于變量涉及量綱之間差異較大，采用歸一化對(duì)初始數(shù)據(jù)進(jìn)行處理，最后對(duì)18 個(gè)特征參數(shù)進(jìn)行主元分析，得到對(duì)應(yīng)各主元的參數(shù)變量為X=［x1，x2，.…，x18］。各主元貢獻(xiàn)率由大到小排列如表3。

表2 各屬性主元貢獻(xiàn)率

由表3 可知，12 個(gè)主元即可包括99.18%的參數(shù)特征信息。因此，本文依據(jù)主元分析法將18 個(gè)特征變量X′降維至12 個(gè)。新的特征變量為X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］。各主元貢獻(xiàn)率變化如圖2 所示。

圖2 各主元貢獻(xiàn)率

3 基于概率神經(jīng)網(wǎng)絡(luò)的受電弓故障診斷

將經(jīng)主元分析預(yù)處理后的特征變量X1輸入到概率神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練與測(cè)試，對(duì)受電弓狀態(tài)進(jìn)行判定。

3.1 概率神經(jīng)網(wǎng)絡(luò)

不同于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)（PNN）是一種以指數(shù)函數(shù)作為激活函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)。以貝葉斯決策和密度函數(shù)估計(jì)理論為基礎(chǔ)［15］，共包括輸入層、模式層、求和層及輸出層4 個(gè)部分［16］。網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

數(shù)據(jù)樣本的原始特征參數(shù)以x 的形式由輸入層輸入，與權(quán)值wi相乘，得標(biāo)量值z(mì)i，并將所得結(jié)果輸入到模式層。

模式層中的神經(jīng)元節(jié)點(diǎn)數(shù)目取決于對(duì)應(yīng)輸入樣本數(shù)，且每個(gè)神經(jīng)元節(jié)點(diǎn)包含一個(gè)中心。以函數(shù)exp［（zi-1）］/σ2為激活函數(shù)，模式層中第i 個(gè)樣本的第j 個(gè)神經(jīng)元所對(duì)應(yīng)的輸入輸出關(guān)系為：

式中：

σ——平滑因子；

p——數(shù)據(jù)樣本的維度；

zij——第i 個(gè)樣本第j 個(gè)中心；

Φij——模式層i 樣本的第j 神經(jīng)元對(duì)應(yīng)的輸出。

在求和層中，分類類別數(shù)目與神經(jīng)元個(gè)數(shù)相對(duì)應(yīng)。在本文中對(duì)應(yīng)于5 種故障狀態(tài)和正常情況。求和層對(duì)模式層中同類別的隱含神經(jīng)元輸出取加權(quán)平均，求得其概率密度。即：

式中：

L——第i 神經(jīng)元的數(shù)目；

fi——概率密度輸出。

最后根據(jù)貝葉斯決策的分類規(guī)則，各類別對(duì)應(yīng)概率的評(píng)估，將最大后驗(yàn)概率類別作為輸出類別由輸出層輸出。

3.2 受電弓故障診斷

本文以日常檢修過程數(shù)據(jù)及故障數(shù)據(jù)樣本中的123 組數(shù)據(jù)為訓(xùn)練樣本，40 組數(shù)據(jù)為測(cè)試樣本，對(duì)受電弓的正常狀態(tài)和5 種故障狀態(tài)進(jìn)行模型診斷訓(xùn)練和測(cè)試。每種狀態(tài)的樣本數(shù)目如表3 所示。

表3 不同受電弓狀態(tài)的樣本數(shù) 單位：組

圖4 為未降維的特征變量輸入概率神經(jīng)網(wǎng)絡(luò)模型后的診斷結(jié)果。

圖4 PNN 診斷結(jié)果

將降維后的特征變量X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］代入概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中，所得結(jié)果如圖5 所示。

降維前后PNN 和PCA-PNN 診斷模型結(jié)果差異對(duì)比見表4。

由表4 可見，未經(jīng)主元分析降維處理的PNN 的診斷模型診斷耗時(shí)5.38 s，診斷正確率為85%。包含12 個(gè)主元的PCA-PNN 診斷模型的診斷時(shí)長(zhǎng)為2.93 s，診斷正確率達(dá)到95%，很大程度上提高了模型的診斷正確率。因此，通過主元分析對(duì)初始數(shù)據(jù)進(jìn)行降維預(yù)處理不僅可以減少診斷耗時(shí)，在一定程度上還可提高模型的診斷正確率。研究受電弓系統(tǒng)時(shí)，可選取主元分析法和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行故障診斷，準(zhǔn)確率高且耗時(shí)短。

4 結(jié)論

1）采用主元分析法對(duì)原始特征參數(shù)進(jìn)行降維，降維后的特征參數(shù)可包含絕大部分原始信息，有效緩解了原始樣本數(shù)據(jù)維數(shù)過高的問題。

2）針對(duì)本文研究的受電弓系統(tǒng)故障診斷，PNN診斷模型診斷正確率為85%，PCA-PNN 診斷模型診斷正確率為95%，經(jīng)過主元分析降維處理后的診斷模型正確率明顯高于直接使用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷的模型。

圖5 PCA-PNN 累計(jì)貢獻(xiàn)率99.68%診斷結(jié)果

表4 特征變量降維前后診斷結(jié)果對(duì)比

通過主元分析法對(duì)城市軌道交通車輛受電弓檢修及故障數(shù)據(jù)的處理，結(jié)合概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷，提高了診斷的正確率，解決了城市軌道交通車輛受電弓故障診斷的問題，為檢修決策提供參考，同時(shí)也為復(fù)雜系統(tǒng)的故障診斷提供思路。