文 豪 毛珺蕓 徐 陽

(1.武漢鐵路職業(yè)技術學院鐵道通信與信號學院，430205，武漢;2.武漢地鐵運營有限公司，430019，武漢;3.武漢鐵路職業(yè)技術學院質(zhì)量與教育教學督導管理處，430205，武漢∥第一作者，工程師)

道岔及其轉換裝置是最基礎的軌道交通行車設備，一旦出現(xiàn)故障，輕則影響列車運營，重則導致安全事故，因此，保障道岔動作的可靠性至關重要。道岔鎖閉是通過尖軌、鎖閉裝置、轉轍機等3處構件的動作共同完成的，且該階段時常出現(xiàn)卡阻問題。地鐵折返道岔動作頻繁、磨耗加劇，更易短期內(nèi)誘發(fā)鎖閉卡阻故障。因此，及時有效地捕捉故障臨界點，提前進行預警處置有著重要意義［1］。

由于道岔鎖閉階段各部位動作復雜，非故障時難以直觀發(fā)現(xiàn)異常，且尚無可以用來正面綜合分析設備工況演變趨勢的物理模型。因此，目前針對卡阻故障的預判，以人工分析鎖閉功率曲線等可側面反映道岔及轉轍機整體動作狀態(tài)的監(jiān)測數(shù)據(jù)為主，存在主觀性強、不確定因素大等問題。此外，人工分析通常利用轉轍機額定功率(如S700K交流電機轉轍機額定功率為400 W)作為統(tǒng)一閾值判斷所有道岔當前動作是否異常，但實踐效果并不穩(wěn)定。文獻［2-4］可實現(xiàn)機器代替人工進行道岔故障診斷，但針對故障智能預警方法的研究仍較為匱乏，且在當前普遍不具備深度智能監(jiān)測的條件下難以直接應用。

針對上述問題，本文以S700K轉轍機及其動作功率為對象，基于統(tǒng)計視角建立道岔鎖閉卡阻臨界態(tài)自適應判別機制和實現(xiàn)模型，進而設計故障預判應用場景，目的在于同時滿足各場景一般應用需求和將來道岔設備運維的深度智能化監(jiān)測發(fā)展需要。

1 地鐵折返道岔鎖閉卡阻故障前鎖閉功率變化行為分析

1.1 實際道岔鎖閉卡阻故障前鎖閉功率統(tǒng)計分析

以武漢地鐵S700K雙機牽引道岔為分析對象，將近期4號線、6號線、8號線、陽邏線某5個折返站的6組不同道岔轉轍機發(fā)生的共8起鎖閉卡阻故障(故障編號為1—8)作為案例。其中，故障7、故障8分別為故障2、故障5的二次發(fā)生。

從監(jiān)測提供的故障前連續(xù)100次道岔鎖閉功率曲線上，采集鎖閉階段的最大瞬時鎖閉功率(以下簡為“鎖閉功率”)，并將其作為分析集合。將每個案例所采集的故障前的鎖閉功率值按產(chǎn)生先后次序連接成趨勢圖，并繪制在同一個坐標系中，如圖1所示。

圖1 各案例下地鐵道岔鎖閉卡組故障前鎖閉功率變化曲線Fig.1 Metro switch power change curve before locker card group fault in each case

由圖1可知，各故障前100次的前半程鎖閉功率值基本處于較平穩(wěn)狀態(tài)，約后半程開始有相對明顯的上升趨勢且數(shù)值整體增大。進一步將分析樣本集分為G1(前半程50個數(shù)據(jù))和G2(后半程50個數(shù)據(jù))2組，計算兩組的平均值p，并進行Mann-Kendall趨勢檢驗(以下簡為“M-K趨勢檢驗”)來客觀評價鎖閉功率變化趨勢。M-K趨勢檢驗過程如下:

設有n個樣本量{X1，…，Xn}的時間序列，對參數(shù)k和j有:k≤n，j≤n，k≠j。按式(1)計算檢驗統(tǒng)計量S:

當n≥10時，認為S大致服從正態(tài)分布。其中，正態(tài)分布的均值為0，方差V計算如下:

將計算所得的標準正態(tài)統(tǒng)計變量Z作為鎖閉功率變化趨勢檢驗值:

當Z＞0時，表示鎖閉功率處于上升趨勢，反之處于下降趨勢。分別表示通過置信度90%、95%、99%的顯著性檢驗。

表1給出了各案例故障前鎖閉功率變化指標分組的計算結果。由表1可知:所有故障前G2組的鎖閉功率平均值均大于G1組，說明臨近故障前的鎖閉功率整體有提升;G2組鎖閉功率的M-K趨勢檢驗值均大于0(多數(shù)超過了99%的置信度區(qū)間)，且都大于G1組，說明臨近故障前的鎖閉功率普遍較更早前有相對明顯的上升趨勢，符合圖1的直觀分析結果。

表1 地鐵折返道岔鎖閉功率變化指標分組計算結果Tab.1 Calculation results of change index grouping of metro turnback switch power

1.2 分析結論

1)鎖閉卡阻故障前的鎖閉功率普遍呈明顯的上升趨勢，分析鎖閉功率值可以用來進行鎖閉卡阻臨界狀態(tài)判別，從而進一步實現(xiàn)故障預判。

2)圖1除展示出鎖閉卡阻故障前鎖閉功率值有上升趨勢外，還提供了1項重要信息:不同道岔故障前鎖閉功率變化范圍存在差異，這和道岔所處環(huán)境、電機狀況，以及鎖閉功率采集的情況相關。由此說明，將S700K轉轍機的出廠額定功率作為閾值來進行所有道岔鎖閉卡阻臨界狀態(tài)的判別并不合理。事實上，每個道岔的每個動作方向都應根據(jù)自身情況來設置鎖閉卡阻臨界功率閾值(以下簡為“臨界閾值”)，這樣方可自適應地進行臨界態(tài)判別。

2 臨界閾值自適應分割模型的建立

2.1 基于循環(huán)Otsu的臨界閾值自適應分割模型

現(xiàn)有求取故障分類或預警閾值的方法主要基于對豐富樣本進行關聯(lián)度分析或分類學習而展開［5］。而實際上道岔動作故障次數(shù)要遠小于正常動作次數(shù)，因此存在正負數(shù)據(jù)樣本比例失衡的問題。對此，文獻［6］提出使用單分類機器學習對大量非故障數(shù)據(jù)進行訓練獲取預警閾值，但核函數(shù)和懲罰因子等關鍵參數(shù)需要人為主觀確定。由于臨界閾值分布于“端值區(qū)”，人為設置參數(shù)引起的不確定性會被放大從而影響判斷結果。

本文借鑒閾值分割和異常值檢驗等相關知識，從樣本數(shù)據(jù)間的關系入手，基于經(jīng)典Otsu方法［7］設計了1種自適應的循環(huán)分割模型來獲得臨界閾值。

2.1.1 Otsu算法內(nèi)容

將Otsu算法推廣到一般數(shù)據(jù)處理中。給定有限實數(shù)組，在其取值范圍內(nèi)定義閾值T，將其分為大于T的前景數(shù)組和小于T的背景數(shù)組。設前景數(shù)組的元素個數(shù)占比為ω0，平均值為μ0;背景數(shù)組的元素個數(shù)占比為ω1，平均值為μ1;總體平均值為μ。由此得到如下關系式:

前景數(shù)組和背景數(shù)組類間方差g按下式計算:

將式(4)和(5)代入式(6)，化簡得到:

在定義域內(nèi)遍歷T的取值使g達到最大，此時對應的T值即為Otsu閾值。其意義是以數(shù)組自身最大類間方差為客觀標準，將其分割為相對差別最大的前景數(shù)組和背景數(shù)組。

2.1.2 循環(huán)Otsu分割確定臨界閾值

循環(huán)Otsu分割確定臨界閾值的具體過程，共包括3個環(huán)節(jié):

1)采集非故障鎖閉功率樣本集{P1}。同時采集故障前后期、狀態(tài)穩(wěn)定期和狀態(tài)波動期的數(shù)據(jù)組成樣本集。并利用等間隔采集方式擴大覆蓋時期，樣本容量n不少于5 000例。

2)循環(huán)Otsu分割機制。首先將{P1}進行Otsu分割，把數(shù)值更大的前景數(shù)組作為相對異常數(shù)組留下。由于第1次分割是粗糙的，接下來繼續(xù)把留下的數(shù)組進行Otsu分割，如此循環(huán)。前景數(shù)組范圍隨分割次數(shù)增大而逐步減小，達到一定條件后停止分割，此時的分割閾值即為臨界閾值。

3)客觀控制條件設置。主要設置兩類條件:

第1類條件:確定T的取值范圍。設待分割樣本集最大值和最小值分別為Pmax和Pmin，則有:

式中:

此外，規(guī)定T按步長0.5增長。若一次分割后存在多個T值使得g達到統(tǒng)一最大值，則取Tmax作為分割閾值。

第2類條件:循環(huán)分割終止判定。當T增長到超過樣本異常值常規(guī)檢驗標準時終止分割，即:

式中:

p、σ——分別表示樣本的平均值和標準差。

若T未滿足式(9)的條件，但卻增長到其取值范圍內(nèi)的最大值時，則提前終止分割。

2.2 模型有效性驗證

根據(jù)2.1節(jié)中的方法得到故障案例1—8對應的臨界閾值，并將其作為參考線，繪制各故障前連續(xù)100次鎖閉功率變化趨勢圖，并與各樣本集中隨機抽取的100個鎖閉功率進行對比，如圖2所示。

由圖2可知，所得臨界閾值可有效分割出各故障前相對明顯的異常鎖閉功率值，能起到提前預判作用，且對于絕大多數(shù)相對正常值具有魯棒性。

圖2 不同故障案例下循環(huán)Otsu閾值分割有效性驗證Fig.2 Validation of cyclic Otsu threshold segmentation effectiveness in different fault cases

3 地鐵折返道岔鎖閉卡阻臨界態(tài)判別的應用

3.1 應用場景方案設計

該場景方案應用于地鐵折返主用道岔運營中的實時鎖閉卡阻故障預判。出現(xiàn)告警時提前更換備用道岔折返，避免故障發(fā)生。

3.1.1 場景模式

1)事先準備。采集各道岔非故障鎖閉功率樣本訓練得到臨界閾值Tl，將其與樣本最大值Th組成臨界閾值范圍［Tl，Th］。

2)現(xiàn)場應用。以天為1個應用周期，以當前時刻為基準，采集道岔最近連續(xù)10次同方向扳動產(chǎn)生的鎖閉功率，并按次序組成分析簇?；谂R界閾值范圍和決策參數(shù)進行邏輯分析，判斷其是否可能萌發(fā)故障。每動作1次，可更新1次分析簇。

3.1.2 應用場景流程及管控參數(shù)

應用場景流程見圖3。其管控參數(shù)有:分析簇所有元素落入［Tl，Th］內(nèi)的統(tǒng)計量S1，分析簇所有元素大于Th的統(tǒng)計量S2，控制門限t(規(guī)定t取大于1的整數(shù))。

圖3 應用場景流程圖Fig.3 Application scenario flow chart

3.2 方案測試驗證

1)故障當日預判試驗。在前述8個故障案例試驗中，采集故障當日運營開始道岔第1次動作至故障前最后1次動作產(chǎn)生的鎖閉功率，并將其作為樣本。按照圖3的應用流程，模擬試驗閾值t分別取2、3、4、5時的故障預判提前步數(shù)Q。Q的定義如下:從當日第1次道岔動作算起，實際故障發(fā)生時已動作次數(shù)與預判故障發(fā)生時動作次數(shù)之差。若故障前仍未發(fā)出告警，則Q為0。試驗結果見圖4。由圖4可知，t取2、3時，Q均大于0，表明在各故障前可成功預判;t為其他取值時，均存在漏判。

圖4 故障當日預判試驗Fig.4 Predictive tests on the failure day

2)非故障日誤判試驗。若在非故障日給出故障預判告警，則視為誤判。因此，定義當日誤判次數(shù)與試驗方向道岔扳動次數(shù)的比值為誤判率。按照故障當日預判試驗的模式，分別計算t取2、3、4、5時各故障日第1～2 d(記為D1)、第3～7 d(記為D2)、第8～12 d(記為D3)等3個最鄰近故障期但均屬非故障日的平均誤判率，試驗結果見圖5。由圖5可知，D2時期t取3、4、5，以及D3時期t取5時的4組誤判率曲線緊貼橫軸，表明這4組誤判率均為0。

圖5 非故障日誤判試驗Fig.5 Misjudgment tests on the non-failure day

3)試驗結果綜合分析。t越小預判成功可能性越大，但誤判率也加速上升，這符合統(tǒng)計類方法的相悖規(guī)律。在實際應用中，通常允許偶爾出現(xiàn)誤判，但要盡量杜絕漏判。因此，在本文試驗條件下，t取3時方案最有效，能在各故障案例當日成功預判且誤判率低，可滿足實際運用需求。

4 結語

本文針對目前利用鎖閉功率曲線和轉轍機額定功率值進行道岔鎖閉卡阻故障預警固有模式的不足，提出循環(huán)Otsu臨界閾值分割方法，建立“樣本統(tǒng)計+計算模型+應用場景”的自適應判別新機制。實證測試效果較好，且滿足地鐵智能化運維的發(fā)展需要。