張友鵬，張 迪，楊 妮，魏智健

（1.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070；2.武漢地鐵集團(tuán)有限公司 武漢地鐵運(yùn)營有限公司，湖北 武漢 430070）

隨著鐵路線路數(shù)量、運(yùn)營里程以及行車密度的不斷增加，鐵路信號(hào)設(shè)備在保證行車安全和提高行車效率方面發(fā)揮著越來越重要的作用。轉(zhuǎn)轍機(jī)作為鐵路信號(hào)設(shè)備室外三大件之一是重要的線路轉(zhuǎn)換設(shè)備，它通過缺口檢查、判斷尖軌與基本軌是否密貼以確保列車安全通過道岔。由于轉(zhuǎn)轍機(jī)安裝于室外，受雨雪等各種自然條件及震動(dòng)、沖擊等外界因素的影響較大，其故障率在鐵路信號(hào)設(shè)備中居高不下。據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，道岔轉(zhuǎn)換設(shè)備故障占所有信號(hào)設(shè)備故障總數(shù)的40%以上［1］。目前，鐵路現(xiàn)場(chǎng)主要通過設(shè)備周期性巡檢以及電流曲線和功率曲線對(duì)道岔狀態(tài)進(jìn)行人工分析，這些方法都依賴于工作人員的現(xiàn)場(chǎng)經(jīng)驗(yàn)，易造成道岔設(shè)備維修不足或維修過剩等問題［1］。在理論研究方面，對(duì)于轉(zhuǎn)轍機(jī)狀態(tài)的研究主要集中于故障狀態(tài)的診斷以提高診斷的速度和準(zhǔn)確率，而關(guān)于轉(zhuǎn)轍機(jī)在使用壽命內(nèi)由正常到失效整體狀態(tài)的研究還較少。因此，有必要對(duì)轉(zhuǎn)轍機(jī)的退化狀態(tài)展開研究，為現(xiàn)場(chǎng)設(shè)備的維護(hù)與更換提供參考意見，從而降低故障發(fā)生的概率。

國內(nèi)外學(xué)者在提高轉(zhuǎn)轍機(jī)故障診斷的準(zhǔn)確率和效率方面取得了一些研究成果。2015 年，肖蒙等人［2］提出一種基于粗糙集的高效貝葉斯網(wǎng)絡(luò)故障診斷模型，由推理算法求解各類故障發(fā)生的概率。2016 年，Vileiniskis 等人［3］通過單類支持向量機(jī)（OCSVM）方法對(duì)道岔轉(zhuǎn)換設(shè)備故障進(jìn)行分類診斷學(xué)習(xí)，建立完整的故障診斷模型。2018 年，黃世澤等人［4］采用比較待測(cè)電流曲線與模板電流曲線弗雷歇距離的方法，根據(jù)相似度函數(shù)進(jìn)行故障模式診斷。這些學(xué)者將轉(zhuǎn)轍設(shè)備故障數(shù)據(jù)與機(jī)器學(xué)習(xí)算法相結(jié)合，能夠?qū)D(zhuǎn)轍機(jī)各類故障進(jìn)行準(zhǔn)確識(shí)別。但是以上研究只能將轉(zhuǎn)轍機(jī)狀態(tài)簡(jiǎn)單劃分為正常和故障2 種狀態(tài)，無法描述轉(zhuǎn)轍機(jī)由正常到故障的整個(gè)退化過程，難以實(shí)現(xiàn)對(duì)故障的超前預(yù)判。

因此，一部分學(xué)者開始在轉(zhuǎn)轍機(jī)退化狀態(tài)識(shí)別與故障預(yù)測(cè)領(lǐng)域展開研究。2017 年，伏玉明等人［5］采用模糊綜合評(píng)判法對(duì)轉(zhuǎn)轍機(jī)健康狀況進(jìn)行綜合評(píng)估。2018 年，戴乾軍等人［6］將轉(zhuǎn)轍機(jī)的退化過程按照全生命周期進(jìn)行劃分，利用動(dòng)態(tài)粒子群算法優(yōu)化隱半馬爾科夫（HSMM）模型，實(shí)現(xiàn)對(duì)轉(zhuǎn)轍機(jī)的故障預(yù)測(cè)。2019 年，候大山［7］將道岔設(shè)備故障分為突發(fā)故障和緩變故障，針對(duì)緩變故障構(gòu)建性能退化指標(biāo)并搭建緩變故障預(yù)測(cè)模型。2020年，高利民等人［8］利用自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM-BP）對(duì)轉(zhuǎn)轍機(jī)功率曲線特征參數(shù)進(jìn)行多次聚類學(xué)習(xí)，得到6 種轉(zhuǎn)轍機(jī)退化樣本數(shù)據(jù)，實(shí)現(xiàn)對(duì)道岔設(shè)備退化狀態(tài)的識(shí)別。以上文獻(xiàn)雖然對(duì)轉(zhuǎn)轍機(jī)退化狀態(tài)進(jìn)行了劃分，但仍存在評(píng)估過程中參考相關(guān)專家經(jīng)驗(yàn)，導(dǎo)致評(píng)估結(jié)果具有一定的主觀因素，且退化特征之間缺乏相關(guān)性分析，無法表征轉(zhuǎn)轍機(jī)壽命退化的整個(gè)過程。2022 年，武曉春等人［9］提出一種基于小波包分解與GG 聚類相結(jié)合的退化階段劃分方法，構(gòu)建退化性能指標(biāo)；魏文軍等人［10］將轉(zhuǎn)轍機(jī)運(yùn)行狀態(tài)分為健康、亞健康、故障、嚴(yán)重故障4 種類型，但相關(guān)文獻(xiàn)都沒有明確轉(zhuǎn)轍機(jī)退化狀態(tài)識(shí)別相對(duì)應(yīng)的轉(zhuǎn)轍機(jī)故障類型。目前關(guān)于轉(zhuǎn)轍機(jī)退化狀態(tài)的相關(guān)研究仍然較少。

本文提出一種自適應(yīng)白噪聲完備經(jīng)驗(yàn)?zāi)B(tài)分解方法（Complete Ensemble Empirical Mode Decom?position with Adaptive Noise，CEEMDAN）與核模糊C 均值聚類（Kernel-based Fuzzy C-Means clustering，KFCM）相結(jié)合的轉(zhuǎn)轍機(jī)退化狀態(tài)識(shí)別方法，通過CEEMDAN 算法選取各固有模態(tài)函數(shù)（Intrinsic Mode Functions，IMFs）分量的能量密度作為特征向量集，并通過KFCM 算法進(jìn)行無監(jiān)督聚類，從而實(shí)現(xiàn)對(duì)轉(zhuǎn)轍機(jī)轉(zhuǎn)換過程中阻力異常退化狀態(tài)階段的準(zhǔn)確劃分，對(duì)轉(zhuǎn)轍機(jī)故障由正常到退化的整個(gè)過程進(jìn)行描述。

1 轉(zhuǎn)轍機(jī)功率曲線

信號(hào)集中監(jiān)測(cè)系統(tǒng)（CSM）是監(jiān)測(cè)鐵路信號(hào)設(shè)備狀態(tài)的綜合監(jiān)測(cè)平臺(tái)，可以實(shí)時(shí)記錄設(shè)備數(shù)據(jù)，為鐵路現(xiàn)場(chǎng)維護(hù)工作提供參考依據(jù)［11］。CSM通過道岔采集單元對(duì)轉(zhuǎn)轍機(jī)動(dòng)作過程中的電流、電壓、功率等數(shù)據(jù)進(jìn)行實(shí)時(shí)采集。

1.1 功率曲線數(shù)據(jù)來源

交流轉(zhuǎn)轍機(jī)數(shù)據(jù)采集主要通過在A，B，C 三相電路中并聯(lián)電壓采集配線、串聯(lián)電流采集互感器得到轉(zhuǎn)轍機(jī)動(dòng)作過程中相應(yīng)的電壓和電流值，并將電壓、電流輸出至功率采集單元經(jīng)過隔離采樣、A/D 轉(zhuǎn)換、編碼傳輸后輸出轉(zhuǎn)轍機(jī)動(dòng)作過程中的功率值［12］。

三相交流轉(zhuǎn)轍機(jī)采集系統(tǒng)示意圖如圖1 所示。圖中：1DQJ 和1DQJF 分別為轉(zhuǎn)轍機(jī)1 啟動(dòng)繼電器和1 啟動(dòng)復(fù)示繼電器，采集系統(tǒng)通過斷相保護(hù)器（DBQ）前級(jí)端子11，31 及51 點(diǎn)的配線采集三相電路電壓；三相電流采集互感器采用互感方式穿芯采集三相電路電流。

圖1 三相交流轉(zhuǎn)轍機(jī)采集系統(tǒng)

完成電壓、電流采集后，功率采集單元每40 ms 計(jì)算1 次有功功率，將動(dòng)作過程中的采樣點(diǎn)順次記錄形成電流曲線和功率曲線。由于電流曲線只能反映轉(zhuǎn)轍機(jī)動(dòng)作過程中電流值的變化情況，而功率曲線不僅能反映三相電流電壓值的大小，更能反映轉(zhuǎn)轍機(jī)轉(zhuǎn)動(dòng)過程中的阻力變化，所以選擇轉(zhuǎn)轍機(jī)功率曲線數(shù)據(jù)作為數(shù)據(jù)源。

1.2 正常動(dòng)作功率曲線

同一個(gè)轉(zhuǎn)轍機(jī)正常轉(zhuǎn)動(dòng)過程中4 個(gè)不同時(shí)刻的功率曲線如圖2 所示。由圖2 可以看出：4 條功率曲線都表示道岔能夠無故障正常轉(zhuǎn)換到位，但不同時(shí)刻的4條正常功率曲線并不相同，存在一定的差異；在轉(zhuǎn)轍機(jī)正常轉(zhuǎn)動(dòng)過程中，啟動(dòng)解鎖階段由于三相電動(dòng)機(jī)轉(zhuǎn)動(dòng)克服較大阻力，所以功率值急劇上升，阻力大小不同則功率峰值會(huì)有所不同；4 條曲線功率峰值依次為2.514，2.230，2.358 及2.488 kW，若在啟動(dòng)階段道岔尖軌與基本軌之間密貼太緊而解鎖不良，可能會(huì)出現(xiàn)啟動(dòng)功率過高的現(xiàn)象，若道岔密貼不足啟動(dòng)功率過低，或信號(hào)集中監(jiān)測(cè)系統(tǒng)40 ms 的采樣周期無法捕捉到轉(zhuǎn)轍機(jī)啟動(dòng)解鎖的峰值，避開了峰值采集點(diǎn)，又可能會(huì)造成功率曲線峰值的消失［10］。在轉(zhuǎn)換階段，轉(zhuǎn)轍機(jī)動(dòng)作桿拉動(dòng)道岔尖軌到達(dá)指定位置，正常情況下道岔轉(zhuǎn)換過程平穩(wěn)，正常的轉(zhuǎn)轍機(jī)功率曲線應(yīng)較平直。但若道岔轉(zhuǎn)換過程中由于滑床板缺油等情況引起轉(zhuǎn)換阻力異常，從而導(dǎo)致道岔轉(zhuǎn)換受阻?；舶迥Σ磷枇Φ拇笮∨c轉(zhuǎn)轍機(jī)動(dòng)作功率曲線的波動(dòng)程度具有相關(guān)性，功率曲線的波動(dòng)程度反映了轉(zhuǎn)轍機(jī)轉(zhuǎn)換期間所受摩擦阻力的大小變化，具有退化過程［13-14］。若發(fā)現(xiàn)轉(zhuǎn)轍機(jī)轉(zhuǎn)換階段功率值發(fā)生偏差而不及時(shí)調(diào)整，可能會(huì)導(dǎo)致道岔無法正常轉(zhuǎn)換［15］。

圖2 不同時(shí)刻正常動(dòng)作功率曲線

大部分故障發(fā)生前，功率曲線雖會(huì)出現(xiàn)異常波動(dòng)但與正常曲線無明顯差異，監(jiān)測(cè)人員可能會(huì)忽略這些細(xì)微的變化而錯(cuò)過最佳維修時(shí)間。若直至道岔出現(xiàn)故障才進(jìn)行維修，不但增大維修成本，而且可能會(huì)影響行車安全與行車效率。如果對(duì)具有退化趨勢(shì)的故障進(jìn)行退化狀態(tài)識(shí)別研究，進(jìn)行針對(duì)性維修，可以提高鐵路現(xiàn)場(chǎng)在日常維護(hù)中的維修效率。

2 特征提取

2.1 CEEMDAN算法

EMD（經(jīng)驗(yàn)?zāi)B(tài)分解，Empirical Mode De?composition）將原始信號(hào)按照高頻到低頻的順序分解為一系列固有模態(tài)函數(shù)，從而反映非平穩(wěn)信號(hào)的局部特征。但EMD 在分解過程中會(huì)出現(xiàn)模態(tài)混疊的現(xiàn)象，對(duì)信號(hào)分解產(chǎn)生干擾。為了克服模態(tài)混疊，EEMD（集成經(jīng)驗(yàn)?zāi)B(tài)分解，Ensemble Em?pirical Mode Decomposition）對(duì)原始信號(hào)添加高斯白噪音，利用EMD 濾波器的二元濾波器組特性填充整個(gè)時(shí)頻空間以減少模態(tài)混合，但是EEMD 在對(duì)信號(hào)加噪的過程中可能會(huì)產(chǎn)生一定的虛假分量，影響后續(xù)的信號(hào)分析。為此，CEEMDAN在EEMD的基礎(chǔ)上加以改進(jìn)，在每次分解中加入成對(duì)的高斯白噪聲并進(jìn)行平均運(yùn)算，解決白噪聲從高頻到低頻的傳遞問題，從而抑制模態(tài)混疊和假分量的產(chǎn)生，更適用于對(duì)非線性、非平穩(wěn)信號(hào)進(jìn)行時(shí)頻分析，而轉(zhuǎn)轍機(jī)功率曲線信號(hào)非線性、非平穩(wěn)的特點(diǎn)與CEEMDAN 算法的適用范圍相匹配，因此選擇CEEMDAN提取轉(zhuǎn)轍機(jī)功率曲線信號(hào)特征。

CEEMDAN算法計(jì)算過程如下。

（1）用k表示第k階模態(tài)分量，k=1 時(shí)，令轉(zhuǎn)轍機(jī)功率曲線信號(hào)p（t）=r0（t），r0（t）為待分解信號(hào)，向p（t）中添加高斯白噪聲Ni（t），添加i（i=1，2，…，I）次得到疊加信號(hào)xi（t）為

（2）對(duì)xi（t）進(jìn)行EMD分解，獲得I個(gè)IMF分量c0i（t）。

（3）對(duì)c0i（t）集合平均得到第1 階IMF 分量c1（t）為

（4）計(jì)算第1階余量r1（t），計(jì)算式為

（5）向1 階余量中繼續(xù)添加i次白噪聲E（Ni（t）），得到新的待分解信號(hào)Yi（t），計(jì)算式為

（6）對(duì)Yi（t）進(jìn)行EMD 分解得到IMF 分量c1i（t），并集合平均得到第2 階IMF 分量c2（t），計(jì)算式為

（7）當(dāng)k=2，3，…，K時(shí)，第k階余量rk（t）計(jì)算式為

第k+1階IMF分量ck+1（t）計(jì)算式為

（8）將k依次遞加，重復(fù)步驟（5）—步驟（7），當(dāng)余量為單調(diào)函數(shù)時(shí)停止分解，得到最終分解結(jié)果為

2.2 CEEMDAN能量熵

信號(hào)在不同頻率下能量幅值會(huì)發(fā)生相應(yīng)的變化，為了反映這種變化，可以在CEEMDAN 分解之后計(jì)算各IMF分量的能量分布［16］。

通過對(duì)非線性信號(hào)進(jìn)行CEEMDAN 分解可以得到T個(gè)IMF 分量，通過熵值計(jì)算可以得到相應(yīng)的能量E1，E2，…，ET。假設(shè)最后分解余量忽略不計(jì)，由CEEMDAN 分解的正交性可知，分解后的IMF 分量能量之和等于原式功率信號(hào)的總能量，從而得到功率信號(hào)在頻率域上的能量分布。CEEMDAN能量熵HEN定義為

其中，

式中：pi為第i個(gè)本征模函數(shù)的能量占總能量E的比重；Ei為第i個(gè)本征模函數(shù)的能量。

3 退化狀態(tài)聚類識(shí)別

3.1 KFCM算法

轉(zhuǎn)轍機(jī)結(jié)構(gòu)復(fù)雜，其退化過程具有模糊、隨機(jī)的特點(diǎn)，且其功率信號(hào)非平穩(wěn)非線性。KFCM 算法為無監(jiān)督聚類算法且核函數(shù)的引入更適用于處理非線性數(shù)據(jù)，具有在沒有人為干預(yù)條件下通過數(shù)據(jù)特征尋找潛在數(shù)據(jù)結(jié)構(gòu)［17］，從而將數(shù)據(jù)劃分為不同退化階段的能力，可以很好地解決轉(zhuǎn)轍機(jī)功率數(shù)據(jù)退化階段劃分的問題。

KFCM 算法通過核函數(shù)將數(shù)據(jù)通過非線性映射Φ：X→H：Φ(x)=y，將特征映射至高維特征空間，由高維特征空間的線性函數(shù)對(duì)數(shù)據(jù)集進(jìn)行劃分，相比于FCM 算法能夠更精確地進(jìn)行樣本聚類。

（1）給定原始特征數(shù)據(jù)集X，聚類個(gè)數(shù)c，收斂精度ε，由FCM算法初始化聚類中心v0；

（2）定義vi（i=1，2，…，c）為第i個(gè)聚類中心，uij（i=1，2，…，c；j=1，2，…，n）為第j個(gè)樣本第i類的隸屬度函數(shù)，KFCM目標(biāo)函數(shù)為

式中：U=｛uij｝；v=｛v1，v2，…，vc｝；m為加權(quán)指數(shù)；為Φ(xj)到Φ(vi)之間距離的平方；K(xj，vi)為高斯核函數(shù)；σ為平滑程度參數(shù)。

（3）由拉格朗日乘子法得到U，v的迭代表達(dá)式為

3.2 聚類效果評(píng)估

為了分析KFCM 算法分類的準(zhǔn)確度，采用分類系數(shù)F和平均模糊熵H進(jìn)行聚類效果評(píng)估。

分類系數(shù)為隸屬度的均方值，F(xiàn)越接近1，聚類效果越好。

平均模糊熵反映了隸屬度分布所蘊(yùn)含的信息熵的大小，H越接近0，聚類效果越好。

3.3 轉(zhuǎn)轍機(jī)退化狀態(tài)劃分

以S700K 轉(zhuǎn)轍機(jī)退化狀態(tài)為研究核心，以其使用壽命內(nèi)功率曲線數(shù)據(jù)為研究對(duì)象，構(gòu)建轉(zhuǎn)轍機(jī)退化狀態(tài)識(shí)別模型，具體流程示意圖如圖3 所示。首先通過CEEMDAN 算法將功率曲線數(shù)據(jù)展開為多個(gè)IMFs，根據(jù)其能量密度獲得特征向量集；其次由KFCM 聚類算法進(jìn)行轉(zhuǎn)轍機(jī)退化狀態(tài)劃分；最后通過分類系數(shù)和平均模糊熵對(duì)KFCM 算法聚類效果進(jìn)行綜合評(píng)估，證明所提方法的有效性。

圖3 退化狀態(tài)劃分示意圖

4 試驗(yàn)驗(yàn)證及結(jié)果分析

4.1 特征提取

為驗(yàn)證基于CEEMDAN 算法與KFCM 聚類算法進(jìn)行轉(zhuǎn)轍機(jī)退化狀態(tài)研究方法的可行性，對(duì)某鐵路公司1 臺(tái)發(fā)生轉(zhuǎn)換阻力異常故障的轉(zhuǎn)轍機(jī)進(jìn)行研究，向前回溯該發(fā)生故障的轉(zhuǎn)轍機(jī)3 個(gè)月內(nèi)的正常動(dòng)作功率曲線數(shù)據(jù)共434條進(jìn)行分析驗(yàn)證。

由CSM 采集的轉(zhuǎn)轍機(jī)動(dòng)作過程功率曲線作為數(shù)據(jù)源，通過CEEMDAN 算法進(jìn)行模態(tài)分解并得到能量熵特征。相關(guān)系數(shù)越大，與原始信號(hào)的相關(guān)性越高，越能反映原始信號(hào)的物理信息，所以通過計(jì)算各IMF 分量的相關(guān)系數(shù)大小確定IMF 分量的個(gè)數(shù)為8 個(gè)。由于每組數(shù)據(jù)前6 個(gè)IMF 能量幅值較高，第6 個(gè)以后的能量幅值很小，所以選取前6 個(gè)IMF 分量的能量熵作為退化狀態(tài)識(shí)別數(shù)據(jù)特征集見表1。

表1 特征參數(shù)數(shù)據(jù)集

4.2 退化狀態(tài)劃分

通過KFCM 聚類算法對(duì)轉(zhuǎn)轍機(jī)從正常到失效的整個(gè)過程進(jìn)行研究，由退化狀態(tài)研究各類參考文獻(xiàn)［9，18］可知，退化狀態(tài)通常劃分為3～5 個(gè)退化階段。本文將CEEMDAN 分解得到的特征向量進(jìn)行PCA 降維后得到二維特征向量A1，A2，通過KF?CM 聚類算法對(duì)于聚類數(shù)目c分別取3，4，5 時(shí)進(jìn)行無監(jiān)督聚類，KFCM 參數(shù)設(shè)定為：m=2，?=0.000 01。KFCM 聚類圖如圖4 所示。圖中：P1和P2分別為聚類中心的橫坐標(biāo)與縱坐標(biāo)；紅色圓圈為聚類中心。由圖4可知：當(dāng)c=4時(shí)，聚類簇之間的間隔更大，聚類劃分效果更好。通過分類系數(shù)和平均模糊熵對(duì)于c分別取3，4，5 時(shí)的聚類效果進(jìn)行評(píng)估，結(jié)果見表2。

圖4 KFCM 聚類等高線圖

表2 聚類效果評(píng)估分析

由表2 可知：當(dāng)c=4 時(shí)分類系數(shù)為0.956 2，更接近1，平均模糊熵為0.056 1，更接近0，因此c=4 更能展示不同退化狀態(tài)之間的特征差異，同種特征之間的差異也最小，所以分為4類時(shí)的聚類效果最好。

通過現(xiàn)場(chǎng)調(diào)研并與相關(guān)技術(shù)人員交流溝通，將轉(zhuǎn)轍機(jī)的4種退化過程劃分為正常、輕微退化、中度退化、嚴(yán)重退化4個(gè)階段，并通過聚類結(jié)果對(duì)該轉(zhuǎn)轍機(jī)各個(gè)退化階段的功率曲線進(jìn)行分析以證明該聚類算法的有效性，各個(gè)退化階段的功率曲線如圖5所示。

圖5 S700K轉(zhuǎn)轍機(jī)各退化狀態(tài)功率曲線

由圖5 可知：正常狀態(tài)轉(zhuǎn)轍機(jī)功率曲線較平穩(wěn)；輕微退化狀態(tài)功率曲線會(huì)產(chǎn)生小幅度波動(dòng)；中度退化狀態(tài)功率值明顯高于輕微退化狀態(tài)；而嚴(yán)重退化狀態(tài)轉(zhuǎn)轍機(jī)因?yàn)槭苣Σ磷枇^大而在轉(zhuǎn)換階段出現(xiàn)了明顯凸起，與聚類結(jié)果一致。

4類狀態(tài)聚類中心坐標(biāo)見表3。

表3 KFCM聚類中心坐標(biāo)

為了驗(yàn)證本文所提方法的有效性，除去訓(xùn)練聚類模型所用到的434 條轉(zhuǎn)轍機(jī)正常轉(zhuǎn)換功率曲線數(shù)據(jù)，從故障發(fā)生前3個(gè)月的轉(zhuǎn)轍機(jī)功率曲線數(shù)據(jù)中繼續(xù)等間隔抽取100 條使用壽命內(nèi)轉(zhuǎn)轍機(jī)功率曲線數(shù)據(jù)構(gòu)成測(cè)試數(shù)據(jù)集，對(duì)聚類模型的聚類準(zhǔn)確性進(jìn)行分析驗(yàn)證，最終測(cè)試樣本的分類準(zhǔn)確率達(dá)到95.6%。由于測(cè)試數(shù)據(jù)集中有小部分樣本數(shù)據(jù)位于2 種退化狀態(tài)的邊界位置，對(duì)于2 個(gè)聚類簇的隸屬度都不高，難以界定屬于何種退化狀態(tài)，對(duì)于分類準(zhǔn)確度有一定的影響，所以仍有4.4%的數(shù)據(jù)未能準(zhǔn)確識(shí)別。

不同聚類算法在聚類數(shù)目c=4 時(shí)的聚類識(shí)別結(jié)果以及相應(yīng)的分類系數(shù)與平均模糊熵見表4。通過選擇在退化狀態(tài)識(shí)別領(lǐng)域應(yīng)用較廣泛的FCM 算法［19］和GK 算法［20］進(jìn)行比較分析。由于FCM 算法對(duì)初始聚類中心較敏感，GK 算法對(duì)于球類數(shù)據(jù)聚類更加有效。由表4 可知：相較于FCM 算法和GK 算法，KFCM 算法聚類效果更佳，具有一定的優(yōu)越性。

表4 不同聚類方法退化狀態(tài)識(shí)別比較

5 結(jié)語

針對(duì)S700K 交流轉(zhuǎn)轍機(jī)運(yùn)行狀態(tài)與其動(dòng)作功率曲線之間的關(guān)系，提出時(shí)頻分析與能量熵相結(jié)合的S700K 轉(zhuǎn)轍機(jī)退化狀態(tài)核模糊聚類分析方法。該方法以轉(zhuǎn)轍機(jī)轉(zhuǎn)換過程中阻力異常故障的退化發(fā)展過程為具體研究對(duì)象，根據(jù)轉(zhuǎn)轍機(jī)在不同性能退化狀態(tài)下功率信號(hào)能量分布的差異，利用CEEM?DAN 將非線性功率曲線數(shù)據(jù)分解成不同的IMF 分量，并根據(jù)IMF 分量的能量密度獲得特征向量集，實(shí)現(xiàn)轉(zhuǎn)轍機(jī)功率曲線典型特征信息的表征，并在S700K 交流轉(zhuǎn)轍機(jī)退化狀態(tài)聚類識(shí)別過程中采用KFCM 無監(jiān)督聚類算法進(jìn)行聚類，降低主觀經(jīng)驗(yàn)對(duì)于聚類結(jié)果的影響，無需對(duì)模型進(jìn)行訓(xùn)練即可實(shí)現(xiàn)退化狀態(tài)識(shí)別。

試驗(yàn)結(jié)果表明該方法能夠較好地劃分轉(zhuǎn)轍機(jī)性能退化各個(gè)階段的不同狀態(tài)，識(shí)別準(zhǔn)確率達(dá)到95.6%，對(duì)于鐵路現(xiàn)場(chǎng)轉(zhuǎn)轍設(shè)備的故障預(yù)判以及維修維護(hù)具有一定的指導(dǎo)意義。