道岔故障診斷及健康狀態(tài)預測.pdf

1、道岔設備是車站聯(lián)鎖系統(tǒng)的重要組成部分，是排列進路和實現(xiàn)列車運行方向改變的關鍵設備。隨著中國鐵路的高速發(fā)展，道岔設備的維護也面臨著越來越多的挑戰(zhàn)。
　　在鐵路現(xiàn)場，道岔設備的監(jiān)測手段主要依靠人工瀏覽微機監(jiān)測系統(tǒng)中的轉轍機動作功率、電流數(shù)據(jù)曲線。這種方式取決于人工的經(jīng)驗，難以滿足道岔設備復雜的工作環(huán)境需求。而且該方式屬于“故障后維修”，沒能對道岔設備進行有效的故障防護，只有等故障特征表現(xiàn)明顯后，才進行維護處理，難以形成有效的維修維護計

2、劃。
　　為了解決以上兩個問題，實現(xiàn)對道岔設備狀態(tài)的智能診斷及預測，本文提出了一種基于Kohonen神經(jīng)網(wǎng)絡與隱馬爾科夫模型結合的道岔退化狀態(tài)挖掘及狀態(tài)評估的方法。通過對現(xiàn)場采集到的非故障功率數(shù)據(jù)進行分析，利用Kohonen神經(jīng)網(wǎng)絡進行退化狀態(tài)數(shù)據(jù)挖掘，并分析相關退化狀態(tài)形成原因，建立退化狀態(tài)數(shù)據(jù)與典型故障狀態(tài)數(shù)據(jù)之間的聯(lián)系。針對道岔轉換阻力異常故障，使用隱馬爾科夫模型建立三種退化狀態(tài)模型，用于進行退化狀態(tài)與故障狀態(tài)的識別與評估，

3、從而實現(xiàn)道岔設備故障診斷及健康狀態(tài)的預測。本文主要完成工作如下:
　　(1)道岔設備FMEA分析。通過對道岔設備基本組成及功能進行分析，得到道岔設備功能故障模式分析表。同時對道岔設備的動作過程及監(jiān)測原理進行學習，了解道岔動作過程中功率曲線形成原理，并針對頻次高的故障，總結其功率曲線特點及形成原因，建立典型故障功率數(shù)據(jù)樣本庫。
　　(2)特征提取方法的研究。針對道岔動作功率信號的特點，采用統(tǒng)計分析方法提取道岔動作過程中功率信號

4、數(shù)據(jù)的原始特征，組成特征候選集，使用基于Fisher準則函數(shù)的方法對候選集特征進行選擇，保留故障的典型特征以便用于狀態(tài)識別;最后使用基于局部線性嵌入的方法對篩選出的典型特征進行降維處理，得到合適維數(shù)的特征向量作為后續(xù)退化狀態(tài)挖掘及狀態(tài)識別模型的輸入。
　　(3)道岔退化狀態(tài)數(shù)據(jù)挖掘。采用Kohonen神經(jīng)網(wǎng)絡對現(xiàn)場采集的非故障功率數(shù)據(jù)進行無監(jiān)督學習，對比K-means聚類和FCM模糊聚類的結果，得到典型的退化狀態(tài)數(shù)據(jù)。通過對挖掘的

5、退化狀態(tài)進行評估分析，得到退化狀態(tài)與典型故障狀態(tài)之間的聯(lián)系，最后發(fā)現(xiàn)有三種典型退化狀態(tài)與道岔轉換阻力異常故障之間相關性最大，并建立相關退化狀態(tài)數(shù)據(jù)樣本庫。
　　(4)道岔故障診斷及狀態(tài)評估方法研究。針對典型故障及退化狀態(tài)，建立混合HMM模型用于進行道岔狀態(tài)識別及故障診斷，通過判別當前道岔所處的狀態(tài)從而進行故障診斷及健康狀態(tài)評估。最終實驗得出當進行6維輸入時，識別準確率達到95.65％，正確率和訓練時間均滿足鐵路現(xiàn)場需求。