王文彬

（中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司西南院，重慶 400020）

0 引言

軌道交通行業(yè)的發(fā)展，導(dǎo)致其裝備工廠(chǎng)運(yùn)營(yíng)安全問(wèn)題格外重要，當(dāng)機(jī)電設(shè)備出現(xiàn)故障，且維修不及時(shí)，便會(huì)進(jìn)一步惡化，導(dǎo)致整個(gè)機(jī)電設(shè)備出現(xiàn)損壞情況，造成重大安全事故發(fā)生[1～3]。為此需要研究機(jī)電設(shè)備故障診斷方法，幫助裝備工廠(chǎng)運(yùn)營(yíng)人員及時(shí)發(fā)現(xiàn)故障，并維修，避免出現(xiàn)重大安全事故。秀麗等[4]利用方向微調(diào)學(xué)習(xí)修正深度信念網(wǎng)絡(luò)，引進(jìn)ReLu函數(shù)改進(jìn)深度信念網(wǎng)絡(luò)，利用改進(jìn)后深度信念網(wǎng)絡(luò)完成機(jī)電設(shè)備故障診斷，可有效診斷機(jī)電設(shè)備故障，診斷精度較高。劉雷等[5]通過(guò)相似性矩陣降維機(jī)電設(shè)備故障數(shù)據(jù)，通過(guò)差異性矩陣擴(kuò)大降維后的數(shù)據(jù)樣本，獲取數(shù)據(jù)的低維流形，按照低維流形獲取機(jī)電設(shè)備故障診斷結(jié)果，可有效診斷機(jī)電設(shè)備故障，具備一定的優(yōu)勢(shì)。但這兩種方法均存在故障樣本數(shù)據(jù)較少時(shí)，機(jī)電設(shè)備故障診斷性能較低，運(yùn)算量較大。

改進(jìn)LSSVM能夠在較少樣本時(shí)，獲取故障診斷結(jié)果，且訓(xùn)練和故障診斷性能較優(yōu)，為此研究軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷方法，提升裝備工廠(chǎng)機(jī)電設(shè)備故障診斷效果。

1 軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷

1.1 故障特征提取

利用局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）法，提取軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)，獲取數(shù)個(gè)內(nèi)稟尺度分量（ISC），同時(shí)求解各分量的視頻域特征指標(biāo)，提取故障特征。

令隨機(jī)軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障信號(hào)x(t)都是通過(guò)各種類(lèi)型的ISC分量構(gòu)建而成，LCD法就是通過(guò)分解隨機(jī)一個(gè)x(t)，獲取ISC分量總和與單調(diào)信號(hào)，前者數(shù)量為有限個(gè)，后者數(shù)量為一個(gè)，同時(shí)隨機(jī)兩個(gè)ISC分量間彼此無(wú)關(guān)，隨機(jī)一個(gè)ISC分量需符合的條件為：

在整體軌道交通裝備工廠(chǎng)機(jī)電設(shè)備原始故障振動(dòng)信號(hào)中，隨機(jī)兩個(gè)鄰近的極大值和極小值間存在單調(diào)性；令全部極值點(diǎn)是Pk,k=1,2,...,M，相應(yīng)時(shí)刻是tk，極值點(diǎn)數(shù)量是M；令隨機(jī)兩個(gè)極大（?。┲迭c(diǎn)(tk,Pk)、(tk+2,Pk+2)相連，獲取直線(xiàn)lk，如式(1)所示：

其中，軌道交通裝備工廠(chǎng)機(jī)電設(shè)備原始故障振動(dòng)信號(hào)全部時(shí)間是t。

鄰近兩個(gè)極大（?。┲迭c(diǎn)間的極值點(diǎn)是(tk+1,Pk+1)，與之相應(yīng)的函數(shù)值是Ak+1，Ak+1和Pk+1的比值是固定的，需符合的條件為：

其中，常數(shù)是λ∈(0,1)。

利用LCD分解軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)，提取軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征的具體步驟如下：

步驟1：求解x(t)的全部Pk與相應(yīng)tk；

步驟2：利用式(2)獲取全部鄰近Pk連接而成的lk，求解全部鄰近極大（小）值點(diǎn)間的Pk+1，與相應(yīng)tk+1位置的Ak+1，以及相應(yīng)的lk+1值，如式(3)所示：延拓極值點(diǎn)，獲取左右兩端的極值點(diǎn)(t0,P0)、(tM+1,PM+1)，按照式(2)與式(3)計(jì)算獲取A1，AM與l1，lM。

步驟3：通過(guò)三次樣條擬合全部l1,l2,...,lM，獲取基線(xiàn)Bl1(t)，在x(t)內(nèi)分離基線(xiàn)信號(hào)Bl1(t)，獲取新軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)h1(t)，如式(4)所示：

如果h1(t)符合ISC分量的條件，那么以ISC1=h1(t)為首個(gè)ISC分量輸出結(jié)果；如果不滿(mǎn)足ISC分量條件，以h1(t)為原始軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障數(shù)據(jù)，反復(fù)操作步驟1與步驟3，共操作k次，以h1,k(t)符合ISC分量條件為止，即ISC1=h1,k(t)。

步驟4：在x(t)內(nèi)分離出ISC1，獲取新軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)r1(t)，即r1(t)=x(t)-ISC1；

步驟5：以r1(t)為原始軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)，反復(fù)操作步驟1至步驟4，共操作n次，以r1(t)是單調(diào)函數(shù)時(shí)，結(jié)束操作，獲取n個(gè)符合ISC條件的分量與一個(gè)趨勢(shì)項(xiàng)rn(t)，最后分解x(t)，獲取ISC分量與殘余分量rn(t)，ISC分量為有限個(gè)，rn(t)僅有一個(gè)，如式(5)所示：

其中，第j個(gè)軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障振動(dòng)信號(hào)ISC分量是ISCj(t)；分解系數(shù)是μ。

通過(guò)時(shí)域與頻域指標(biāo)，在ISC分量?jī)?nèi)提取軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征，前者指標(biāo)包含均值、峰值、標(biāo)準(zhǔn)差、偏斜度、脈沖、裕度，后者指標(biāo)包含重心頻域。

1.2 基于LSSVM的機(jī)電設(shè)備故障診斷

以2.1小節(jié)提取的軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征為樣本，輸入LSSVM方法內(nèi)，輸出軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷結(jié)果。令2.1小節(jié)提取的軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征樣本是x′i，LSSVM的樣本數(shù)據(jù)集是{x′i,yi}，輸出數(shù)據(jù)是yi，即軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷結(jié)果；樣本數(shù)量是m；非線(xiàn)性函數(shù)為：

其中，權(quán)值為w；偏移量是b；映射函數(shù)是φ(x′)。

將式(6)變更成優(yōu)化問(wèn)題，如式(7)所以：

其中，懲罰因子為c；第i個(gè)軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征樣本松弛變量為ξi。

式(7)的約束條件為：

利用Lagrange方程求解最優(yōu)化問(wèn)題，Lagrange函數(shù)如下：

其中，Lagrange乘子是αi；修正系數(shù)是γ。

計(jì)算w、b、ξ、α的偏導(dǎo)數(shù)，同時(shí)設(shè)置成0，變更式(9)獲?。?/p>

剔除w與ξi，獲取線(xiàn)性方程組，如式(11)所示：

其中I=[1,1,...,1]m，核函數(shù)是K，

通過(guò)式(11)獲取LSSVM的決策函數(shù)，即軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷結(jié)果，如式(12)所示：

選用徑向基函數(shù)為L(zhǎng)SSVM的核函數(shù)，如式(13)所示：

其中，K的寬度是σ。

1.3 改進(jìn)LSSVM方法

利用改進(jìn)蝙蝠尋優(yōu)算法，改進(jìn)LSSVM的參數(shù)，分別是懲罰因子c與核函數(shù)寬度σ。令第i′只蝙蝠的脈沖頻率是fi′，速度是，個(gè)體位置是，迭代次數(shù)是h；各只蝙蝠均為一個(gè)軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷LSSVM方法內(nèi)c與σ的優(yōu)化結(jié)果，蝙蝠迭代時(shí)，的更新公式如下：

其中，隨機(jī)因子是β∈[0,1]，且分布均勻；常數(shù)是ε∈[-1,1]；最佳位置是z*；平均脈沖音量是Rh；式(16)與式(17)屬于全局與局部位置更新公式。

與脈沖發(fā)射率的更新公式如下：

其中，衰減系數(shù)是μ；增強(qiáng)系數(shù)是η。

通過(guò)指數(shù)遞減慣性權(quán)重?改進(jìn)的變化趨勢(shì)，加強(qiáng)搜索最佳軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷LSSVM方法內(nèi)c與σ的效果，公式如下：

其中，可調(diào)節(jié)因子是θ；?的最大、最小值是?max、?min；參數(shù)是s，用于控制?的下降速度；最大迭代次數(shù)是hmax。

利用花朵授粉算法的自花授粉過(guò)程的尋優(yōu)原則，改進(jìn)蝙蝠算法，避免陷入局部最優(yōu)，改進(jìn)的局部搜索階段zhi′的更新公式如下：

步驟1：參數(shù)初始化；

步驟2：初始化zi′，以軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷誤差為適應(yīng)度函數(shù)F，按照F獲取z*；

步驟3：利用式(19)更新vi′，利用式(14)與式(16)更新fi′與zi′；

步驟4：生成隨機(jī)數(shù)rand，如果rand≥qi′，利用式(20)生成任意新解，如果rand＜qi′，那么利用式(17)生成局部新解，同時(shí)越界處理該解；

步驟6：求解目前各蝙蝠位置的F值，搜索最佳F值對(duì)應(yīng)的蝙蝠位置；

步驟7：反復(fù)操作步驟3至步驟6，以達(dá)到hmax為止，輸出LSSVM的最佳參數(shù)，改進(jìn)LSSVM，在改進(jìn)后的LSSVM內(nèi)輸入軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征，輸出故障診斷結(jié)果。

2 實(shí)驗(yàn)分析

某軌道交通裝備工廠(chǎng)內(nèi)的機(jī)電設(shè)備包含電扶梯、通風(fēng)空調(diào)設(shè)備、站臺(tái)門(mén)（屏蔽門(mén)）、動(dòng)力照明、給排水設(shè)備等，利用本文方法診斷該軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障，并結(jié)合綜合智能監(jiān)控平臺(tái)，以3D形式呈現(xiàn)本文方法的故障診斷結(jié)果，指導(dǎo)裝備工廠(chǎng)運(yùn)營(yíng)人員對(duì)機(jī)電設(shè)備進(jìn)行維護(hù)。

利用本文方法提取該軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征，以存在故障的給排水設(shè)備為例，三維設(shè)備模型與故障特征樣本如圖1所示，本文方法分解故障信號(hào)，獲取LCD分解歸一化邊際譜圖，如圖2所示。

圖1 排水設(shè)備故障信號(hào)

圖2 LCD分解歸一化邊際譜圖

綜合分析圖1與圖2可知，本文方法分解后的軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障幅值，與故障信號(hào)頻譜圖內(nèi)幅值的變化趨勢(shì)大致相同，說(shuō)明本文方法可有效分解軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障信號(hào)，有效描繪故障信號(hào)的變化趨勢(shì)。

本文方法分解軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障信號(hào)后，獲取4個(gè)ISC分量與1個(gè)殘余分量，各分量的能量占比如圖3所示。

圖3 各分量的能量占比

分解軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障信號(hào)后，獲取的各分量?jī)?nèi)均存在大量故障信息，為此以均值、峰值、標(biāo)準(zhǔn)差、偏斜度、脈沖、裕度、重心頻域?yàn)楣收咸卣髦笜?biāo)，在各分量?jī)?nèi)提取該機(jī)電設(shè)備故障特征，提取結(jié)果如表1所示。

表1 軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征提取結(jié)果

根據(jù)圖3與表1可知，本文方法可有效獲取分解軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障信號(hào)的各分量能量占比，各分量能量占比越高，其內(nèi)部存在的故障信息越多，各故障特征指標(biāo)值越高；本文方法可有效提取各故障特征指標(biāo)值，完成軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征提取。實(shí)驗(yàn)證明：本文方法可有效提取軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征。

提取完軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障特征后，繼續(xù)利用本文方法診斷該給排水設(shè)備故障在該給排水設(shè)備故障數(shù)據(jù)內(nèi)隨機(jī)選擇900個(gè)樣本，共包含7種故障，利用本文方法診斷軌道交通裝備工廠(chǎng)機(jī)電設(shè)備內(nèi)給排水設(shè)備故障，故障診斷結(jié)果如圖4所示。

圖4 故障診斷結(jié)果

根據(jù)圖4可知，本文方法可有效診斷給排水設(shè)備故障，且各故障診斷結(jié)果與實(shí)際結(jié)果相差較小，僅有泵入口擁塞與電動(dòng)機(jī)電流過(guò)大故障，存在極少樣本診斷結(jié)果錯(cuò)誤。實(shí)驗(yàn)證明：本文方法可精準(zhǔn)診斷軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障。

以管路接頭不嚴(yán)故障為例，將本文方法的故障診斷結(jié)果與綜合智能監(jiān)控平臺(tái)結(jié)合，以3D形式呈現(xiàn)本文方法的故障診斷結(jié)果，如圖5所示。

圖5 管路接頭不嚴(yán)故障診斷的呈現(xiàn)效果

根據(jù)圖5可知，本文方法的故障診斷結(jié)果，可有效與綜合智能監(jiān)控平臺(tái)結(jié)合，以3D的形式呈現(xiàn)軌道交通裝備工廠(chǎng)機(jī)電設(shè)備內(nèi)給排水設(shè)備故障診斷結(jié)果，精準(zhǔn)指導(dǎo)運(yùn)維人員對(duì)故障區(qū)域進(jìn)行維修，保證給排水設(shè)備正常運(yùn)行。

3 結(jié)語(yǔ)

軌道交通裝備工廠(chǎng)機(jī)電設(shè)備的安全，與工廠(chǎng)運(yùn)營(yíng)的運(yùn)行安全息息相關(guān)，為此研究軌道交通裝備工廠(chǎng)機(jī)電設(shè)備故障診斷方法，精準(zhǔn)診斷機(jī)電設(shè)備故障，幫助裝備工廠(chǎng)運(yùn)營(yíng)人員及時(shí)維修故障，確保軌道交通正常運(yùn)行。