基于云模型与组合赋权的转辙机SOH评估模型

张娟娟，黄斌，蒋敏建

基于云模型与组合赋权的转辙机SOH评估模型

张娟娟，黄斌，蒋敏建

(柳州铁道职业技术学院，广西 柳州 545616)

当前铁路信号设备智能运维正在起步阶段，针对转辙机机械故障率高且存在模糊性与随机性的特点，建立一种结合云模型与主、客观组合赋权相融合的设备健康状态(SOH, state of health)评估模型。首先，从“设备-环境-人员-管理”4个方面建立影响转辙机SOH的综合指标体系；其次，选择改进AHP法(主观法)与CRITIC法(客观法)理论求取对应20组指标层的权重；再分别采用2种组合赋权法(乘法集成法、动态赋权法)对比求取对应7组部件层的组合权重。然后，通过云模型理论与组合赋权相交，结合云相似度计算设备当前SOH等级。最后，通过一个实例分析验证了该方法的可行性与有效性，为铁路信号设备智能运维提供借鉴。

转辙机；模糊性；随机性；云模型；SOH；AHP法；CRITIC法

转辙机是铁路信号系统中重要的基础设备，对于保证行车安全、提高运营效率、扩充运输能力起到至关重要的作用[1]。由于其长年处在室外复杂环境，受到雨雪、风沙等自然变化的影响，加之使用频繁，部件易松动、磨损与老化，导致故障频发。随着列车提速及线路向高密化、重载化方向发展，传统铁路信号的“故障−安全”原则、故障诊断及设备“计划修”、“故障修”已难以适应线路运营要求。当前，铁科研、北京交通大学等单位都在加紧研究设备智能运维系统，对其进行状态评估势在必行。图1阐明了信号设备智能运维发展目标。

图1 信号设备智能运维目标

近年来，针对转辙机的研究主要集中于故障诊断方面[3−5]。戴乾军等[6]通过对转辙机机械故障退化规律进行分析，建立了设备PHM模型，评估其SOH、预测剩余寿命(RUL)。胥红敏等[7−12]针对不同设备进行SOH评估，主要方法有层次分析法、熵权法和模糊综合评判法等。其中，层次分析法在求取指标权重时过分依赖专家经验；熵权法则存在指标重要度分析不充分的缺点；模糊综合评判法易忽略评价监测信息的模糊性和随机性，若隶属度函数构造不准确则严重影响评价结果。鉴于各单一评判方法的局限性，综合考虑云模型在应对随机性与模糊性问题的优势，结合改进AHP法(主观法)和CRITIC法(客观法)对转辙机性能影响的多因素进行全面综合考虑。最终建立设备SOH综合评估模型，旨在为铁路部门智能运维目标提供参考。

1 评价指标的选取

本文以高铁大号码道岔及正线广泛采用的S700K型转辙机为分析对象，综合考虑设备故障数据、10名专家意见对其进行状态评价指标提取，其SOH评估体系如图2所示。第1层为系统层，表示S700K转辙机整体SOH；第2层为7组部件层，从“设备−环境−人员−管理”对系统最重要的4个方面综合考虑；第3层为指标层，结合部件层的特性确定评价指标元素。

图2 S700K型转辙机SOH评估体系

2 建立SOH评估模型

2.1 评级指标归一化处理

其中：x为第个影响因素的实际值；x'为x的归一化值；x∈[x,x]。

2.2 SOH评估过程

2.2.1 云模型理论

云模型是建立在模糊数学与随机数学基础上的算法，具有强定性、定量分析的特点[14]。设是一个用数值表示的定量域，是的定性概念。若定量值∈,且是上随机量，隶属度()∈[0,1]。为云的云滴，存在：

云滴是构成云的元素，云滴越确定则云的确定性就越大。云由元素期望Ex，熵En，超熵He来表征,即C[Ex,En,He]。其中Ex为云滴论域中心点；En衡量其不确定度，体现定性概念的随机性与模糊性。He体现En的不确定性，即熵之熵，反映云滴的离散性。He值越大，云层越厚。隶属云及其数字特征如图3所示。

对于存在双边约束[min,max]指标的云模型，其数字特征公式为：

其中：为常数，可由指标的模糊性与随机性程度确定。

云发生器是云的生成算法。其中正向云发生器是定性到定量的映射，结合特征量[E,E,H]生成云滴，其算法如下[18]：

Step 1：生成一个期望E，方差E的正态随机数x；

Step 2：生成一个期望E，方差H的正态随机数y；

Step 3：计算()

Step 4：输入一个云滴(x,)；

Step 5：重复Step 1~Step 4，直到产生满足要求的第个云滴组成云。

2.2.2 改进AHP分析法

AHP的基本思想是将复杂问题分层化处理，确定各评价指标对目标的权重值。本文采用改进的3标度法AHP法，其算法如下。

Step 1：确定层次结构模型；

Step 2：建立比较矩阵

Step 3：计算重要度排序指数I

I为矩阵中第行元素和，maxmax(I)，minmin(I)。

Step 4：判断矩阵

其中：b为基点比较标准，将2个基点比较要素按照1~9级判别尺度比较，对b取值。

Step 5：求判断矩阵的最优传递矩阵

Step 6：求判断矩阵的拟优一致矩阵

Step 7：计算权重

为简化计算，选择近似的方均根法计算。即先求每一行的元素之积，再计算方根，最后对所得的向量归一化处理求权重。

2.2.3 CRITIC法

CRITIC基本原理[15]为：1) 引入对比度，用标准差反映同一指标对个级别的差距范围，标准差越大指标差距越大；2) 反映评价指标间的冲突性，如2指标间具有越强的正相关性，则其冲突越小。具体步骤如下。

Step 1：原始数据标准化

对每个评价指标进行无量纲化处理，消除变量间的单位影响，具体如式(1)所示。

Step 2：确定相关系数

相关系数可体现评价指标间的相互关联的系数，求其积方差计算，公式为：

其中：为某一评价指标个数；σ为评价因子标 准差。

Step 4：设第个评价指标客观权重，则由CRITIC赋权得到的第个指标的权重为：

2.2.4 组合赋权

方法1：乘法集成法

方法2：动态赋权

2=(1−)W* (14)

其中：为动态赋权系数，为使评价结果更准确，本文首先求组合赋权法结果与改进AHP和CRITIC法计算结果的偏差值，再以偏差值间的平方和最小为优化目标，动态求取值。

3 SOH评估实例验证

通过调研2017~2018年中旬某局电务段段管信号设备台账、电务故障登记薄、月/年安全分析会数据，应用上述分析方法对8台S700K型转辙机进行SOH评估验证(以1台数据为例进行算法分析)。

结合我国GB/T 25338.1−2010《铁道道岔转辙机》环境：

1) 大气压力：不低于70.1 kPa(相当于海拔3 000 m以下)；

2) 周围空气温度：−40~+70 ℃；

3) 空气相对湿度：不大于90%(25 ℃时)；

4) 振动范围：38~1 kHz。

3.1 云评价模型的建立

鉴于转辙机在其全生命周期状态的退化过程，将其划分为4个环节，如表1所示[9]。

结合铁路专家经验及现场工作人员指导，确定各健康状态的范围，且将用于评价的云模型特征量取值如表2所示，相应评价云如图4。

表1 状态评价等级

表2 云评价集

图4 SOH评价云模型

3.2 确定指标权重

3.2.1 改进AHP法求解

通过对现场S700K型转辙机运行资料的汇总，结合维修人员、技术专家对7组部件层的20组指标的权重进行分析验证，用MATLAB2014b数值软件计算求得主观3标度AHP结果为：

最终建立基于改进AHP的权重为：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

3.2.2 CRITIC法求解

结合式(10)~(12)在MATLAB2014b软件上进行计算，得出各部件层指标权重：

=[0.387,0.184,0.002,0.184,0.002,0.269,0.212]

然后，通过2.2.4将2种主客观求取的权重进行组合赋权分析。其中主、客观建立在系统层分析，组合赋权法建立在部件层(取0.45)。在表3中，通过对各类的赋权方法的比对，采用2种组合赋权方法分析，分别计算组合权重得到各指标层的权重。

将4种赋权法进行仿真分析见图5，得出在3标度AHP法及CRITIC法的分析中，CRITIC法权重变化幅度较小。改进AHP法主要受专家的主观因素影响较多，忽略了一些随机性及次要因素，影响了整个SOH评估模型的准确性。CRITIC法由于对原始数据的依赖性较强，权重分配差距小亦欠准确。组合赋权的乘法集成法与动态赋权法结果可得动态赋权法权重变化范围小，在指标权重间较平衡，抑制了一些随机、次要因素与忽略专家经验带来的影响，结果较优，故此将其作为组合赋权的结果。

图5 4种赋权法权重

表3 权重确定对比表

表4 云综合评价集

结合专家打分、表2中云模型状态评价集以及正向云生成器公式(4)，其中设置为0.031，建立云综合评价集如表4。

选择部件层权重与指标相对值，建立转辙机状态评价综合云，最后，将组合赋权结果与云模型相交：

结合云运算规则，求得状态评估结果为：

最后，通过云模型与组合赋权相交得到转辙机状态评估结果如图6所示，其中绿色部分()代表设备当前结果，介于[2,1]之间，更靠近2。得该设备处在“亚健康(2)”状态，整体状态良好。将模型评估结果与现场实际运行状况进行比对，二者基本一致(其余7台结果亦一致)。

图6 综合评价结果

4 结论

1) 结合历史故障数据及10名专家意见将其划分为7部件20个子部件的状态体系划分。

2) 分别计算3标度AHP法与熵权法的部件权重，体现了现场工作人员的主观经验，又避免其主观随意性。在组合赋权中，为体现多样对比，采用乘法集成与动态赋权2种方法。仿真显示动态赋权法效果更优。

3) 利用云模型的优势和特点，将其与组合权重相交，结果接近2状态。通过与现场8台转辙机运行状态比对，结果一致。

4) 本文方法可为实现信号设备定性向定量化评估的转化，以及为信号设备智能运维提供借鉴。

[1] 郭进. 铁路信号基础[M]. 北京: 中国铁道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 李娜, 董海鹰. 基于D-S证据理论信息融合的轨道电路故障诊断方法研究[J]. 铁道科学与工程学报, 2012, 9(6): 107−112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107−112.

[3] 董昱, 赵媛媛, 林海香. 基于小波分析的电动转辙机动作电流的分析研究[J]. 兰州交通大学学报, 2012, 31(6): 39−43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39−43.

[4] 肖蒙, 翟琛, 潘翠亮. 基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 铁道科学与工程学报, 2015, 12(2): 414−418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015, 12(2): 414−418.

[5] 王瑞峰, 陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究[J]. 铁道学报, 2016, 38(6): 68−72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on Grey neural network[J]. Journal of the China Railway Society, 2016, 38(6): 68−72.

[6] 戴乾军, 陈永刚, 陶荣杰. 基于动态PSO优化HSMM的转辙机PHM模型研究[J]. 铁道标准设计, 2018(9): 174−178. DAI Qianjun, CHEN Yonggang, TAO Rongjie. Study on the PHM model of switch machine based on dynamic PSO optimization HSMM[J]. Railway Standard Design, 2018(9): 174−178.

[7] 胥红敏, 张湜, 李晓宇. 基于层次分析法的铁路安全事故后果评价[J]. 铁道技术监督, 2018(2): 89−92. XU Hongmin, ZHANG Shi, LI Xiaoyu. Evaluation of railway safety accidents based on analytic hierarchy process[J]. Railway Technology Supervision, 2018(2): 89−92.

[8] Bianchini A. 3PL provider selection by AHP and TOPSIS methodology[J]. Benchmarking an International Journal, 2018, 25(1): 28−32.

[9] Laksono P, Wulan S R, Supangkat S H, et al. AHP and dynamic shortest path algorithm to improve optimum ambulance dispatch in emergency medical response[C]// International Conference on ICT for Smart Society. IEEE, 2018: 1−6.

[10] Sennaroglu B, Celebi G V. A military airport location selection by AHP integrated PROMETHEE and VIKOR methods[J]. Transportation Research Part D Transport & Environment, 2018, 59: 160−173.

[11] 王思华, 吴健. 高铁牵引变电所风险模糊综合评估方法研究[J]. 铁道科学与工程学报, 2017(8): 1589−1596. WANG Sihua, WU Jian. Research on fuzzy comprehensive evaluation method for the risk of traction substation of high-speed railway[J]. Journal of Railway Science and Engineering, 2017(8): 1589−1596.

[12] AN Yingxia. PHM technical framework and proposal for HSR traction power supply system[J]. China Railway, 2018(6): 145−151.

[13] Chekired D A, Khoukhi L, Mouftah H T. Decentralized cloud-SDN architecture in smart grid: A dynamic pricing model[J]. IEEE Transactions on Industrial Informatics, 2018, 14(3): 1220−1231.

[14] Baghdadi N, El Hajj M, Zribi M, et al. Calibration of the water cloud model at C-Band for winter crop fields and grasslands[J]. Remote Sensing, 2018, 9(969): 189−193.

[15] 汪顺生, 黄天元, 陈豪, 等. 基于CRITIC赋权的模糊综合评判模型在水质评价中的应用[J]. 水电能源科学, 2018(6): 144−148. WANG Shunsheng, HUANG Tianyuan, CHEN Hao, et al. Application of fuzzy comprehensive evaluation model based on CRITIC weighting in water quality evaluation [J]. Hydro-Electric Energy Science, 2018(6): 144−148.

SOH evaluation model of switch machine based on cloud model and combined weighting

ZHANG Juanjuan, HUANG Bin, JIANG Minjian

(Liuzhou Railway Vocational and Technical College, Liuzhou 545616, China)

At present, intelligent operation and maintenance of railway signal equipment are in the initial stage. In view of the characteristics of high mechanical failure rate, fuzziness and randomness of switch machine, this paper established a SOH (state of health) evaluation model combining cloud model with subjective and objective weightings. Firstly, a comprehensive index system affecting switch machine SOH was built from four aspects of “equipment-environment-personnel-management”. Secondly, it was chosen to improve the AHP method (subjective method) and the CRITIC method (objective method) theory to find the corresponding 20 groups of index layer weight; Thirdly, two combined weighting methods (multiplication integration method and dynamic weighting method) were used to compare and obtain the combined weights of the corresponding 7 groups of component layers. Then, through the intersection of cloud model theory and combined weighting, the current SOH level of cloud similarity computing equipment was combined. Finally, an example was given to verify the feasibility and effectiveness of this method. This paper provided a reference for intelligent operation and maintenance of railway signal equipment.

switch machine; fuzziness; randomness; cloud model; SOH; AHP method; CRITIC method

U283.2；U284.7

A

1672 − 7029(2019)08− 2100 − 07

10.19713/j.cnki.43−1423/u.2019.08.029

2018−10−29

广西高等学校高水平创新团队及卓越学者计划项目(2017KY1239)

黄斌(1983−)，男，河南南阳人，副教授，从事轨道交通信号与控制研究；E−mail：185879649@qq.com

(编辑 阳丽霞)