轨道交通装备工厂机电设备故障诊断方法

2022-10-03王文彬

制造业自动化 2022年9期

王文彬

（中铁第一勘察设计院集团有限公司西南院，重庆 400020）

0 引言

轨道交通行业的发展，导致其装备工厂运营安全问题格外重要，当机电设备出现故障，且维修不及时，便会进一步恶化，导致整个机电设备出现损坏情况，造成重大安全事故发生[1～3]。为此需要研究机电设备故障诊断方法，帮助装备工厂运营人员及时发现故障，并维修，避免出现重大安全事故。秀丽等[4]利用方向微调学习修正深度信念网络，引进ReLu函数改进深度信念网络，利用改进后深度信念网络完成机电设备故障诊断，可有效诊断机电设备故障，诊断精度较高。刘雷等[5]通过相似性矩阵降维机电设备故障数据，通过差异性矩阵扩大降维后的数据样本，获取数据的低维流形，按照低维流形获取机电设备故障诊断结果，可有效诊断机电设备故障，具备一定的优势。但这两种方法均存在故障样本数据较少时，机电设备故障诊断性能较低，运算量较大。

改进LSSVM能够在较少样本时，获取故障诊断结果，且训练和故障诊断性能较优，为此研究轨道交通装备工厂机电设备故障诊断方法，提升装备工厂机电设备故障诊断效果。

1 轨道交通装备工厂机电设备故障诊断

1.1 故障特征提取

利用局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）法，提取轨道交通装备工厂机电设备故障振动信号，获取数个内禀尺度分量（ISC），同时求解各分量的视频域特征指标，提取故障特征。

令随机轨道交通装备工厂机电设备故障信号x(t)都是通过各种类型的ISC分量构建而成，LCD法就是通过分解随机一个x(t)，获取ISC分量总和与单调信号，前者数量为有限个，后者数量为一个，同时随机两个ISC分量间彼此无关，随机一个ISC分量需符合的条件为：

在整体轨道交通装备工厂机电设备原始故障振动信号中，随机两个邻近的极大值和极小值间存在单调性；令全部极值点是Pk,k=1,2,...,M，相应时刻是tk，极值点数量是M；令随机两个极大（小）值点(tk,Pk)、(tk+2,Pk+2)相连，获取直线lk，如式(1)所示：

其中，轨道交通装备工厂机电设备原始故障振动信号全部时间是t。

邻近两个极大（小）值点间的极值点是(tk+1,Pk+1)，与之相应的函数值是Ak+1，Ak+1和Pk+1的比值是固定的，需符合的条件为：

其中，常数是λ∈(0,1)。

利用LCD分解轨道交通装备工厂机电设备故障振动信号，提取轨道交通装备工厂机电设备故障特征的具体步骤如下：

步骤1：求解x(t)的全部Pk与相应tk；

步骤2：利用式(2)获取全部邻近Pk连接而成的lk，求解全部邻近极大（小）值点间的Pk+1，与相应tk+1位置的Ak+1，以及相应的lk+1值，如式(3)所示：延拓极值点，获取左右两端的极值点(t0,P0)、(tM+1,PM+1)，按照式(2)与式(3)计算获取A1，AM与l1，lM。

步骤3：通过三次样条拟合全部l1,l2,...,lM，获取基线Bl1(t)，在x(t)内分离基线信号Bl1(t)，获取新轨道交通装备工厂机电设备故障振动信号h1(t)，如式(4)所示：

如果h1(t)符合ISC分量的条件，那么以ISC1=h1(t)为首个ISC分量输出结果；如果不满足ISC分量条件，以h1(t)为原始轨道交通装备工厂机电设备故障数据，反复操作步骤1与步骤3，共操作k次，以h1,k(t)符合ISC分量条件为止，即ISC1=h1,k(t)。

步骤4：在x(t)内分离出ISC1，获取新轨道交通装备工厂机电设备故障振动信号r1(t)，即r1(t)=x(t)-ISC1；

步骤5：以r1(t)为原始轨道交通装备工厂机电设备故障振动信号，反复操作步骤1至步骤4，共操作n次，以r1(t)是单调函数时，结束操作，获取n个符合ISC条件的分量与一个趋势项rn(t)，最后分解x(t)，获取ISC分量与残余分量rn(t)，ISC分量为有限个，rn(t)仅有一个，如式(5)所示：

其中，第j个轨道交通装备工厂机电设备故障振动信号ISC分量是ISCj(t)；分解系数是μ。

通过时域与频域指标，在ISC分量内提取轨道交通装备工厂机电设备故障特征，前者指标包含均值、峰值、标准差、偏斜度、脉冲、裕度，后者指标包含重心频域。

1.2 基于LSSVM的机电设备故障诊断

以2.1小节提取的轨道交通装备工厂机电设备故障特征为样本，输入LSSVM方法内，输出轨道交通装备工厂机电设备故障诊断结果。令2.1小节提取的轨道交通装备工厂机电设备故障特征样本是x′i，LSSVM的样本数据集是{x′i,yi}，输出数据是yi，即轨道交通装备工厂机电设备故障诊断结果；样本数量是m；非线性函数为：

其中，权值为w；偏移量是b；映射函数是φ(x′)。

将式(6)变更成优化问题，如式(7)所以：

其中，惩罚因子为c；第i个轨道交通装备工厂机电设备故障特征样本松弛变量为ξi。

式(7)的约束条件为：

利用Lagrange方程求解最优化问题，Lagrange函数如下：

其中，Lagrange乘子是αi；修正系数是γ。

计算w、b、ξ、α的偏导数，同时设置成0，变更式(9)获取：

剔除w与ξi，获取线性方程组，如式(11)所示：

其中I=[1,1,...,1]m，核函数是K，

通过式(11)获取LSSVM的决策函数，即轨道交通装备工厂机电设备故障诊断结果，如式(12)所示：

选用径向基函数为LSSVM的核函数，如式(13)所示：

其中，K的宽度是σ。

1.3 改进LSSVM方法

利用改进蝙蝠寻优算法，改进LSSVM的参数，分别是惩罚因子c与核函数宽度σ。令第i′只蝙蝠的脉冲频率是fi′，速度是，个体位置是，迭代次数是h；各只蝙蝠均为一个轨道交通装备工厂机电设备故障诊断LSSVM方法内c与σ的优化结果，蝙蝠迭代时，的更新公式如下：

其中，随机因子是β∈[0,1]，且分布均匀；常数是ε∈[-1,1]；最佳位置是z*；平均脉冲音量是Rh；式(16)与式(17)属于全局与局部位置更新公式。

与脉冲发射率的更新公式如下：

其中，衰减系数是μ；增强系数是η。

通过指数递减惯性权重ϖ改进的变化趋势，加强搜索最佳轨道交通装备工厂机电设备故障诊断LSSVM方法内c与σ的效果，公式如下：

其中，可调节因子是θ；ϖ的最大、最小值是ϖmax、ϖmin；参数是s，用于控制ϖ的下降速度；最大迭代次数是hmax。

利用花朵授粉算法的自花授粉过程的寻优原则，改进蝙蝠算法，避免陷入局部最优，改进的局部搜索阶段zhi′的更新公式如下：

步骤1：参数初始化；

步骤2：初始化zi′，以轨道交通装备工厂机电设备故障诊断误差为适应度函数F，按照F获取z*；

步骤3：利用式(19)更新vi′，利用式(14)与式(16)更新fi′与zi′；

步骤4：生成随机数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，同时越界处理该解；

步骤6：求解目前各蝙蝠位置的F值，搜索最佳F值对应的蝙蝠位置；

步骤7：反复操作步骤3至步骤6，以达到hmax为止，输出LSSVM的最佳参数，改进LSSVM，在改进后的LSSVM内输入轨道交通装备工厂机电设备故障特征，输出故障诊断结果。

2 实验分析

某轨道交通装备工厂内的机电设备包含电扶梯、通风空调设备、站台门（屏蔽门）、动力照明、给排水设备等，利用本文方法诊断该轨道交通装备工厂机电设备故障，并结合综合智能监控平台，以3D形式呈现本文方法的故障诊断结果，指导装备工厂运营人员对机电设备进行维护。

利用本文方法提取该轨道交通装备工厂机电设备故障特征，以存在故障的给排水设备为例，三维设备模型与故障特征样本如图1所示，本文方法分解故障信号，获取LCD分解归一化边际谱图，如图2所示。

图1 排水设备故障信号

图2 LCD分解归一化边际谱图

综合分析图1与图2可知，本文方法分解后的轨道交通装备工厂机电设备故障幅值，与故障信号频谱图内幅值的变化趋势大致相同，说明本文方法可有效分解轨道交通装备工厂机电设备故障信号，有效描绘故障信号的变化趋势。

本文方法分解轨道交通装备工厂机电设备故障信号后，获取4个ISC分量与1个残余分量，各分量的能量占比如图3所示。

图3 各分量的能量占比

分解轨道交通装备工厂机电设备故障信号后，获取的各分量内均存在大量故障信息，为此以均值、峰值、标准差、偏斜度、脉冲、裕度、重心频域为故障特征指标，在各分量内提取该机电设备故障特征，提取结果如表1所示。

表1 轨道交通装备工厂机电设备故障特征提取结果

根据图3与表1可知，本文方法可有效获取分解轨道交通装备工厂机电设备故障信号的各分量能量占比，各分量能量占比越高，其内部存在的故障信息越多，各故障特征指标值越高；本文方法可有效提取各故障特征指标值，完成轨道交通装备工厂机电设备故障特征提取。实验证明：本文方法可有效提取轨道交通装备工厂机电设备故障特征。

提取完轨道交通装备工厂机电设备故障特征后，继续利用本文方法诊断该给排水设备故障在该给排水设备故障数据内随机选择900个样本，共包含7种故障，利用本文方法诊断轨道交通装备工厂机电设备内给排水设备故障，故障诊断结果如图4所示。