基于自回归滑动平均模型的道岔动作电流故障曲线预测方法*

黄世泽 张肇鑫 张 帆 杨玲玉

(1.上海市轨道交通结构耐久与系统安全重点实验室，201804，上海；2.同济大学道路与交通工程教育部重点实验室，201804，上海；3.中国中铁二院工程集团有限责任公司，610031，成都∥第一作者，副教授)

随着我国高速铁路的发展，铁路设备安全性和可靠性愈加重要。而道岔状态直接影响着铁路运输的安全和效率。当前道岔故障识别研究取得了不错效果[1-3]，而对基于道岔曲线故障预测的研究还较少。

故障预测技术是一门涉及电子、控制、计算机及材料等多种专业的新兴学科[4-6]。文献[7]利用传感器实时采集道岔的相关数据，得到未来道岔退化水平。文献[8-9]提出了电流电压信号特征检测和预测道岔故障。文献[10-11]提出了采用贝叶斯网络与蒙特卡罗模拟结合以及利用AdaBoost和最小二乘法预测道岔故障方法。文献[12-14]利用有限元分析法和滑动平均模型预测道岔交叉口疲劳寿命。现有研究主要是预测道岔有无故障，而无法直观获知道岔未来时刻具体工作状态，也无法预测故障类型，更无法预测电流曲线。由于道岔故障类型直接反映在电流曲线上，故预测电流曲线进而预测故障类型具有重要意义。

ARMA(autoregressive moving average,自回归滑动平均模型)仅利用电流历史数据就可预测电流数据。因此，基于ARMA的道岔故障预测方法可预测未来时刻的道岔动作电流。

1 道岔动作电流曲线

以S700K交流电动转辙机为例，其正常动作时的三相电流曲线如图1所示，可分为T1—T5阶段。道岔动作电流突增故障曲线如图2所示。

a)A相

a)A相

2 基于ARMA的道岔动作曲线预测方法

2.1 ARMA模型的基本原理

取ARMA模型参数为{a1,a2,…,ai,…,ap}及{b1,b2,…,bj,…,bq}，则平稳时间序列{Xt}满足

(1)

式中：

p和q的特征多项式Ap(r)和Bq(r)分别为：

Ap(r)=1+a1r+…+aprp

(2)

Bq(r)=1+b1r+…+bqrp

(3)

其中，r为后移参数，有：

rsXt=Xt-s，s∈Z

(4)

(5)

2.2 道岔动作电流曲线预测模型设计

道岔动作曲线预测过程如图3所示。

图3 道岔动作曲线预测模型流程图

3 道岔动作曲线预测的试验验证

3.1 预测所用数据说明

以某铁路局实际产生的微机监测数据为建模基础。现场调研获取近1个月内的11个道岔动作电流数据(如表1所示)。

表1 11个道岔电流数据的样本量

3.2 预测结果分析

3.2.1 电流突增故障曲线预测

图4为1号道岔动作电流突增故障曲线图。由图4可见，预测曲线与实际曲线拟合较好，说明基于ARIMA预测得到的道岔故障电流曲线较准确。

a)A相

3.2.2 正常电流曲线预测

图5为7号道岔正常动作电流曲线。图5中的预测曲线与实际曲线拟合较好，说明基于ARIMA预测得到的道岔正常动作电流曲线较准确。

a)A相

3.2.3 模型预测效果

为验证模型的准确度，计算ARMA模型的MAE(平均绝对误差)、MSE(均方误差)、RMSE(均方根误差)、MAPE(平均绝对百分比误差)和NMSE(归一化均方误差)。

图6为故障曲线预测结果误差比对图。由图6可知，误差值均在0.35以内，且大部分误差值都为0.05左右。这进一步说明预测的准确度较高。

图6 故障曲线预测结果误差对比图

图7为正常电流曲线预测结果误差对比图。由图7的预测误差计算结果可知，误差值均在0.15以下。

图7 正常电流曲线预测结果误差对比图

由此可见，基于ARMA模型的道岔动作电流曲线模型具有较好的预测效果。

4 结语

通过分析道岔动作电流曲线与道岔工作过程之间的关系，预测未来时刻道岔动作电流曲线，进而直接预测道岔设备具体故障类型。建立基于ARMA的道岔动作电流曲线预测模型，通过调整模型参数，定量计算出道岔动作曲线每一个点的预测结果，得到完整道岔动作电流曲线。结果表明，该方法能够快速准确预测出道岔动作预测曲线，具有较高预测精度。该方法从现有对道岔故障类型的概率预测转变为对道岔动作电流曲线的预测，对直观地预测道岔故障类型具有重要的作用。