基于实时监测数据与变权模糊综合评判的地铁转辙机健康状态评估

余 婷，张亚东，江 磊，郭 进

(西南交通大学信息科学与技术学院,成都 611756)

引言

我国城市轨道交通发展迅速,运营总里程数不断增加,同时也存在信号设备数量激增、性能退化、故障率上升等问题。在轨道交通信号系统中,转辙机是实现列车行进方向转换的重要基础设备,也是故障率较高的设备之一,在线路中数量众多、使用频率高,发生故障一旦没有及时进行维修,轻则影响行车效率,重则导致危险事故[1-2]。目前,地铁对转辙机的健康状态评估以人工分析为主,需要对微机监测获得的运行数据和日志文件进行人工筛选分析,随着设备健康评价指标及数据挖掘维度要求越来越精细和严格,人工分析耗时长、效率低且易出错,已经不能满足线网级维修数据的分析要求。在获取海量设备监测数据的基础上,通过算法设计、健康度评价模型构建开展转辙机的健康状态评估,对实现设备维保人员的合理规划、解决设备维护过修或欠修问题、提升运营管理水平具有重要意义。

目前很多学者致力于转辙机故障诊断与预测的方法研究[3-6],而对转辙机的健康状态评估研究较少。当前转辙机健康状态主流的评估方法,是通过构建指标体系,计算权重和隶属度实现状态评估。文献[7]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健康状态等级,但其指标体系的建立不合理,仅从机械特性角度出发,未考虑转辙机的电气特性以及运行环境因素。文献[8]分别使用主客观赋权法计算权重,通过最小方差法确定最优权重,最后采用模糊理论进行综合评估,但其权重计算未考虑指标数据的劣化度情况,当某个评估指标严重恶化时,若其所占权重较小,可能导致评价结果的误判。文献[9]利用层次分析法评估指标权重,采用模糊综合评判实现健康状态的综合评估,但其评估主要采用专家打分的方式,未能结合指标的实时监测数据。

针对以上问题,提出一种基于实时监测数据与变权模糊综合评判的地铁转辙机健康状态评估方法。首先,建立了转辙机健康状态层次型指标体系,使用层次分析法计算指标权重,并依据变权理论,结合监测数据的相对劣化度对权重进行修正,实现权重的动态变化。然后,构建评判指标对各状态等级的高斯隶属度函数,利用模糊综合评判法对转辙机健康状态等级进行逐层评估。

1 转辙机健康状态评估总体流程

转辙机健康状态评估流程见图1,具体评估步骤如下。

图1 转辙机健康状态评估流程

(1)选取合理的评估指标,构建转辙机健康状态评估层次型指标体系,并基于监测数据计算子指标的相对劣化度。

(2)采用AHP(Analytic Hierarchy Process)计算子指标层权重,结合指标的相对劣化度,引入变权理论计算子指标的变权重。

(3)划分转辙机健康状态等级,计算评估子指标对各评判等级的隶属度,以此构建第一层模糊评估的评判矩阵,结合(2)计算的变权重,通过模糊综合评判得到指标层的健康状态,并以此构建第二层模糊评估的评判矩阵。

(4)采用AHP计算指标层权重,结合(3)得到模糊综合评判矩阵,利用模糊综合评判法评估转辙机的综合健康状态。

(5)根据(4)得到的结果,依据隶属度最大原则,以最大隶属度对应的等级作为转辙机整体的健康状态等级。

2 转辙机健康状态评估指标体系构建及权重确定

2.1 构建健康状态评估指标体系

针对成都地铁广泛应用的ZDJ9型电动转辙机,参考TG/XH101—2015《普速铁路信号维护规则》[10]关于ZDJ9型转辙机的技术特性描述,考虑转辙机在扳动道岔时的电气、机械特性以及转辙机运行的外部环境[11-12],选取最能反映转辙机运行健康状态的指标建立包含3个递进层次的评估指标体系,见图2。第一层为目标层,即转辙机健康状态评估;第二层为指标层,包括5个评判指标Xr(r=1,2,3,4,5),指标层又分解成各个评判子指标Xrl(l=1,2,…,n(n为各评判指标下的具体子指标数)),如X1={X11,X12}。子指标层中的A、B、C三段,分别对应道岔转换时电流曲线的解锁、动作和缓放3个阶段。

图2 转辙机健康状态评估指标体系

2.2 确定指标相对劣化度

鉴于各评估子指标的量纲和数量级不同,为能联合分析,引入相对劣化度来对监测数据做无量纲化处理[13]。相对劣化度可以反映设备当前状态与标准状态之间的差异,其数值位于[0,1]之间,相对劣化度越大,说明设备的状态越差。各子指标Xrl的相对劣化度xrl计算公式为

(1)

表1 评估指标的标准值和临界值

2.3 确定指标权重

使用层次分析法求得子指标层各指标的常权重,在常权重的基础上结合子指标的相对劣化度计算子指标的变权重。指标层没有实际的监测数据,其健康状态是由子指标的健康状态决定,因此,采用层次分析法计算指标层的权重[14]。

2.3.1 常权重的确定

层次分析法通过各指标间重要性的相互比较来对权重赋值[15]。层次分析法的关键是判断矩阵的构建,需要多名有丰富检修经验的专工采用1-9标度法对指标的重要程度进行两两比较。1-9标度及其含义见表2。

表2 1-9标度及其含义

判断矩阵确定后,计算其最大特征值对应的特征向量并进行归一化处理得到权重向量。再利用式(2)对初始权重向量进行一致性判断。

(2)

式中,CR为一致性比率;RI为平均随机一致性指标,用以消除阶数的影响,对CI值进行修正,RI的取值参照文献[9]。CI为一般一致性偏离程度指标,其计算公式为

(3)

式中,λmax为判断矩阵的最大特征值;d为判断矩阵的阶数。

2.3.2 变权重的确定

在常权重下,当某个子指标的监测数据严重劣化时,若该子指标占用权重较小,会导致评价结果对状态量的变化不敏感,显现出转辙机整体健康状态仍为正常水平的假象,因此,需要采用变权的方法来加大劣化严重指标的权重[16-17]。由层次分析法得到的子指标层常权重向量为

子指标层各指标变权重计算公式为

(4)

式中,μ为变权系数,文中取0.2, 当xrl=1时,可将xrl用接近于1的数代替后再计算变权值。

3 基于模糊综合评判的转辙机健康状态评估

3.1 健康状态等级划分

为将转辙机健康状态定性地表示出来,将健康状态划分为4个等级kt(t=1,2,3,4),分别是健康、亚健康、较差、严重,具体状态描述见表3。

表3 状态等级与状态描述

3.2 等级隶属度确定

子指标属于不同健康状态等级的程度可由隶属度函数来描述,本文运用高斯型隶属函数来计算子指标对于各健康等级的隶属度[18-19],见图3。

图3 高斯隶属函数分布

高斯隶属函数公式为

(5)

式中,σ为标准差,控制曲线的宽度;ρ用以确定曲线的中心。

可结合维修规程和专家经验,考虑监测数据的分布,确定子指标对于4个健康等级的劣化度模糊分界区间,将每个等级分界区间的中心值作为该等级隶属函数ρ的取值,并根据各等级劣化度分界区间内监测数据的标准差选取σ的取值,σ越大说明指标对所属等级的不确定度越高。由于篇幅所限,以扳动缺口X41评判指标为例, 其4个健康等级的劣化度分界区间分别为[0,0.2)、[0.2,0.5)、[0.5,0.8)和[0.8,1],由此确定各等级隶属度函数的ρ取值分别为0.1、0.35、0.65和0.9,并根据各分界区间内监测数据的标准差取σ=0.1,最终确定X41指标的等级隶属度函数为

3.3 转辙机健康状态综合评估

Br=Ar·Wr(r=1,2,3,4,5)

(6)

式中,Wr为Xr指标下的子指标权重集。

B=A·W

(7)

式中,W为所有指标的权重集。最后使用隶属度最大原则确定转辙机整体健康状态所属等级。

4 实例分析

以2021年9月成都某地铁线上两组ZDJ9型转辙机的监测数据为例,验证本文提出方法的准确性,并与常权评估方法作对比。表4为评估指标的原始监测数据。

表4 转辙机评估指标监测数据

由式(1)对监测数据进行预处理,计算相对劣化度,处理后的数据见表5。

表5 转辙机评估指标相对劣化度

以表示电路为例,由现场经验丰富的地铁维修专工对其下4个子指标的重要程度进行打分,得到判断矩阵

得到R的λmax=4,由式(2)、式(3)求得CR=0<0.1,结果符合一致性要求,由此表示电路下子指标常权重为

分析第1组监测数据,由式(4)继续计算表示电路下子指标的变权重,其他子指标层同样采用上述方法求得变权重。指标层权重W也采用层次分析法计算,最终各层权重结果见表6。

表6 指标权重

按照文中提到的隶属度函数确定方法,计算第1组监测数据对各等级的隶属度,并做归一化处理,以此构建指标层的模糊综合评判矩阵Ar,分别为

结合表6中的变权重,由式(6)计算各指标的隶属度集,构建转辙机整体健康状态的模糊综合评判矩阵A

结合表6中的指标层权重,最后利用式(7),求得转辙机的整体健康状态。第2组监测数据同样采用上述步骤,使用隶属度最大原则确定最终评估结果。同时,利用常权评估方法对表4中的两组监测数据进行分析,仅使用层次分析法计算常权重,两种方法的结果对比见表7。

表7 转辙机健康状态评价结果对比

由表7可以看出,两种方法对于第1组监测数据的评估结果一致,该数据各评估指标的劣化度并不严重,现场转辙机的状态良好,评判结果与实际相符。第2组监测数据,本文方法评估结果为“严重”,但常权方法显示转辙机仍处于“健康”状态,两者差距较大。从表5中的数据来看,第2组监测数据中X12、X24、X32、X33、X34指标都处于严重劣化状态,整体健康状态不佳。常权评估方法确定权重时,对于严重偏离正常值的指标,由于权重固定不变,对转辙机整体的健康状态评估就会出现误判。而本文在常权基础上,采用变权理论对权重进行修正,使得指标权重随着监测数据的优劣程度进行动态变化,加重劣化严重指标的权重,评价结果更具准确性和科学性。现场情况是第2组监测数据的转辙机表示电路未接通,通过排查发现故障原因是表示电路断路。由此看来,采用本文方法进行评判,结果与实际运行情况相符,能够有效评估转辙机的健康状态。

5 结论

转辙机健康状态的准确评估,对维保人员及时掌握其运行情况,实现合理维修计划、减少工作量具有重要意义。提出基于实时监测数据与变权模糊综合评判的地铁转辙机健康状态评估方法,结合转辙机的电气、机械特性以及外部运行环境,构建层次型状态评估指标体系,通过AHP获取指标常权值,引入变权理论对权重进行修正,加大严重劣化指标的权重,使权重分配更加合理。计算指标监测数据对4种健康状态等级的隶属度,建立两层健康状态模糊综合评判模型。以成都某地铁线上的监测数据为例进行评估,并与常权方法的评估结果进行对比,验证了提出方法的有效性。

结果表明,相较于常权评估方法,使用变权可以根据监测数据的劣化程度修正指标权重,实现权重基于监测数据的动态变化,避免了因指标严重偏离标准值而造成评价结果误判。最后,建立的转辙机模糊综合评判评估模型能够实现转辙机健康状态的分层评价,评估结果准确可靠,与实际情况相符,可为地铁转辙机的健康状态在线评估提供一种新思路。