基于多描述补偿预测的地铁道岔短时动作超负荷预警方法*

2024-02-23谢光祥

城市轨道交通研究 2024年1期

文豪黄瑞谢光祥

(1.武汉铁路职业技术学院铁道通信与信号学院, 430205, 武汉; 2.武汉地铁运营有限公司, 430019, 武汉)

作为地铁行车最关键的基础设备,道岔一旦故障轻则导致延误,重则造成脱轨。地铁折返线道岔动作频繁,受自身磨耗及周边环境影响,经常进入短时动作超负荷状态,进而引发卡阻等机械故障。相比断线、短路等迹象微弱的电气故障,机械故障的状态劣化过程更容易被观测捕捉,具有可预警的应用价值。若能在故障前预知风险,提前调配抢修资源或变更折返线,则可大大降低故障影响,甚至避免故障发生。可见,道岔短时超负荷动作预警对保障地铁行车安全有重大意义。

现有道岔故障预测和状态预警方面的研究特点鲜明。文献[1-2]建立状态退化模型来预测设备的剩余使用寿命;此方法用于拟合设备失效演化过程,不适合短时状态突变感知。文献[3-4]对功率监测曲线进行特征提取,学习、挖掘状态阈值可实现实时的故障预测及诊断;但其仅通过识别当前已形成的动作曲线异常来预测故障的发生,较为片面,既容易误判,也不易提前发现问题。文献[5]利用多步单点预测的电流时域特征预先诊断故障,并根据诊断结果进行实时故障预测;其预测效果依赖于预测的准确性和故障诊断方法的可靠性。

由于道岔周界环境复杂,动作特征易在短时内发生各类变化,故采用确定性预测难以适应复杂的场景变化。对此,本文提出基于多描述补偿预测的道岔短时动作超负荷预警方法。

1 道岔动作负荷特征

功率曲线是用来表征道岔动作状态负荷的常用信号。根据故障诊断经验和研究,道岔异常动作时的功率曲线普遍有明显上扬或波动上浮等现象,本文以道岔转换过程中采样点功率曲线的均方根值R作为动作负荷特征。若R在短时内异常波动连续增大,则表明道岔很可能进入超负荷动作期,易发生故障。

2 道岔短时动作负荷的区间预测

2.1 多描述补偿预测机制

短时预测序列长度有限。为了能在尽量小的误差范围内得到更多用于整体取值置信区间估计的预测值,进而充分表征预测时段的动作状态,本文基于多描述编码思想[6]提出多描述补偿预测机制。

首先,设原始序列为{R(i)|i=1,2,…,2L}(2L为原始序列长度),将采样所得的两组奇偶互补序列{R(1),R(3),…,R(2L-1)}及{R(2),R(4),…,R(2L)},视为稀疏度为0.5的原始序列信息描述;然后,用基预测器对{R(i)}预测,得到预测序列{r(j)|j=1,2,…,2l},再对两组奇偶互补采样序列预测得{ro(j)|j=1,3,…,2l-1}、{re(j)|j=2,4,…,l};最后,根据给定的权值序列{k1,k2,…,k2l},由r和r′、r″交织加权,得到预测序列每单点预测值rf(j):

(1)

依据时间序列特性,任一单点预测值rf(j)都可从不同描述角度由原序列连续预测或其采样序列等间隔预测得到,且必有其一误差更小;在各自完成预测之后将两者加权,可对权值学习寻优来促使结果更靠近真实值。若对各kj都训练n个值,则可得到2nl个期望范围内变化的扩大样本,用于整体置信区间估计。

2.2 建立多描述加权预测机

以训练效率高和泛化能力好的ELM(极限学习机)[7]作基预测器,基于预测机制建立的多描述加权预测机如图1所示。

图1 基于预测机制建立的多描述极限预测机

预测模型的学习过程分两步:

第一步:ELM训练,使模型具备预测能力。具体方法参考文献[7]。

第二步:将预测序列{rf(j)}作为输入,对每一步单点预测值都训练1组变化步长为b的补偿权值,得到n步的补偿权值序列{kj,kj+b,…,kj+(n-1)b|j=2l},进而得到补偿权值矩阵K2l×n用于构造取值变化的预测特征集,期望在小范围内包络或尽量接近真实值。

给定权值域B,设加权后,第u行第v列单点预测值为Tvu、第v列单点实值为Vv,定义预测特征集在K2l×n下的预测损失(K2l×n):

(2)

式中:

DKL(·)——Kullback-Leibler散度修改式;

FT、FP——分别为真实序列和预测特征集在同一样本空间Ω下的离散累积概率分布;

λ——正则比例系数。

(3)

综上,多描述加权预测机的实质是实现可靠的序列单点值范围预测,以扩大得到预测特征集用于整体取值置信区间估计。

2.3 自适应核密度估计置信区间

以预测特征集为样本,基于AKDE(自适应核密度估计)法推测未来短时内动作负荷特征的概率分布,以得到具有概率意义的取值置信区间。

设有预测特征集{Xt|t=1,2,…,M},则预测值x的核密度估计函数为:

(4)

式中:

φ(·)——核函数,选取高斯核表征;

h——核带宽,用根据第t个预测特征位置自适应确定的可变值ht代替。

(5)

其中,由文献[8]可得ht的求解方式为:

(6)

式中:

ω——带宽参数。

(7)

3 超负荷预警评估

3.1 预警评估指标

定义预测的道岔动作特征值整体超负荷状态程度为超负荷度S,并将之作为预警评估指标。首先,采集大量不同时期历史动作负荷特征样本;然后,利用式(7)计算可得,基于历史动作负荷特征值的、在同一P下的置信区间[z1,z2]。[z1,z2]可用来反映道岔动作负荷特征取值的历史经验水平,可据此计算S,进而衡量道岔状态安全性。S取值为:

(8)

S越接近1,说明预测水平整体超过历史经验水平上限的概率越大、超标量越多,道岔短时内因超负荷动作引起故障的可能性就越大。

3.2 预警评估流程

道岔短时动作超负荷预警评估流程如图2所示。

图2 道岔短时动作超负荷预警评估流程

4 实证测试

4.1 测试数据及主要参数设定

实证测试数据均来源于武汉地铁实际运营时的道岔数据,包括非故障日数据和超负荷动作故障案例当日数据。以功率值作为特征取值。取L=10,l=5;补偿权值范围为[0,1]且b=0.05,每步单点预测值均设n=11个补偿权值。

4.2 单点值范围预测

选取4组不同道岔及其转辙机为对象,先分别采集大量历史动作负荷特征样本R序列用于预测模型训练,再分别从其日常单方向动作数据中任意选取1组长为30的R序列用于测试。主要测试预测序列每一步的单点预测值变化范围。每步单点的预测值上下限及真实值曲线如图3所示。

a) 实例测试1

由图3可见,由预测序列每一步单点预测值连成的上下限曲线包络范围不仅能将真实值序列基本包络在内,还能在较小的包络范围内有效反映出真实值序列的趋势变化。

4.3 整体取值置信区间估计

以真实故障案例当天道岔连续动作产生的负荷特征序列R为实例(故障前数据变化特征明显,能更好地反映方法效果),自当日运营开始一段时间后,以10次动作为一个短时预测单位及间隔,进行时段性整体动作负荷置信区间估计测试,直至故障发生前停止。图4为两个故障案例发生故障前的特征序列及估计的整体取值置信区间。

图4 两个案例发生故障前的特征序列及估计的整体取值置信区间

由图4可以看出,每个案例各短时预测单位的整体置信区间基本能在一个恰当小的宽度内将所属10个序列值都包络在内。参照文献[9]计算总体区间覆盖率FICR:案例2的FICR达94.2%,接近95.4%的置信度;与案例2相比,案例1的FICR整体波动变化更大,虽由于预测时滞性导致FICR降低,但FICR仍能接近90%。此外,置信区间宽度会随着序列波动情况而改变,且在大多数情况下和实际序列值变化区间宽度高度契合。