基于道岔转辙机动作功率曲线关联分析道岔故障

36(10) Ordnance Industry Automation

doi: 10.7690/bgzdh.2017.10.007

·29·

基于道岔转辙机动作功率曲线关联分析道岔故障

黄 蕾

(四川绵阳维博电子有限公司技术中心，四川 绵阳 621000)

摘要：为准确掌握道岔转换设备的工作状况，及时预测其故障趋势，真正实现“状态修”，提出一种基于道岔转辙机动作功率曲线关联分析道岔故障的方法。以高速铁路用S700K交流道岔转辙机典型动作功率曲线为例，从道岔转辙机典型动作功率曲线类型、道岔故障关联分析2方面，阐述基于道岔转辙机动作功率曲线关联分析道岔故障的总体思路，道岔转辙机动作功率曲线的提取、数据压缩及相关性分析。结果表明：该方法能够指导关联分析道岔故障，提高实际的道岔检修质量，减少维修成本，为实现“状态修”提供数据支撑。该方法不仅是工程可行的，而且具有良好的应用推广价值。

关键词：道岔；转辙机；动作功率曲线；道岔故障；时序关联分析 中图分类号：TP277 文献标志码：A

Association Analysis of Turnout Fault Based on Action Power Curve of

Turnout Switch Machine

Huang Lei

(Technique Center, Mianyang Weibo Electronic Co., Ltd., Mianyang 621000, China)

Abstracts: Aiming at the problem of mastering working status of turnout switch machine accurately, predicting the tendency of turnout fault timely, realize “repairing for status” really, brings forward one kind of the method of association analysis which is based on action power curve of turnout switch machine. Taking typical action power curves of S700K alternating turnout switch machine as example, this paper discussed the method from 2 aspects which were distribution of type of action power curve of turnout switch machine and association analysis of turnout fault firstly, and described extracting, data condensation and association analysis of the action power curve of turnout switch machine deeply. Result is indicated, this method is able to guide the association analysis of turnout fault successfully, can rise quality of actual check and repair, lessening design risk, cut down cost of repair thereby, and providing the data sustain of “repairing for status”. The method is result to be project feasible, it had fine application extension value also.

Keywords: turnout; switch machine; action power curve; turnout fault; temporal association analysis

0 引言

轨道交通因其安全、快捷、准时、舒适、运量大、能耗低且污染轻等特点，有着其他交通工具不可比拟的优越性，成为国家交通建设的重点。大力发展高速铁路建设已经上升为国家战略，到2020年，我国的铁路网总规模将达到12万km以上，国家在铁路建设方面投资累计将超过5万亿元。

作为信号设备之一的道岔转辙机是改变道岔开通方向的一种动力装置，作用是转换道岔、锁闭道岔并给出关于道岔位置和状态的表示信息；因此，转辙机在列车到来时能否准时、可靠地实现道岔转换，关系到列车运行安全，责任重大。通过对道岔转换设备的测量参数进行纵向和横向综合分析，能够更准确地掌握道岔转换设备的工作状况，特别是及时预测其故障趋势，真正实现“状态修”。当综合分析推断预测道岔的故障趋势时，铁路信号微机监测系统认为道岔转换设备将要发生故障但目前并

无故障，此时系统应该提出预警，供用户决策[1]。

道岔转换过程的工作状态可由转辙机输出工作拉力的变化情况来反映，并直接体现在转辙机的动作功率上[2]。对转辙机进行功率实时监控，能精确地反映转辙机推动道岔转换过程中各部件运动状态和负载的变化。正常情况下道岔转换是一个相对稳定的过程，功率也是一条有规律的曲线。通过监测设备分析功率波形和数值的变化，可以判别出转辙机工作是否正常，并记录其劣化趋势；或定位和分离故障，找出故障部件和位置，从而及时报警以预防事故，同时给维修工作提供科学指导[3]。

笔者所述的基于道岔转辙机动作功率曲线的道岔故障关联分析所涉及的采集单元须集成功率及开关量采集模块，使1DQJ(一启动继电器)开关量、定反位表示开关量与功率曲线模拟量之间具有联动关系，一方面可以避免错误标志转辙机动作转换曲线的方向，另一方面可以利用经验数据库进行关联分析以提供决策支持。现场应用结果表明：微机监

1 收稿日期：2017-06-18；修回日期：2017-07-24

作者简介：黄 蕾(1981—)，女，四川人，硕士，工程师，从事测控技术、工业自动化研究。

·30·

兵工自动化

第36卷

测站机可在同一采集传感器上获取转辙机动作功率曲线和开关量的实时信息，绘制出转辙机动作功率曲线供电务维护人员查询，辅助完成转辙机故障排查，提高了监测的实时性及准确性。

1 道岔转辙机典型动作功率曲线类型

考虑到各类型转辙机工作原理不同，目前微机

监测系统对常用的ZD6直流电动转辙机和S700K交流电动转辙机分别监测其电流和功率。S700K电动转辙机主要用于高速线路，是我国铁路建设重点应用的道岔转辙机机型；因此，轨道监测所用的经验数据库一般针对S700K电动转辙机有详实数据记录并配有完善数据挖掘模型。

S700K道岔转辙机的动作过程一般包括启动、解锁、转换、锁闭和表示阶段，时间信息主要体现为1DQJ及定、反位开关量“0”电平持续时间，状态信息主要体现为功率曲线的实时信息。S700K电动转辙机正常动作过程的功率曲线如图1所示。

图1 转辙机正常动作功率曲线

由图1知：对于启动阶段(tv0-tv1)，在刚启动时需要较大功率，使功率曲线骤然上升，之后随着转辙机设备的动作，其输出功率又急剧下降并趋于平稳；因此，启动环节的功率曲线在开始处会形成一个尖峰。对于解锁阶段(tv1-tv2)和转换阶段(tv2-tv3)，正常情况下，转辙机动作平稳，这2个阶段的功率曲线较为平滑。锁闭阶段(tv3-tv4)，随着道岔锁闭的完成，相应的功率曲线会出现一定幅度的下降，但不会降到0。在道岔表示阶段(tv4-tv5)，随着道岔位置的给出，相应电路被断开，其功率也随之降为0。根据现场调研及经验数据库知，目前较为常见的道岔故障模式见表1，其对应的转辙机动作功率曲线如图2所示。工程应用中，一般是通过文献[4]提及的聚类分析得到典型道岔动作功率曲线数据。2 道岔故障关联分析

2.1 总体思路

文中所述的基于道岔转辙机动作功率曲线关联

分析道岔故障是以时间序列时序关联规则挖掘为基础的，涉及到时间序列预处理、时间序列压缩、时序关联规则获取、时序关联规则评价和解释等4个主要步骤，如图3[5]所示。

表1 转辙机典型故障现象及原因

故障代码

故障现象 故障原因

f1 转换阶段功率曲线小幅度上升下拉装置故障，道岔可动后保持 心轨无法解锁

f2 转换阶段功率曲线小范围波动，下拉装置漏油，调整不当且整体完成时间延长 造成道岔卡阻

f3 锁闭阶段功率曲线大幅度上升

动作杆由于异物被卡死，

无法正常完成锁闭

f4 转换阶段功率曲线不顺滑，但能道岔杆件等装置安装不标完成转换动作 准或松动

f5 锁闭后功率曲线小幅度上升

锁舌、锁闭块被卡死，导

致无法正常锁闭

f6 锁闭阶段功率曲线小幅度上升外界环境因素影响尖轨爬后保持 行，导致缺口变化

f7 表示阶段末期功率曲线不能下表示电路中断相保护器降到0 损坏 f8

道岔表示阶段出现异常波动 电缆盒中二极管器件损坏

图2 常见道岔故障模式所对应的转辙机动作功率曲线

第10期黄 蕾：基于道岔转辙机动作功率曲线关联分析道岔故障

·31·

图3 时间序列时序关联规则挖掘

道岔故障关联分析的总体思路主要包括4步： 1) 从道岔转辙机功率实时监测值(一般为关系型的实时事务数据库)中提取出完整的一条动作功率曲线时间序列。

2) 提取出启动阶段、解锁阶段、转换阶段、锁闭阶段及道岔表示阶段这5个特征时间段。

3) 基于道岔转辙机动作功率曲线各工作时段特征值初步判断道岔转辙机动作状态监测，是否异常及道岔转辙机动作是否故障：转辙机动作启动阶段功率曲线必出现尖峰，否则转辙机动作状态监测异常；锁闭阶段及表示阶段功率曲线必出现下降，否则转辙机动作故障。

4) 根据这一初判结果结合经验数据库关联分析：依据启动阶段、解锁阶段、转换阶段、锁闭阶段及道岔表示阶段这5个特征时间段，依次根据递推最小二乘法分段线性拟合上述5个特征时间段的特征曲线，通过比较分时段拟合曲线的斜率[5]，并将斜率离散化，通过相似性搜索[6]，基于B. B. Xi形状匹配法[5,7]，在经验数据库中检索相关匹配项，挖掘道岔故障关联分析规则，形成决策支持库，以定位道岔故障及跟踪其劣化趋势。 2.2 关联分析定义

关联分析又称关联规则，关联规则是寻找给定数据集中项与项之间关联关系的一种数据挖掘方法。如果几个变量的取值之间具有某种规律性，就可以说这几个变量之间存在关联关系。关联规则的定义为：设I={i1,i2,\",im}，是项的集合。设事务相关的数据D是数据库事务的集合，其中每个事务T是项的集合，使得T⊆I。每一个事务有一个标示符，称作TID。设A是一个项集，事务T包含A当且仅当A⊆T。关联规则是形如A⇒B的蕴涵式，其中A⊂I，B⊂I，并且A∩B=φ。在数据库D中，关联规则A⇒B成立的条件是满足最小支持度s和最小置信度c的要求。

支持度s是事务A∪B(即A和B)在数据库D中所占的百分比，即

support(A⇒B)=P(A∪B)。 (1)

置信度c是在数据库D中，同时包含A和B的事务与仅包含A的事务之比，即

confidence(A⇒B)=P(A|B)。 (2)

只有同时满足最小支持度(min_sup)和最小可信度(min_conf)的关联规则才能称之为强关联规则[8]。笔者基于时序强关联规则分析道岔动作正常与各类故障间的关联关系。 2.3 关联分析实现

2.3.1 道岔转辙机动作曲线提取

工程上利用循环再定位技术[9]，将基于门限判决以实现道岔故障关联分析的一条完整道岔转辙机动作曲线提取。为保证完整道岔转辙机动作功率曲线及特征参数提取的可靠性及有效性，须设置合适的门限值。道岔转辙机动作功率的门限判决条件为：

1) 以图1、图2所示典型转辙机动作功率曲线为例，设定1.0 W为道岔转辙机正常动作功率门限值，3.0 W为道岔转辙机异常动作功率门限值。判断道岔功率实时监测值是否超过该门限值，一旦出现，则记录该值，如果连续有限个(以功率采集时隙40 ms，时长1 s为例，即超限数据个数≤25)道岔功率实时监测值超过该门限，则记录最大值。

2) 如果道岔功率实时监测值超过3.0 W，且连续短时(以1 s为时隙)的方均根(RMS)值≥2.0 W，则可判定道岔出现f8类故障，直接退出故障关联分析的数据预处理阶段。

3) 如果道岔功率实时监测值没有超过3.0 W，这时还不能根据1)中提取出的道岔功率峰值来判定道岔转辙机动作功率曲线的起始，从这一时刻开始，继续搜索一帧的长度(即道岔转辙机动作全过程所经历的时间段加上1DJQ开关量由“1”电平变为“0”电平的时刻到功率上升时刻的时间差Δt)，如果又出现1)的情况，提取当前时刻最大值与前一时刻最大值的时间间隔Δt，若Δt≤tv2，则比较当前时刻最大值与前一时刻最大值，判定两者中大的一个为道岔转辙机动作功率起始阶段的峰值，则离该峰值最近的持续时间≥60 s功率RMS为0值的平稳功率时间序列右端点时刻，即为道岔转辙机动作功率曲线数据的起始依据，直到这一帧长度搜索完毕。

在处理过程中，需要将输入数据缓存，检测到最大功率峰值的临近功率零点后，减去1DJQ开关量由“1”电平变为“0”电平的时刻到功率上升时刻的时间差Δt，即可以得到完整的道岔动作功率曲

·32·

兵工自动化

第36卷

线的起始位置。为了保证处理时效性，一旦检测到完整道岔动作功率曲线的起始位置就假定提取到了相应特征参数，开始后续处理，当处理过程中，如果出现3)中描述的情况，认定前一个值为假特征值，判定完整的道岔动作功率曲线的起始位置为当前时刻，继续后续处理，以此类推，直到一条完整的道岔转辙机动作功率曲线辨识结束[10]。 2.3.2 道岔转辙机动作曲线数据压缩

由图1、图2可知，道岔动作功率时间序列分为非平稳及平稳时间序列，平稳时间序列与非平稳时间序列的拐点即为分段线性化分界点。而针对非平稳道岔转辙机功率时间序列基于孤立点判定准则确定分段线性化分界点[5]：

道岔动作功率时间序列P={p1,p2,\",pn}中，任意2个相邻子序列P1、P2，P1={p1,p2,\",pk−1,pk}

，P2={pk,pk+1,\",pn}，满足P1、P2内的数据具有相同

增减趋势，但序列总体增减趋势却相反。对于给定的正常数ε、δ，有

δ(k+1)k−δk(k−1)＞ε⎪

⎫

p⎪k−p(k−1)＞δ⎬

(3)

pp⎪

k−(k+1)＞δ⎪⎭

成立，称pk是道岔转辙机动作功率时间序列P的孤立点，其中ε是相对变化率改变量的容忍阈值，工程实践取0.1 W，δ是值的改变量的容忍阈值，工程实践取10%。

当然，道岔动作功率时间序列

P={p1,p2,\",pn}的左、右2个端点也有可能是孤

立点。对于给定的正常数ε、δ，如果左端点满足：

t1−t2＜ε⎫⎪

p−p⎬。 (4)

12＞δ⎪⎭

那么左端点是孤立点，同样，如果右端点满足

tn−1−tn＜ε⎫⎪

pp⎬， (5)

n−1−n＞δ⎪⎭

则右端点也是孤立点。

综上所述，孤立点即为局部极大值点，加上预先确定的拐点，将道岔转辙机动作功率曲线以上述关键特征点作为分界[5]，分割原始道岔转辙机动作功率时间序列为相应的子序列，依次依据基于自顶向下的递推最小二乘法分段线性拟合这些子序列。这样就完成了数据压缩，并形成了道岔故障关联分析模式序列。

2.3.3 道岔转辙机动作曲线数据相关性分析 基于时间序列的界标集合[5]相似性搜索分析道

岔转辙机动作曲线数据的相关性。道岔动作无论正常还是故障，一条完整的道岔转辙机动作功率曲线与经验数据都是等长的时间序列(如不等长，也要通过合适的插补算法补齐数据使两者等长)，利用波动一致性来分析时间序列的相似性，波动一致性体现在时间序列间的相关关系。

由于转辙机动作功率曲线时间序列的数据呈现随机分布，这使得仅用相似性搜索的时序关联分析可能会出现“稀疏”结果，即很多数据的两两关联不满足最小支持度条件，这时可以利用数据的所属道岔动作时间区段，将道岔动作功率时序关联分析提升到层次级别。这样的分析流程，不仅可以极大减少“稀疏”结果的出现，而且可以在较高层次上发现有用模式，因为较高层次上得出的规则可能更为普通及重要[11]。

笔者将道岔转辙机动作功率曲线时序关联分析分为3层：顶层为完整道岔功率动作曲线提取阶段，即可判定道岔是否出现f8类故障；中间层及底层均需作时序关联分析，中间层通过初次分析可判定道岔是否出现f1、f2、f3、f5、f6及f7类故障；底层通过二次分析可最终判定道岔动作是否正常或出现f4类故障。

平稳时间序列中时间序列的均值为常数，表现在时间序列的时间历程中，数据是在某水平线附近随机波动。而非平稳时间序列中，时间序列的均值是时间的函数，表现在时间序列的时间历程中，数据是在某一趋向性曲线附近波动。道岔转辙机动作功率曲线数据在短时间内随时间变化且相互关联，基本满足平稳时间序列模型。由于道岔转辙机一般安装在室外，安装环境恶劣，长期使用磨损严重，导致轨道交通各大铁路站场的实际道岔转辙机动作功率曲线与图1、图2的理论曲线相比噪声数据较多，波动较大。为避免道岔转辙机动作曲线的提取及数据压缩的欠拟合或过拟合，采用非平稳时序分析模型更能反映道岔转辙机动作曲线变化趋势，将经过数据压缩后的道岔转辙机动作曲线序列依据非平稳差分自回归移动平均模型(non-stationary auto regressive integrated moving average，NARIMA)提

取出平稳时间序列与非平稳时间序列[12-13]，再联合判断平稳时间序列的RMS值及其所跨特征时间段，非平稳时间序列的局部极大值及斜率特征，以确定待测道岔动作功率曲线与经验曲线是否具有完全一致的波动性，从而完成相关性分析。因道岔出现f8

第10期黄 蕾：基于道岔转辙机动作功率曲线关联分析道岔故障

·33·

类故障时，动作功率曲线特征较为明显，在提取阶段即可判定，所以道岔转辙机动作功率曲线数据相关性分析不涉及道岔f8类故障。道岔转辙机动作曲线数据相关性分析流程如图4。

图4 道岔转辙机动作曲线数据相关性分析主流程

图4所示流程，可辨识出形状特征明显的道岔转辙机f1、f2、f3、f5、f6及f7类故障，而正常及f4类故障的辨识还需基于局部特征匹配作进一步时序关联分析。

由图1、表1及图2(d)可知：道岔转辙机动作正常与出现f4类故障只是在转换阶段出现较为明显的局部特征(局部极值及单调性)，所以对道岔转辙机动作功率曲线作二次时序关联分析时只关心转换阶段这一特征时间段，局部极值由峰值检测检出，单调性由上升沿检测检出，量化指标即上升时间是否大于等于道岔动作出现f4类故障时的经验值(tv3−tv2)/4，道岔转辙机动作曲线二次数据相关性分析流程如图5。

图5 道岔转辙机动作曲线二次数据相关性分析流程

3 结束语

笔者以业界普遍认可的S700K交流道岔转辙机动作典型模式下的经验功率曲线为基础，阐述了基于道岔转辙机动作功率曲线关联分析道岔故障，并提供了一套完整的定位道岔故障及提供决策支持的完备解决方案，具有较为显著的工程应用价值。因笔者所述的基于道岔转辙机动作功率曲线关联分析道岔故障借鉴数据挖掘中的时间序列时序关联规则

挖掘，具有通用性，所以对于一般意义下的时序数据关联分析同样具有工程借鉴意义。

根据不同道岔转辙机机型的各个站场的海量动作功率曲线时间序列确定最小支持度(min_sup)和最小可信度(min_conf)，作更精确的时间序列时序相关性分析，并以FP-Growth算法为基准衍生出扩展性强及可工程化推广的专用改进算法[14

-15]

，依据

实际数据库的规模定制基于数据链表组的约束频繁

项集[16]时序关联挖掘规则，将成为基于道岔转辙机动作功率曲线关联分析道岔故障进一步工程化推广应用的难点，也是下一步的研究目标。

参考文献：

[1] 刘大为, 郭进, 王小敏. 中国铁路信号系统智能监测技

术[J]. 西南交通大学学报, 2014, 49(5): 904-912.

[2] 赵林海, 陆桥. 基于灰关联的道岔故障诊断方法[J]. 铁

道学报, 2014, 36(2): 69-74.

[3] 朱兆俊. 提速道岔三相交流转辙机数据采集系统[D].

北京: 北京交通大学, 2010, 12: 1.

[4] 佟强, 周园春, 吴开超. 一种量化关联规则挖掘算法[J].

计算机工程, 2007, 33(10): 34-35, 69.

[5] 周勇. 时间序列时序关联规则挖掘研究[D]. 成都: 西

南财经大学, 2008: 3, 15-16, 23-42, 77, 81-90.

[6] 李成瑰. 卫星TDMA通信信号参数提取与信号类型识

别算法研究[D]. 成都: 电子科技大学, 2005: 26-30. [7] 柴明亮. 关联规则在时间序列数据挖掘中的应用[D].

北京: 北京工业大学, 2006: 12, 19.

[8] 王海龙, 陈青, 高湛军. 基于关联规则挖掘技术的配电

网故障数据分析[C]. 湖北宜昌三峡大学, 中国高等学校电力系统及其自动化专业第29界学术年会, 2013: G-337.

[9] 张良燕. 面向增量更新的数据挖掘算法及其应用研究

[D]. 杭州: 浙江工业大学, 2007: 6-7.

[10] 梁中英, 张少侃, 廖世文. TDMA突发信号自适应门限

检测方法[J]. 现代计算机, 2015, 32(8): 309-313. [11] 罗建, 李艳梅. FP-Growth算法改进研究及在电子商务

中的应用[J]. 西华师范大学学报(自然科学版), 2010, 31(3): 20-23.

[12] 彭春辉. 高速铁路道岔监测系统软件系统研究与设计

[D]. 成都: 西南交通大学, 2007: 65-68.

[13] 张利. 基于时间序列ARIMA模型的分析预测算法研

究及系统实现[D]. 镇江: 江苏大学, 2008: 25-27, 30-31.

[14] 田庆, 刘永梅. FP-Growth算法在购物篮分析研究中的

应用[J]. Transactions on Computer Science and Technology, 2013, 2(2): 24-30.

[15] 张伟丰, 杨丽华. 基于矩阵的多段支持度关联规则挖

掘算法[J]. 湖北汽车工业学院学报, 2014, 28(2): 72-76, 80.

[16] 刘喜苹. 基于FP-Growth算法的关联规则挖掘算法研

究和应用[D]. 长沙: 湖南大学, 2008: 20-42.