基于小波分析的电动转辙机动作电流的分析研究董昱;赵媛媛;林海香【摘要】A kind of method of switch machines' current curve analysis is proposed based on wavelet time and frequency analysis. According to the characteristics of the curve,this method can recognise the kind of failure happened, so it can induce the artificial error. This paper introduces basic analysis method of wavelet time and frequency analysis and the advantages of it.%目前采用人工方法来分析电动转辙机动作电流曲线、进而判断其相应故障,存在着故障诊断效率低、漏判等问题,提出将小渡分析应用到电动转辙机动作电流曲线的自动分析,结果作为故障诊断的基础,实现快速、准确、自动的故障诊断.首先对采集的动作电流曲线进行A/D转换,然后对数据做小波包特征向量提取,把提取的特征向量输入故障分类器进行分析,以确定各种特征向量对应的故障类型,实验结果证明了该方法的合理性和有效性及在故障诊断理论上的可行性.【期刊名称】《兰州交通大学学报》【年(卷),期】2012(031)006【总页数】5页(P39-43)【关键词】电动转辙机;小波分析;动作电流;特征向量【作者】董昱;赵媛媛;林海香【作者单位】兰州交通大学自动化与电气工程学院,甘肃兰州730070;兰州交通大学自动化与电气工程学院,甘肃兰州730070;兰州交通大学自动化与电气工程学院,甘肃兰州730070【正文语种】中文【中图分类】TP391.4随着铁道信号技术的迅速发展，微机监测的应用越来越普遍.微机监测提供了丰富的监测数据，为铁路信号设备日常维修提供了有力的手段.电动转辙机作为铁路信号系统的基本设备之一，对保障信号系统安全运行具有重要的作用.对于电动转辙机而言，微机监测主要监测内容之一是采集电动转辙机的动作电流曲线，依靠技术人员的经验，分析动作电流曲线的启动电流、工作电流、故障电流和动作时间，进而分析电动转辙机的电气特性、时间特性和机械特性有无变化来确定是否存在问题，这样存在着分析时间长、漏判、误判等问题，道岔故障如不能及时发现，有可能影响到列车行车的安全.与传统的傅里叶变换相比，小波分析采用多分辨率分析的方法，时间窗和频率窗可以根据信号的具体形态动态的调整.因此，小波分析被广泛应用于时频域分析领域[1-5].分析电动转辙机动作电流曲线，其特征向量的提取是重点和难点，能否有效的提取故障特征是能否正确判断电动转辙机是否故障及其故障类型的关键.1 电动转辙机工作原理1.1 动作电流采样图1是微机监测电动转辙机动作电流曲线的采样原理图.采集系统通过将穿心感应式电流传感器串入在每组道岔的动作回路中，传感器采用线性双补偿霍尔原理，具有隔离彻底、响应快和耐冲击等优点.将道岔动作电流回线穿入电流采样模块圆孔，隔离采集道岔动作电流.再将采样信号运算放大、整理转换成0～5 V的标准电压，送入道岔采集机模拟量输入板，进行A/D转换，转换后的数字信号(即电流曲线的数据)暂存到道岔采集机存储器里，以备站机处理.1.2 电动转辙机动作电流曲线分析电动转辙机动作电流曲线各种各样，不同的动作电流曲线预示着不同的故障类型，下面以ZD6型电动转辙机正常状态下动作电流曲线为例分析原理.ZD6型电动转辙机正常动作电流曲线如图2所示.电动转辙机牵引道岔正常动作的过程可分为：解锁——转换——锁闭.可以把图2的电动转辙机动作电流曲线分为4个时段来分析；第一时段为道岔解锁的过程，第二时段为道岔的转换过程，第三时段为道岔进入锁闭过程，第四个时段为曲线尾部电流为0的阶段.正常情况下道岔电流曲线的采集是从1DQJ吸起开始，落下停止.在道岔转换完毕后，切断动作电流，1DQJ缓放(缓放时间不小于0.4s)落下，从图2中尾部曲线可观察1DQJ的缓放时间符合要求. 图1 电动转辙机动作电流曲线的采样原理图Fig．1 Sampling principle diagram of current curve of eletric switch图2 ZD6型电动转辙机正常动作电流曲线Fig．2 Normal operating current curve of ZD6 elecrric switchZD6型电动转辙机四种故障动作电流曲线如图3所示.图3说明：图3a表明道岔在转换过程中，动作电流存在较大的波动，曲线表现为锯齿波状.图3b表明道岔在转换的过程中阻力逐渐加大，这就很容易造成道岔转换不到位；道岔反弹、道岔的尖轨与基本轨密贴不好、滑床板吊板严重造成尖轨下沉都有可能是这种情况发生的原因.图3c表明动作电流值固定在一个不同于正常值的状态，造成转换过程超时且道岔不能锁闭.图4d表明动作电流一直保持在一个很大的值，减速器故障或电机定子线圈绝缘不良都可能造成这种情况的发生.图3 ZD6型电动转辙机4种故障动作电流曲线Fig．3 4 kinds of fault operating current curves of ZD6 electric switch2 小波分析与信号特征提取2.1 小波变换基本原理小波分析的基(小波函数)不是唯一存在的，所有满足小波基条件的函数都可以作为小波函数，首先要依据小波容许性条件确定基本小波.设Ψ(t)∈L2(R)，其傅里叶变换为Ψ(ω)，如果满足允许性条件(1)则称Ψ(t)为基本小波或积分小波.将母基本小波Ψ(t)进行某种伸缩和平移，就得到(2)式中：Ψα,τ(t)为连续小波基函数;α为尺度因子;τ为位移因子.随着小波分析的发展，已经有了许多优秀小波函数，比如Haar小波、Daubenchies小波、Morlet小波、Mexican Hat小波和Meyer小波等.本文选用db4小波作为小波基函数，进行后续分析.它没有明确的数学表达式，具有以下3个优点：① 支集长度和滤波器长度都是2N左右，消失矩为N，扩展性较好，可以很好的解决提高能量集中程度带来的边界问题；② 明显的不对称性；③ 具有正交性.2.2 小波包特征向量提取方法小波包分析能够将频带进行多层次划分，不仅对低频部分进行分解，同时对高频部分进一步分解，并能够根据被分析信号的特征自适应地选择相应频带，使之与信号频谱相适应，从而提高了时频分辨率，使故障特征提取能在更加细化的频带内进行[6-8].图4中S表示原始信号，A表示低频轮廓信号分解，D表示高频细节信号分解，后面的数字表示小波包分解的层数，分解具有如下关系：S=AAA3+DAA3+ ADA3+ DDA3+AAD3+DAD3+ ADD3+DDD3图4 小波包分解过程示意图Fig．4 The schematic diagram of wavelet packet decomposition process同理，小波包重构过程是小波包分解过程的逆.由于电动转辙机故障时机体振动会受到脉冲力的作用，在靠近脉冲力作用的时刻振动信号的能量比较大，而在远离脉冲力作用的时刻振动信号的主要成分是平稳振动信号和噪声以及低频干扰，信号能量相对较小[9-10].因此可以利用各个频带能量的变化来提取故障特征，具体步骤如下：1) 信号消噪.利用在时域和频域都有良好的局部化特性的db4小波，选用软阈值(软阈值方法克服了硬阈值方法不连续的缺点)，对信号进行消噪.2) 小波包分解.采用db4对图2、图3所示动作电流曲线进行3层小波包分解，取小波包分解后信号第三层各节点系数进行后续分析.3) 重构第三层节点系数S3i(i=0,1,2,…,7).利用Wprcoef命令对小波包分解后第三层各节点系数进行重构.一个信号的能量与它频谱的含量成比例，这也是傅里叶变换的物理意义.即：其中:也可以称为f(x)的频谱.计算重构系数的傅里叶变换(即频谱)，各节点重构系数的频谱图如图5所示.图5 各重构系数频谱图Fig．5 The spectrum diagram of reconfiguration coefficient4) 计算重构系数的频带总能量，以频谱总能量为元素构造特征向量，并进行归一化处理. 设各重构后的信号S3j对应的能量为Ej'，则有：(6)式中：xjk表示重构系数S3j频谱离散点的幅值.特征向量构造如下：R=[E'0，E'1，E'2，E'3，E'4，E'5，E'6，E'7](7)当频谱能量较大时，E'j通常是一个比较大的数值，在数据分析时计算量会很大.因此，需要对特征向量进行归一化处理，则：(8)归一化的特征向量为T=[E0，E1，E2，E3，E4，E5，E6，E7](9)利用上述方法，对单机牵引情况下的几种电动转辙机动作电流曲线进行特征向量提取，结果如表1所示.从表1中可以看出，利用小波包分析方法能有效的提取动作电流的特征向量，电流曲线的频谱能量比较集中，主要分布在分解电流曲线的第一个频带范围内，其他各频带范围内的频谱能量相对较小.从表中的特征向量并不能直接辨别电动转辙机的故障类型，需要将表中的特征向量作为故障分类器的输入，定义故障代码(见表2)作为输出，进行学习、分类，从表2可以直观的看出电动转辙机故障属于哪一类故障.表1 提取特征向量表Tab.1 Eigenvector extraction table道岔类型故障类型特征向量单机牵引单动道岔正常1.000 00.000 40.000 00.000 30.000 00.000 00.000 00.005 4 延时型1.000 00.000 50.000 80.000 40.000 10.000 50.003 30.000 6故障型1.000 00.000 30.000 10.000 60.000 00.005 80.000 00.000 0台阶型0.999 90.000 30.000 60.000 10.004 30.000 30.000 30.000 2锯齿型1.00000.000 50.000 20.003 90.000 10.000 30.000 10.000 0表2 故障类型代码表Tab.2 Fault type code table道岔类型故障类型特征向量单机牵引单动道岔正常1.000 00.000 00.000 00.000 00.000 00.000 00.00001.000 0 延时型1.000 00.000 00.000 00.000 00.000 00.000 01.000 00.000 0故障型1.000 00.000 00.000 00.000 00.000 01.000 00.000 00.000 0 台阶型1.000 00.000 00.000 00.000 01.000 00.000 00.000 00.000 0锯齿型1.000 00.000 00.000 01.000 00.000 00.000 00.000 00.000 03 结论本文利用小波包分析具有多尺度分析的特点，对动作电流数据进行分析，提取动作电流的特征向量，实验结果证明了该方法的合理性和有效性，实现对道岔的自动故障诊断提供了基础数据.将提取的特征向量输入故障分类器[11-12](比如BP神经网络)进行分析，就可以具体确定各种特征向量对应的故障类型，实现对电动转辙机在线故障诊断.【相关文献】[1] Liu Lin，Shen Songhua，Guan Miao，et a1．Application of wavelet neural network on turbogenerator set fault diagnosis system[C]//Proceedings of the 25th Chinese Control Conference，2006：11-15．[2] Hu Xiaoguang，Wang Fang，Zhao Hailong，et a1.The mechanieal fault diagnosis for HV breakers on the wavelet packet analysis[C]//IMTCZ003-Insmmentation and Measurement Technology Conference，Vail，USA，2003(5)：654-659．[3] 莫琦，陈立定，冯太合．小波包在旋转机械故障振动信号处理中的应用[J]．计算技术与自动化，2005，24(2)：14-17．[4] Lin Jing，Qu Liangsheng．Feature extraction based on morlet wavelet and its application for mechanical fault diagnosis[J]．Journal of Sound and Vibration，2000，234(1)：l35-148[5] 高成，董长虹，郭磊,等.Matlab小波分析与应用[M].2版. 北京：国防工业出版社，2007.[6] 吴淼. 现代工程信号处理及应用[M].徐州：中国矿业大学出版社，1997.[7] 胡政，陈循，温熙森.机械噪声故障诊断中小波变换的应用[J].振动与冲击，1997,16(4)：49-53.[8] Huo Chunbao,Shi Yu,Zhang Yang.System for recognition of Chinese medical pulse signal based on wavelet analysis and back propagation neural network[J].IEEE Computer,2008,29(8):143-148.[9] Xu Xiang,Zhou Ruiping,Li Zhixionga.virtual simulation analysis and experimental study on gear fault diagnosis based on wavelet neural network[J].IEEE Computer.2010,86:55-58.[10] Liu Danhong,Zhang Shiying.Nonlinear error correction model and forecasting based on wavelet neural networks[J].Control and Decision(in China),2006,10:148-152.[11] Yu Bin.Prediction of transmembrane helical segments in membrane proteins using back propagation neural network with wavelet analysis[J].IEEE Computer,2009,876:563-567.[12] Wang Xiong-zhi.Wavelet neural network modelapplication on the case selection of tax check in real estate industry[J].IEEE Computer,2009,171:189-192.。
