基于SACPSO优化HSMM的转辙机故障预测模型研究

第16卷第4期铁道科学与工程学报Volume 16Number 4 2019年4月Journal of Railway Science and Engineering April 2019 DOI: 10.19713/ki.43−1423/u.2019.04.028基于SA-CPSO优化HSMM的转辙机故障预测模型研究陈永刚，戴乾军，李俊武(兰州交通大学自动化与电气工程学院，甘肃兰州730070)摘要：针对目前铁路现场转辙机PHM中故障发生的模糊性与随机性等不确定问题，提出一种基于自适应混沌粒子群(SA-CPSO)优化隐半马尔科夫(HSMM)的设备退化过程故障预测模型。

根据转辙机全生命周期机械部件状态退化过程对其进行退化状态划分；建立SA-CPSO优化HSMM的设备状态评估和故障预测模型，再结合前向-后向算法对优化后的模型进行参数估计；通过实例分析验证该方法的有效性和可行性，实现传统信号维修策略的方法改进。

关键词：转辙机；故障预测；自适应混沌粒子群；隐半马尔科夫；前向-后向算法中图分类号：U283.2；U284.7 文献标志码：A 文章编号：1672−7029(2019)04−1050−08Research on the fault prognostics model of the switch machine based onHSMM optimized by SA-CPSOCHEN Yonggang, DAI Qianjun, LI Junwu(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)Abstract:In view of the present railway site switch machine PHM in fault prognostics of fuzziness and randomness of uncertain problems, a fault prognostics model based on hidden Semi-Markov (HSMM) equipment degradation process optimized by adaptive chaotic particle swarm optimization (SA-CPSO) was proposed. Firstly, it was divided by the state degradation of the mechanical parts in the whole life cycle of the switch machine. Secondly, the equipment state evaluation and fault prognostics model of the HSMM optimized by SA-CPSO was established, and the parameters of the optimized model were estimated by combining the forward and backward algorithm. Finally, the effectiveness and feasibility of this method was verified by an example, and the traditional signal maintenance strategy was improved.Key words: switch machine; fault prognostics; adaptive chaotic particle swarm; hidden Semi-Markov; forward and backward algorithm转辙机作为铁路信号系统中实现道岔操纵的重要基础设备，对于保证行车安全、提高运营效率至关重要[1−2]。

传统转辙机采用的事后和定时维修模式存在“维修过剩”和“维修不足”等对维修时机把握不清的问题，且其数量多、结构复杂，故障发生带有明显随机性和不确定性，对转辙机进行状收稿日期：2018−05−03基金项目：国家自然科学基金地区科学基金资助项目(61763023)；兰州市科技计划资助项目(2017-4-135) 通信作者：陈永刚(1972−)，男，甘肃会宁人，副教授，从事铁路信号设备PHM理论研究；E−mail：2575011580@第4期陈永刚，等：基于SA-CPSO优化HSMM的转辙机故障预测模型研究1051 态评估与故障预测具有现实意义。

近年来，铁路信号设备健康状态诊断及预测方面的研究不断增加。

李娜等[4]针对单一电气故障诊断精度偏低的问题，提出基于D-S证据理论信息融合的方法对轨道电路进行分析，采用BP神经网络和模糊综合评判法进行诊断，取得了可信度较高的效果；董昱等[5]采用小波分析性方法对转辙机动作电流曲线进行故障分析；肖蒙等[6]提出基于快速贝叶斯网络的转辙机电气故障诊断方法；翟琛等[7]借助BN算法分析转辙机控制电路和道岔工作原理，分析其机械故障类型及故障原因；王瑞峰等[8]结合灰色神经网络算法建立转辙机动作过程的功率曲线和故障曲线之间的灰色关联度，便于维修检测。

通过对目前转辙机相关研究文献的分析可得：1) 转辙机故障的研究主要集中在电气方面，然而实际故障绝大部分为机械故障[7]；2) 各种智能的故障诊断方法得到行业专家的肯定；3) 转辙机的研究主要局限在故障诊断方面，缺乏对设备全生命周期机械状态实时监控与故障预测。

随着设备“计划修”向“状态修(CBM)”的转变，本文引入故障预测与健康管理(Prognostic and Health Management, PHM)理念评判转辙机当前健康状态并进行故障预测。

在设备PHM中选择隐半马尔科夫(HSMM)描述设备退化过程的状态转移和故障规律的演化[9−13]。

Boukra等[14−15]将PSO算法引入HSMM 模型中，提高了模型的分类精度。

粒子群(PSO)算法有强寻优能力，但存在过早收敛、易陷入局部最优缺点[16−17]。

本文建立自适应混沌粒子群(SA- CPSO)算法。

最终提出SA-CPSO优化HSMM的故障退化识别与状态预测模型。

1 设备状态退化划分1.1设备状态退化过程描述转辙机全生命周期中，机械部件长期运行，易导致磨损和老化等问题，设备健康状态持续退化。

如图1，t0时刻为设备故障萌发点(故障开始发生点)表示设备刚刚出现故障，但没有明显征兆；潜在故障点P(能发现的故障点)表示设备故障带有明显征兆；故障点F(功能故障点)表示设备的功能丧失，发生功能故障。

通过监测状态参数与捕获故障萌发点或潜在故障点的状态参数变化可分析设备故障部位、性质及变化规律，及时给出维修指导。

图1 状态退化曲线图Fig. 1 State degradation curve1.2设备状态退化等级划分通过分析转辙机的设备构造、故障机理，再结合故障数据、专家意见并分析故障演化规律、划分退化模式。

将转辙机全生命周期的退化状态划分为：“健康”、“良好”、“注意”和“故障”，见表1。

表1 退化状态划分Table 1 Degenerate state division2 基于HSMM相关算法介绍HSMM是在隐马尔科夫(HMM)的基础引入状态驻留时间的扩展模型。

HSMM的一个状态对应若干观测值，模型的一节状态代表宏观状态，多个微观状态组成一个宏观状态[18]，HSMM结构图如表2所示。

转辙机的健康状态退化过程可看作是一定转移概率的隐含转移过程，具有不可逆和隐含性，其拓扑结构如图2所示。

铁 道 科 学 与 工 程 学 报 2019年4月1052表2 HSMM 节描述 Table 2 HSMM section describe时间观测值微观状态驻留时间 宏观状态节 11,,q 11,,q o o 11,,q s s d 1=q 1 a 1 1 112,,q q + 112,,q q o o +112,,q q s s +d 2=q 2−q 1 a 2 2 …………… … 11,,N N q q -+N N q q o o ,,11 +-NN q q S S ,,11 +-d N =q N −q N −1a NN图2 HSMM 拓扑结构图 Fig. 2 HSMM topology diagram结合文献[18]对HSMM 模型进行介绍，分析故障退化数目N ，退化状态观测值M ，状态转移矩阵A ，观测值概率矩阵B ，状态持续时间d 和初始概率矩阵π进而建立HSMM 一般退化状态模型(,,,())i A B P d λ=π，求得观测值12(,,,)t O o o o =的概率P (O |λ)。

3 SA-CPSO 优化算法描述3.1 标准PSO 算法介绍PSO 算法中粒子按一定规则逐次迭代搜寻群体全局最优值g best 和粒子个体最优值P best 。

每个粒子在搜索空间内的飞行速度由粒子群和粒子个体的飞行经验动态调整。

设粒子搜索空间D 维，总粒子数Q ，向量123,(,,,,,)i i i i id iD x x x x x =X 为粒子当前位置，向量123(,,,,,)i i i i id iD v v v v v =V 为粒子当前速度。

在每次迭代过程中，粒子按照式(1)分别朝g best 和p best 更新飞行速度和位置。

v id (t +1)=wvid (t )+c 1r 1[p id (t )−x id (t )]+c 2r 2[g id (t )−x id (t )] (1)x id (t +1)=x id (t +1)+v id (t +1) (2)其中：1≤i ≤Q ，1≤d ≤D ；w 为惯性系数；c 1和c 2为加速因子，为保证粒子具有较强的自我更新和全局寻优能力，取c 1=c 2=2；r 1和r 2为[0,1]上的随机数。

3.2 CPSO 优化算法鉴于粒子群算法在迭代过程中易过早收敛，借助混沌算法[19−20]的无规则、非线性如式(3)对粒子群进行混沌优化。

H i+1=mH i (1−H i )i=0, 1, 2, (3)其中：H i+1为混沌变量；0≤H 0≤1，H i 为第i 个变量；m 为取值(0,4]的参数，若m=4时，系统完全混沌，混沌空间为[0,1]。

为避免粒子群在混沌优化搜索中陷入过早收敛状态，按式(4)引导粒子位置变量快速跳出早熟状态，进一步搜索全局最优解。