本发明涉及一种基于动态时间规整的道岔健康评估方法,属于机械零部件智能维护技术领域。
背景技术:
道岔是轨道交通系统中的重要组成部分,对列车的安全运行有着巨大的影响。道岔的工作环境复杂多变,与列车轮对直接接触,要求的通行保证能力更高,保证道岔的正常运转十分关键。但是,因为自身结构不足,道岔的机械强度一般不高,容易在日常的运行中产生疲劳损伤、性能退化,并最终导致故障的发生。因此,道岔运行状态的监测和对道岔运行信号的分析一直是研究的热点,通过对道岔的运行状态的进行监控和分析,能够实现对道岔的健康状态辨识和评估,识别和评估道岔的健康状态,是保障道岔安全运行、支撑道岔进行智能维护的关键。
动态时间规整是一种实时处理数据的算法,通过求出两个时间序列曲线的相似度来度量样本之间的差异。在少量的数据作为基准样本的基础上,不需要对数据进行预处理,方法的形成也不依赖于大量的训练数据,因此保证了对检测数据的实时分析,同时动态时间规整算法不受数据本身特性差异的影响,保持了数据的比例不变性,此外,使用相似度距离稳定刻画不同数据之间的差异。
技术实现要素:
本发明提出了一种新的道岔健康状态评估方法,即首先设定少数的正常电功率为基准数据,使用动态时间规整算法计算得到基准数据之间的相似度距离,计算出健康评估函数的参数,形成健康状态评价的模型,然后对收集到的电功率信号进行处理,用动态时间规整方法求出不同电功率曲线与基准曲线之间的相似距离,然后根据健康状态评价模型得到cv(confidencevalue,表征健康指数值)评价当前道岔的健康状态。
本发明一种基于动态时间规整的道岔健康评估方法,具体包括以下步骤:
步骤一、首先根据道岔的机械特性,选择健康评估模型的基础评估函数tanh,挑选若干个道岔正常运行的电功率信号作为基准数据,然后使用动态时间规整计算不同基准数据之间的相似度距离,动态时间规整算法在不经过数据预处理的情况下能够得出数据之间的相似性,得到基准数据之间的相似度距离,根据相似度距离计算出基础评估函数中的适应参数,得到健康状态评估函数xtanh;
步骤二、用动态时间规整算法计算运行状态的每个样本数据与基准状态每个样本数据之间的相似度距离,然后求出运行状态样本数据的平均相似度距离;
步骤三、使用健康状态评估函数对各个状态的数据进行测量,最终得到每一个运行状态的健康状态程度cv值,从而直观地评估道岔的运行状态。
优选地,步骤一所述的动态时间规整算法具体为:
设两个时间序列为x={x(1),x(2),...,x(m)}和y={y(1),y(2),...,y(n)},m和n分别是时间序列的数据点个数,x(m)和y(n)代表了时间序列的数据点,使用欧式距离表征两组数据之间的差距时,则定义两个数据之间的距离为:
则将两个序列的所有数据点之间的距离构成距离矩阵,矩阵表示如下:
然后在距离矩阵中求出两个时间序列的最短路径,最短路径要满足以下的约束:
(1)最短路径上相邻的两个点(x{a},y{b})和(x{a'},y{b'})需要满足:
(2)最短路径的开始点和结束点应该为(x{1},y{1})和(x{m},y{n})。
根据上述约束条件,可以求出不同的累加距离,下一个点的距离都是由上一个点距离累加可得,迭代过程由下式表示:
根据全局约束可以对路径进行搜索,全局最优将路径的搜索范围控制在一定范围内,最短路径为其中累加距离之和最少的路径:
d(i,j)=min[d(i-1,j-1),d(i,j-1),d(i,j-1)]+d(x{i},y{j})
d(i,j)即为两个数据之间的相似度距离。
优选地,所述步骤一中的xtanh函数由如下方法得到:
选择tanh函数作为健康评估函数,tanh函数如下所示:
设置适应参数α,对tanh函数进行改进,改进之后的函数如下所示:
cv表示健康指数,d表示相似度距离值,α由下式可得:
cvpre为原始cv值,dnormal表示基准数据的平均相似度距离。
本发明的优点与积极效果在于:
(1)使用动态时间规整对电功率信号进行处理,在不对电功率数据进行预处理,保证原始数据不丢失重要数据,保持数据的比例不变性的前提下,解决了实际情况中道岔在电压电流影响下出现相同型号不同曲线的差异问题,从而计算电功率数据之间的相似度距离。
(2)含有适应参数的xtanh函数对设备的早期故障非常敏感,用它来计算每个状态的健康程度,符合了机械设施的退化特性,保证了设备健康程度只跟当前的状态数据和基准数据有关,进而保证了评估的有效性和正确性。
(3)使用cv值表征道岔的健康状态,使得每个状态与正常状态之间的相似度距离统一映射到0和1之间,直观准确地表征道岔的健康状态。
(4)本发明方法利用实际数据、动态时间规整和xtanh函数,建立动态时间规整评价模型,即可实现设备的健康状态识别,降低了专业要求,增加了工程应用性。
附图说明
图1是本发明健康评估方法的整体步骤流程图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
本发明提出了一种使用动态时间规整算法计算相似度距离和适应参数,并使用改进tanh函数和适应参数构建健康状态评估函数,并用cv值来度量道岔健康状态的方法。如图1所示,具体步骤如下:
步骤一、使用动态时间规整算法计算基准数据间的平均相似度距离,得到改进tanh函数的适应参数,形成健康评估函数xtanh。
随机选择若干组道岔正常状态的运行数据作为基础数据,使用动态时间规整算法计算这些数据的相似度距离。
动态时间规整算法的原理如下:
设两个时间序列为x={x(1),x(2),...,x(m)}和y={y(1),y(2),...,y(n)},m和n分别是时间序列的数据点个数,x(m)和y(n)代表了时间序列的数据点,使用欧式距离表征两组数据之间的差距时,则定义两个数据之间的距离为:
则将两个序列的所有数据点之间的距离构成距离矩阵,矩阵表示如下:
然后在距离矩阵中求出两个时间序列的最短路径,最短路径要满足以下的约束:
1、最短路径上相邻的两个点(x{a},y{b})和(x{a'},y{b'})需要满足:
2、最短路径的开始点和结束点应该为(x{1},y{1})和(x{m},y{n})。
根据上述约束条件,可以求出不同的累加距离,下一个点的距离都是由上一个点距离累加可得,迭代过程由下式表示:
根据全局约束可以对路径进行搜索,全局最优将路径的搜索范围控制在一定范围内,最短路径为其中累加距离之和最少的路径:
d(i,j)=min[d(i-1,j-1),d(i,j-1),d(i,j-1)]+d(x{i},y{j})
d(i,j)为两个数据之间的相似度距离。
xtanh函数适应参数的求解步骤如下:
1、根据道岔的机械退化特征,对tanh函数进行改进并求出cv值,使得cv的取值区间保证在[0,1]之间,并且要求对早期故障十分敏感,使用改进后的tanh函数为:
2、考虑实际应用中,道岔的原始状态趋向或者无穷趋向于1,设置适应参数α,使得函数更符合实际工程应用:
cv表示健康指数,d表示相似度距离值。
3、根据正常状态数据的平均相似度距离和原始cv求出参数α,原始cv值一般为0.95-0.99,可得:
cvpre为原始cv值,dnormal表示基准数据的平均相似度距离,求出适应参数α后形成xtanh函数。
步骤二、计算各个运行状态的数据与基准数据之间的相似度距离。
使用动态时间规整算法计算出运行状态每个样本数据和正常状态样本数据之间的相似度距离,然后求出运行状态的平均相似度距离。
步骤三、计算运行状态的健康指数,评估道岔的健康状态。
使用健康状态评估函数xtanh对各个状态数据的相似度距离进行计算,最终得到每一个运行状态的健康状态程度cv值,从而直观地评估道岔的运行状态。
实例:
本实例采取广州地铁的道岔试验台和五号线s700k道岔转辙机的电功率信号进行验证。分别使用正常状态,密贴异常单发故障,解锁故障单发故障,滑床板缺油和密贴异常双发故障,滑床板缺油和轨间异物双发故障五种状态下的样本信号对本发明基于动态时间规整算法的道岔健康状态评估方法进行检测验证,为了测试本发明在实际应用的作用,使用广州地铁s700k道岔的五种运行状态十一种类型数据对真实的情况进行仿真,具体步骤如下:
步骤一、使用动态时间规整算法计算基准数据间的平均相似度距离,得到tanh函数的适应参数,形成健康评估函数xtanh。
五种状态下的信号样本数如表1所示。
表1五种状态下样本数
将道岔从定位到反位,反位到定位的数据视为一个周期进行处理。
使用动态时间规整算法求出每个基准数据之间的相似度距离,由于样本数据较大,只列出部分数据,如表2所示。
表2动态时间规整得到正常状态的相似度距离
求出平均相似度距离d=3962.489,根据实际道岔的日常维护经验,设置cvpre=0.95,可求得α=1.3*10-5。则xtanh函数为:
步骤二、使用动态时间规整计算运行状态的相似度距离
使用动态时间规整算法计算出各个状态的平均相似度距离,由于样本数据较大,只列出部分数据,如表3所示。
表3动态时间规整得到故障状态的相似度距离
步骤三、使用xtanh计算运行状态的健康指数,评估道岔的健康状态
将五种不同状态下经过动态时间规整得到的相似度距离经过xtanh函数转化为健康指数,由于样本数据较大,只列出部分数据,如表4所示。
表4五种状态下的健康指数
统计五种运行状态的cv值,得到每个状态的cv值范围如表5所示:
表5试验对比结果
根据实验结果可以看出,使用动态时间规整和xtanh函数评价了道岔的健康状态。根据cv值对危害程度进行排序可知:解锁故障>轨间异物>滑床板缺油>密贴异常。该方法除根据经验设置原始cv值以外,所有参数的设置不需要人工干预,证明该方法在自适应性和运行时间方面具有较高的优越性。
可见本发明的方法能够实现对道岔的健康状态评估,健康状态评估准确,耗时短,具有明显的实际应用价值。