基于动态PSO优化HSMM的转辙机PHM模型研究

戴乾军,陈永刚,陶荣杰

(兰州交通大学自动化与电气工程学院,兰州 730070)

转辙机是铁路信号系统中实现道岔操纵的重要设备，对保证行车安全、提高运营效率至关重要[1-2]。转辙机结构复杂、数量多，故障发生带有明显随机性和不确定性。目前铁路电务部门沿用传统的“故障修”和“计划修”已很难适应轨道交通的快速发展。

文献[3]结合D-S证据理论信息融合算法对转辙机进行诊断研究。文献[4]运用快速贝叶斯网络实现S700K转辙机的故障诊断研究。文献[5]采用灰色神经网络实现S700K转辙机的故障诊断研究。文献[6]结合小波分析对电动转辙机动作电流实现分析研究。文献分析说明:(1)目前对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，缺乏设备全生命周期的机械状态实时监控与故障预测。

随着设备“计划修”向“状态修”的转变，引入PHM理念评判转辙机当前健康状态并建立故障退化模型，预测转辙机从当前状态到故障发生的时间，对于铁路部门提高维修效率、增大设备的安全可靠性以及及时给出维修决策具有极其重要的意义[8-10]。

近年来，设备PHM中建立隐半马尔科夫(HSMM)的退化状态模型受到广泛的关注[11-13]，能有效而准确地描述设备退化过程的状态转移和故障规律的演化。动态粒子群(PSO)算法具有收敛性好、鲁棒性强、能克服复杂系统预测模型易陷入局部最优的缺陷且能提高分类精度等优点。……