基于劣化度模糊评判与最优权重的转辙机状态评估

陈永刚，戴乾军，杜涛, 2，白天晟，周净毓

基于劣化度模糊评判与最优权重的转辙机状态评估

陈永刚1，戴乾军1，杜涛1, 2，白天晟1，周净毓1

(1. 兰州交通大学 自动化与电气工程学院，甘肃 兰州 730070；2. 中铁工程设计咨询集团有限公司郑州设计院，河南 郑州 450001)

针对转辙机机械故障发生的随机性和模糊性，建立基于劣化度的设备健康状态评估模型。根据不同影响因素，分别选择转辙机状态监测数据、维修人员打分和设备役龄3个方面计算劣化度。采用联合主观分析的层次分析法(AHP)与客观分析的熵权法确定设备各健康状态，借助最小方差确定主、客观分析法的最优权重；最后采用模糊理论对转辙机健康状况进行综合评估。通过实例分析验证该评估方法能较好地反映转辙机健康影响因素的模糊性和复杂性，为维修人员提供参考依据，减少检修工作量。

转辙机；模糊性；随机性；健康状态；劣化度；层次分析法；熵权法

转辙机作为铁路信号系统重要的基础设备，对于保证行车安全、提高运营效率、改善行车人员劳动强度起到至关重要的作用[1]。铁路现场转辙机结构复杂，数量多且室外环境多变，其运行状态的好坏不仅与自身状态有关，而且还会受到地理环境和气候等诸多不确定因素的影响[2]。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[3]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[4]采用小波分析方法对转辙机动作电流曲线进行故障分析；肖蒙等[5]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[6]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[7]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，然而实际中绝大部分为机械故障[6]；2) 各种智能故障诊断算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设备运行状态的评估[8−13]。针对设备健康状态评估常用方法有层次分析法、熵权法、模糊综合评判法等。其中层次分析法借助专家经验评价重要度，具有较强的主观性。熵权法在求取各评价指标的权重时难以充分考虑各指标的重要度。模糊综合评判法易忽略评价监测信息的模糊性和随机性，若隶属度函数构造不准则严重影响评价结果。综上，鉴于各种评价方法的缺陷，且为了强化模型状态评判的模糊性和随机性的问题，本文通过分析转辙机全生命周期健康状态退化过程建立设备的劣化模型。同时结合劣化过程模糊理论、层次分析法和熵权法对转辙机性能影响的多因素进行全面综合考虑。为使模型更贴近设备实际运行状态，引入最小方差理论优化算法权重，建立设备健康状态综合评估模型，为铁路部门提高维修效率、增大设备的安全可靠性及及时给出维修决策提供指导。

1 劣化度及其计算公式

1.1 设备故障演化过程

图1为一般设备故障演化过程，0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(能发现的故障点)表示设备故障带有明显征兆；故障点(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[14]。

图1 设备故障演化过程

1.2 劣化度的概念

设备的健康状态由一系列状态特征参数表征。随着设备役龄增加逐渐劣变，定义为(){12,…,}。设备功能定义为个参数所确定的正常工作状态的集合(1,2,…,)。反之，故障或失效是状态特征参数()超过正常工作状态的集合界限。而正常工作表示设备状态在一定程度上偏离良好状态，但未超过极限状态的界限，属中间状态。因此，劣化度可定义为设备状态偏离良好状态向极限状态发展的程度，表示为：

其中：l为设备的第个状态特征参数的劣化度，表示设备偏离正常状态X的劣化程度。

1.3 劣化度的计算

设备运行过程中受环境、工况等多因素的影响，其健康状态是一个逐渐退化的过程，一旦性能退化超出允许的偏差，设备将表现为故障状态。鉴于设备状态的模糊性和随机性，采用劣化度模型进行设备的健康状态评估，其模糊综合评估模型如图2。设备的健康状态由各组成部件的状态共同组成，而各组成部件的健康状态又决定于相应的子部件。因此，首先进行子部件健康状态评估，最终综合得到设备的健康状态。由于设备状态特征参数劣化与多个因素有关，结合不同情况选择相应的劣化度计算。

图2 设备健康状态的模糊综合评估模型

1) 根据状态监测数据计算

对于第个状态特征参量，其劣化度计算公 式为：

其中：A为第个状态特征参数的出厂值；B为第个状态特征参数的极限值；C为第个状态特征参数的实测值；为常数，表示第个状态特征参数的变化对设备功能的影响程度；A和B的值取自设备设计和维修指导书。

2) 根据技术人员、检修人员打分估计

对于第个状态特征参量，其劣化度计算公 式为：

其中：Y分别为不同技术专家对第个状态特征参数的打分，分值在[0,1]之间；0为良好，1为失效；S分别为专家打分权值，介于[0,1]。

3) 根据设备役龄计算

对于难以检测和监测的设备参量，若状态特征参数的变化(如磨损量)与时间具有近似线性关系，且知其平均故障间隔期的统计值，其劣化度计算公式为：

其中：为该设备的使用时间；为该设备的平均故障间隔时间；为故障指数。

2 建立健康状态评估模型

2.1 健康状态评估过程

依据设备组成的层次结构特点和设备健康状态的模糊性，采取层次分析法(AHP)与熵权法结合的评估方法，评估过程如图3。

图3 设备健康状态评估过程

2.2 建立设备状态集和状态评价集

2.2.1 计算设备和部件的重要度

分别采用主观层次分析9标度法与客观评价熵权法确认各部件的重要度权重。

1) AHP法

采用层次分析法确定设备的重要度权重向量1={1,2,…,}和部件的重要度权重向量=(1,2,…,)，具体步骤为：先建立设备的层次结构模型；再按照标度法进行两两比较建立判断矩阵，如表2；最后计算权重向量并进行一致性 检验。

表1 设备健康等级划分

表2 标度及其含义

则称1具有顺序一致性，可进行权重计算。

2) 熵权法

信息论中熵是不确定性的度量，信息量越大其不确定性越小。具体步骤如下。

Step 1：原始数据预处理

其中：x为评价指标的量化评价值；p为预处理后结果。

Step 2：计算指标信息熵

Step 3：确定指标权重;第项指标的权重w为：

3) 最优权值

组合赋权法将主观权重和客观权重有机地结合在一起，既反映决策者的主观意愿，又可避免评价结果的主观随意性，更加真实、科学合理[16]。

鉴于常见线性赋权主观性较强，本文采用基于最小方差的组合赋权原则，综合考虑设备运行状态的主观经验与客观实际。

假设决策者运用主、客观赋权法共种，其权重向量为

在组合赋权中，第种赋权方法所给出的权重为，在不同赋权方法下的权重向量为

为使主观经验与客观实际能够达到统一，设定其权重向量为

为保证决策结果与主、客观评价方法的总偏差最小，即各方法的加权权重偏差取极小值。建立单目标规划模型：

建立拉格朗日常函数，求得最优权重向量

2.2.2 建立部件级劣化度模糊判断矩阵

根据部件的劣化度求其健康状态等级的隶属度，选择岭形分布计算各健康等级的隶属度，其具有主值区间宽、过渡带平缓的特点，能较好地反映设备劣化度状态空间的模糊关系。结合隶属度函数随劣化度变化过程，“良好”状态采取降型分布(处理区间内数据偏小)，“正常”、“注意”和“恶化”状态选择中间型分布(处理区间内中间段数据)，“故障”状态选用升型分布(处理区间内偏大数据)。加之隶属度函数本身的交叉性，其区间边界数据控制在小范围内，岭形分布隶属度函数如式(15)~(19)。

由此可得以劣化度模型为标准的模糊评判矩阵为

2.2.3 设备健康状态模糊判断矩阵

其中：第个组成设备的健康状态隶属度向量为

2.2.4 计算设备的健康状态评估向量

2.2.5 按最大隶属度确定设备的健康状态

结合最大隶属度原则可确定设备的健康状态等级。

3 健康状态评估实例验证

S700K型转辙机在普速铁路中应用最广且其机械故障在信号设备故障中占比较大。调研某铁路公司电务段2015~2017年5台S700K型转辙机的信号设备台账、电务故障登记薄、月/年度安全分析会及微机监测数据，用相关系数对大样本数据进行计算，验证本文提出算法对转辙机健康状态评判的可行性。

3.1 建立设备状态集和状态评价集

为更好地对S700K型转辙机机械部件运行状态进行评估，从其关键零部件系统构造、工作原理、故障模式出发，建立多层次评价指标，每个子系统又选择表征其运行状态的指标。其整体结构划分如表3所示。

表3 转辙机主要组成部分

S700K转辙机(U)安全装置(U4)开关锁(U41) 遮断开关(U42) 连杆(U43) 摇把控挡板(U44)

3.2 确定子系统和部件的重要度

通过现场对S700K型转辙机系统资料的分析，结合操作人员、检修人员和技术专家对4个子系统17个部件的重要度采取层次分析法进行评判得到的矩阵为

表4 S700K型转辙机各部件的权重

结合式(5)~(6)验证模型具有一致性，经过归一化处理得到17个子部件的主观权重向量。然后结合熵权法计算各指标的信息熵，得到其客观权重。最终，通过最小方差对层次分析法和熵权法评价计算得到主客观权重如表4。

3.3 建立模糊综合评判矩阵

根据各部件状态特征参数的出厂值、极限值和测试值，取2，由式(3)可计算各部件的劣化度如表5。

表5 S700K型转辙机各部件的劣化度

结合各部件的劣化度值，再由式(16)~(20)计算各个部件劣化度的隶属度建立各部件的模糊判断矩阵。

3.4 进行子系统的模糊综合评判

最终可得子系统的模糊综合判断矩阵为：

3.5 进行设备的模糊综合评判

从模糊综合评判结果看出设备属于“健康”、“良好”、“注意”、“恶化”和“故障”的程度分别为：0.090 6，0.574 5，0.312 6，0.022 4和0，依据隶属度最大原则可确定测试的S700K型转辙机属于“良好”状态。从后续的监测及维修记录来看，该5台转辙机安全运行周期长，动作过程均可靠，机械效率高。故此，本文评价方法与实际运行状态接近。

4 结论

1)结合转辙机健康状态受诸多因素影响且其系统复杂，对转辙机全生命周期的健康状态进行划分，旨在通过主、客观的评价方法确定转辙机当前的健康状态。

2)首先采用劣化度模型作为统一衡量方法，结合9标度的层次分析法与熵权法分别计算转辙机健康状态评估的主观和客观权重。

3)然后借助最小方差法计算主客观评价的最优权重。

4)最后进行变权模糊综合评估，此方法同时考虑现场实测数据、现场打分和历史数据，又避免了单一评价算法的局限性，为铁路电务部门进行信号设备状态评判做出故障预测及维修决策提供参考。

[1] 郭进. 铁路信号基础[M]. 北京: 中国铁道出版社, 2010. GUO Jin. Railway signal base[M]. Beijing: China Railway Press, 2010.

[2] 伏玉明, 刘伯鸿,宋爽. 基于模糊综合评判的转辙机健康评估研究[J]. 铁道科学与工程学报, 2017, 14(5): 1070−1076. FU Yuming, LIU Bohong, SONG Shuang. Research on health assessment methods for switch machine based on fuzzy comprehensive evaluation[J]. Journal of Railway Science and Engineering, 2017, 14(5): 1070−1076.

[3] 李娜,董海鹰. 基于D-S证据理论信息融合的轨道电路故障诊断方法研究[J]. 铁道科学与工程学报, 2012, 9(6): 107−112. LI Na, DONG Haiying. Research on track circuit fault diagnosis method based on D-S evidence theory information fusion[J]. Journal of Railway Science and Engineering, 2012, 9(6): 107−112.

[4] 董昱,赵媛媛,林海香. 基于小波分析的电动转辙机动作电流的分析研究[J]. 兰州交通大学学报, 2012, 31(6): 39−43. DONG Yu, ZHAO Yuanyuan, LIN Haixiang. Analysis of electric current in electric switch machine based on wavelet analysis[J]. Journal of Lanzhou Jiaotong University, 2012, 31(6): 39−43.

[5] 肖蒙,翟琛, 潘翠亮. 基于快速贝叶斯网络的S700K转辙机故障诊断研究[J]. 铁道科学与工程学报, 2015(2): 414−418. XIAO Meng, ZHAI Chen, PAN Cuiliang. Research on S700K switch machine fault diagnosis of based on fast Bayesian network[J]. Journal of Railway Science and Engineering, 2015(2): 414−418.

[6] 翟琛. 基于BN的转辙机故障诊断研究[D]. 兰州: 兰州交通大学, 2015. ZHAI Chen. Study on fault diagnosis of rut machine based on BN[D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[7] 王瑞峰,陈旺斌. 基于灰色神经网络的S700K转辙机故障诊断方法研究[J]. 铁道学报, 2016, 38(6): 68−72. WANG Ruifeng, CHEN Wangbin. Research on fault diagnosis method for S700K switch machine based on Grey neural network[J]. Journal of the China Railway Society, 2016, 38(6): 68−72.

[8] Fattahi R, Khalilzadeh M. Risk evaluation using a novel hybrid method based on FMEA, extended MULTIMOORA, and AHP methods under fuzzy environment[J]. Safety Science, 2018(102): 290−300.

[9] 沈祥明,刘坡拉,汪继锋. 基于层次分析法的铁路岩溶隧道突水风险评价[J]. 铁道工程学报, 2010, 27(12): 56−63. SHEN Xiangming, LIU Pola, WANG Jifeng. Evaluation of water inrush risk in railway karst tunnel based on analytic hierarchy process[J]. Journal of Railway Engineering, 2010, 27(12): 56−63.

[10] YANG X, QU Yanwei. Application of multi-level fuzzy comprehensive evaluation method to block evaluation of coal bed methane in western Henan province[J]. Journal of Henan University of Engineering, 2018, 32(1): 101− 108.

[11] ZHENG W, School B, University H. Study on water resources carrying capacity in Guangdong province based on multilevel fuzzy comprehensive evaluation model[J]. Hubei Agricultural Sciences, 2018, 2(1): 1849−1903.

[12] 高海涛,杨明宇,孟令云, 等. 基于AHP-熵权的高速铁路行车安全风险研究[J]. 铁道运输与经济, 2018, 40(3): 85−90. GAO Haitao, YANG Mingyu, MENG Lingyun, et al. Research on the safety risk of high-speed railway based on ahp-entropy weight[J]. Railway Transportation and Economy, 2018, 40(3): 85−90.

[13] 王思华,吴健. 高铁牵引变电所风险模糊综合评估方法研究[J]. 铁道科学与工程学报, 2017, 14(8): 1589− 1596. WANG Sihua, WU Jian. Research on fuzzy comprehensive evaluation method for the risk of traction substation of high-speed railway[J]. Journal of Railway Science and Engineering, 2017, 14(8): 1589−1596.

[14] 朱帅军. 高铁动车组故障预测与健康管理关键技术的研究[D]. 北京: 北京交通大学, 2016. ZHU Shuaijun. Research on the key technology of fault prognostics and health management for EMU[D]. Beijing: Beijing Jiaotong University, 2016.

[15] 徐潇源, 赵建伟, 严正, 等. 基于改进层次分析法和PSS/E的电磁环网解环方案评估[J]. 电力系统及其自动化学报, 2017, 29(12): 76−82. XU Xiaoyuan, ZHAO Jianwei, YAN Zheng, et al. Evaluation of electromagnetic loop decoupling schemes based on improved analytic hierarchy process and PSS/E[J]. Power System and Automation Journal, 2017, 29(12): 76−82.

[16] 吴翔, 何怡刚, 张大波, 等. 基于最优权重与雷达图的变压器状态评估[J]. 电力系统保护与控制, 2017, 45(2): 55−60. WU Xiang, HE Yigang, ZHANG Dabo, et al. Transformer state assessment based on optimal weight and radar map[J]. Power System Protection and Control, 2017, 45(2): 55−60.

(编辑 阳丽霞)

Study on evaluation of switch machine based on fuzzy evaluation and optimal weight

CHEN Yonggang1, DAI Qianjun1, DU Tao1, 2, BAI Tiancheng1, ZHOU Jingyu1

(1. School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China; 2. Zhengzhou Design Institute of China Railway Engineering Consulting Group Co., Ltd, Zhengzhou 450001, China)

According to the fuzziness and randomness of the mechanical failure of the switch machine, the health evaluation of the rutting machine based on the deterioration model is established. According to the influence of different factors on the health condition of the switch machine, the state monitoring data, maintenance personnel score and service age of the switch machine were selected to calculate the deterioration degree of the switch machine. Then, the optimal weight of the analytic hierarchy process (AHP) and the entropy weight method of the objective analysis were adopted based on the minimum variance. Finally, fuzzy theory was used to evaluate the health of the switch machine. It is proved that this evaluation method can reflect the fuzziness and complexity of the health impact factors of the switch, and provide reference for maintenance personnel and reduce the maintenance work.

switch machine; fuzziness; randomness; health status; deterioration degree; AHP; entropy weight method

10.19713/j.cnki.43−1423/u.2019.05.027

U283.2；U284.7

A

1672 − 7029(2019)05 − 1315 − 08

2018−05−28

国家自然科学基金地区科学基金资助项目(61763023)

陈永刚(1972−)，男，甘肃会宁人，副教授，从事铁路信号设备故障诊断与预测技术研究；E−mail：2575011580@qq.com