HHT和GCA-NBC在S700K转辙机故障诊断中的应用*

王林洁， 米根锁

(兰州交通大学 自动化与电气工程学院,甘肃 兰州 730070)

0 引 言

随着高速铁路的快速发展，S700K转辙机作为铁路信号的重要设备已大量投入使用，其工作状况直接影响列车行车安全与运输效率[1，2]。目前，对转辙机故障诊断主要依靠工作人员维修经验定位故障，这种方法故障识别效率低，且不能实时在线确定故障位置，故对转辙机的智能化诊断研究显得尤为重要。

近年来，针对转辙机的故障诊断各国专家已做了相应研究，但均存在局限性。文献[3,4]采用支持向量机法，对道岔故障进行诊断，但支持向量机(SVM)法不适用于对多种故障进行分类；文献[5]将故障树与专家系统结合，但专家系统获取知识困难；文献[6,7]将神经网络方法应用到转辙机故障诊断，但训练网络需大量样本；文献[8]将D-S信息融合用于道岔系统故障诊断，但该方法缺乏学习能力。

研究发现，转辙机故障类型与其动作功率存在很强的对应关系，因此,需考虑各故障特征与故障类型间的相互关联程度。而朴素贝叶斯分类器(NBC)是建立在基于条件独立性假设的基础上，未考虑相互关联程度。

本文将灰色关联分析(grey correlation analysis,GCA)引入朴素贝叶斯分类器(naive Bayesian classifier,NBC)中，提出基于GCA-NBC的分类方法。利用HHT和属性约简算法对故障特征进行提取及约简，根据约简特征建立GCA-NBC分类模型并求解各故障后验概率值，最大后验概率值对应的类型则为待检样本的故障类型。该方法以实时采集的转辙机功率曲线为数据源，结合希尔伯特—黄变换(Hilbert-Huang transform,HHT)、属性约简和GCA-NBC的诊断方法，实现在线实时诊断转辙机故障。……