[论文解读] Degradation Detection Method for Railway Point Machines

Chong Bian, Shunkun Yang+4 more|arXiv (Cornell University)|Sep 7, 2018

Machine Fault Diagnosis Techniques参考文献 26被引用 4

一句话总结

本文提出了一种基于功率信号特征提取、自组织特征映射（SOFM）聚类和优化支持向量机（SVM）的铁路道岔转换机（PMs）混合退化检测方法。该方法成功地从真实PM数据中识别出多种退化状态，分类准确率高，经西门子S700K道岔转换机的实验验证，实现了有效的早期故障检测。

ABSTRACT

Point machines (PMs) are used for switching and locking railway turnouts, and are considered one of the most critical elements of a railway signal system. The failure of the point mechanism directly affects the operation of the railway and may cause serious safety accidents. Hence, there is a need for early detection of the anomalies in PMs. From normal operation to complete failure, the machine usually undergoes a series of degradation states. If the degradation states are detected in time, maintenance can be organized in advance to prevent the malfunction. This paper presents a degradation detection method that can effectively mine and identify the degradation state of the PM. First, power data is processed to obtain the feature set that can describe the PM characteristics effectively. Then, a clustering analysis of the feature set is carried out by self-organizing feature-mapping network, and various degradation states are mined. Finally, the optimized support vector machine is used to build the state classifier to identify the degradation state of the PM. The experimental results obtained with the Siemens S700K PM show that the proposed method could not only mine the effective degradation states, but also obtain high identification accuracy.

研究动机与目标

• 为解决铁路道岔转换机退化状态早期检测的迫切需求，以预防运行故障和安全风险。
• 通过可测量的电气信号识别道岔转换机在完全失效前的中间退化状态。
• 开发一种数据驱动方法，能够从功率消耗数据中挖掘并分类多种退化状态。
• 通过准确的退化状态识别，实现基于状态的监测，从而改进维护规划。
• 利用西门子S700K道岔转换机的真实世界数据验证该方法的有效性。

提出的方法

• 采集道岔转换机的功率数据并进行预处理，以提取描述机器行为的有意义特征。
• 应用自组织特征映射（SOFM）神经网络对特征集进行聚类，以发现不同的退化状态。
• 训练优化的支持向量机（SVM）以对SOFM识别出的退化状态进行分类。
• 该方法结合了无监督聚类（SOFM）用于状态发现与有监督分类（SVM）用于准确的状态识别。
• 特征选择聚焦于功率消耗模式，以反映机械和电气退化趋势。
• 该流程在西门子S700K道岔转换机的真实世界数据上进行了验证，展示了其鲁棒性和可扩展性。

实验结果

研究问题

• RQ1 功率消耗信号能否有效表征铁路道岔转换机的退化状态？
• RQ2 自组织特征映射网络能否成功地从原始功率数据中识别出多个不同的退化状态？
• RQ3 优化的支持向量机能否在分类所识别的退化状态时实现高准确率？
• RQ4 所提出的方法是否能在完全失效前实现退化的早期检测？
• RQ5 该方法在区分正常运行与各种退化阶段方面表现如何？

主要发现

• 所提出的方法成功地利用SOFM聚类从功率数据中挖掘出多种退化状态。
• 优化的SVM分类器在区分不同退化等级时表现出高识别准确率。
• 该方法在检测早期退化方面表现出有效性，支持主动维护。
• 在西门子S700K道岔转换机上的实验验证确认了该方法的可靠性和实际适用性。
• SOFM与SVM的集成提供了一个稳健的退化状态检测框架，并带来了显著的性能提升。
• 结果表明，功率信号分析结合机器学习可实现对关键铁路基础设施部件的精确且及时的退化检测。