设备健康评估在轨道交通设施设备维保中的应用研究
2022-01-14谢颖婷
谢颖婷
(上海申通地铁集团有限公司运营设施设备管理部,上海 200000)
随着上海轨道交通运营规模持续增长和运行年限增加,设施设备健康评估在设施设备的运营管理中扮演着重要的角色,有效地保证了轨道交通的稳定运营。本文基于隐马尔可夫模型(HMM)构建设施设备的健康评估模型,将设施设备的健康特征信息输入模型进行训练,采用KL距离来实现设施设备健康状态的智能评估,为实现地铁设施设备精细化健康管理奠定基础。
1 研究背景
上海轨道交通目前已步入大规模网络运营阶段,地铁设施设备数量多,制式多样化,健康状态的分析诊断大多依靠人工经验,存在以下问题。
(1)缺乏设施设备的健康评估模型,设备异常时,需要维护人员耗费大量的人力来进行故障查证,系统维护效率低。
(2)传统的系统告警处理大都属于事后处理,无法提前感知设备的亚健康状态和未来可能发生的潜在故障,系统维护较为被动。
因此,迫切需要研究一种面向轨道交通的设备健康评估方法,通过大数据和人工智能技术有效评估地铁设施设备的健康状态,制定设施设备维护方案。
2 解决方案
2.1 隐马尔可夫模型HMM
隐马尔可夫模型HMM(Hidden Markov Model)是一种结构最简单的动态贝叶斯网的生成模型。隐马尔科夫模型是关于时序的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成一个可观测的随机序列的过程。隐马尔可夫模型有三个要素:初始状态概率向量C,状态转移概率矩阵A和观测概率矩阵B。隐马尔可夫模型用三元符号表示为:
状态转移概率矩阵A与初始状态概率向量C确定了隐藏的马尔可夫链,生成不可观测的状态序列,观测概率矩阵B确定了如何从状态生成观测,与状态序列综合确定了如何产生观测序列。
表1 地铁设施设备履历信息的样本数据
2.2 设备健康评估模型
系统基于隐马尔可夫模型HMM构建设备健康评估模型,主要过程如下。
(1)特征提取。系统需要在设施设备履历信息中提取健康特征信息,主要包括生产时间、使用时间、告警记录、上线时间和运行状态。
(2)KL距离计算。KL距离(Kullback-Leibler)用于衡量相同事件空间里的两个概率分布的差异情况。概率分布p(x)的事件空间,若用概率分布q(x)编码时,则q和p的KL距离计算如下:
(3)健康状态评估。系统用设备当前状态的特征经正常态 HMM得到对应的 P未知(O|λ)。由 [P正常(O|λ),P未知(O|λ)]计算出KL距离,根据KL距离大小可评估设备的健康状态。KL值越小,说明系统状态越接近正常;KL值越大,说明系统状态越接近异常。KL值大于國值,则已失效。
3 应用实例
地铁设施设备履历信息的样本数据如下:
将上述样本数据输入地铁设施设备健康评估模型,输出健康评估结果,如图1。
图1 地铁设施设备健康评估结果
4 结语
本文基于隐马尔可夫模型(HMM)构建设备健康评估模型,将地铁设施设备的健康特征信息输入模型,通过数据深度学习和KL距离计算来实现设施设备健康状态的智能评估,大大提升地铁设施设备的管理维护能力,可以满足地铁超大规模网络化设施设备管理维护需求。