基于神經(jīng)網(wǎng)絡的地鐵列車速度傳感器故障診斷方法

宋 云朱明年

（1.廣州地下鐵道總公司運營事業(yè)總部，510150，廣州；2.上海自儀泰雷茲交通自動化系統(tǒng)有限公司，201206，上海∥第一作者，工程師）

基于神經(jīng)網(wǎng)絡的地鐵列車速度傳感器故障診斷方法

宋 云1朱明年2

（1.廣州地下鐵道總公司運營事業(yè)總部，510150，廣州；2.上海自儀泰雷茲交通自動化系統(tǒng)有限公司，201206，上海∥第一作者，工程師）

為了改善城市軌道交通列車設備安裝空間和確保列車運行安全，提出一種基于徑向基神經(jīng)網(wǎng)絡的雙通道速度傳感器在線故障檢測診斷方法。通過建立雙通道速度傳感器神經(jīng)網(wǎng)絡故障檢測模型，提出3種故障檢測策略，并且對模型進行調(diào)試試驗。試驗結(jié)果表明所提出的方法能夠準確檢測傳感器故障，為地鐵列車提出一種新的故障檢測方法。

地鐵列車；徑向基函數(shù)；雙通道速度傳感器；神經(jīng)網(wǎng)絡

First-author'saddressGMC Metro operation Department，510150，Guangzhou，China

城市軌道交通的信號系統(tǒng)是保障行車安全、提高運輸能力的關(guān)鍵技術(shù)裝備。在軌道交通信號系統(tǒng)中以列車速度作為衡量系統(tǒng)發(fā)展階段，大致分為三個發(fā)展階段，從采用階梯式速度控制的模擬軌道電路，經(jīng)歷采用一次模式曲線式安全防護的數(shù)字軌道電路的ATC（列車運行自動控制）系統(tǒng)，發(fā)展到通過安全數(shù)據(jù)傳輸，將前行列車的位置信息安全傳遞給后續(xù)列車，可實現(xiàn)一次模式曲線式安全防護，并且其防護點能夠隨前車移動而實時更新，有利于進一步縮小行車間隔提高運輸效率的基于通信的列車運行控制系統(tǒng)。因此，列車速度是衡量軌道交通安全及運行狀態(tài)的重要參數(shù)。

雙通道速度傳感器是列車測量速度重要設備，系統(tǒng)利用其對列車的速度及其運行方向進行判斷，并且系統(tǒng)利用其參數(shù)對列車整體測控系統(tǒng)進行精確控制。在這一過程中，雙通道速度傳感器的輸出信息是否準確直接影響地鐵列車運行狀態(tài)和安全［1］。由于地鐵列車的運行環(huán)境比較惡劣，運行過程中的列車強烈的振動及周邊器械的電磁干擾等因素的存在，對傳感器軟、硬件的干擾非常嚴重，會造成傳感器的輸出信號發(fā)生故障，傳感器輸出故障信號將導致列車的控制系統(tǒng)分析、處理和控制功能發(fā)生紊亂，造成系統(tǒng)無法正常的運行，嚴重威脅到列車運行安全問題，帶來無法估計的安全隱患和嚴重后果［2］。因此，雙通道速度傳感器故障診斷方法的研究對保證列車的安全具有重要的意義。

目前，工程中對速度傳感器的故障診斷技術(shù)主要有試驗對比法和測試經(jīng)驗法兩種方法。試驗對比法具有不依賴傳統(tǒng)經(jīng)驗，可行性高，檢測速度快的優(yōu)點；但也帶來試驗平臺搭建繁瑣，建造成本過高的弊端［3-4］。測試經(jīng)驗法以檢測波形為依據(jù)，通過傳統(tǒng)經(jīng)驗判斷故障原因，減少試驗成本，但對于操作者提出很高的技術(shù)要求，由于運行環(huán)境復雜帶來的判斷誤差將對故障診斷結(jié)果產(chǎn)生很大的影響。

近些年來，人工神經(jīng)網(wǎng)絡已廣泛用于傳感器故障診斷中，其中徑向基神經(jīng)網(wǎng)絡的逼近能力，分類能力和學習速度優(yōu)于其他的神經(jīng)網(wǎng)絡［5-6］，本文采用徑向基神經(jīng)網(wǎng)絡構(gòu)成雙通道速度傳感器輸出預測器。

1 地鐵列車傳感器診斷系統(tǒng)的建立

對地鐵車輛運行狀態(tài)進行實時性檢測，并且建立了硬件冗余故障檢測系統(tǒng)，用于保證列車運行狀

態(tài)的正確性。硬件冗余故障檢測系統(tǒng)具有檢測速度快、不依賴系統(tǒng)數(shù)學模型的特點，但是也存在建設成本高、不能準確檢測出某個傳感器發(fā)生故障和硬件系統(tǒng)復雜等缺點。當列車運行途中某傳感器發(fā)生故障以后，硬件冗余故障檢測系統(tǒng)將使列車立即停車，將給維修帶來很大的困難。

本文建立人工智能神經(jīng)網(wǎng)絡傳感器故障檢測法對列車傳感器狀態(tài)進行檢測，與傳統(tǒng)的列車硬件冗余檢測系統(tǒng)相比，此系統(tǒng)具有以下優(yōu)點：①能夠?qū)崟r檢測傳感器狀態(tài)，判斷其使用狀況是否完好；②當某傳感器發(fā)生故障以后，能夠準確判讀出故障傳感器的位置，便于維修；③為了列車進站維修方便，人工智能神經(jīng)網(wǎng)絡能夠通過訓練學習，提供此傳感器補償信號（即正常信號）給列車監(jiān)控系統(tǒng)，確保列車能夠運行到檢修地點。

人工智能神經(jīng)網(wǎng)絡傳感器故障檢測系統(tǒng)是一種閉環(huán)的控制系統(tǒng)，其中神經(jīng)網(wǎng)絡用于估計傳感器的輸出值，在傳感器故障診斷模塊中，傳感器的輸出值和神經(jīng)網(wǎng)絡的輸出值進行比較，如果差值超過了某個閥值θ，就認為傳感器發(fā)生了故障，然后用神經(jīng)網(wǎng)絡的輸出值代替?zhèn)鞲衅鞯妮敵鲞M入控制器，神經(jīng)網(wǎng)絡由一個主網(wǎng)和n個子網(wǎng)組成，n個子網(wǎng)對應于n個需要進行故障診斷的傳感器［7］。主網(wǎng)的輸入是所有n個傳感器t-1，t-2…t-p時刻的輸出值，主網(wǎng)的輸出是t時刻傳感器輸出的估計值。子網(wǎng)的輸入是除了該子網(wǎng)對應的傳感器以外的其他所用傳感器t-1，t-2…t-p時刻的輸出，子網(wǎng)的輸出是該子網(wǎng)對應傳感器t時刻的估計值［8］。首先，訓練主網(wǎng)和各子網(wǎng)使神經(jīng)網(wǎng)絡的輸出和系統(tǒng)的輸出盡量接近。然后就可以進行傳感器故障的檢測，分離和補償，圖1為故障診斷系統(tǒng)原理圖。本文以建立地鐵列車對雙通道速度傳感器的智能神經(jīng)系統(tǒng)故障診斷過程進行詳細的介紹。

2 神經(jīng)網(wǎng)絡故障診斷檢測模型建立

2.1 神經(jīng)網(wǎng)絡故障診斷系統(tǒng)原理

由于城軌交通是穿行于城市中的一條快捷的交通工具，并且具有站與站之間距離短的特點，因此速度參數(shù)是城軌列車在運行中監(jiān)控的重要參數(shù)。傳統(tǒng)上，地鐵列車采用3個速度傳感器來檢測列車運行速度，即所謂的硬件冗余檢測法。為了節(jié)省地鐵列車設備安裝空間及實現(xiàn)列車的全面智能化，本文搭建了地鐵列車速度傳感器人工智能神經(jīng)網(wǎng)絡監(jiān)測系統(tǒng)，采用一個雙通道速度傳感器，將其采集的雙通道數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡測試單元進行處理，其測試原理如圖2所示。

圖1 地鐵列車人工智能神經(jīng)網(wǎng)絡故障檢測系統(tǒng)模型

圖2 雙通道速度傳感器神經(jīng)網(wǎng)絡預測器模型

圖2 中指出速度傳感器采集的數(shù)據(jù)分別進入兩個基于徑向基函數(shù)的神經(jīng)網(wǎng)絡預測器中，假設兩通道能夠正常工作，將通道1前k個時刻的輸出數(shù)據(jù)x11～x1k和通道2前k個時刻的輸出數(shù)據(jù)x21～x2k通過采樣獲得進行保存，分別作為兩通道傳感器神經(jīng)網(wǎng)絡預測器的初始學習樣本數(shù)據(jù)，因此，兩個神經(jīng)網(wǎng)絡預測器經(jīng)過在線訓練后開始工作。因為兩個預測器的工作原理相同，下面以神經(jīng)網(wǎng)絡預測器為例說明其工作原理，預測器結(jié)構(gòu)如圖3所示。

圖3 單神經(jīng)元網(wǎng)絡模型

神經(jīng)網(wǎng)絡的模型是由多個神經(jīng)元相互連接而成的一個多層機構(gòu)網(wǎng)絡，它們一般主要由輸入層、隱含層和輸出層三個部分組成［9-10］。輸入層是用于接

受速度傳感器通道輸入的x11，x12，x13，x14，…，x1k前k個數(shù)據(jù)節(jié)點的值，作為神經(jīng)網(wǎng)絡第一組訓練樣本；隱含層是由多個神經(jīng)元構(gòu)成，并且隱含層節(jié)點個數(shù)的多少對神經(jīng)網(wǎng)絡的精確度和魯棒性有很大的影響，它是由圖中非線性激勵函數(shù)構(gòu)成，也即神經(jīng)元的輸入到輸出的映射函數(shù)f（x），其非線性可用閥值法、分段線性型和連續(xù)型激發(fā)函數(shù)構(gòu)成，本系統(tǒng)中采用閥值型非線性激勵函數(shù)［11］，形式為：

其中公式范圍值是根據(jù)速度型號而定，x代表實際輸入值。圖3中w1，w2，…，wn稱為權(quán)值，表達了輸入信號對該神經(jīng)元的貢獻及作用的大小，閥值θ與激勵函數(shù)f（x）共同控制輸入信號對輸出信號的激活特性，將可能無限域的輸入變換為指定范圍內(nèi)的輸出。單神經(jīng)元輸入/輸出關(guān)系用數(shù)學表達式描述如下：

2.2 故障診斷策略

取速度傳感器的前k個輸出數(shù)據(jù)x11，x12，x13，x14，…，x1k作為徑向量神經(jīng)網(wǎng)絡預測器1的輸入，x1k作為徑向量神經(jīng)網(wǎng)絡預測器1的輸出，組成第一組訓練樣本，x1（k+2）作為徑向量神經(jīng)網(wǎng)絡預測器1輸出，組成第二組訓練樣本，即訓練樣本表示為：

若θ1大于閥值θ，則認為此時通道1不正常工作，依次類推，徑向量神經(jīng)網(wǎng)絡預測器一邊不斷在線學習新的樣本，一邊對傳感器下一時刻輸出值進行預測。

診斷決策模塊對兩通道神經(jīng)網(wǎng)絡預測器的輸出預測值及兩通道速度傳感器的輸出實際值進行綜合診斷決策：

（1）若θ1、θ2都小于給定某一閥值θ，則輸出兩通道傳感器激勵函數(shù)設定值。

3 系統(tǒng)試驗結(jié)果

系統(tǒng)利用MATLAB的神經(jīng)網(wǎng)絡工具箱，在C語言環(huán)境下對神經(jīng)網(wǎng)絡預測器進行設計，通過搭建的列車雙通道速度傳感器檢測硬件試驗平臺，將傳感器兩通道數(shù)據(jù)送入到建立好的神經(jīng)網(wǎng)絡預測器中進行試驗。并且分別得到丟波、畸變和相位角發(fā)生錯位3種故障模式。

徑向量神經(jīng)網(wǎng)絡的訓練樣本采用雙速度傳感器正常工作時的采樣數(shù)據(jù)，圖4為系統(tǒng)采集試驗平臺中傳感器得到的訓練數(shù)據(jù)與真實數(shù)據(jù)相對比，采集

數(shù)據(jù)量為2 000個點，從圖4中可以看出，訓練數(shù)據(jù)繪制成的曲線近似平穩(wěn)，無太大波動，這是由于在采集的數(shù)據(jù)處理過程中，此算法具有濾波的作用；并且采集的數(shù)據(jù)與系統(tǒng)速度傳感器采集的數(shù)據(jù)相比，在同一時刻，所產(chǎn)生的數(shù)據(jù)誤差在0.2 V以內(nèi)（見圖4），處于系統(tǒng)誤差允許范圍內(nèi)，可以認定數(shù)據(jù)具有可靠性。在采集的數(shù)據(jù)中存在波動，出現(xiàn)的原因可能由于齒輪轉(zhuǎn)動過程中存在波動和采集系統(tǒng)受到外界電磁波或其他信號的騷擾造成的，解決的主要辦法是加強系統(tǒng)的屏蔽效果。

圖4 系統(tǒng)訓練后數(shù)據(jù)與真實值對比圖

圖5 為系統(tǒng)通過數(shù)據(jù)處理后，仿真出雙速度傳感器正常處理波形狀態(tài)，判斷速度傳感器各個故障模式波形對應于圖6～圖8，出現(xiàn)各故障采用的策略如2.2節(jié)中后半部分介紹。

圖5 正常脈沖波形

圖6 為傳感器輸出故障信號。該故障為缺失波形，缺失點出現(xiàn)在采樣點800左右。這時神經(jīng)網(wǎng)絡預測器預測波形如圖5正常波形，故障波形與理論波形不一致，根據(jù)判斷策略將判斷為傳感器故障。圖7為傳感器輸出畸變信號故障，則這時波形將產(chǎn)生畸變。為了防止白噪聲的干擾，神經(jīng)網(wǎng)絡控制器將會采用前一節(jié)介紹到的決策（2），驗證是否為傳感器故障。若輸出值仍然為畸變信號，將判斷為傳感器故障。圖8為相位角錯位，經(jīng)過采集雙通道輸入，得到其在相同時基條件下的數(shù)據(jù)，采用前一節(jié)中的決策3判斷傳感器是否故障。

圖6 丟失波形故障

圖7 畸變波形故障

圖8 相位角誤差故障

4 結(jié)語

本文通過建立徑向基函數(shù)智能神經(jīng)網(wǎng)絡預測器，對地鐵列車雙速度傳感器故障診斷系統(tǒng)進行檢測。以地鐵列車測控系統(tǒng)速度傳感器的輸出參數(shù)作為其神經(jīng)網(wǎng)絡的輸入，采用閥值類算法建立傳感器徑向基神經(jīng)網(wǎng)絡觀測器模型對測控系統(tǒng)傳感器進行故障診斷；并且經(jīng)過測試實驗表明徑向基神經(jīng)網(wǎng)絡具有很強的非線性處理逼近能力，網(wǎng)絡運算速度快［12］，能夠準確發(fā)現(xiàn)和處理故障信號，性能穩(wěn)定，改善了列車設備安裝空間有限及其維修困難的狀況。

因此，徑向基神經(jīng)網(wǎng)絡故障診斷系統(tǒng)為地鐵列車實現(xiàn)自動控制及其改善列車運行環(huán)境提供了一種適當?shù)姆椒ā?/p>

［1］ Benaicha S，Nait-Said R，Zidani F，et al.Fuzzy fault tolerant control of an induction motor［J］.International Journal of Modeling，Identification and Control，2008，4（2）：160.

［2］ 吳建，張志杰，王文廉.傳感器動態(tài)誤差高速并行修正方法及其FPGA實現(xiàn)［J］.傳感器技術(shù)學報，2012，25（1）：651.

［3］ 郝濤，唐永哲，任玉清.BP神經(jīng)網(wǎng)絡在飛控系統(tǒng)傳感器故障診斷中的應用［J］.計算機測量與控制，2008，16（5）：613.

［4］ 張婭玲，陳偉民.傳感器故障診斷技術(shù)概述［J］.傳感器與微系統(tǒng)，2009，28（1）：4.

［5］ Christopher D，Gadda S M.Generating diagnostic residuals for steer by wire vehicle［J］.IEEE Transactions on Control Systems Technology，2007，15（3）：529.

［6］ 徐向華，周彪，萬健.多傳感器網(wǎng)絡中的分布式故障檢測算法［J］.傳感技術(shù)學報，2010，23（4）：350.

［7］ Anwar S，Lel C.An analytical redundancy—based on fault detection and isolation algorithm for a road-wheel control subsystem in a steer-by-wire system［J］.IEEE Transactions on Vehicular Technology，2007，56（5）：2859.

［8］ 張守桂，王正兵.基于小波變換的傳感器故障診斷仿真研究［J］.機械管理開發(fā)，2009，24（3）：7.

［9］ 朱曉娟.飛行控制系統(tǒng)多傳感器信息融合技術(shù)研究［D］.南京：南京航空航天大學，2008.

［10］ 房方，魏樂.傳感器故障的神經(jīng)網(wǎng)絡信息融合診斷方法［J］.傳感技術(shù)學報，2000，13（4）：272.

［11］ 韓逸飛，何琳.徑向量神經(jīng)網(wǎng)絡在傳感器故障診斷中的應用研究［J］.船舶電子工程2008，28（9）：16.

Subway Sensor Fault Diagnosis Based on Radial Neural Network

Song Yun，Zhu Mingnian

In order to improve the installation space of onboard equipment and ensure the safe operation of urban rail trains，an on-line fault detection diagnosis method of twochannel speed sensor based on radial basis function（RBF）neural network is presented.Through establishing a fault detection model of two-channel speed sensor neural network，three kinds of fault detectionmethod are put forward，by which the model is adguste and tested.The result shows that the proposed method can accurately detect the sensor fault and provide a new testing method of fault detectionin subway trains.

subway train；radial basis function；two-channel speed sensor；neural network

U 284.47

2013-07-12）