基于粒子群支持向量機的軌道電路故障診斷

陳 欣

（西南交通大學 信息科學與技術(shù)學院，成都 611756）

基于粒子群支持向量機的軌道電路故障診斷

陳 欣

（西南交通大學 信息科學與技術(shù)學院，成都 611756）

支持向量機（SVM）是一種解決小樣本分類問題的最佳理論算法，它的核函數(shù)的參數(shù)選擇非常重要，直接影響著故障診斷的準確率。本文將粒子群算法（PSO）用于支持向量機的參數(shù)優(yōu)化，提出基于粒子群支持向量機的故障診斷模型，并將其運用于軌道電路中。通過對比MATLAB仿真結(jié)果得出：經(jīng)過粒子群尋優(yōu)得到的參數(shù)比隨機選取的參數(shù)更優(yōu)，所建立的PSO-SVM模型的故障診斷準確率高于普通的SVM模型。

軌道電路；故障診斷；支持向量機；粒子群算法

無絕緣軌道ZPW-2000A在我國鐵路系統(tǒng)中占據(jù)著非常重要的作用，主要用于站間閉塞區(qū)間和站內(nèi)電碼化。作為鐵路信號系統(tǒng)中最重要、最關(guān)鍵的基礎設備之一，軌道電路的結(jié)構(gòu)很復雜，故障也是多樣化的，設備運用損耗、檢修維護不到位和環(huán)境因素都可能對軌道電路造成影響。目前，針對ZPW-2000A型無絕緣軌道電路的故障診斷仍然停留在人工階段，主要依靠故障區(qū)段的無絕緣衰耗盤指示燈對故障的定位和對測試塞孔進行的電氣特性測試[1]，根據(jù)所測試的數(shù)據(jù)進行故障判斷和分析，依賴的是維修人員對設備故障的處理經(jīng)驗和知識，存在很大的盲目性和復雜性。因此，軌道電路的故障檢修工作亟待完善。

支持向量機（SVM）是一種以統(tǒng)計學習理論為基礎的機器學習方法，相比較人工神經(jīng)網(wǎng)絡等方法的缺點，如網(wǎng)絡結(jié)構(gòu)難于確定、過學習、欠學習，以及局部極小等問題，SVM對于解決有限樣本更優(yōu)，被認為是目前解決有限樣本分類問題的最佳理論[2]。本文將利用粒子群支持向量機理論建立更為有效的軌道電路故障診斷模型，實現(xiàn)多種故障的診斷。

1 ZPW-2000A軌道故障分析

1.1 ZPW-2000A軌道電路構(gòu)成

ZPW-2000A型無絕緣軌道電路系統(tǒng)由室內(nèi)部分和室外部分組成，室外部分包括調(diào)諧區(qū)、機械絕緣節(jié)、匹配變壓器、補償電容、傳輸電纜及調(diào)諧設備引接線，其中,調(diào)諧單元、空心線圈、鋼軌中的電容、電阻、電感等元器件組成的電路實行串、并聯(lián)諧振，實現(xiàn)了兩個相鄰軌道電路之間的電氣絕緣；傳輸電纜采用的是SPT型的國產(chǎn)鐵路數(shù)字電纜，傳輸控制信息及電能；匹配電壓器是為了使軌道電路和SPT 電纜實現(xiàn)匹配連接；補償電容則延長了傳輸?shù)木嚯x，實現(xiàn)電路的補償，可以獲得最佳的傳輸效果。室內(nèi)部分包括發(fā)送器、接收器、衰耗盤、電纜模擬網(wǎng)絡盤和站防雷，其中,發(fā)送器和接收器都具有較完整的監(jiān)測功能，發(fā)送器產(chǎn)生穩(wěn)定的移頻信號，分別向主軌道電路和小軌道電路傳送，再經(jīng)過鋼軌、匹配變壓器、電纜通道，最后被主軌道電路的接收器接收，而流向小軌道電路的信號，則由運行前方的相鄰的軌道電路接收器接收；衰耗盤的作用是對主軌道電路的接收端輸入電平調(diào)整，以及對小軌道電路正反向的調(diào)整[3]。

1.2 ZPW-2000A軌道電路故障分析

ZPW-2000A軌道電路常見的故障有紅光帶和分路不良兩種[4]，紅光帶是指軌道上本來沒車占用，戰(zhàn)場圖中顯示有車占用，嚴重的影響了運輸效率；而分路不良則是指本來有車占用，戰(zhàn)場圖中卻顯示無車占用，可能引發(fā)嚴重的事故，兩個方面都應該盡量減少和避免。軌道電路的故障有兩種處理方式：有報警故障處理和無報警故障處理[5]，紅光帶故障屬于無報警故障，需要通過一些判斷分析，測定故障范圍，區(qū)分是室內(nèi)故障還是室外故障，再判斷具體的室內(nèi)或室外故障點。ZPW-2000A無絕緣軌道電路的常見故障點主要包括主軌道故障、小軌道故障、發(fā)送通道故障和接收通道故障。

2 PSO-SVM算法的實現(xiàn)

2.1 支持向量機的基本理論

支持向量機是由Vapnik提出的一種新型算法，主要思想是建立一個超平面用于模式分類，將正例和反例分隔開，并盡量最大化隔離邊緣，SVM是結(jié)構(gòu)風險最小化的近似實現(xiàn)。線性可分問題易于分類，對于線性不可分問題，SVM通過一個非線性映射φ，把樣本空間映射到一個高維的特征空間，轉(zhuǎn)化為高維空間中的線性問題，在變換空間中求出最優(yōu)分類超平面[6]。決策輸出函數(shù)表示為：

其中， a*—拉格朗日乘子；

偏置b*可通過a*求得； K(x,xi)—核函數(shù)。

SVM中常用的核函數(shù)有多項式函數(shù)k(xi,xj)=(xixj+b)d，徑向基函數(shù)（RBF)，其中，核參數(shù)的選擇問題非常重要，一個好的核參數(shù)構(gòu)成的支持向量機不但具有很好的推廣能力，還具有更好的分類能力，由于RBF中只需要確定一個參數(shù)σ，因此本文核函數(shù)選用RBF，較少的核參數(shù)需要確定，更有利于參數(shù)優(yōu)化。

2.2 粒子群算法原理

粒子群算法（PSO）的主要思想是在可解空間中初始化一群粒子，每個粒子由位置、速度和適用度值確定，適用度值由適用度函數(shù)計算得到。粒子在解空間中運動，通過跟蹤個體極值點和群體極值點來更新自己的位置，個體極值Pbest是指個體所經(jīng)歷位置中計算得到的適應度值最優(yōu)位置，群體極值Gbest是指種群中所有粒子搜索到的適應度最優(yōu)位置[7]。粒子不斷地更新位置，每更新一次就重新計算一次適應度值，再通過比較適應度值，更新個體極值Pbest和群體極值Gbest。

在每一次迭代過程中，粒子通過個體極值和全局極值更新自身的速度和位置，更新公式為：

式中，ω—慣性權(quán)重；

d=1,2,…,D；i=1,2,…,n；

t—當前迭代次數(shù)；

vid—粒子的速度；

c1和c2—非負常數(shù)，稱為加速度因子；

r1和r2—分部于[0,1]之間的隨機數(shù)。

2.3 PSO-SVM算法實現(xiàn)步驟

以RBF為核函數(shù)的支持向量機中有2個參數(shù)：懲罰參數(shù)c和核函數(shù)參數(shù)g，其中，懲罰參數(shù)c用于控制超出誤差的樣本懲罰程度，核函數(shù)參數(shù)g表示徑向基函數(shù)RBF的寬度，c、g對于SVM的分類準確率有著很大的影響。因而，將兩個參數(shù)（c，g）構(gòu)成一個微粒，采用粒子群優(yōu)化算法尋求較優(yōu)的參數(shù)，提高SVM算法故障診斷的準確率和效率，該算法流程圖如圖1所示。

粒子和速度初始化是對由支持向量機中的兩個參數(shù)構(gòu)成的粒子（c，g）賦予隨機的初始粒子位置和粒子速度，根據(jù)初始粒子適應度值確定個體極值和群體極值，再根據(jù)式（2）和式（3）更新粒子速度和位置，根據(jù)新種群中粒子適應度值更新個體極值和群體極值。對于本文中的適應度值也即軌道電路故障診斷的準確率。

圖1 PSO-SVM算法流程圖

3 基于PSO-SVM的軌道電路故障診斷模型

3.1 特征提取

為了建立粒子群支持向量故障診斷模型，本文選取正常狀態(tài)、主軌道故障、小軌道故障、發(fā)送通道故障、接收通道故障5種狀態(tài)作為模型的輸出，根據(jù)上述故障發(fā)生后各特征參數(shù)的變化，選擇主軌道輸出電壓、小軌道輸出電壓、軌入電壓、衰耗器測試空電壓、模擬盤電壓作為故障診斷特征量作為輸入。

因為各軌道電路故障診斷特征值具有不同的數(shù)量級，為了避免對PSO-SVM模型進行訓練的過程中出現(xiàn)病態(tài)矩陣，同時也方便數(shù)據(jù)處理，使程序加快收斂，因此需要對訓練樣本和測試樣本進行歸一化預處理，采用的歸一化映射公式如下：

其中，y—歸一化后的數(shù)據(jù)；

x—原始數(shù)據(jù)；

min(X)—原始數(shù)據(jù)中的最小值；

man(X)—原始數(shù)據(jù)中的最大值。

這種歸一化的方式稱為[0,1]區(qū)間歸一化，處理后的數(shù)據(jù)位于[0,1]區(qū)間。

3.2 模型的構(gòu)建

基本的SVM算法是針對二類別分類問題提出來的，是一種二類分類器，故障診斷屬于多分類問題，軌道電路的故障診斷選取了5種狀態(tài)，也即5種類別，SVM的多分類法有“一對一”、“一對多”等方法[8]。對于一個k類分類問題，“一對一”方法需要構(gòu)造k(k–1)/2個SVM子分類器，訓練速度快，每一個分類問題的規(guī)模較小；“一對多”方法需要構(gòu)造k個SVM子分類器，分類速度相對較快，但是訓練時間過長，因此本文采用“一對一”SVM多分類法構(gòu)成軌道電路故障診斷模型。“一對一”方法的主要思想是在 類分類中，對每兩類樣本分別建立一個支持向量二類分類器，需要建立k(k–1)/2個二分類器，因此對于軌道電路故障診斷的5類分類問題，則需要構(gòu)造10個二類分類器，測試時采用的是投票法，將測試樣本x分別帶入上述建立的10個二分類器進行測試，如果x屬于第i類，則在第i類投票上加1，否則在第j類投票上加1，直到10個支持向量二分類器完成分類，累計5種類別的得票結(jié)果，得票最多的類則為測試樣本所屬的類別。

3.3 診斷結(jié)果分析

為了驗證算法的正確性，采集 170組軌道電路的相關(guān)數(shù)據(jù)，從中選取100組作為訓練樣本，另外70個作為測試樣本，進行故障診斷。為了驗證所建立的PSO-SVM模型更優(yōu)，通過2種方法選取懲罰參數(shù)c和核函數(shù)參數(shù)g：（1）在一定的范圍內(nèi)隨機選取15組參數(shù)c、g，得到的最高診斷準確率為88.57%，此時，c=5，g=8，診斷時間約為3 s；（2）采用PSO

快速尋優(yōu)得到最優(yōu)的參數(shù)c、g，設定粒子個數(shù)為m=20，學習因子c1=1.5，c2=1.7，最大迭代數(shù)t=200，最終得到的最優(yōu)參數(shù)c=12.29，g=3.76，故障診斷準確率為97.14%，診斷時間約為29.46 s，結(jié)果如圖2所示。

Track circuit fault diagnosis based on particle swarm optimization and support vector machine

CHEN Xin
( School of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,China)

Support vector machine (SVM) is one of the best theoretical algorithm to solve the problem of small sample classifcation.Kernel parameter selection is very important,which directly affects the accuracy of fault diagnosis.In this paper,the particle swarm optimization (PSO) was used to optimize the parameters of SVM,the PSO-SVM model was proposed which was applied to fault diagnosis of track circuit.By comparing the MATLAB simulation results,it was concluded that the parameters obtained by PSO were better than the random parameters,and the fault diagnosis accuracy of the established PSO-SVM model was higher than that of the ordinary SVM model.

track circuit;fault diagnosis ;support vector machine(SVM);particle swarm optimization(PSO)

U284.2：TP39

A

1005-8451（2016）08-0056-04

2016-01-22

陳 欣，在讀碩士研究生。