基于車載單元和IPSO-SVM的軌道電路分路不良診斷方法

王秋實, 劉 揚, 王小敏

(西南交通大學 信息科學與技術學院,成都 611756)

基于車載單元和IPSO-SVM的軌道電路分路不良診斷方法

王秋實, 劉 揚, 王小敏

(西南交通大學 信息科學與技術學院,成都 611756)

針對ZPW-2000軌道電路分路不良故障,結合車載TCR設備提供的具體數據,根據不同位置故障對TCR感應電壓幅值的影響,采用基于模態經驗分解(EMD)、模糊熵的方法提取分路不良故障診斷所需的特征參量,通過改進粒子群優化支持向量機的混合算法實現軌道電路分路不良故障診斷。同時與SVM、PSO-SVM、GA-SVM算法對比,進一步驗證本文所提方法的有效性,為分路不良故障診斷提供了新的快速、準確診斷方法,為軌道電路分路不良故障診斷提供了新思路。

車載TCR設備; 支持向量機; 改進粒子群算法(IPSO); 模態經驗分解(EMD); 信息熵; 分路不良

1 引 言

軌道電路工作環境復雜多變,其功能失效輕則影響運輸效率重則可能帶來災難性的后果,為此必須保證軌道電路的正常工作。ZPW-2000型軌道電路作為主要的區間閉塞設備得到了普遍應用,該型號軌道電路分路不良故障現象是影響鐵路運輸安全的重大隱患,現場出現分路不良故障時,多是電務人員由微機監測系統監測到的軌道電路分路電壓逐段進行排查,但該方法耗費人力巨大,過于依賴現場人員,容易出現遺漏。如何快速找出導致分路不良故障的成因,降低分路不良發生幾率顯得尤為重要。

當前較先進的故障診斷算法已被嘗試應用到軌道電路故障診斷中,其中針對ZPW-2000無絕緣移頻軌道電路故障診斷的方法研究有:文[1]提出基于電接觸理論用于研究軌道電路分路電阻異常原因;文[2]提出基于BP神經網絡的混合算法,克服神經網絡的固有缺陷實現對軌道電路故障診斷;文[3]提出一種基于遺傳算法的軌道電路故障綜合診斷方法,用于對補償電容進行故障診斷。本文以ZPW-2000無絕緣移頻軌道電路分路不良故障為研究對象,以車載TCR單元收到的感應電壓信號為數據依據,通過分析具體故障模式對感應電壓信號的不同影響,采用模態經驗分解和模糊熵方法提取相應的故障特征,結合改進粒子群支持向量機算法,實現軌道電路分路不良故障診斷。

2 故障數據獲得

車載TCR設備系統主要由接收天線、TCR傳輸模塊、TCR主機和顯示機構組成。如圖1所示。

圖1 TCR單元構成示意圖Fig.1 Schematic diagram of TCR

TCR接收線圈對列車分路后所產生的地面軌道電路短路電流產生電磁感應,繼而產生TCR感應電壓信號,完成對地面軌道電路信號的接收。TCR傳輸模塊實現接收天線線圈與主機的信息傳輸。TCR主機將接收到的感應軌道電路信號信息進行處理并將處理好的信息提供給安全計算機單元,同時TCR主機還會提取接收到的TCR感應電壓幅值包絡,將其記錄到相應存儲單元中。由TCR設備提取并記錄的感應電壓幅值包絡信息可以為地面軌道電路信號的幅度變化提供可靠的數據記錄,為軌道電路分路狀態檢測與故障診斷提供數據支撐。

當分路不良故障區段有列車占用,車載TCR單元即可獲得該區段的感應電壓數據,該感應電壓數據可用于本故障區段軌道電路分析,使得故障數據的獲得無需增加新設備具有便捷性和及時性。

3 分路不良對感應電壓的影響分析

現場調研發現,分路電阻異常,道床電阻異常,調諧單元故障,補償電容故障是導致分路不良故障現象的主要原因。不同故障模式對車載機車信號的記錄感應電壓監測參量有較大影響,具體如圖2所示。

圖2 分路電阻Rf正常異常對比Fig.2 Comparison of shunt resistance with normal value and abnormal value

圖2中表示列車經由軌道電路接收端進入并駛向發送端時感應電壓的幅值曲線,可以從圖中看出分路電阻正常與異常時感應電壓幅值的趨勢對比。當分路電阻(Rf)大于正常值0.15歐姆時,即列車通過由分路電阻異常發生分路不良故障的區段,得到的感應電壓包絡呈現幅值升高,其包絡趨勢、形狀大體不變的特點;未出現分路不良位置感應電壓包絡和正常情況一致,幅值、變化趨勢不受分路異常位置影響。

圖3中表示列車經由ZPW-2000型軌道電路接收端進入并駛向發送端時感應電壓的幅值曲線,可以從圖中看出道床電阻正常與異常時感應電壓幅值的趨勢對比。當道床電阻大于正常值時,即列車通過由道床電阻異常發生分路不良故障的區段時,得到感應電壓包絡呈現幅值降低,其包絡趨勢、形狀大體不變的特點。

圖3 道床電阻正常異常對比Fig.3 Comparison of roadbed resistance withnormal value and abnormal value

4 基于EMD與模糊熵的特征提取

模態經驗分解(Empirical Mode Decomposition,EMD)[4]適用于處理非線性、非平穩時間序列,具有較高信噪比、良好的穩定性,車載TCR獲得的包絡信號是非線性非平穩信號,由此采用EMD方法處理車載包絡信號。

將車載單元分路正常情況下獲得的電壓包絡和分路電阻異常導致分路不良獲得的電壓包絡進行EMD分解,如圖4和圖5所示。

對比圖4和圖5,發現imf5分量能量極低,由此可以只對前4個imf分量進行分析。

模糊熵[5]對噪聲有較好的魯棒性,對參數變化不敏感,本文將分路不良故障模式下的TCR包絡信號進行模態經驗分解后得到不同頻率的4個imf分量組成的矩陣W,如式(1)所示:

(1)

求解矩陣W每個分量的模糊熵,得到模糊熵特征矩陣F:

(2)

將分路電阻異常,道床電阻異常,調諧單元故障、補償電容故障四類故障模式下的TCR單元感應包絡電壓信號進行EMD分解,將分解后得到的imf分量進行模糊熵計算,模糊熵具體值如表1所示。

圖4 分阻電路正常下EMD分解圖Fig.4 EMD decomposition diagram under normal shunt resistance

圖5 分路電阻異常EMD分解圖Fig.5 EMD decomposition diagram under abnormal shunt resistance

5 分路不良診斷方法設計

5.1 算法總體設計

圖6為基于IPSO-SVM的分路不良故障診斷方法總體設計圖。

基于車載單元和IPSO-SVM模型的分路不良故障診斷步驟如下:

(1) 獲取故障樣本。基于車載TCR單元獲得樣本數據,樣本數據包括正常數據,各故障模式下的故障樣本數據;

(2) 提取特征集。首先對訓練樣本和測試樣

表1 具體故障模式與熵值分量

圖6 IPSO-SVM的診斷方法總體設計圖Fig.6 Diagnosis design based on IPSO-SVM method

本進行EMD分解,得到imf分量,將imf分量進行模糊熵處理,分別獲得訓練樣本模糊熵矩陣、測試樣本模糊熵矩陣,將矩陣分量作為樣本特征集;

(3) IPSO-SVM模型訓練。將訓練樣本特征集作為模型的訓練樣本,采用改進粒子群優化模型的懲罰因子和核參數,最后得到IPSO-SVM診斷模型;

(4) 診斷結果檢驗。將測試樣本特征集作為模型的輸入量,得到最終診斷結果。

5.2 SVM與PSO算法簡述

SVM[6]是一種基于結構風險最小化原則的機器學習算法。設計非線性模型的基本思想是:選取合適的非線性映射函數,把輸入向量映射到高維特征空間G中,在此高維特征空間G中建立最優分類超平面。通過非線性映射把數據映射到更高維的特征空間,核函數K(xi,x)為非線性映射函數,決策函數為:

(3)

其中,I為SVM的個數。

由于徑向基核函數RBF只需確定一個參數,有利于參數優化,因此本文選擇RBF為核函數:

(4)

式中,σ是核函數寬度。

原始PSO算法[4]假設在N維搜索空間中由m個粒子組成一個群體,xi=(xi1,xi2,…,xiN),表示第i個粒子的位置,vi=(vi1,vi2,…,viN)指第i個粒子的速度,第i個粒子的最優位置是pi=(pi1,pi2,…,piN),整個群體的最優位置為pb=(pb1,pb2,…pbN),原始粒子群群體中粒子的速度和位置具體可由如下方程表示:

(5)

式中:N為粒子數目,c1,c2是加速常數,代表一個粒子向局部最優位置pin和全局最優位置pbn飛行的加速權重;rand(0,c1)、rand(0,c2)分別是在[0,c1]、[0,c2]中均勻分布的隨機數;w是慣性權重。

5.3 參數優化設計

原始粒子群算法存在搜索精度與搜索速度難以平衡問題,更易發生局部最優即過早停滯的問題。慣性權重w表明粒子先前的搜索速度是如何影響當前搜索速度,w較大時,種群全局搜索能力強;w較小時,粒子整體速度越小,群體在當下的搜索空間中可較好尋找更優解。因此可以通過調整慣性權重的值來平衡局部尋優和全局尋優間的關系。本文對慣性權重w改進如下:

(6)

式中,k為控制因子,控制w與i變化曲線的平滑度;i表示當前迭代次數。式(5)中pin和pbn共同決定個體當前位置,當pin和pbn均陷入局部最優時原始粒子群算法進入過早停滯。為克服該問題本文引入過早停滯判斷。當pin在M次迭代過程中不變化或者pbn在N次迭代過程中不變化,則認為種群陷入了過早停滯,群體已經或者即將陷入局部最優。在PSO算法中引入過早停滯判定計算器K1、K2來計算停滯次數,當Pi或Pb的值與前一次相同,K1或K2的值加1;否則清零。當K1、K2的值達到設定值M、N,重置Pi和Pb使粒子跳出局部最優。

對Pi的改進:

(7)

對Pb的改進:

(8)

其中,m為經驗值。

得到改進群體粒子速度和位置方程:

(9)

懲罰因子c和核參數σ是決定SVM性能的最重要參數,將c和σ兩個參數構成一個粒子(c,σ),采用IPSO算法對SVM診斷模型中的懲罰因子、核參數進行參數尋優,并將最后得到的最優懲罰因子和最優核函數作為診斷模型的最優參數;在優化尋優過程中,IPSO種群規模設定為20,進化代數設定為200。參數優化流程圖如圖7所示。

圖7 SVM模型參數優化流程圖Fig.7 Flow diagram of SVM parameter optimization

6 仿真結果及分析

為了驗證本文所提出的算法的有效性,本文選擇基于車載TCR單元的歷史故障樣本作為驗證數據,根據軌道電路不同故障模式對車載TCR設備感應信號的影響,得到基于IPSO-SVM算法學習訓練所需要的樣本數據。

基于車載TCR單元歷史故障數據,選取發生率較高的5種典型故障,具體如表2所示。

本文使用Matlab2012a和LibSVM工具箱進行仿真,分別仿真本文算法,SVM算法,PSO-SVM算法,GA-SVM算法并進行對比。表3為本文算法,SVM算法,PSO-SVM算法,GA-SVM算法在表2提供的數據下對軌道電路分路不良故障的診斷結果。

表2 ZPW-2000分路不良故障樣本數據

表3 四種算法診斷對比

圖8為通過IPSO參數優化后的IPSO-SVM模型的診斷結果,得到的最優懲罰參數c為9,核函數參數σ為64,診斷結果只出現了一個分類錯誤,正確率達96%;對比圖9、圖10和圖11仿真結果可以看出,SVM算法結果出現五個分類錯誤,正確率最低;而PSO-SVM算法和GA-SVM算法結果均出現三個錯誤;本文設計算法在分類精度上均大于其他算法,通過與其它算法對比進一步驗證本文算法的正確性。

圖8 本文算法診斷結果Fig.8 Diagnostic result of the proposed method

圖9 SVM算法診斷結果Fig.9 Diagnostic result of SVM method

圖10 GA-SVM算法診斷結果Fig.10 Diagnostic result of GA-SVM method

圖11 PSO-SVM算法診斷結果Fig.11 Diagnostic result of PSO-SVM method

7 結 論

本文利用車載TCR單元的歷史故障數據,為軌道電路分路不良故障診斷提供數據依據。通過分析歷史故障數據總結導致分路不良故障的主要成因,并通過模態經驗分解方法和模糊熵方法提取故障特征。本文提出了將改進粒子群算法和SVM算法相結合的分類算法,該算法可以提高診斷速度與正確性,經仿真驗證了該方法的可行性與有效性,能為軌道電路的智能診斷和日常維護提供一定參考。

[1] 孫上鵬,趙會兵,陳德旺,等.基于電接觸理論的軌道電路分路電阻計算方法研究[J].鐵道學報,2014,36(3):31-36. SUN Shangpeng,ZHAO Huibing,CHEN Deiwang,et al.Research on method for calculation of shunt resistances of track cicuits using electrical contact theory[J].Journal of the China Railway Society,2014,36(3):31-36.

[2] 楊世武,魏學業.基于數據的軌道電路故障診斷的混合算法[J].北京交通大學學報,2012,36(2):40-46.

YANG Shiwu,WEI Xueye.Study of data-based hybrid algorithm on track circuit fault diagnosis[J].Journal of Beijing Jiaotong University,2012,36(2):40-46.

[3] 趙林海,冉義奎,穆建成基于遺傳算法的無絕緣軌道電路故障綜合診斷方法[J].中國鐵道科學2010,31(3):107-114.

ZHAOLinhai,RANYikui,FaultDiagnosisof Uninsulated Track Circuit Based on Genetic Algorithm[J].China Railway Science,2010,31(3):107-114.

[4] 張超,陳建軍,徐亞蘭.基于EMD分解和奇異值差分譜理論的軸承故障診斷方法[J].振動工程學報,2011,24(5):539-545.

ZHANG Chao,CHEN Jianjun,XU Yalan.Abearing fault diagnosis method based on EMD and difference spectrum theory of singular value[J].Jounal of Vibration Engineering,2011,24(5):539-545.

[5] Bahram CHOUBIN,Shahram KHALIGHI-SIGAROODI,ArashMALEKIAN,Sajjad AHMAD,Pedram ATTAROD.Drought Forecastingina Semi-arid Watershed Using Climate Signals:a Neuro-fuzzy Modeling Approach[J].Journal of Mountain Science,2014,11(6):1593-1605.

[6] QUN Wang,ZHU YunLiu,ZHONG Renpeng.PSO-SVM Model for Short-Term Travel Time Prediction Based on Bluetooth Technology[J].Journal of Harbin Institute of Technology,2015,22(3):7-14.

王秋實 男(1988-),碩士研究生,河北人,主要研究方向為交通信息工程及控制。

劉 揚 男(1991-),湖北人,碩士研究生,主要研究領域為交通信息工程及控制。

Diagnosis of Shunt Malfunction of Track Circuit BasedonTCR and IPSO-SVM

WANGQiushi,LIUYang,WANGXiaomin

(School of Information Science & Technology,South West Jiaotong University,Chengdu 611756,China)

Aiming at shunt malfunction of ZPW-2000 Track Circuit,combining with the specific data provided by TCR equipment,based on the influence of faults in different locations on the induced voltage,the Empirical Mode Decomposition and Fuzzy Entropy were used to extract the parameters that diagnosis of shunt malfunction needed,the fault diagnosis of shunt malfunction of track circuit was achieved through the hybrid algorithm in which the improved PSO optimizes support vector machine.The proposed mothod is verified by comparion with SVM,PSO-SVM,GA-SVMalgorithm.The proposed method provides a new way for shunt malfunction,it is a rapid and accurate method.

TCR; support vector machine; IPSO; EMD; fuzzy entropy; shunt malfunction

TP 39

A