基于多分支BP神經網絡的FTGS軌道電路故障診斷

吳昕慧

(柳州鐵道職業技術學院，廣西　柳州　545616)

?

基于多分支BP神經網絡的FTGS軌道電路故障診斷

吳昕慧

(柳州鐵道職業技術學院，廣西柳州545616)

文章針對FTGS軌道電路故障的原因和特點，提出一種基于多分支BP神經網絡的FTGS軌道電路故障診斷方法。該方法通過對BP神經網絡進行改進，建立多分支的BP神經網絡，用于FTGS軌道電路的故障分類仿真。結果表明，多分支BP神經網絡在精度和效率上都比專家系統、基于Agent方法和遺傳算法更有優勢，可以有效提高FTGS軌道電路故障診斷的準確性和可靠性。

故障診斷；多分支BP神經網絡；特征指標；決策融合

0　引言

FTGS軌道電路全稱是西門子遙供音頻無絕緣軌道電路，在西門子列車運行控制系統的城市軌道交通地鐵線路中廣泛使用，是整個列車運行自動控制系統的關鍵性基礎設備。FTGS軌道電路監督列車運行，傳遞行車信息，對整個列車運行自動控制系統起到了安全保障作用，因而，FTGS軌道電路故障也將直接危及行車安全和影響行車效率。因此，需要對FTGS軌道電路進行故障診斷，為地鐵信號人員掌握FTGS軌道電路狀態、進行故障分析，指導現場作業和管理，從而提高FTGS軌道電路維護效率和維護水平。

FTGS軌道電路故障主要分為兩大類：紅光帶故障和分路不良。FTGS軌道電路故障的原因很多，如送電端電源電壓波動、道砟電阻的變化、鋼軌表面的狀況、列車運行和施工作業的影響、電氣絕緣節不良、箱盒電纜斷線、室內電纜斷線故障等[1]。因此，對FTGS軌道電路故障作出準確診斷也是非常復雜的問題。在現場維修工作中，對FTGS軌道電路故障的查找和處理通常是根據故障現象，初步判斷故障范圍，然后采用儀器儀表測試相關參數，利用經驗根據參數對軌道電路故障進行分析、處理，以排除故障。這樣的做法完全依賴維護人員的經驗，由于維修人員的經驗和知識水平參差不齊，容易判斷失誤，從而影響維修的效率和水平，同時也加大了維修人員的勞動強度，所以開發FTGS軌道電路故障診斷系統，對FTGS軌道電路故障診斷方法進行研究具有重要的現實意義。

不少專家學者對軌道交通的軌道電路故障診斷方法進行了研究，有學者提出采用專家系統對ZPW-2000軌道電路進行故障診斷[2]，但該方法過于依賴專家知識；有學者提出基于Agent的軌道電路診斷方法[3]，該方法存在系統間各模塊具體通信的問題；有學者利用遺傳算法對鐵路區間使用的ZPW-2000無絕緣軌道電路的補償電容缺失故障診斷進行研究，遺傳算法比專家系統和基于Agent的方法更優[4]，但是該方法需要大量的數據和計算，不易于實現。

本文針對FTGS軌道電路故障原因和特點，提出一種基于多分支BP神經網絡的FTGS軌道電路故障診斷方法。

1　FTGS軌道電路工作原理

FTGS軌道電路用于檢測軌道電路的占用狀態并發送ATP報文，軌道區段空閑時，轉換開關置在“空閑”位，由位模式發生器、發送器產生的位模式調制載頻(9.5～16.5 kHz)的FSK信號，從室內-軌旁盒-軌道電路始端-鋼軌-軌道電路終端-軌旁盒-到室內，經過接收器、位模式校核(判斷幅值、調制檢測、編碼檢測)為正確時，產生一個“軌道空閑”信息，對應的GJ吸起。軌道區段占用時由于列車車輪分路，軌道電路終端接收不到FSK信號，產生一個“軌道占用”信息，GJ落下。此時轉換開關置在“占用”位，來自ATC系統的是用報文式調制載頻的ATP信號，經發送器送上軌道，供列車接收[5]。ATP報文有效長度為136位，它包括：入口速度、允許速度、目標距離、軌道區段長度、下一個軌道區段的頻率、車站停車點、運行方向等。

2　多分支BP神經網絡

2.1神經網絡模型

多分支神經網絡將神經網絡結構模塊化的一種模型，具有對非線性映射的準確擬合能力和學習能力，能夠很好地解決樣本較多時神經網絡難以收斂從而陷入局部最小的問題，是處理模式識別問題的有力工具。

傳統的3層BP網絡模型如圖1所示，包括輸入層、隱層和輸出層，是多維輸入多維輸出的非線性映射，輸入層到隱層之間的權值和閾值是已知的，模式學習是修改權值和閾值達到輸出層值的過程，該模型可用于模式識別的實質是通過訓練求解權值和閾值，使得誤差小于指定誤差[6]。

圖1　BP神經網絡模型圖

多分支BP神經網絡是基于模塊化和化整為零的思想，用于多類的模式識別，將目標問題進行分解，每個輸出目標值的學習可分解為一個獨立的網絡，用于處理某一類的識別問題，每個網絡都是獨立的3層結構，輸入值向量不變，輸出值二值化為1(真)和0(假)，判斷將多類識別問題轉換為多個并行的兩類識別問題，然后采用結構風險最小化原則進行決策融合分類。這樣做的優點是降低了每個網絡求解的復雜度，分類的學習可以同時進行，互相不干擾，加快了分類處理的速度。多分支BP網絡結構如圖2所示。

2.2基于結構風險最小化原則的決策融合

多分支BP神經網絡的結構風險最小化(Structural Risk Minimization)決策融合思路是把BP神經網絡輸出集合構造為函數子集序列，然后把各個子集按照VC維的大小排列，以最小平方差和概率尋求每個子集的最小經驗風險，綜合考慮經驗風險和置信范圍，目標是實際風險的最小化[7]。實際風險需要考慮兩部分：經驗風險或者稱為VC置信范圍和訓練誤差，其中VC置信范圍根據模式識別的VC維和訓練樣本數而定，VC維是反映神經網絡輸出集合的學習能力的指標，VC維越大則學習機器越復雜。設各神經網絡各分支輸出集合為Cout，第n支神經網絡的輸出值為On，根據平方誤差最小分類原則[8]，可得：

(1)

式中，j的值是唯一的，識別結果集合k取j的概率，可得：

(2)

此時，如果訓練樣本為類的概率最大，則k可以取j。如果滿足式的j多于1個時，用這些j的值組成一個新的集合{j1，j2，…，jn}，然后再從該集合中選取目標類別。方法是：以P0作為先驗概率，如果

(3)

3　FTGS軌道電路故障分類

本文應用多分支的BP神經網絡建立FTGS軌道電路故障分類的模型，通過對軌道電路影響較大的特征參數優選，選取發送端軌面電壓US、接收端軌面電壓UR、接收端電壓UB，軌道繼電器軌道線圈電壓Uj等4個特征向量作為多分支BP神經網絡的輸入，并設定電源電壓波動、電纜斷線、道砟電阻低、電氣絕緣節不良等4種常見故障作為輸出，利用結構風險最小化原則進行融合決策分類。在模型訓練學習階段，從某地鐵線路的FTGS軌道電路監測選取1 500個包含4種故障類型的訓練樣本進行訓練。在檢驗階段，采用訓練階段得到的模型對500個樣本進行分類。

采用matlab7.1進行仿真實驗，實驗結果如表1所示。

表1　FTGS軌道電路各種分類方法的性能比較表

結果表明：在FTGS軌道電路故障分類中，多分支BP神經網絡的學習時間不到遺傳算法的一半，但是識別正確率比遺傳算法高5.0%以上，優于專家系統、基于Agent方法和遺傳算法。這說明在有限樣本條件下，多分支BP神經網絡方法能獲得比遺傳算法更好的FTGS軌道電路故障分類性能。

4　結語

本文通過對BP神經網絡進行改進，根據化整為零的思想把BP神經網絡的目標問題劃分為多個子集，并進行處理，然后采用基于結構風險最小化原則進行決策融合求解目標問題，建立了多分支的BP神經網絡，并用于FTGS軌道電路的故障分類仿真，選取4個FTGS軌道電路的參數作為統計特征指標，對4類常見故障進行分類，結果表明，多分支BP神經網絡在精度和效率上都比專家系統、基于Agent方法和遺傳算法要優，可以有效提高FTGS軌道電路故障診斷的準確性和可靠性。

[1]蘇航.淺析FTGS軌道電路的故障處理方法[J].鐵道通信信號，2012，48(10)：34-36.

[2]張喜，杜旭升，劉朝英.車站信號控制設備故障診斷專家系統的研究與實現[J].鐵道學報，2009，31(3)：43-49.

[3]周文娟，王強.基于Agent的鐵路信號設備故障診斷的研究[J].鐵路計算機應用，2009，18(11)：41-44.

[4]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)：107-113.

[5]楊濤，李小兵，何世星.西門子FTGS 917軌道電路常見故障分析與排除[J].城市軌道交通研究，2012(10)：99-102.

[6]袁科新.基于BP神經網絡的發動機故障診斷研究[D].濟南：山東大學，2006.

[7]李群燕，幸福堂，桂瞬豐.基于BP神經網絡的機械系統故障診斷[J].安全與環境工程，2015，22(6)：116-124.

[8]林培群，徐建閩.傅惠.多分支BP網絡模型及其在車型分類中的應用[J].微計算機信息，2005，21(12)：183-184.

Fault Diagnosis of FTGS Track Circuit Based on Multi-branch BP Neural Network

WU Xin-hui

(Liuzhou Railway Vocational Technical College，Liuzhou，Guangxi，545616)

Aiming at the causes and characteristics of FTGS track circuit failures，this article proposed an FTGS track circuit fault diagnosis method based on multi-branch BP neural network.This method established the multi-branch BP neural network through improving the BP neural network，which was used for fault classification simulation of FTGS track circuit.The results showed that the multi-branch BP neural network has more advantages in the precision and efficiency than expert systems，Agent-based method and genetic algorithms，and can effectively improve the accuracy and reliability of FTGS track circuit fault diagnosis.

Fault diagnosis；Multi-branch BP neural network；Feature indicators；Decision fusion

U273.1

A

10.13282/j.cnki.wccst.2016.03.021

1673-4874(2016)03-0076-04

2016-03-06

吳昕慧(1961—)，副教授，研究方向：城市軌道交通信號控制教學及研究。

廣西高?？蒲许椖俊盎陲L險理論的城市軌道交通運營應急處置專家系統開發研究”(項目編號：2014YB565)