基于方法組合的軌道電路故障診斷模型

董 煜,董 昱

(蘭州交通大學自動化與電氣工程學院,蘭州 730070)

引言

25 Hz相敏軌道電路作為我國鐵路車站聯鎖系統的重要設備，保持軌道電路正常、穩定的工作，直接關系到整個車站聯鎖系統的安全運行。而是否能夠快速準確地確定故障類型，縮短故障狀態的時間，成為軌道電路保持正常工作的必要環節。目前現場軌道電路的故障大都是以人工診斷為主，這種方法診斷效率低，診斷精度差，無法滿足軌道電路正常工作的實際需求。隨著人工智能的發展，國內學者將其方法和理論應用到軌道電路的故障診斷中。文獻[1]對車站信號設備故障診斷專家系統的開發與實現方法進行分析和探討。文獻[2]結合軌道電路原理和參數特征建立了模糊神經網絡故障診斷模型。文獻[3]建立了軌道電路故障診斷的模糊決策樹模型來進行故障分類。然而軌道電路的工作環境復雜，導致其故障產生機理也存在著復雜性和不確定性，運用單一智能方法進行故障診斷無法滿足其診斷精度的實際要求。為了克服單一診斷方法的不足，建立了基于最優權值的方法組合模型，以組合預測模型的最優權值理論結合模糊綜合評判、灰色關聯分析和BP神經網絡3種方法對故障的診斷輸出，既發揮了各方法自身的診斷優勢，也實現了最優權值方法組合在故障診斷方面的應用。

1 初步診斷方法

1.1 模糊綜合評判

模糊綜合評判通過因素集和評語集之間的模糊關系矩陣，再利用合適的隸屬度函數進行模糊變換實現故障的分類識別。該模型以發生故障的原因組成的集合為因素集，記為U={x1，x2，…，xn}；以軌道電路故障特征參數組成的集合為評語集，記為V={y1，y2，…，ym}[4]。

假設因素集U中的第i種故障原因對應的評語集V中第j個特征參數的隸屬度為rji，且0≤rji≤1。那么對應寫出因素集U和評語集V的模糊關系矩陣R可用式(1)表示[5]。R表達了各故障原因和各故障參數之間因果關系，矩陣中每個元素的大小表明了故障參數和故障原因之間互相關系的密切程度[6]。

(1)

U=V°R

(2)

1.2 灰色關聯分析

灰色關聯分析是利用標準模式特征參數和待檢測模式特征參數之間的相似程度來判斷其聯系是否緊密[8]。設XI為第I個標準模式序列，XI={XI(k)︱k=1，2，…，n}；YJ為第J個待檢測模式序列，YJ={YJ(k)︱k=1，2，…，n}[9]。則有XI(k)和YJ(k)在k時刻的關聯系數為

(3)

ΔIJ(k)=|XI(k)-YJ(k)|

(4)

式中，Δmin、Δmax分別為ΔIJ(k)的最小值和最大值；ρ為分辨系數，通常情況下取ρ=0.5[10]。

則對應的灰色關聯度為[11]

(5)

1.3 BP神經網絡

BP神經網絡選用三層前向神經網絡，解決故障原因和特征參數之間的非線性映射復雜性問題，分別以特征參數作為網絡的輸入神經元，以故障類型作為網絡的輸出神經元，并根據式(6)及其訓練結果的比較確定隱含層的神經元個數[12]。

(6)

式中，L為隱含層節點數；N為輸入節點數；M為輸出節點數；a為1～10之間的常數[13]。

BP神經網絡的實現是多層學習的逆向調節模型。在網絡實際訓練時，每個樣本輸入對應一個期望輸出，當實際輸出與期望輸出結果不一致時，通過實際輸出與期望輸出的誤差逆向傳播的方式調整權值，其誤差函數如式(7)所示，并要滿足預先給定的誤差精度要求，當實際輸出與期望輸出結果一致時，訓練結束，保存此時訓練好的網絡[14]。

(7)

式中，ti為網絡的期望輸出；td為網絡的實際輸出；K為網絡學習樣本的個數。

2 最優權值

按照組合預測理論的權重計算方式，通過求解二次規劃的尋優問題而得到組合診斷模型[15]。根據3種算法的故障診斷誤判率來確定誤差函數，并以診斷誤差平方和最小為約束條件，構造最優組合模型，求出3種算法對應的最優權值[16]。

設x(t)是診斷對象在t時刻的屬性值，t=1，2，…，m[17]。若x(t)有n種診斷方法，xi(t)是第i個診斷方法在t時刻的診斷值，則第i個診斷方法在t時刻的診斷誤差為

eit=x(t)-xi(t)

(8)

相應的診斷誤差信息矩陣為

E=[(eit)n×m][(eit)n×m]T

(9)

將n個診斷方法進行不等權組合，令W=[w1，w2，…，wn]T為各診斷方法對應的加權系數，得到組合診斷模型的綜合診斷結果為

(10)

且w1+w2+…+wn=1。那么該組合診斷模型在t時刻的診斷誤差為

(11)

根據式(11)可得到組合診斷模型的誤差平方和為

(12)

以誤差平方和S最小為約束，通過求解二次規劃模型(13)來確定最優權值

(13)

為了求解該模型，引入Lagrange乘子λ，得到式(14)

WTEW-2λ(RTW-1)=0

(14)

分別對W和λ求導，可解出最優權值W為

(15)

將得到的權值代入式(10)即可得到方法組合后的綜合診斷結果。

3 診斷模型

3.1 模型參數

根據軌道電路原理和影響軌道電路工作的主要原因，確定常見的5種故障類型作為模型的輸出參數如表1所示，并選取對應的送電端扼流變壓器二次側電壓Uf、受電端軌面電壓Uj以及二元二位繼電器軌道電壓Ug作為診斷模型的輸入參數。

表1 軌道電路故障類型

3.2 初步診斷

根據確定的輸入輸出參數，對各初步診斷方法進行建模。

3.2.1 模糊綜合評判

模糊綜合評判模型以系統的輸入參數為評語集，即U={Uf，Uj，Ug}，以系統的輸出參數為因素集，即V={F1，F2，F3，F4，F5}，并以層次分析法得到故障原因和故障特征參數之間的模糊關系矩陣R[18]。

將軌道電路各故障類型與評判集對應特征參數間的隸屬程度劃分為4個等級：0.8，0.6，0.4，0.2。通過選取合適的隸屬度，進行模糊變換得到診斷結果。

3.2.2 灰色關聯分析

通過確定的輸入輸出參數確定各故障狀態下的標準模式軌道電路故障特征參數，歸一化后的標準模式軌道電路故障特征參數如表2所示。

表2 標準模式軌道電路故障特征參數

將待測樣本數據與標準特征參數進行灰色關聯度計算，得到診斷結果[19]。

3.2.3 BP神經網絡

利用樣本數據建立BP神經網絡故障診斷模型，以特征參數Uf，Uj，Ug作為網絡的輸入神經元，以故障類型F1，F2，F3，F4，F5作為網絡的輸出神經元，根據式(6)調試確定隱含層的神經元個數為9。并選取tansig作為隱含層和輸出層的傳遞函數，系統輸出誤差ε<10-5，學習速率為0.06，存儲訓練好的網絡，建立故障診斷數據庫[20]。

3.3 診斷流程

基于最優權值的方法組合診斷模型流程如圖1所示。

圖1 組合模型診斷流程

(1)對25 Hz相敏軌道電路進行特征量提取并進行歸一化，通過不同方法模型對軌道電路故障進行初步診斷，輸出診斷結果；

(2)根據各方法診斷誤判率建立最優權值二次規劃模型，計算出各方法對應的最優權值；

(3)最后利用所得的最優權值進行加權平均，融合各方法的診斷輸出得到方法組合模型的綜合診斷結果，由最大隸屬原則判斷所屬的故障類型。

4 診斷實例

4.1 最優權值計算

通過對現場25 Hz相敏軌道電路的數據進行采集，選取了274組對應本文的軌道電路故障類型的數據進行診斷，其中F1故障樣本43組，F2故障樣本46組，F3故障樣本68組，F4故障樣本52組，F5故障樣本65組。通過模糊綜合評判、灰色關聯分析和BP神經網絡3種方法對274組故障樣本數據依次進行初步診斷，得到診斷誤判率如表3所示。

為了證明方法組合模型中初步診斷方法的數量對診斷精度的影響，分別建立以模糊綜合評判和灰色關聯分析為組合方法的兩種方法模型和以模糊綜合評判、灰色關聯分析和BP神經網絡為組合方法的3種方法組合模型。兩種方法的組合模型進行最優權值計算，根據表3診斷結果的誤判率可以得到誤判率矩陣e。

表3 診斷誤判率

根據誤判率矩陣可以得到對應的誤差信息矩陣E。

則可根據式(13)計算可得模糊綜合評判和灰色關聯分析兩種方法組合時的最優權值W1=[0.579 0 0.421 0]。

同樣的，得到模糊綜合評判、灰色關聯分析和BP神經網絡3種方法組合時的最優權值W2=[0.460 8 0.214 3 0.324 9]。

4.2 組合模型示例

為了對組合模型進行方法驗證，重新選取5組驗證樣本進行方法組合模型的示例，其中每種故障類型各一組樣本，其歸一化的數據如表4所示。

表4 各故障類型示例數據

通過模糊綜合評判、灰色關聯分析和BP神經網絡進行初步診斷的輸出結果如表5～表7所示。

綜合分析表5～表7，可以明顯看出，3種方法對示例數據的5組樣本數據的初步診斷結果都存在錯誤診斷的情況。在表5中，模糊綜合評判診斷結果的第3組樣本數據，將F3類故障錯誤診斷為F4類故障，第5組樣本數據將F5類故障錯誤診斷為F1類故障；在表6中，灰色關聯分析診斷結果的第一組樣本數據，將F1類故障錯誤診斷為F5類故障，第3組樣本數據將F3類故障錯誤診斷為F4類故障；在表7中，BP神經網絡診斷結果的第一組樣本數據將F1類故障錯誤診斷為F5類故障。

表5 模糊綜合評判診斷結果

表6 灰色關聯分析診斷結果

表7 BP神經網絡診斷結果

利用所得的最優權值分別對初步診斷輸出進行加權平均，得到兩種方法組合診斷結果和3種方法組合診斷結果，如表8、表9所示。

表8 兩種方法組合診斷結果

表9 3種方法組合診斷結果

通過對兩種的診斷輸出進行加權組合，表8中第3組樣本數據將F3類故障錯誤診斷為F4類故障，且糾正了模糊綜合評判的第5組樣本數據和灰色關聯分析的第1組樣本數據的錯誤診斷。通過對3種方法的診斷輸出進行加權組合，表9中的5組樣本數據的診斷結果均為正確。示例樣本的診斷結果表明，方法組合模型能夠有效地提高軌道電路故障診斷的精度。

為了方便對各方法的診斷結果進行對比，這里選取示例樣本中第3組數據的各方法診斷結果進行畫圖分析比較，如圖2所示。可以明顯看出，兩種方法組合模型的診斷結果的最高點在F4類故障，出現了錯誤診斷，而3種方法組合模型的診斷結果的最高點在F3類故障，診斷結果正確，體現出了組合方法的數量對組合方法診斷結果的影響，且證明了3種方法組合模型的診斷效果優于兩種方法組合模型的診斷效果。

圖2 第3組數據診斷結果對比

將各方法對全部274組樣本數據診斷結果的誤判個數和誤判率進行對比分析，結果如表10所示。

表10 診斷結果對比

表10中兩種方法組合診斷的誤判率為9.12%，3種方法組合診斷的誤判率為5.11%，更加直觀地表明，方法組合診斷模型提高了故障的診斷精度，而且證明了隨著參與組合的方法數量增加診斷精度就越高。

5 結語

(1)基于最優權值的方法組合模型能夠有效地提高軌道電路故障的診斷精度，且初步診斷方法數量越多故障診斷精度就越高。

(2)在實際應用中，可根據診斷對象實際的診斷要求增加或減少組合的方法數量，而通過最優權值建立不同方法的組合模型，也為提高故障診斷的精度提供了一種新的思路。