基于改進GM(1,1)和SVM的軌道電路故障最優組合預測模型研究

黃斌

基于改進GM(1,1)和SVM的軌道電路故障最優組合預測模型研究

黃斌

(柳州鐵道職業技術學院，廣西 柳州 545616)

針對傳統電務部門對ZPW-2000A型軌道電路維護中所沿用的“故障修”及“定時修”在保證行車安全、提高運營效率及經濟性等方面的不足，采用改進GM(1,1)和支持向量機(SVM)模型進行最優化權重組合，對軌道電路進行故障預測。首先，對GM(1,1)模型進行滑動平均法改進，將已知軌道電路的狀態序列分別送入改進GM(1,1)和SVM模型進行序列預測。其次，分別對2種預測算法進行最優組合。最后，以2個案例進行模型的測試，驗證了組合模型方法的可行性與有效性。

軌道電路；改進GM(1,1)模型；支持向量機；故障預測

ZPW-2000A型無絕緣移頻自動閉塞軌道電路是我國鐵路信號系統中應用十分廣泛的重要基礎設備[1?2]。目前，電務部門對軌道電路的檢修方式[3]主要有：1) 結合CD96-3型軌道電路測試儀的各電壓測試值與標調表比對判斷；2) 借助微機監測記錄的各電壓日曲線、日報表分析，一般故障下參數電壓波動或直接降為0。長期以來，軌道電路面臨著“期望設備高性能的運轉與維護資源的有限”的矛盾。我國鐵路軌道電路仍然沿用傳統的“定時修”和“故障修”策略，即在固定的時間或當設備發生故障后才進行檢測維護，此方法存在維護效率低、故障隱患高的缺點，若未及時處理故障很可能造成行車事故，影響行車效率。目前，針對軌道電路的主要研究有：ZHAO等[4]提出軌道電路補償電容的快速故障診斷數學模型，實現故障實時監測。楊世武等[5]給出一種基于神經網絡的軌道電路混合故障診斷算法，旨在通過快速的神經網絡訓練，實現軌道電路故障診斷的高效性。LIU等[6?8]分別針對軌道電路的故障采用智能算法進行優化診斷研究。伴隨著3C(計算機、通信和控制)技術及故障預測與健康管理(Prognostic and Health Management, PHM)[9]技術的發展，智能交通系統(Intelligent Transportation System,ITS)同樣快速發展，圖1為鐵路智能運維架構。寧濱[10]指出，目前鐵路設備采用基于靜態數據的檢修維護難以滿足交通系統安全保障及較低的運營成本，提出宜結合系統運行機理建立基于“狀態修”的智能維護模式，此也是當前ITS的核心課題。將智能化的預測技術引入軌道電路的故障分析中，對于保證列車行車的RAMS(可靠性、可用性、可維護性和安全性)技術意義重大。

圖1 設備智能運維架構

故障預測作為一類新興學科，旨在對設備進行狀態監測，提前獲悉運行狀態[11]。首先，ZPW-2000A型軌道電路結構復雜且狀態退化過程單調，可獲特征參量有限。其次，傳統GM(1,1)模型主要解決“貧信息”、“少數據”和“不確定性”的問題。為避免GM(1,1)模型在預測中忽略系統發展過程的一些必要干擾因素、影響預測精度，本文對其改進優化。鑒于傳統單一故障預測精度低的缺點，引入組合預測方法。結合支持向量機(SVM)在解決小樣本、非線性和高維數據模型中泛化能力強的優勢，選擇改進GM(1,1)與SVM模型進行最優化組合，實現ZPW-2000A故障預測。本文旨在為電務人員掌握軌道狀態、輔助故障分析和故障處理起到指導作用。

1 ZPW-2000A軌道電路原理結構

ZPW-2000A型軌道電路是在法國UM-71的基礎上發展而來的。設備一般分為室內和室外設備2部分[12]，如圖2所示。

圖2 軌道電路主體結構劃分

軌道電路的主要作用在于監測線路空閑和占用狀態。若鋼軌有車占用，列車輪對的分路作用會導致信號接收器電壓降低。ZPW-2000A型軌道電路發送器將電信號通過鐵路線路傳送到信號接收端，信號傳輸過程如圖3所示。

圖3 軌道電路信息傳輸

2 組合算法介紹

2.1 GM(1,1)模型

傳統GM(1,1)為包含單變量的一階灰微分方程。其基本思路是：將無規則的原始數據進行累加生成規律性強的數列重新建模，由新生成數據再累減得到還原模型，再由還原模型進行預測[13]，其建模過程如下。

Step 1：生成一次累加模型

Step 2：構造背景值

對(1)做緊鄰均值生成計算，結果為GM(1,1)模型背景值，記做(1)：

其中：2,3,…,。

則：

為GM(1,1)的灰色微分方程。

Step 3：建立GM(1,1)模型

對生成序列(1)做一階單變量微分方程擬合，得到灰色白化過程的動態模型為：

其中：為發展系數；為灰作用系數。

結合最小二乘法得到：

可計算得白化方程的解為:

Step 4：累減生成

由一次累減生成得到還原數列為：

Step 5：求出絕對誤差和相對誤差，最終利用該序列進行預測。

2.2 改進GM(1,1)模型

若對于2個端點，改進過程為：

其中，′(0)為緊湊平滑處理后的值。通過增加數據的權值，避免數據過度波動。

2.3 SVM算法

采用不敏感損失函數控制模型的擬合度，影響模型的個數及訓練模型泛化能力。越大，訓練模型的個數越小，預測精度越低；越小，回歸模型精度提高，訓練個數增多：

其中：為模型理想輸出。

通過引入懲罰因子和松弛因子λ和λ*， 滿足：

結合式(13)和式( 14)，在式(13)的約束下問題可轉換為求如式(16)所示函數的最大值：

將式(15)代入式(11)得到回歸模型，如式(17):

選擇核函數(x,x)替代內積計算，得到回歸模型為：

其中：(x,x)選擇常用的高斯核函數；為核寬度，與樣本空間成正比。

2.4 最優權重

按照組合預測理論的權重計算方法，由二次規劃尋優可建立組合預測模型。結合2種算法的故障預測誤差可確定誤差函數，以實現預測誤差平方和值為約束條件，構造最優組合模型。計算對應的最優權重。

結合改進GM(1,1)及SVM 2種預測算法，x()為第2種預測算法分別在時刻的預測值，則第個預測方法在時刻的預測誤差及相應的預測誤差信息矩陣表示為：

將2個預測結果進行不等權重組合，令[1,2,…,w]T為各個預測方法對應輸出的權重值，其綜合預測結果為：

以誤差平方和最小為約束項，通過求解二次規劃模型來確定最優權重：

通過引入Lagrange乘子，得式(24)：

分別對和求導：

可得權重為：

3 預測結果驗證方法

1) 相對誤差

2) 樣本均方誤差

3) 平均絕對誤差

個預測誤差的平均絕對值，記為：

其值越小，預測準確度越高。其中為外推數據個數。

平均相對百分誤差

個預測誤差的平均相對百分誤差，記為：

其值越小越好。

4 算例分析

4.1 模型驗證

采用本方法提出的改進GM(1,1)和SVM優化組合方法。本文的測試平臺為：PC終端，WINDOWS7 32位操作系統，處理器：Intel(R) Core3，MATLAB2014b。

本文數據來自于南寧某客運站微機監測系統采集的區間軌道電路信息。鑒于數據的龐大，對軌道電路預測數據進行篩選，選擇開天窗定期現場測試的信號設備臺賬。

結合2016年2月~2018年3月的軌出1的電壓作為訓練模型。2018年4月~2018年7月的作為測試模型。仿真模型數據來自柳州某客運站每月1次的維修測試，內容及數據如表2所示。為盡可能提高模型的泛化能力，SVM模型的參數取值分別為：0.02,162,1.49。原始預測數據如表1所示，各種算法預測結果如圖4所示。

表1 測試數據實際輸出

圖4 軌出1預測輸出值

表2通過對圖4中5種預測算法性能結果進行比對，明顯可以看出最優組合預測結果與現場實際值擬合度更高，驗證了組合模型預測的高效性。

表2 各種方法性能比較

4.2 預測實例驗證

參考文獻[11]所述的事故發生在2000年10月底，某局發生的鋼軌電氣式斷軌，由于軌道電路得不到檢查，造成列車脫軌的嚴重事故。若可以提前進行故障預測，則可避免事故發生。分離式斷軌的表現為本區段紅光帶：軌出1的電壓值小于落下門限值(170 mV)。

其中，2000年2月~9月的原始數據為：(0)={650, 595, 301, 450, 470, 370, 200, 166}得到各個算法性能參數對比如表3所示,序列數=9。

對于改進GM(1,1)模型，模型系數=?0.009 6，=72.473。對于2月份的數據可按式(8)計算，3月份輸出值按式(9)可獲得。

對于其他時間的預測輸出預測同樣按照式(9)可獲得。

在SVM模型中，模型參數設置為：0.04,167,1.51結合式(18)逐次循環計算。最后將2種方法分別獲得的預測序列按2.4的最優組合方法結合。各類方法預測結果及性能比較如表3所示。

表3 各種方法性能比較

從表3可以看出，組合預測模型在5個預測模型中的相對誤差和平均相對誤差均最小，驗證了預測精度的高效性。為直觀起見，在MATLAB2014b平臺上進行仿真，得到結果如圖5所示。

圖5 多預測方法對比效果

5 結論

1) ZPW-2000A型軌道電路是鐵路信號系統中重要的基礎設備，對其進行故障預測的研究意義重大。鑒于單一預測方法預測精度不高的特點，本文結合對象故障發生的隨機性與模糊性以及可獲悉的樣本較少的特點，提出采用改進GM(1,1)與SVM進行軌道電路的最優組合故障預測模型，綜合了2種模型的各自優點。

2) 通過2個實例進行多個算法各項參數的對比驗證，均證明了組合預測模型的高效性。

3) 本文為軌道電路提供了一種故障預測與維修的新方法。

[1] 王瑞峰. 鐵路信號運營基礎[M]. 北京: 中國鐵道出版社, 2008. WANG Ruifeng. Basis of railway signal operation[M]. Beijing: China Railway Press, 2008.

[2] 徐侃, 趙林海. 無絕緣軌道電路補償電容多故障的快速診斷方法[J]. 鐵道學報, 2018, 40(2): 67?72. XU Kan, ZHAO Linhai. A rapid diagnosis method for multi-fault compensation capacitance of non-insulated track circuit[J]. Journal of the China Railway Society, 2018, 40(2): 67?72.

[3] 董昱, 陳星. 基于粗糙集和模糊認知圖的 ZPW-2000軌道電路故障診斷[J]. 鐵道學報, 2018, 40(6): 83?89. DONG Yu, CHEN Xing. Fault diagnosis of ZPW-2000 track circuit based on rough set and fuzzy cognitive map [J]. Journal of the China Railway Society, 2018, 40(6): 83?89.

[4] ZHAO Linhai. Fault diagnosis for track circuit using AOK-TFRs and AGA[J]. Control Engineering Practice, 2012, 20(12): 1270?1280.

[5] 楊世武, 魏學業, 范博. 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, FAN Bo. A hybrid algorithm for track circuit fault diagnosis based on data[J]. Journal of Beijing Jiaotong University, 2012, 36(2): 40?46.

[6] LIU Linhui, YANG Minyuan. Simulation calculation about interference of geomagnetic storms on track circuit equipment[J]. Journal of the China Railway Society, 2015, 37(8): 48?52.

[7] 張友鵬, 常高武, 趙斌. 基于SA算法的無絕緣軌道電路故障綜合檢測方法[J]. 鐵道學報, 2017, 39(4): 68? 72. ZHANG Youpeng, CHANG Gaowu, ZHAO Bin. Comprehensive fault detection method of non-insulated track circuit based on SA algorithm[J]. Journal of the China Railway Society, 2017, 39(4): 68?72.

[8] 陳星, 董昱. 基于模糊認知圖模型的軌道電路故障診斷[J]. 鐵道科學與工程學報, 2017, 14(9): 1983?1989. CHEN Xing, DONG Yu. Fault diagnosis of track circuit based on fuzzy cognitive map model[J]. Journal of Railway Science and Engineering, 2017, 14(9): 1983?1989.

[9] 戴乾軍, 陳永剛, 陶榮杰. 基于動態PSO優化HSMM的轉轍機PHM模型研究[J]. 鐵道標準設計, 2018(9): 174?178. DAI Qianjun, CHEN Yonggang, TAO Rongjie. Research on PHM model of switch machine based on dynamic PSO optimization HSMM[J]. Railway Standard Design, 2018(9):174?178.

[10] 寧濱. 智能交通中的若干科學和技術問題[J]. 中國科學, 2018, 48(9): 1264?1269. NING Bin. Some scientific and technical problems in intelligent transportation[J]. China Science, 2018, 48(9): 1264?1269.

[11] Sharma D, Chandra P. Software fault prediction using machine-learning techniques[J]. Smart Computing and Informatics, 2018, 10(1): 978?981.

[12] WU Xiaochun, JI Guanggang. Research on a kind of protective choke matching transformer for track circuit[J]. Journal of Applied Science and Engineering, 2018, 21(3): 124?128.

[13] 湯旻安, 李瀅. 灰色系統理論在地鐵輪對踏面磨損預測中的應用[J]. 鐵道學報, 2014, 36(12): 35?39. TANG Minan, LI Ying. Application of grey system theory in the prediction of tread wear of metro wheel sets [J]. Journal of the China Railway Society, 2014, 36(12): 35?39.

[14] DAI Su, NIU Ding. Forecasting of energy-related CO2emissions in China based on GM(1,1) and least squares support vector machine optimized by modified shuffled frog leaping algorithm for sustainability[J]. Sustainability, 2018, 10(4): 958?960.

Research on fault optimal combination prediction model of ZPW-2000A track circuit based on improved metabolic GM(1,1) and SVM

HUANG Bin

(Liuzhou Railway Vocational and Technical College, Liuzhou 545616, China)

In view of the shortcomings of the “fault repair” and “timing repair” used by the traditional electrical department in the maintenance of ZPW-2000A track circuit in ensuring traffic safety, improving operation efficiency and economy. This paper adopted the improved GM(1,1) and support vector machine (SVM) model to carry out the optimal weight combination for the fault prediction of track circuit. Firstly, the GM(1,1) model was modified by the sliding average method, and the known state sequence of the track circuit was fed into the improved GM(1,1) and SVM models for sequence prediction. Secondly, the optimal combination of the two prediction algorithms was build. Finally, two cases were used to test the model to verify the feasibility and effectiveness of the combined model method.

track circuit; improved GM(1,1); SVM; fault prediction

U283.2

A

1672 ? 7029(2019)11? 2852 ? 07

10.19713/j.cnki.43?1423/u.2019.11.026

2019?02?20

廣西高校中青年教師基礎能力提升項目(2017KY1239)；廣西高等學校千名中青年骨干教師培育計劃資助項目；廣西高等學校高水平創新團隊及卓越學者計劃

黃斌(1983?)，男，河南南陽人，副教授，從事軌道交通信號與控制研究；E?mail：huangbinliutie@sina.com

(編輯 陽麗霞)