基于改進(jìn)FNN的道岔電路故障診斷方法

高亞麗 陳光武

摘? 要：道岔是直接關(guān)系到高速鐵路安全運(yùn)營(yíng)的關(guān)鍵信號(hào)設(shè)備，目前對(duì)其控制電路故障診斷方式主要是依靠簡(jiǎn)單儀器與人的以往經(jīng)驗(yàn)。針對(duì)道岔控制電路故障的模糊性與不確定性特點(diǎn)和實(shí)現(xiàn)道岔控制電路故障診斷的高準(zhǔn)確率與智能化，文章提出一種基于模糊推理法與模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）相結(jié)合的診斷方法：首先在總結(jié)S700K道岔控制電路常見(jiàn)的8種故障類型、建立模糊規(guī)則和選擇隸屬函數(shù)的基礎(chǔ)上，建立基于模糊推理法FNN診斷模型;其次為避免算法收斂慢和陷入局部最優(yōu)，文章通過(guò)引入改進(jìn)的動(dòng)態(tài)學(xué)習(xí)速率和附加動(dòng)量項(xiàng)的學(xué)習(xí)調(diào)整法，實(shí)現(xiàn)對(duì)算法的改進(jìn)，并比較算法改進(jìn)前后的誤差曲線;最后將文中算法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷準(zhǔn)確率對(duì)比。仿真實(shí)驗(yàn)結(jié)果表明，該算法對(duì)道岔控制電路故障診斷的準(zhǔn)確率高并且能達(dá)到99.6%以上。

關(guān)鍵詞：道岔控制電路;故障診斷;模糊推理法;模糊神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：U284.92 ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ? ? 文章編號(hào)：2095-2945（2020）15-0125-03

Abstract： Turnout is a key signal device directly related to the safe operation of high-speed railways. At present， the fault diagnosis method of its control circuit mainly relies on the past experience of simple instruments and people. Aiming at the ambiguity and uncertainty of turnout control circuit faults and the high accuracy and intelligence of turnout control circuit fault diagnosis， this paper proposes diagnosis method combiningFuzzy Inference Method and Fuzzy Neural Network （FNN）： Firstly， based on the summary of the eight common fault types of S700K turnout control circuit， the establishment of fuzzy rules and the selection of membership functions， a FNN diagnosis model based on fuzzy inference is established; secondly， in order to avoid the algorithm's slow convergence and falling into local optimum， this paper introduces an improved dynamic learning rate and a learning adjustment method with additional momentum terms， then the algorithm is improved， and the error curves before and after the algorithm improvement are compared. Finally， the diagnostic accuracy of the algorithm in this paper is compared with the BP neural network. Simulation results show that the algorithm has high accuracy for the turnout control circuit fault diagnosis and can reach more than 99.6%.

Keywords： switch control circuit; fault diagnosis; Fuzzy Inference Method; Fuzzy Neural Network （FNN）

現(xiàn)如今，對(duì)于鐵路關(guān)鍵信號(hào)設(shè)備之一的轉(zhuǎn)轍機(jī)，如何對(duì)其高效、準(zhǔn)確的故障診斷已經(jīng)成為一個(gè)刻不容緩的課題。目前現(xiàn)場(chǎng)其故障診斷主要依靠工作人員觀察微機(jī)監(jiān)測(cè)系統(tǒng)所采集的轉(zhuǎn)轍機(jī)動(dòng)作電流或功率曲線來(lái)實(shí)現(xiàn)故障識(shí)別，這樣的方法既不能智能化的分析出其故障類型，也不能智能化分析出其故障原因。

近年來(lái)，針對(duì)道岔故障診斷，國(guó)內(nèi)外專家和學(xué)者提出不同方法，但都有不足。文獻(xiàn)[1]提出灰關(guān)聯(lián)道岔故障診斷方法，該方法無(wú)需訓(xùn)練即可對(duì)道岔故障進(jìn)行診斷，不足之處是所建模型不具備自組織、自適應(yīng)能力。文獻(xiàn)[2-3]提出基于支持向量機(jī)的道岔故障診斷方法，該方法分類速度較慢，并且在故障模式較多的情況下，分類時(shí)間會(huì)更長(zhǎng)。文獻(xiàn)[4]以S700K道岔控制電路為研究對(duì)象，以團(tuán)樹(shù)傳播作為推理計(jì)算的算法，分別給出無(wú)證據(jù)和有證據(jù)輸入下的診斷結(jié)果，不足之處是先驗(yàn)概率的確定較困難。文獻(xiàn)[5]將模糊理論、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)視作三位決策專家，綜合評(píng)判得出診斷結(jié)果，優(yōu)點(diǎn)是實(shí)現(xiàn)信息融合，提高故障診斷準(zhǔn)確率，不足之處是算法復(fù)雜，實(shí)現(xiàn)較為困難。文獻(xiàn)[6]提出基于BP神經(jīng)網(wǎng)絡(luò)的道岔故障診斷方法，該方法能夠快捷、準(zhǔn)確、自動(dòng)地診斷出故障原因，降低故障處理時(shí)間，提高運(yùn)行效率，不足之處是易陷入局部最優(yōu)、結(jié)構(gòu)不易確定且需要大量訓(xùn)練樣本。文獻(xiàn)[7]提出基于模糊神經(jīng)網(wǎng)絡(luò)的道岔故障診斷，不足之處是網(wǎng)絡(luò)訓(xùn)練收斂速度慢，甚易陷入局部最優(yōu)。

對(duì)于以上各方法的不足，本文提出一種基于模糊推理模型的道岔電路故障診斷方法，這種方法融合模糊邏輯與神經(jīng)網(wǎng)絡(luò)各自優(yōu)勢(shì)，運(yùn)用專家知識(shí)與經(jīng)驗(yàn)，進(jìn)一步提高故障診斷的準(zhǔn)確率。本文在建立模型、建立模糊規(guī)則和S700K道岔控制電路故障數(shù)據(jù)樣本庫(kù)的基礎(chǔ)上，按照變化學(xué)習(xí)率、引入動(dòng)量項(xiàng)和誤差梯度下降的方法對(duì)模糊推理模型中的參數(shù)進(jìn)行訓(xùn)練和優(yōu)化。仿真結(jié)果表明，改進(jìn)的算法能快速收斂和高準(zhǔn)確度的實(shí)現(xiàn)故障類型分類，避免陷入局部最優(yōu)和訓(xùn)練過(guò)程中的震蕩。

1 模型建立

1.1 模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合

神經(jīng)網(wǎng)絡(luò)具有一系列優(yōu)點(diǎn)，如分布式信息存儲(chǔ)、強(qiáng)大的自主學(xué)習(xí)能力和擅長(zhǎng)處理非結(jié)構(gòu)化信息，缺點(diǎn)是不擅長(zhǎng)表達(dá)基于規(guī)則的知識(shí)，不能很好地利用現(xiàn)有的經(jīng)驗(yàn)知識(shí)。模糊系統(tǒng)具有處理模糊信息、知識(shí)抽取和表達(dá)方便、類似人思維模式等一系列優(yōu)勢(shì)，適用于處理結(jié)構(gòu)化知識(shí)，缺點(diǎn)是缺乏自學(xué)習(xí)和自適應(yīng)能力。鑒于以上分析，本文將兩者優(yōu)勢(shì)相結(jié)合，采用FNN進(jìn)行故障診斷。FNN能夠融合專家經(jīng)驗(yàn)，加快訓(xùn)練速度，提高診斷的準(zhǔn)確度，是一種相對(duì)完善的診斷模型。由于基于模糊推理的FNN擅長(zhǎng)表達(dá)專家的知識(shí)與經(jīng)驗(yàn)，因而獲得普遍應(yīng)用。

1.2 Mamdani模糊神經(jīng)網(wǎng)絡(luò)模型

網(wǎng)絡(luò)模型如圖1所示，該模型由5層組成。根據(jù)誤差反向傳輸和誤差梯度下降調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接權(quán)值和隸屬函數(shù)參數(shù)。

（1）第1層為輸入層，將輸入向量傳送至模糊化層。xi代表輸入變量，i=1，2，…，n。

（2）第2層為模糊化層，該層每個(gè)節(jié)點(diǎn)代表一個(gè)語(yǔ)言變量值，如偏低（L）、合適（N）、偏高（H）等，對(duì)輸入數(shù)據(jù)進(jìn)行模糊化處理，計(jì)算各輸入分量的隸屬度函數(shù)值。

（3）第3層為模糊規(guī)則適用度層，該層每個(gè)節(jié)點(diǎn)表示一條規(guī)則，每條規(guī)則的適用度采用與運(yùn)算。

（4）第4層為反模糊化層，它的目的是實(shí)現(xiàn)歸一化運(yùn)算。u=1，2，…，m，m代表規(guī)則數(shù)。

（5）第5層為輸出層，起到解模糊輸出的作用。yj代表輸出變量，j=1，2，…，r。

2 S700K道岔控制電路

當(dāng)前，國(guó)內(nèi)鐵路干線的道岔轉(zhuǎn)動(dòng)裝置大都采用分動(dòng)外鎖閉轉(zhuǎn)轍機(jī)。S700K作為鉤式外鎖閉的道岔轉(zhuǎn)動(dòng)裝置，常用于提速區(qū)段。本文以三相交流轉(zhuǎn)轍機(jī)S700K為例以予說(shuō)明道岔故障診斷過(guò)程。

2.1 道岔電路故障

依據(jù)以往現(xiàn)場(chǎng)統(tǒng)計(jì)，S700K道岔電路故障一般多為電氣故障，常見(jiàn)的電氣故障主要由電阻開(kāi)路或短路、配線電纜斷線和表示繼電器開(kāi)路等引起的。故S700K常見(jiàn)的道岔電路故障類型可以分為8種，分別是：X1開(kāi)路、X2或R開(kāi)路、X4開(kāi)路、Z開(kāi)路、Z擊穿、R1開(kāi)路、R短路和表示繼電器開(kāi)路。

2.2 道岔電路故障診斷方法

道岔啟動(dòng)和表示電路的故障類型可以由X1和X2之間的交直流電壓、X2和X4之間的交直流電壓、R1兩端的交直流電壓、繼電器兩端的交直流電壓共同間接反映。這是因?yàn)閷?duì)于道岔電路的某種具體故障，各元件都有著相對(duì)應(yīng)的電壓，所以可以通過(guò)測(cè)量各元件的電壓來(lái)間接實(shí)現(xiàn)對(duì)道岔電路進(jìn)行診斷。

3 網(wǎng)絡(luò)初始化和訓(xùn)練

3.1 訓(xùn)練樣本和目標(biāo)輸出

模型如圖2所示。輸入為X=（x1，…，x8）T，輸出為Y=（y1，…，y4）T。目標(biāo)輸出為T(mén)=（T1，T2，T3，T4）T，如表1所示，表中的數(shù)據(jù)為樣本的目標(biāo)輸出，例如（0 0 0 1）T代表X1開(kāi)路（故障類型1的二進(jìn)制編碼）。

3.2 模糊分割數(shù)和隸屬函數(shù)類型

網(wǎng)絡(luò)的8個(gè)輸入分量的模糊分割數(shù)（隸屬函數(shù)的個(gè)數(shù)）分別為{6，6，6，4，5，4，5，2}，例如網(wǎng)絡(luò)第2個(gè)輸入變量的語(yǔ)言變量值為（X2_1，X2_2，X2_3，X2_4，X2_5，X2_6）（如圖3所示）。網(wǎng)絡(luò)的4個(gè)輸出分量的模糊分割數(shù)都為2（例如y1的隸屬函數(shù)2（如圖4所示）。

隸屬函數(shù)采用高斯型如式（3）所示，其中參數(shù)c決定函數(shù)的均值，參數(shù)？滓決定函數(shù)的標(biāo)準(zhǔn)平方差。

3.3 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)中需學(xué)習(xí)的參數(shù)主要有連接權(quán)值wju、隸屬函數(shù)均值cip和標(biāo)準(zhǔn)平方差？滓ip。FNN其本質(zhì)是一種前饋網(wǎng)絡(luò)，故可以仿照BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的方法來(lái)調(diào)整網(wǎng)絡(luò)參數(shù)，訓(xùn)練樣本對(duì)為{X，T}，訓(xùn)練樣本個(gè)數(shù)N=8。誤差代價(jià)函數(shù)定義為（r表示輸出分量的個(gè)數(shù)，r=4）：

連接權(quán)重和函數(shù)參數(shù)的一階梯度為：

3.4 算法改進(jìn)

在影響算法收斂的各因素中，學(xué)習(xí)速率是一個(gè)比較重要的因素。選取太小收斂速度會(huì)較慢;選取太大易導(dǎo)致振蕩或發(fā)散。所以采用可變的學(xué)習(xí)速率如式（6）所示。在學(xué)習(xí)的初始階段，誤差一直處于下降狀態(tài)，此時(shí)選取較大的學(xué)習(xí)率比較合適;在網(wǎng)絡(luò)學(xué)習(xí)到最佳點(diǎn)附近位置時(shí)，選取較小的學(xué)習(xí)率能避免誤差反復(fù)振蕩而不能收斂。經(jīng)仿真測(cè)試，參數(shù)？姿=1.050、？子=0.217，u=1.14時(shí)訓(xùn)練效果較好。確定三個(gè)參數(shù)的值。參數(shù)？姿的取值范圍是[1，1.2]，本文??？姿=1.050;參數(shù)？子的取值范圍是（0，0.4];參數(shù)u的取值范圍是（1，4]。下面用控制變量的方法獲得參數(shù)較優(yōu)值。

確定參數(shù)？子的較優(yōu)值：首先令？子=0.3，設(shè)置訓(xùn)練樣本的誤差限為1e-1;當(dāng)？子=0.237時(shí)，誤差能最快到達(dá)誤差限，故？子=0.237為較優(yōu)值。同理u的較優(yōu)值為1.18。將？子取0.237±0.1和u取1.18±0.2的范圍內(nèi)進(jìn)行篩選，當(dāng)參數(shù)？姿=1.050、？子=0.217，u=1.14時(shí)訓(xùn)練效果較好。

為減小學(xué)習(xí)過(guò)程中的振蕩趨勢(shì)，算法引入了附加動(dòng)量項(xiàng)，如式（7）所示，從而加快了收斂速度。？琢為動(dòng)量因子，其取值范圍是0～1，本文取0.5。

4 仿真

4.1 訓(xùn)練網(wǎng)絡(luò)

編寫(xiě)Matlab程序，利用學(xué)習(xí)樣本訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練誤差設(shè)置為1e-3，總訓(xùn)練步數(shù)設(shè)置為1000，得到訓(xùn)練誤差曲線如圖5所示。曲線1是改進(jìn)后的誤差曲線。曲線2是沒(méi)有改進(jìn)的誤差曲線。實(shí)驗(yàn)表明，改進(jìn)前的算法收斂速度慢，進(jìn)入了局部最優(yōu);改進(jìn)后的算法收斂速度快，并且當(dāng)網(wǎng)絡(luò)訓(xùn)練步數(shù)達(dá)到170步時(shí)，誤差達(dá)到要求，為全局最優(yōu)。

4.2 準(zhǔn)確率比較

利用240組預(yù)測(cè)樣本（每種故障類型30組），用本文方法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。圖6中的Mamdani模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確率為100%，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確率為96.25%，錯(cuò)誤率3.75%。一共分三次測(cè)試。最終BP神經(jīng)網(wǎng)絡(luò)三次預(yù)測(cè)平均正確率為96.7%，Mamdani模糊神經(jīng)網(wǎng)絡(luò)三次預(yù)測(cè)平均正確率為99.6%。

仿真實(shí)驗(yàn)結(jié)果表明，基于模糊推理的FNN比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確度要高，并且對(duì)道岔電路故障診斷有很好的效果。

5 結(jié)論

本文在道岔控制電路各種電壓基礎(chǔ)上，通過(guò)建立模糊規(guī)則庫(kù)，將基于模糊推理的模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用到道岔智能故障診斷。通過(guò)引入動(dòng)態(tài)學(xué)習(xí)率和動(dòng)量項(xiàng)的模糊推理FNN加快算法收斂速度，避免陷入局部最優(yōu)的算法缺陷，對(duì)于道岔常見(jiàn)的故障，改進(jìn)的方法診斷精準(zhǔn)度高、診斷速度快和具有切實(shí)的可行性，能為道岔的日常維護(hù)提供一定的參考依據(jù)。

參考文獻(xiàn)：

[1]趙林海，陸橋.基于灰關(guān)聯(lián)的道岔故障診斷方法[J].鐵道學(xué)報(bào)，2014，36（2）：69-74.

[2]Lee J，Choi H，Park D，et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis[J]. Sensors， 2016，16（4）：549.

[3]鐘志旺，陳建譯，唐濤，等.基于SVDD的道岔故障檢測(cè)和健康評(píng)估方法[J].西南交通大學(xué)學(xué)報(bào)，2018，53（4）：842-849.

[4]翟永強(qiáng).貝葉斯網(wǎng)絡(luò)在道岔控制電路故障診斷中的應(yīng)用研究[D].蘭州交通大學(xué)，2012.

[5]董煒，劉明明，王良順，等.基于群決策的道岔控制電路故障診斷方法[J].自動(dòng)化學(xué)報(bào)，2018，44（6）：1005-1014.

[6]王鐵軍，董昱，馬彩霞，等.基于BP神經(jīng)網(wǎng)絡(luò)的道岔智能故障診斷方法[J].鐵道運(yùn)營(yíng)技術(shù)，2011，17（2）：4-7.

[7]李雅美，魏文軍.基于模糊神經(jīng)網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)研究[J].鐵路計(jì)算機(jī)應(yīng)用，2012，21（1）：35-39.