基于主元分析- 概率神經(jīng)網(wǎng)絡(luò)的車輛受電弓故障診斷*

王 宇 劉若晨

（江蘇理工學(xué)院交通運(yùn)輸系，213001，常州∥第一作者，助教）

受電弓的可靠性直接影響城市軌道交通車輛的安全運(yùn)行。目前的人工定期檢修維護(hù)受電弓的方式已不能滿足城市軌道交通發(fā)展需求，迫切需要新的受電弓診斷檢修方法。同時(shí)，在受電弓日常檢修中，存在大量過(guò)程數(shù)據(jù)及故障數(shù)據(jù)未被深度挖掘，這些數(shù)據(jù)可為檢修決策提供指導(dǎo)。

隨著人工智能技術(shù)的發(fā)展，設(shè)備故障診斷技術(shù)也在快速發(fā)展。文獻(xiàn)［1］采用蛙跳算法和過(guò)程神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對(duì)推油機(jī)進(jìn)行故障診斷。文獻(xiàn)［2］將自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于發(fā)動(dòng)機(jī)的故障診斷研究。文獻(xiàn)［3］基于高斯RBF（徑向基函數(shù)）神經(jīng)網(wǎng)絡(luò)建立了軌道交通車輛齒輪箱故障診斷模型。文獻(xiàn)［4］以模糊理論及自適應(yīng)網(wǎng)絡(luò)為基礎(chǔ)搭建了城市軌道交通車輛牽引供電系統(tǒng)故障診斷模型。文獻(xiàn)［5］以聚類分析為基礎(chǔ)，對(duì)高速鐵路信號(hào)故障進(jìn)行聚類集成、特征選取，從而實(shí)現(xiàn)診斷。小波包絡(luò)及貝葉斯網(wǎng)絡(luò)等方法也被應(yīng)用到鐵路車輛設(shè)備故障診斷中［6-9］。上述文獻(xiàn)的方法為城市軌道交通車輛受電弓的故障診斷提供了思路。文獻(xiàn)［10］通過(guò)片段跟蹤算法實(shí)現(xiàn)對(duì)受電弓系統(tǒng)的狀態(tài)進(jìn)行監(jiān)測(cè)。文獻(xiàn)［11］基于電動(dòng)機(jī)電流及受電弓工作距離的監(jiān)測(cè)對(duì)受電弓碳滑板磨耗量進(jìn)行預(yù)測(cè)估計(jì)，實(shí)現(xiàn)提前維護(hù)。文獻(xiàn)［12］提出了基于BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的受電弓接觸線磨損及應(yīng)變估計(jì)診斷模型。但上述診斷方法需利用在線監(jiān)測(cè)數(shù)據(jù)進(jìn)行故障診斷，而目前尚未有相關(guān)在線監(jiān)測(cè)設(shè)備能夠提供城市軌道交通車輛受電弓的在線監(jiān)測(cè)數(shù)據(jù)，同時(shí)在日常檢修過(guò)程中存在大量故障及檢修數(shù)據(jù)均未得到合理利用的情況。本文引入主元分析法對(duì)檢修過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理，在此基礎(chǔ)上建立概率神經(jīng)網(wǎng)絡(luò)模型，將主元分析與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行受電弓的故障診斷，為檢修決策提供建議。

1 受電弓工作原理及故障分析

本文選用上海軌道交通某線路車輛單臂式氣動(dòng)受電弓為對(duì)象進(jìn)行分析。該受電弓主要由弓頭、上支架、平行導(dǎo)桿、液壓減振動(dòng)器、下支架、連接桿、氣動(dòng)設(shè)備、最低位置傳感器、底架等組成，如圖1 所示。

圖1 單臂式氣動(dòng)受電弓結(jié)構(gòu)圖

城市軌道交通車輛受電弓升起后與架空接觸網(wǎng)接觸，從接觸網(wǎng)獲取電流并傳遞給車輛電氣系統(tǒng)。電流由接觸網(wǎng)流入到弓頭，依次經(jīng)過(guò)上臂桿、下臂桿流入底架，最后經(jīng)連接板、車頂母線進(jìn)入車輛電氣系統(tǒng)。

升弓操作時(shí)，啟動(dòng)空氣壓縮機(jī)，當(dāng)達(dá)到受電弓的額定工作氣壓時(shí)，按下升弓按扭，壓縮空氣由電磁閥、控制箱進(jìn)入空氣彈簧，氣動(dòng)設(shè)備推動(dòng)鋼絲繩帶動(dòng)下臂桿運(yùn)動(dòng)，托起受電弓上臂桿，弓頭平穩(wěn)運(yùn)動(dòng)升至接觸網(wǎng)高度，完成升弓。

降弓時(shí)，受電弓控制箱將空氣彈簧中的壓縮空氣釋放之后，在重力作用和液壓減振器的輔助下，受電弓平穩(wěn)落位至底架上的橡膠止擋，完成降弓動(dòng)作。

根據(jù)對(duì)該型號(hào)受電弓日常檢修維護(hù)記錄的總結(jié)分析，結(jié)合單臂式氣動(dòng)受電弓的故障模式及其機(jī)理分析，可將受電弓的故障形式歸納為受電弓不能升起、狀態(tài)顯示不匹配、弓網(wǎng)拉弧、受電弓部件受損、受電弓無(wú)法響應(yīng)5 種類型。

2 受電弓狀態(tài)數(shù)據(jù)的采集與預(yù)處理

2.1 受電弓狀態(tài)數(shù)據(jù)的采集

考慮因線路條件不同而引發(fā)不同故障情況的因素，以及車輛檢修長(zhǎng)時(shí)間積累的大量故障數(shù)據(jù)資源不能得到充分利用，本文以受電弓結(jié)構(gòu)、工作原理、故障模式及失效機(jī)理為基礎(chǔ)，選取均日常運(yùn)營(yíng)狀態(tài)數(shù)據(jù)（如平均時(shí)速、運(yùn)行里程、工作電流、最大升弓高度等）以及均衡檢修中的過(guò)程數(shù)據(jù)（如碳滑板的磨損量、分流導(dǎo)線狀態(tài)、弓網(wǎng)接觸壓力等）中18 個(gè)特征參數(shù)向量X=［x1，x2，…，x18］作為初始數(shù)據(jù)，如表1 所示。

表1 受電弓初始特征參數(shù)

2.2 主元分析法

由于采集的受電弓初始狀態(tài)數(shù)據(jù)涉及參數(shù)變量較多，本文選用主元分析法對(duì)其進(jìn)行降維處理。

主元分析（PCA）法是一種用相對(duì)較少但攜帶信息足夠的特征變量來(lái)反映多個(gè)相關(guān)變量的轉(zhuǎn)化方法［14］。在保證診斷正確率的前提下，對(duì)冗余和噪聲進(jìn)行剔除，進(jìn)而實(shí)現(xiàn)原始特征數(shù)據(jù)變量的降維，減少診斷耗時(shí)，提高診斷效率。計(jì)算過(guò)程如下：

1）構(gòu)建原始變量矩陣X0∈R。矩陣的行xi對(duì)應(yīng)原始數(shù)據(jù)樣本，矩陣的列xj則對(duì)應(yīng)不同的被測(cè)量。由于初始數(shù)據(jù)的量綱不同會(huì)導(dǎo)致變量結(jié)果分散嚴(yán)重，因此需對(duì)觀測(cè)樣本進(jìn)行標(biāo)準(zhǔn)化處理。

2）對(duì)處理后的矩陣X0進(jìn)行協(xié)方差求解，即進(jìn)行相關(guān)系數(shù)矩陣R 的計(jì)算。即：

式中：

rjk——標(biāo)準(zhǔn)化后變量xj和xk的相關(guān)系數(shù)矩陣；

xki——矩陣第i 行第k 個(gè)向量。

4）將特征向量轉(zhuǎn)化為主元元素，計(jì)算主元貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。

式中：

Tj——第j 主元，代表矩陣X 在對(duì)應(yīng)主元特征向量上的投影，對(duì)應(yīng)的覆蓋范圍越大，其投影長(zhǎng)度會(huì)越長(zhǎng)。若主元Tj遞減，則I1即為覆蓋信息程度最廣的方向。

5）計(jì)算累計(jì)貢獻(xiàn)率α。

式中：

λj——j 主元特征值；

λs——s 主元特征值；

λk——k 主元特征值。

一般而言，累計(jì)貢獻(xiàn)率α 達(dá)到85%主元即認(rèn)作是包含絕大部分主要信息的主元元素。

2.3 基于主元分析的狀態(tài)數(shù)據(jù)預(yù)處理

在初始采集數(shù)據(jù)中，支架狀態(tài)、絕緣子狀態(tài)、氣缸狀態(tài)、分流導(dǎo)線狀態(tài)、絕緣軟管狀態(tài)、升弓彈簧狀態(tài)及繼電器狀態(tài)若處于損傷、裂紋或失效狀態(tài)下則記為“0”，無(wú)損狀態(tài)記為“1”。平均時(shí)速、運(yùn)行里程、最大升弓高度、升落弓時(shí)間、碳滑板磨損、升弓壓力、最低位置傳感器電流、工作電流、弓網(wǎng)接觸壓力等由于變量涉及量綱之間差異較大，采用歸一化對(duì)初始數(shù)據(jù)進(jìn)行處理，最后對(duì)18 個(gè)特征參數(shù)進(jìn)行主元分析，得到對(duì)應(yīng)各主元的參數(shù)變量為X=［x1，x2，.…，x18］。各主元貢獻(xiàn)率由大到小排列如表3。

表2 各屬性主元貢獻(xiàn)率

由表3 可知，12 個(gè)主元即可包括99.18%的參數(shù)特征信息。因此，本文依據(jù)主元分析法將18 個(gè)特征變量X′降維至12 個(gè)。新的特征變量為X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］。各主元貢獻(xiàn)率變化如圖2 所示。

圖2 各主元貢獻(xiàn)率

3 基于概率神經(jīng)網(wǎng)絡(luò)的受電弓故障診斷

將經(jīng)主元分析預(yù)處理后的特征變量X1輸入到概率神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練與測(cè)試，對(duì)受電弓狀態(tài)進(jìn)行判定。

3.1 概率神經(jīng)網(wǎng)絡(luò)

不同于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)（PNN）是一種以指數(shù)函數(shù)作為激活函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)。以貝葉斯決策和密度函數(shù)估計(jì)理論為基礎(chǔ)［15］，共包括輸入層、模式層、求和層及輸出層4 個(gè)部分［16］。網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。

圖3 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

數(shù)據(jù)樣本的原始特征參數(shù)以x 的形式由輸入層輸入，與權(quán)值wi相乘，得標(biāo)量值z(mì)i，并將所得結(jié)果輸入到模式層。

模式層中的神經(jīng)元節(jié)點(diǎn)數(shù)目取決于對(duì)應(yīng)輸入樣本數(shù)，且每個(gè)神經(jīng)元節(jié)點(diǎn)包含一個(gè)中心。以函數(shù)exp［（zi-1）］/σ2為激活函數(shù)，模式層中第i 個(gè)樣本的第j 個(gè)神經(jīng)元所對(duì)應(yīng)的輸入輸出關(guān)系為：

式中：

σ——平滑因子；

p——數(shù)據(jù)樣本的維度；

zij——第i 個(gè)樣本第j 個(gè)中心；

Φij——模式層i 樣本的第j 神經(jīng)元對(duì)應(yīng)的輸出。

在求和層中，分類類別數(shù)目與神經(jīng)元個(gè)數(shù)相對(duì)應(yīng)。在本文中對(duì)應(yīng)于5 種故障狀態(tài)和正常情況。求和層對(duì)模式層中同類別的隱含神經(jīng)元輸出取加權(quán)平均，求得其概率密度。即：

式中：

L——第i 神經(jīng)元的數(shù)目；

fi——概率密度輸出。

最后根據(jù)貝葉斯決策的分類規(guī)則，各類別對(duì)應(yīng)概率的評(píng)估，將最大后驗(yàn)概率類別作為輸出類別由輸出層輸出。

3.2 受電弓故障診斷

本文以日常檢修過(guò)程數(shù)據(jù)及故障數(shù)據(jù)樣本中的123 組數(shù)據(jù)為訓(xùn)練樣本，40 組數(shù)據(jù)為測(cè)試樣本，對(duì)受電弓的正常狀態(tài)和5 種故障狀態(tài)進(jìn)行模型診斷訓(xùn)練和測(cè)試。每種狀態(tài)的樣本數(shù)目如表3 所示。

表3 不同受電弓狀態(tài)的樣本數(shù) 單位：組

圖4 為未降維的特征變量輸入概率神經(jīng)網(wǎng)絡(luò)模型后的診斷結(jié)果。

圖4 PNN 診斷結(jié)果

將降維后的特征變量X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］代入概率神經(jīng)網(wǎng)絡(luò)故障診斷模型中，所得結(jié)果如圖5 所示。

降維前后PNN 和PCA-PNN 診斷模型結(jié)果差異對(duì)比見(jiàn)表4。

由表4 可見(jiàn)，未經(jīng)主元分析降維處理的PNN 的診斷模型診斷耗時(shí)5.38 s，診斷正確率為85%。包含12 個(gè)主元的PCA-PNN 診斷模型的診斷時(shí)長(zhǎng)為2.93 s，診斷正確率達(dá)到95%，很大程度上提高了模型的診斷正確率。因此，通過(guò)主元分析對(duì)初始數(shù)據(jù)進(jìn)行降維預(yù)處理不僅可以減少診斷耗時(shí)，在一定程度上還可提高模型的診斷正確率。研究受電弓系統(tǒng)時(shí)，可選取主元分析法和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進(jìn)行故障診斷，準(zhǔn)確率高且耗時(shí)短。

4 結(jié)論

1）采用主元分析法對(duì)原始特征參數(shù)進(jìn)行降維，降維后的特征參數(shù)可包含絕大部分原始信息，有效緩解了原始樣本數(shù)據(jù)維數(shù)過(guò)高的問(wèn)題。

2）針對(duì)本文研究的受電弓系統(tǒng)故障診斷，PNN診斷模型診斷正確率為85%，PCA-PNN 診斷模型診斷正確率為95%，經(jīng)過(guò)主元分析降維處理后的診斷模型正確率明顯高于直接使用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷的模型。

圖5 PCA-PNN 累計(jì)貢獻(xiàn)率99.68%診斷結(jié)果

表4 特征變量降維前后診斷結(jié)果對(duì)比

通過(guò)主元分析法對(duì)城市軌道交通車輛受電弓檢修及故障數(shù)據(jù)的處理，結(jié)合概率神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷，提高了診斷的正確率，解決了城市軌道交通車輛受電弓故障診斷的問(wèn)題，為檢修決策提供參考，同時(shí)也為復(fù)雜系統(tǒng)的故障診斷提供思路。