基于BP_Adaboost的道岔故障診斷研究

于苡健

摘要 文章根據(jù)道岔內(nèi)的控制電路和開關(guān)狀態(tài)，分析監(jiān)測系統(tǒng)的道岔動作電流，提取道岔特征輸入值，對五線制道岔和交流轉(zhuǎn)轍機(jī)建立道岔故障模型。先通過BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)訓(xùn)練測試分類，再通過優(yōu)化過的Adaboost組成強(qiáng)分類器，對道岔特征量與道岔故障類型之間進(jìn)行匹配分類。經(jīng)過實(shí)驗(yàn)仿真，BP_Adaboost算法的故障識別率達(dá)到95.8%，對道岔故障診斷具有重要研究意義。

關(guān)鍵詞 鐵路信號系統(tǒng);道岔;故障診斷;BP_Adaboost

中圖分類號 U284.72 文獻(xiàn)標(biāo)識碼 A 文章編號 2096-8949（2022）10-0056-03

0 引言

隨著電子技術(shù)和信息技術(shù)的快速發(fā)展，國內(nèi)外近些年一直開展對鐵路信號的全電子化和智能化研究工作。其中道岔設(shè)備在聯(lián)鎖系統(tǒng)中有著至關(guān)重要的作用。在全電子計(jì)算機(jī)聯(lián)鎖系統(tǒng)中，道岔的可靠性雖然比傳統(tǒng)的繼電器高，但也會出現(xiàn)故障。所以對全電子聯(lián)鎖系統(tǒng)的道岔故障分析有著重要研究意義，對提高維修人員的維修效率和車站運(yùn)輸能力有很大的幫助。

現(xiàn)在對于道岔故障診斷的方法很多，但至今沒有應(yīng)用到實(shí)際車站的有效方法。針對道岔故障診斷國內(nèi)外研究方法豐富，薛艷青等人建立專家系統(tǒng)對道岔故障進(jìn)行分析，張凱等人應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的道岔故障診斷方法，翟永強(qiáng)等人利用貝葉斯網(wǎng)絡(luò)分析道岔故障，還有趙林海等人基于灰關(guān)聯(lián)的道岔故障診斷方法。雖然諸多方法對道岔故障診斷有不錯的效果，但在實(shí)際應(yīng)用中有許多不便。論文在現(xiàn)有的研究方法上，提出一種基于BP_Adaboost強(qiáng)分類器的道岔故障診斷方法。原有的利用BP神經(jīng)網(wǎng)絡(luò)對道岔故障診斷方法有著解決非線性問題的優(yōu)勢，并且可以通過自學(xué)習(xí)和自適應(yīng)能力不斷優(yōu)化網(wǎng)絡(luò)。但是BP神經(jīng)網(wǎng)絡(luò)的隱含層無法精準(zhǔn)確定，只能通過估計(jì)和實(shí)驗(yàn)所得。所以應(yīng)用強(qiáng)分類器的效果，通過降低BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)，以達(dá)到補(bǔ)充單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，使用Adaboost算法增強(qiáng)分類效果，減少輸出誤差，獲得更好的診斷效果。該文以計(jì)算機(jī)聯(lián)鎖系統(tǒng)的五線制道岔為研究對象，應(yīng)用基于BP_Adaboost強(qiáng)分類器對五線制道岔進(jìn)行故障診斷分析。采集道岔動作電流、道岔的開關(guān)和表示電路的狀態(tài)，作為BP神經(jīng)網(wǎng)絡(luò)的特征輸入，通過實(shí)驗(yàn)仿真，得到算法預(yù)測輸出。結(jié)論表明對比單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)，BP_Adaboost算法對道岔故障有較高的故障識別率。

1 五線制道岔電路分析和常見故障

1.1 五線制道岔電路分析

五線制道岔模塊采用“二取二”硬件結(jié)構(gòu)，能夠?qū)崿F(xiàn)三相交流轉(zhuǎn)轍機(jī)的驅(qū)動和采集控制，內(nèi)包括轉(zhuǎn)轍機(jī)驅(qū)動電路、表示采集電路和道岔微控制電路等。聯(lián)鎖計(jì)算機(jī)和冗余通信電路CANA、CANB進(jìn)行信息交換，檢測通道CANC和維修監(jiān)測機(jī)連接。電源屏提供動作電路和信號采集電路的電源輸入，電路的輸出與轉(zhuǎn)轍機(jī)的X1-X5相連。

五線制道岔動作驅(qū)動電路見圖1，用于控制三相交流轉(zhuǎn)轍機(jī)的正反轉(zhuǎn)，微控制系統(tǒng)通過控制電源開關(guān)和換相開關(guān)的閉合，從而控制轉(zhuǎn)轍機(jī)的正反轉(zhuǎn)。當(dāng)轉(zhuǎn)轍機(jī)向正轉(zhuǎn)時，電源開關(guān)K1、K2、K3全部閉合，同時換相開關(guān)中的K4、K6閉合，接通X1、X2、X5;同理，向反向轉(zhuǎn)時，電源開關(guān)K1、K2、K3全部閉合，換相開關(guān)的K5、K7閉合，接通X1、X3、X4。

五線制道岔表示采集電路（見圖2），用于實(shí)時檢查轉(zhuǎn)轍機(jī)的位置。表示采集電路輸入為兩相電，電路由變壓器、定位反位表示檢測電路和表示電路控制開關(guān)等組成。當(dāng)檢測表示信號時，通過定位和反位表示檢測電路同時確定轉(zhuǎn)轍機(jī)的位置。定位表示檢測電路有信號而反位表示檢測電路沒有信號時，會確定轉(zhuǎn)轍機(jī)在定位;同理，反位表示檢測電路有信號而定位表示檢測電路沒有信號，確定轉(zhuǎn)轍機(jī)在反位，而定位和反位同時有信號或者同時沒有信號，確定轉(zhuǎn)轍機(jī)在四開狀態(tài)。

1.2 五線制道岔常見故障

通過分析道岔電路，總結(jié)以下故障模式，并為每一種故障類型標(biāo)上代碼，見表1，以方便在仿真圖中查看。

為了準(zhǔn)確定位故障原因，該文根據(jù)微機(jī)監(jiān)測系統(tǒng)的道岔動作曲線和道岔模塊的特性，選取16個可分離的故障特征輸入，包括道岔轉(zhuǎn)換時間，道岔啟動、轉(zhuǎn)換和表示等各階段的三相相電流值，還有動作電路、表示采集電路中各個開關(guān)的狀態(tài)等，特征輸入見表2。

2 基于BP_Adaboost的道岔故障診斷算法

AdaBoost算法的思想是將多個“弱”分類器的輸出進(jìn)行組合以產(chǎn)生有效的分類。主要步驟如下：首先給出一個弱學(xué)習(xí)算法和樣本空間（x，y），從樣本空間中找出n組訓(xùn)練數(shù)據(jù)，每組訓(xùn)練數(shù)據(jù)具有1/n的權(quán)重，然后利用弱學(xué)習(xí)算法迭代K次，得到權(quán)值。根據(jù)每次迭代后的分類結(jié)果更新訓(xùn)練數(shù)據(jù)的分布，對未分類的訓(xùn)練個體賦予更大的權(quán)重，并在下一次迭代中對這些訓(xùn)練個體給予更多的關(guān)注。BP_Adaboost模型采用BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，反復(fù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測樣本輸出，通過Adaboost算法得到由多個BP神經(jīng)網(wǎng)絡(luò)弱分類器組成的強(qiáng)分類器[1]。

基于BP_Adaboost模型的道岔故障診斷算法首先將數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，在BP_Adaboost算法中，降低了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)，目的是降低它的分類效果以體現(xiàn)Adaboost算法的強(qiáng)分類效果。算法的每組數(shù)據(jù)輸入為16維，代表上述的16個故障特征，輸出為1維，代表道岔故障類型。最后根據(jù)實(shí)驗(yàn)和訓(xùn)練確定隱含層數(shù)為8，最后根據(jù)數(shù)據(jù)維數(shù)，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用16-8-1，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

將數(shù)據(jù)輸入到10個相同模型的BP神經(jīng)網(wǎng)絡(luò)中，再將輸出通過Adaboost算法進(jìn)行決策分析，同時訓(xùn)練生成10個BP神經(jīng)網(wǎng)絡(luò)組成的弱分類器，最后用10個弱分類器組成強(qiáng)分類器對道岔故障進(jìn)行分類診斷，以提高診斷準(zhǔn)確率。

3 仿真分析

通過MATLAB仿真分別驗(yàn)證弱分類器和強(qiáng)分類器對于道岔故障分類的準(zhǔn)確率，將仿真中的1 000組樣本數(shù)據(jù)分成兩組，分別用來訓(xùn)練和測試，在相同數(shù)據(jù)下，分別對兩種方法測試計(jì)算故障診斷率。

首先用弱分類器—BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用16-8-1，對相同數(shù)據(jù)重復(fù)訓(xùn)練測試。數(shù)據(jù)整理后，測試結(jié)果見圖4。

在200組測試數(shù)據(jù)中，BP神經(jīng)網(wǎng)絡(luò)單獨(dú)測試準(zhǔn)確率為90.5%（181/200）。

在使用弱分類器訓(xùn)練后，由10組弱分類器組成的強(qiáng)分類器對分析樣本進(jìn)行故障診斷，在相同樣本下，同樣進(jìn)行測試，測試結(jié)果見圖5。

在相同樣本下，使用強(qiáng)分類的測試準(zhǔn)確率為96%（192/200）。

從兩組仿真實(shí)驗(yàn)中可以看到，單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)，故障類型2、3、4之間會錯誤識別，從數(shù)據(jù)輸入上看，定位表示電路故障（X2，X4）、反位表示電路故障（X3，X5）和表示電源故障之間，數(shù)據(jù)具有相似性，不易分別，用Adaboost算法得到由多個BP神經(jīng)網(wǎng)絡(luò)組成的強(qiáng)分類器，對以上三種故障類型的識別率有提高，能夠在多個BP神經(jīng)網(wǎng)絡(luò)中找到正確的分類。仿真結(jié)果驗(yàn)證了將BP_Adaboost算法應(yīng)用到道岔故障診斷中是可行的。

4 結(jié)語

在對道岔的動作電流和模塊內(nèi)開關(guān)狀態(tài)的采集，進(jìn)行故障特征提取，建立合適的BP神經(jīng)網(wǎng)絡(luò)模型，并用BP_Adaboost算法對道岔故障進(jìn)行診斷。在和單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比后，使用強(qiáng)分類器的故障診斷率有明顯的提高。由于算法中的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)由實(shí)驗(yàn)和估計(jì)所得，如果能精準(zhǔn)確定，并增加訓(xùn)練次數(shù)，再使用Adaboost算法會對故障識別率有很大提升。

參考文獻(xiàn)

[1]呂雁飛， 侯子驕， 張凱. 多分類BP-AdaBoost算法研究與應(yīng)用[J]. 高技術(shù)通訊， 2015（5）： 437-444.