基于改進BP神經網絡的軌道電路故障預測方法研究

摘" 要：ZPW-2000A是鐵路信號領域的重要組成部分，在保證列車安全運行過程中發揮著重要作用。為更好地預測軌道電路發生故障的概率，該文提出一種改進BP神經網絡算法對軌道電路的故障進行預測，以蜻蜓算法對初始BP神經網絡的權值和閾值進行優化改進，結合電務車間采集的軌道電壓數據對改進后的BP神經網絡進行訓練，并對軌道電路的軌出1、軌出2電壓值進行預測分析，得到軌道電路發生紅光帶的概率和趨勢。同時將改進BP神經網絡模型與現有預測模型進行對比分析，仿真結果表明，改進BP神經網絡模型能夠更為準確地預測軌道電路故障概率，提高設備的安全性和可靠性。

關鍵詞：軌道電路;紅光帶;故障預測;蜻蜓算法;BP神經網絡

中圖分類號：TP391" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）26-0151-05

Abstract： ZPW-2000A is an important part of railway signal field and plays an important role in ensuring the safe operation of trains. In order to better predict the failure probability of the track circuit， this paper proposes an improved BP neural network algorithm to predict the fault of the track circuit. The dragonfly algorithm is used to optimize the weight and threshold of the initial BP neural network. Combined with the track voltage data collected in the power workshop， the improved BP neural network is trained， and the voltage values of the track circuits 1 and 2 are predicted and analyzed. The probability and trend of red band in track circuit are obtained. At the same time， the improved BP neural network model is compared with the existing prediction model， and the simulation results show that the improved BP neural network model can predict the track circuit fault probability more accurately and improve the safety and reliability of the equipment.

Keywords： track circuit; red band; fault prediction; dragonfly algorithm; BP neural network

隨著鐵路運輸行業的高速發展，ZPW-2000A軌道電路作為鐵路信號系統的重要組成部分也得到了廣泛的應用和發展。提高ZPW-2000A軌道電路系統的安全性與可靠性，降低設備故障率，既是設備本身的技術要求，也是適應鐵路未來發展的需要。文獻[1]通過引入弱化因子，提出一種改進的灰色GM（1，1）預測模型，提高預測軌道電路故障的精度;文獻[2]將模糊神經網絡概念引入到軌道電路故障預測研究中，論證此方案的可行性和有效性;文獻[3]進一步通過蝙蝠算法優化神經網絡，建立BA-FNN預測模型，提高對軌道電路故障預測的準確性;文獻[4-5]對軌道電路的發展歷程[4]和軌道電路構成與工作原理[5]進行細致的分析和論述;文獻[6-8]分別采用遺傳算法優化核函數的正則化系數[6]，隨機梯度下降數據預測[7]，以及將注意力機制與雙向記憶網絡相結合的方式[8]對軌道電路故障概率預測進行了優化。

上述傳統研究方案中存在模型預測精度不高，目標函數收斂時間較慢且未能充分利用軌道電路歷史監測數據的局限性。針對上述不足，本文提出一種蜻蜓算法優化后的BP神經網絡的預測模型，其中以軌道電路歷史監測數據為訓練樣本集對該模型進行訓練，將此模型應用于軌道電路故障預測的研究中，并將此模型與改進灰色預測模型，BA-FNN預測模型進行對比分析，用以說明該模型的可靠性和有效性，為軌道電路的故障預測提供理論參考依據。

1" ZPW-2000A軌道電路的組成和原理

軌道電路是傳遞行車信息，進行區段占用檢查，保障列車安全運行的基礎，其運行原理如圖1所示。ZPW-2000A無絕緣軌道電路的組成結構包括主軌道電路和小軌道電路，其中小軌道電路用以實現軌道區段的電氣隔離。軌道電路的電路設備由發送端設備、接收端設備和鋼軌線路設備構成，三者構成一個完整的閉合回路。發送器對相關信息進行編碼發送，信息通過鋼軌進行傳輸，接收器在鋼軌另一端對信息進行接收，因為列車輪對具有短路分流的作用，可以通過接收端是否接收到電流信息來判斷鋼軌上有無車輛占用。

紅光帶現象是軌道電路中常見的故障現象[9]，即鋼軌的軌面電壓達不到軌道繼電器（GJ）的勵磁吸起標準，GJ處于落下狀態，造成該軌道區段無車占用而監測系統卻提示此區段有車的錯誤報警，極大影響行車安全，降低行車效率。

在軌道電路中主軌道和小軌道接收端衰耗器的輸出電壓分別稱為軌出1和軌出2，當紅光帶現象發生時，軌出1和軌出2的電壓值會發生明顯變化。當軌道電路處于空閑狀態時軌出1和軌出2電壓的正常標準值不應小于240 mV和100 mV，當軌出1和軌出2電壓分別低于140 mV和63 mV時，可能出現紅光帶故障。因此，本文通過預測分析軌出1和軌出2的電壓波動趨勢，對軌道電路紅光帶故障進行預測，從而提高列車的行車效率，保障運輸安全。

2" 改進BP神經網絡預測模型

2.1" BP神經網絡概述

BP神經網絡是模擬神經細胞應激反應而建立的預測模型。BP神經網絡由輸入層、隱藏層和輸出層3層網絡構成，通過對數據處理、劃分和權重參數初始化等步驟，對相關函數進行映射，廣泛應用于各個領域的預測研究[10]。

神經元細胞會接受外部環境的各種刺激，而作出相應的應急反應。在數學模型中用x1，x2，…，xn表示神經元的輸入量，w1，w2，…，wn為各個輸入量所占的權重， 表示神經網絡閾值，神經元的拓撲結構如圖2所示。

神經元各個輸入量之間的加權和為Net，其數學表達式如式（1）所示。在神經網絡中需要將加權和Net與閾值θ進行比較，只有當Net-θ為正時，神經元才會處于激活狀態，激活函數f（·）產生輸出，輸出的數學表達式如式（2）所示。

Net=wi × xi， （1）

y=f（Net-θ）。 （2）

神經網絡由多個神經元相互連接構成，如圖3所示。信息傳遞過程包括信號的正向傳播和誤差的信號反向傳播，通過各層神經元正向學習與反向調節不斷修正網絡的連接權值和閾值，使誤差函數達到期望要求，最終得到期望輸出[11]。

2.2" 改進BP神經網絡預測模型

BP神經網絡的預測準確性受權值和閾值的初始選擇值影響較大，在訓練過程中模型預測精度不高，離散程度較大。而蜻蜓算法具有良好的全局搜索能力，本文通過蜻蜓算法來優化神經網絡權值與閾值，以提高模型的預測準確性。

2.2.1" 蜻蜓算法

蜻蜓算法是通過模擬蜻蜓種群行為來實現函數模型優化求解的智能算法[12]。自然界蜻蜓群體有5種行為模式，分別為避撞、結隊、聚集、捕食和避敵，通過模擬種群行為來進行全局搜索。蜻蜓算法中引入了步長向量ΔX，步長向量ΔX表示蜻蜓個體在下一次迭代過程中運行距離，蜻蜓算法數學模型的計算公式如式（3）所示

，（3）

式中：Si，Ai，Ci，Fi，Ei分別表示第i個蜻蜓個體避撞、結隊、聚集、捕食和避敵行為中產生的位移距離，Xi和 Xj分別表示第i個和第j個蜻蜓個體位置;N表示與第i個蜻蜓個體相鄰的蜻蜓數量;X+表示食物所在位置，X-表示天敵所在位置;s，a，c，f，e分別為蜻蜓群體行為權重;w表示慣性權重;t為當前迭代次數;ΔXt+1表示在t+1代種群更新步長。

2.2.2" 蜻蜓算法優化BP神經網絡實驗設計

蜻蜓算法優化BP神經網絡實驗設計步驟如下。

步驟1：初始化BP神經網絡模型，確定模型結構參數。

步驟2：選擇蜻蜓種群行為權重初始值，確定蜻蜓種群規模N和迭代次數T。

步驟3：將神經網絡權值w以及閾值θ有序排列組成（w，θ）行向量，作為蜻蜓個體的位置X，根據權值和閾值范圍隨機初始化蜻蜓個體的位置。

步驟4：選擇訓練樣本數據來訓練BP神經網絡，根據公式（3）計算蜻蜓個體適應度值，并記錄當前最優解;

選擇均方誤差作為適應度函數，其數學表達式為

式中：n為樣本數量，yi、y分別表示第i個樣本的實際輸出和期望輸出。

步驟5：更新食物位置X+和天敵位置X-，以及蜻蜓種群行為權重。

步驟6：根據蜻蜓種群行為公式（3），更新蜻蜓的種群行為S、A、C、E和F。

步驟7：更新蜻蜓步長向量ΔX。

步驟8：若迭代次數tgt;T，則保留連接權值w和閾值θ，否則t=t+1，返回步驟4。

步驟9：將最優解對應的權值w和閾值θ，作為BP神經網絡初始連接權值和閾值，對BP神經網絡進行訓練并進行預測。

蜻蜓算法優化神經網絡的實驗流程圖，如圖4所示。

通過蜻蜓算法尋找到最優解位置，將搜索到的最優解作為BP神經網絡權值和閾值的初始選擇值，再按神經網絡算法進行訓練，可以減少模型的離散程度，提高神經網絡預測結果的可靠性。

3" 建模仿真與研究分析

3.1" 建模仿真

本文以武漢電務段某站段記錄的歷史紅光帶故障中軌道電壓數據作為實驗數據，進行仿真研究，部分實驗數據見表1。

仿真實驗中選用單隱藏層BP神經網絡模型，以軌出1、軌出2電壓數據作為特征輸入量，預測電壓峰值作為輸出量。

實驗中選用單層網絡結構，輸入層和輸出層的節點數均為1，隱藏層的節點數為6;數據歸一化區間為[0，1];隱藏層選用logsig函數，輸出層選用purelin函數;學習率設置為0.05，訓練精度為0.01;采用梯度下降算法對神經網絡模型進行訓練，訓練次數為5 000次;選取900組實驗數據作為訓練樣本，100組數據為測試樣本。選用均方根誤差（Root Mean Square Error，RMSE）作為預測模型的評價指標，均方根誤差的數學表達式如式（5）所示。

式中：RMSE用于衡量模型離散程度;n表示選取樣本集的數量;xk和xk分別表示第k個樣本數據的實際值和預測值。

3.2" 研究分析

將實驗數據輸入改進后BP神經網絡預測模型，多次進行仿真實驗，實驗仿真結果如圖5所示。對訓練樣本集和測試樣本集的RMSE數據進行統計分析，實驗仿真結果見表2。

綜合分析圖5與表2，蜻蜓算法優化后的BP神經網絡預測模型（DA-BP）訓練時間較短，函數收斂速度較快，多次進行仿真實驗，訓練集的RMSE均值為0.034，測試集的RMSE均值為0.031，預測值與實際值離散程度較小，預測電壓變化趨勢與真實值變化趨勢一致，可以對紅光帶故障作出有效預測。

再將DA-BP預測模型分別與改進灰色預測模型和BA-FNN神經網絡模型進行對比分析，多次進行仿真實驗，統計實驗數據，實驗結果取平均值，實驗結果如圖6所示，預測模型的準確性見表3。

由圖6和表3可知，同改進灰色預測模型和BA-FNN神經網絡模型相比，DA-BP預測模型訓練均方根誤差離散程度更小，誤差曲線更為穩定，目標函數收斂速度最快，多次仿真實驗中均方根誤差的均值為0.017 4，預測結果的整體準確率為98.54%; 改進灰色預測模型，BA-FNN預測模型訓練均方誤差曲線離散程度較大，預測精度不高，均方根誤差的均值分別為0.029 5和0.025 4，預測結果的整體準確率分別為87.26%和90.22%。

4" 結論

本文對軌道電路紅光帶故障進行預測研究，采用蜻蜓算法對BP神經網絡模型進行優化改進，建立DA-BP預測模型，并將此預測模型與改進灰色預測模型，蝙蝠算法優化神經網絡模型（BA-FNN）進行對比分析，研究結果表明：經過蜻蜓算法優化后的神經網絡模型，具有更快的搜索速度和更高的收斂精度，預測結果離散程度較小，整體預測性更好，同改進灰色預測模型和BA-FNN神經網絡模型相比，DA-BP預測模型預測結果的準確率分別提高了11.28%和8.32%，能夠更為準確地對軌道電路軌出1、軌出2電壓趨勢進行預測，從而對軌道電路紅光帶現象作出預判，保障行車安全，為進一步提高列車運行效率提供參考依據。

參考文獻：

[1] 孫波，李娜，張振威，等.基于改進灰色GM（1，1）模型的軌道電路故障預測[J].電子測量技術，2023，46（12）：26-33.

[2] 黃贊武，魏學業，劉澤.基于模糊神經網絡的軌道電路故障診斷方法研究[J].鐵道學報，2012，34（11）：54-59.

[3] 鄭云水，牛行通，康毅軍.蝙蝠算法優化模糊神經網絡的25Hz相敏軌道電路故障診斷研究[J].鐵道學報，2018，40（12）：93-100.

[4] 李文濤.高速鐵路ZPW-2000軌道電路技術發展與成就[J].鐵道通信信號，2019（S01）：49-54.

[5] 武曉春，劉杰鑫.基于IITD樣本熵與改進深度置信網絡的軌道電路故障檢測[J].測試科學與儀器：英文版，2023，14（1）：9-16.

[6] 李曉艷.基于GA-KELM的ZPW-2000A型軌道電路故障預測研究[J].大連交通大學學報，2022，43（2）：115-119.

[7] 紀玉清，歐冬秀，李永燕.基于數據驅動的軌道電路故障預測及預警方法研究[J].城市軌道交通研究，2022，25（7）：30-33.

[8] 戴勝華，那嵐，梁續繼.基于注意力機制和雙向LSTM網絡的軌道電路故障預測研究[J].鐵道學報，2023，45（9）：94-102.

[9] 陳璐，張正光.軌道電路空閑紅光帶原因及解決方法[J].鐵路通信信號工程技術，2012，9（3）：64-65.

[10] 陳鵬，郎需軍，國震，等.基于改進BP神經網絡和多目標粒子群算法的四回路導線布置優化[J].電力科學與技術學報，2023，38（4）：151-161.

[11] 文昌俊，陳哲，邵明穎等.基于改進PSO_BP神經網絡的干燥機可靠性預測[J].機械強度，2023，45（2）：504-508.

[12] 趙齊輝，杜兆宏，劉升，等.差分進化的蜻蜓算法[J].微電子學與計算機，2018，35（7）：101-105.

作者簡介：李博文（1995-），男，碩士，助理工程師。研究方向為軌道交通信號與控制方向的項目研究。