城市軌道交通電氣設備故障診斷方法

摘要：運行環境復雜多變，極大地增加了城市軌道交通電氣設備發生故障的概率，但目前其故障診斷仍主要依靠人工經驗，存在診斷實時性低、精度不足等問題。因此，提出了基于自適應細菌覓食算法（adaptive bacterial foraging algorithm，ABFA）的電氣設備故障診斷方法，旨在提高故障診斷的效率與精度。首先，詳細分析了城市軌道交通電氣設備的工作原理、分類和故障造成的影響；其次，基于細菌覓食算法（bacterial foraging algorithm，BFA）構建了ABFA；最后，通過實驗驗證該算法的有效性和可靠性。實驗結果表明，所提出方法的診斷準確率高達99.71%，在發現故障方面具備明顯的優勢。

關鍵詞：城市軌道交通；電氣設備；故障診斷；自適應細菌覓食算法

中圖分類號：TM507 文獻標識碼：A

0 引言

在快速城市化進程中，城市軌道交通不僅承擔著大量的乘客運輸任務，也在促進城市經濟發展方面發揮著越來越重要的作用。隨著社會對城市軌道交通服務質量要求的不斷提高，電氣設備作為城市軌道交通系統的核心組成部分，其安全性和穩定性愈發受到重視[1]。電氣設備在城市軌道交通系統中負責供電、信號控制以及自動化管理等關鍵環節，因此研究和探討高效的電氣設備故障診斷方法顯得尤為重要。

1 城市軌道交通電氣設備工作原理及分類

軌道交通電氣設備的電路是連接車站聯鎖系統和列車控制系統的重要橋梁，主要在檢查相應的軌道電路區段是否被列車占用、給出正確的反饋信息、確保列車的運行安全等方面發揮重要作用。電氣設備電路的兩種工作狀態分別為空閑狀態和占用狀態。電路處于空閑狀態時，表示該軌道電路區段中無列車通過，繼電器的銜鐵被吸起，電路中的狀態指示燈顯示綠燈；電路處于占用狀態時，表示有列車通過該軌道電路區段，此時繼電器的銜鐵落下，電路中的狀態指示燈顯示紅燈[2]。

城市軌道交通中，安置在室外的常見電氣設備包括補償電容、單絕緣連體扁線類電纜以及匹配變壓器等；安置在室內的常見電氣設備有發送器、接收器、衰耗器以及電纜模擬網絡等。從硬件的角度對這些設備進行分類，可劃分為發送端設備、接收端設備和鋼軌線路[3]。

2 城市軌道交通電氣設備故障分析

城市軌道交通電氣設備出現的故障主要可以概括為紅光帶故障和分路不良故障兩大類。紅光帶故障是指無車占用路段的城市軌道交通電氣設備被短接，導致繼電器銜鐵失磁落下，因而出現紅光帶或者紅光帶閃爍現象。此時，無列車通過的路段會顯示有列車經過，致使行車效率下降[4]。分路不良故障是指列車運行到某城市軌道電路區段時，鋼軌輪與軌道接觸不良，導致繼電器仍處于勵磁狀態，使該區段顯示無列車通過，從而危及列車的運行安全。造成城市軌道交通電氣設備出現故障的原因有很多，在不考慮外在因素的影響下，將城市軌道交通電氣設備中的基礎設備作為研究對象，分析其不同故障狀態造成的影響[5]，分析結果如表1所示。

3 基于自適應細菌覓食算法的電氣設備故障診斷方法

3.1 細菌覓食算法

細菌覓食算法（bacterial foraging algorithm，BFA）誕生于2002年，是K. M. Passinos 受到大腸桿菌在人體腸道內覓食行為的啟發而提出的一種仿生類算法。BFA模擬了細菌在覓食過程中由于自身所處環境的變化而不斷尋找最優食物的過程，該算法主要包括趨化、復制和驅散3個步驟。

細菌趨化是指細菌在覓食過程中會不斷向營養資源比較豐富的區域靠近，在趨化過程中細菌主要的行為方式是翻轉和前進。翻轉過程是指細菌在鞭毛的作用下向任意方向翻轉，同時檢測搜索環境中的適應度值變化。適應度值改善的方向就是細菌前進的方向。在細菌前進的過程中，若適應度值不再發生變化，細菌會再次向任意方向翻轉，尋找適應度值更優的方向。細菌趨化操作的表達式

如下：

θ i（j+1，k，l）=θ i（j，k，l）+

c（i） 。" " " " " " " " " " " " " " " " " " " " " " （1）

式中，i為細菌個體，i=1，2，…，s，其中s為細菌種群中細菌的總數；θ i（j，k，l）為細菌菌落中第i個細菌所處的位置；j、k、l則分別為此時第i個細菌個體所經歷趨化、復制和驅散的次數；c（i）為細菌個體前進時的步長；?（i）為隨機方向上的單位向量。

細菌復制是指細菌菌落在尋優的過程中，性能較差的一半細菌被淘汰，性能較好的一半細菌通過分裂產生與自身性能相同（細菌位置和趨化步長）的子細菌。該過程能夠確保細菌菌群中所包含的細菌總體個數不變，同時以新生細菌個體代替舊的細菌個體，有利于提高細菌種群的尋優速度。當細菌個體的復制和驅散次數為一個確定值時，細菌個體i的健康度表達式如下：

J ihealth=J（i，j，k，l） 。" " " " " " " " " " " " " " " " " " " " " （2）

式中，Nc為細菌個體i的最大趨化次數，J（i，j，k，l） 為細菌個體的適應度。

細菌菌群在復制過程中會按照個體的健康度大小進行排序，淘汰掉一半健康度較小的菌群個體，保留一半健康度較大的菌群個體。BFA屬于全局尋優算法，能夠在解空間中對最優解進行“地毯式”搜索，但存在收斂性差、效率低等問題，需對其進一步改進。

3.2 自適應細菌覓食算法

自適應細菌覓食算法（adaptive bacterial foraging algorithm，ABFA）通過對細菌趨化運動的步長和驅散概率進行自適應調整，解決了BFA存在的收斂性差、效率低等問題。

3.2.1 自適應步長

細菌在特定的解空間內進行趨化操作，以搜索最優解。趨化過程中會出現以下兩種情況：若細菌個體趨化的步長過大，雖然能在一定程度上提高收斂速度，但容易導致跨度太大，進而錯失最優解；若細菌個體趨化的步長過小，則會降低算法的運行速度，進而增加算法計算量。因此，尋找最優解時應注意調節細菌個體趨化操作的步長。由于細菌個體在覓食的過程中也會受到菌群中其余個體的影響。假設菌群中其余個體距離細菌個體i最近的距離為dmin，最遠的距離為dmax，J為細菌個體的適應度，細菌趨化過程中步長的調整參數為A，其表達式如下：

A= （dmax-dmin）。" " " " " " " " " " " " " " " " " " " （3）

菌群中細菌個體自適應調整趨化過程中前進步長的計算公式如下：

c（i）new=c（i）old" A。" " " " " " " " " " " " " " " " " （4）

式中，c為前進步長，T為最大迭代次數，t為當前迭代次數。

3.2.2 自適應驅散概率

自適應細菌覓食優化算法中的驅散操作是將菌群中的部分個體以概率P驅散至解空間中的隨機位置，該過程保證了菌群的多樣性。但當細菌個體距離最優解位置較近時，該過程很可能將細菌個體分配到一個不利位置，導致算法的尋優性能降低。因此，本文采用自適應驅散概率Pself對菌群中的細菌個體進行驅散，其表達式如下：

Pself（i）=P。" " " " " " " " " " " " " " " " （5）

式中，Jmaxhealth為細菌菌群中最大的健康度，Jminhealth為細菌菌群中最小的健康度。

3.3 自適應細菌覓食算法流程

（1）初始化細菌菌群基本參數。

（2）根據菌群中細菌個體所處的初始位置，計算細菌個體的適應度值J。

（3）細菌個體逐步進行趨化操作、復制操作和驅散操作。

（4）細菌個體在進行趨化操作時，會通過翻轉運動在適應度較好的方向上前進，并根據式（4）至式（5）自適應地調整前進的步長。如果在前進方向上適應度值增加，則繼續向該方向前進；反之，細菌個體將會通過翻轉，選取新的方向。當細菌個體達到最大趨化次數時，結束趨化操作，進行下一步。

（5）菌群中的細菌個體進行復制操作。

（6）對菌群中的細菌個體進行驅散操作。根據式（5）的概率對細菌個體進行驅散。

（7）判斷算法是否達到收斂條件，若是，則輸出最優解并結束操作；反之，則返回步驟（3）。

4 實驗結果分析

采用ABFA、高斯混合模型（Gaussian mixture model，GMM）、粒子群優化（particle swarm optimization，PSO）算法和自適應粒子群優化（adaptive particle swarm optimization，APSO）算法分別對軌道電路中的16種故障模式進行診斷。為更好地對比4種算法的性能，并降低診斷結果的隨機性，將4種算法分別運行50次。4種算法的故障診斷結果如圖1所示。

由圖1可知，ABFA的準確率較GMM、PSO算法和APSO算法更高，波動程度更小，表明ABFA更穩定。

為了進一步驗證所提出的ABFA在故障診斷過程中尋優性能的有效性，利用上述4種算法為測試函數分別進行10次尋優，數據統計結果如表2所示。本文以10次尋優結果中出現次數最多的值作為4種算法為函數尋找到的眾數值。結果表明，GMM、PSO算法、APSO算法、ABFA尋找到的眾數分別為-183.811 4、-184.569 1、-185.476 5和-186.230 9，出現的次數依次是5次、5次、6次、8次，且都與算法多次運行后的均值非常接近。PSO算法經迭代后尋找到的函數均值為-184.568 8；APSO算法經迭代后尋找到的函數均值為-185.673 2；ABFA經迭代后尋找到的函數均值為-186.130 9。

5 結論

本文通過詳細分析城市軌道交通電氣設備的工作原理和常見故障，提出了基于ABFA的電氣設備故障診斷方法，并對該方法進行了性能驗證。實驗結果表明，該方法的故障診斷準確率為99.71%，有利于及時發現故障，保證電氣設備的正常運行。

參考文獻

[1] 任正國，黃文琦，梁凌宇，等. 基于高低頻特征融合的電力設備熱故障模糊檢測方法[J]. 自動化技術與應用，2024，43（11）：39-42，55.

[2] 丁翔，盛堅. 小波變換在電力設備故障診斷中的應用研究[J]. 光源與照明，2024（10）：75-77.

[3] 王文星. 基于深度學習的電力設備故障診斷與智能預測算法的研究[J]. 家電維修，2024（10）：89-91.

[4] 楊丹. 智能化電力設備故障診斷與預警系統分析[J]. 電子技術，2024，53（9）：174-175.

[5] 韓意. 電力設備故障診斷與預測技術研究[J]. 家電維修，2024（8）：98-100.