基于多分支BP神经网络的FTGS轨道电路故障诊断

吴昕慧

(柳州铁道职业技术学院，广西　柳州　545616)



基于多分支BP神经网络的FTGS轨道电路故障诊断

吴昕慧

(柳州铁道职业技术学院，广西柳州545616)

文章针对FTGS轨道电路故障的原因和特点，提出一种基于多分支BP神经网络的FTGS轨道电路故障诊断方法。该方法通过对BP神经网络进行改进，建立多分支的BP神经网络，用于FTGS轨道电路的故障分类仿真。结果表明，多分支BP神经网络在精度和效率上都比专家系统、基于Agent方法和遗传算法更有优势，可以有效提高FTGS轨道电路故障诊断的准确性和可靠性。

故障诊断；多分支BP神经网络；特征指标；决策融合

0　引言

FTGS轨道电路全称是西门子遥供音频无绝缘轨道电路，在西门子列车运行控制系统的城市轨道交通地铁线路中广泛使用，是整个列车运行自动控制系统的关键性基础设备。FTGS轨道电路监督列车运行，传递行车信息，对整个列车运行自动控制系统起到了安全保障作用，因而，FTGS轨道电路故障也将直接危及行车安全和影响行车效率。因此，需要对FTGS轨道电路进行故障诊断，为地铁信号人员掌握FTGS轨道电路状态、进行故障分析，指导现场作业和管理，从而提高FTGS轨道电路维护效率和维护水平。

FTGS轨道电路故障主要分为两大类：红光带故障和分路不良。FTGS轨道电路故障的原因很多，如送电端电源电压波动、道砟电阻的变化、钢轨表面的状况、列车运行和施工作业的影响、电气绝缘节不良、箱盒电缆断线、室内电缆断线故障等[1]。因此，对FTGS轨道电路故障作出准确诊断也是非常复杂的问题。在现场维修工作中，对FTGS轨道电路故障的查找和处理通常是根据故障现象，初步判断故障范围，然后采用仪器仪表测试相关参数，利用经验根据参数对轨道电路故障进行分析、处理，以排除故障。这样的做法完全依赖维护人员的经验，由于维修人员的经验和知识水平参差不齐，容易判断失误，从而影响维修的效率和水平，同时也加大了维修人员的劳动强度，所以开发FTGS轨道电路故障诊断系统，对FTGS轨道电路故障诊断方法进行研究具有重要的现实意义。

不少专家学者对轨道交通的轨道电路故障诊断方法进行了研究，有学者提出采用专家系统对ZPW-2000轨道电路进行故障诊断[2]，但该方法过于依赖专家知识；有学者提出基于Agent的轨道电路诊断方法[3]，该方法存在系统间各模块具体通信的问题；有学者利用遗传算法对铁路区间使用的ZPW-2000无绝缘轨道电路的补偿电容缺失故障诊断进行研究，遗传算法比专家系统和基于Agent的方法更优[4]，但是该方法需要大量的数据和计算，不易于实现。

本文针对FTGS轨道电路故障原因和特点，提出一种基于多分支BP神经网络的FTGS轨道电路故障诊断方法。

1　FTGS轨道电路工作原理

FTGS轨道电路用于检测轨道电路的占用状态并发送ATP报文，轨道区段空闲时，转换开关置在“空闲”位，由位模式发生器、发送器产生的位模式调制载频(9.5～16.5 kHz)的FSK信号，从室内-轨旁盒-轨道电路始端-钢轨-轨道电路终端-轨旁盒-到室内，经过接收器、位模式校核(判断幅值、调制检测、编码检测)为正确时，产生一个“轨道空闲”信息，对应的GJ吸起。轨道区段占用时由于列车车轮分路，轨道电路终端接收不到FSK信号，产生一个“轨道占用”信息，GJ落下。此时转换开关置在“占用”位，来自ATC系统的是用报文式调制载频的ATP信号，经发送器送上轨道，供列车接收[5]。ATP报文有效长度为136位，它包括：入口速度、允许速度、目标距离、轨道区段长度、下一个轨道区段的频率、车站停车点、运行方向等。

2　多分支BP神经网络

2.1神经网络模型

多分支神经网络将神经网络结构模块化的一种模型，具有对非线性映射的准确拟合能力和学习能力，能够很好地解决样本较多时神经网络难以收敛从而陷入局部最小的问题，是处理模式识别问题的有力工具。

传统的3层BP网络模型如图1所示，包括输入层、隐层和输出层，是多维输入多维输出的非线性映射，输入层到隐层之间的权值和阈值是已知的，模式学习是修改权值和阈值达到输出层值的过程，该模型可用于模式识别的实质是通过训练求解权值和阈值，使得误差小于指定误差[6]。

图1　BP神经网络模型图

多分支BP神经网络是基于模块化和化整为零的思想，用于多类的模式识别，将目标问题进行分解，每个输出目标值的学习可分解为一个独立的网络，用于处理某一类的识别问题，每个网络都是独立的3层结构，输入值向量不变，输出值二值化为1(真)和0(假)，判断将多类识别问题转换为多个并行的两类识别问题，然后采用结构风险最小化原则进行决策融合分类。这样做的优点是降低了每个网络求解的复杂度，分类的学习可以同时进行，互相不干扰，加快了分类处理的速度。多分支BP网络结构如图2所示。

2.2基于结构风险最小化原则的决策融合

多分支BP神经网络的结构风险最小化(Structural Risk Minimization)决策融合思路是把BP神经网络输出集合构造为函数子集序列，然后把各个子集按照VC维的大小排列，以最小平方差和概率寻求每个子集的最小经验风险，综合考虑经验风险和置信范围，目标是实际风险的最小化[7]。实际风险需要考虑两部分：经验风险或者称为VC置信范围和训练误差，其中VC置信范围根据模式识别的VC维和训练样本数而定，VC维是反映神经网络输出集合的学习能力的指标，VC维越大则学习机器越复杂。设各神经网络各分支输出集合为Cout，第n支神经网络的输出值为On，根据平方误差最小分类原则[8]，可得：

(1)

式中，j的值是唯一的，识别结果集合k取j的概率，可得：

(2)

此时，如果训练样本为类的概率最大，则k可以取j。如果满足式的j多于1个时，用这些j的值组成一个新的集合{j1，j2，…，jn}，然后再从该集合中选取目标类别。方法是：以P0作为先验概率，如果

(3)

3　FTGS轨道电路故障分类

本文应用多分支的BP神经网络建立FTGS轨道电路故障分类的模型，通过对轨道电路影响较大的特征参数优选，选取发送端轨面电压US、接收端轨面电压UR、接收端电压UB，轨道继电器轨道线圈电压Uj等4个特征向量作为多分支BP神经网络的输入，并设定电源电压波动、电缆断线、道砟电阻低、电气绝缘节不良等4种常见故障作为输出，利用结构风险最小化原则进行融合决策分类。在模型训练学习阶段，从某地铁线路的FTGS轨道电路监测选取1 500个包含4种故障类型的训练样本进行训练。在检验阶段，采用训练阶段得到的模型对500个样本进行分类。

采用matlab7.1进行仿真实验，实验结果如表1所示。

表1　FTGS轨道电路各种分类方法的性能比较表

结果表明：在FTGS轨道电路故障分类中，多分支BP神经网络的学习时间不到遗传算法的一半，但是识别正确率比遗传算法高5.0%以上，优于专家系统、基于Agent方法和遗传算法。这说明在有限样本条件下，多分支BP神经网络方法能获得比遗传算法更好的FTGS轨道电路故障分类性能。

4　结语

本文通过对BP神经网络进行改进，根据化整为零的思想把BP神经网络的目标问题划分为多个子集，并进行处理，然后采用基于结构风险最小化原则进行决策融合求解目标问题，建立了多分支的BP神经网络，并用于FTGS轨道电路的故障分类仿真，选取4个FTGS轨道电路的参数作为统计特征指标，对4类常见故障进行分类，结果表明，多分支BP神经网络在精度和效率上都比专家系统、基于Agent方法和遗传算法要优，可以有效提高FTGS轨道电路故障诊断的准确性和可靠性。

[1]苏航.浅析FTGS轨道电路的故障处理方法[J].铁道通信信号，2012，48(10)：34-36.

[2]张喜，杜旭升，刘朝英.车站信号控制设备故障诊断专家系统的研究与实现[J].铁道学报，2009，31(3)：43-49.

[3]周文娟，王强.基于Agent的铁路信号设备故障诊断的研究[J].铁路计算机应用，2009，18(11)：41-44.

[4]赵林海，冉义奎，穆建成.基于遗传算法的无绝缘轨道电路故障综合诊断方法[J].中国铁道科学，2010，31(3)：107-113.

[5]杨涛，李小兵，何世星.西门子FTGS 917轨道电路常见故障分析与排除[J].城市轨道交通研究，2012(10)：99-102.

[6]袁科新.基于BP神经网络的发动机故障诊断研究[D].济南：山东大学，2006.

[7]李群燕，幸福堂，桂瞬丰.基于BP神经网络的机械系统故障诊断[J].安全与环境工程，2015，22(6)：116-124.

[8]林培群，徐建闽.傅惠.多分支BP网络模型及其在车型分类中的应用[J].微计算机信息，2005，21(12)：183-184.

Fault Diagnosis of FTGS Track Circuit Based on Multi-branch BP Neural Network

WU Xin-hui

(Liuzhou Railway Vocational Technical College，Liuzhou，Guangxi，545616)

Aiming at the causes and characteristics of FTGS track circuit failures，this article proposed an FTGS track circuit fault diagnosis method based on multi-branch BP neural network.This method established the multi-branch BP neural network through improving the BP neural network，which was used for fault classification simulation of FTGS track circuit.The results showed that the multi-branch BP neural network has more advantages in the precision and efficiency than expert systems，Agent-based method and genetic algorithms，and can effectively improve the accuracy and reliability of FTGS track circuit fault diagnosis.

Fault diagnosis；Multi-branch BP neural network；Feature indicators；Decision fusion

U273.1

A

10.13282/j.cnki.wccst.2016.03.021

1673-4874(2016)03-0076-04

2016-03-06

吴昕慧(1961—)，副教授，研究方向：城市轨道交通信号控制教学及研究。

广西高校科研项目“基于风险理论的城市轨道交通运营应急处置专家系统开发研究”(项目编号：2014YB565)