基于粗糙集神经网络的车载设备故障诊断

康洪军，蒋洁，杨帅，张玉琢，曹源

（1. 中车唐山机车车辆有限公司 产品研发中心，河北 唐山 063035；2. 北京交通大学 电子信息工程学院，北京 100044；3. 北京交通大学 轨道交通运行控制系统国家工程研究中心，北京 100044）

基于粗糙集神经网络的车载设备故障诊断

康洪军1，蒋洁1，杨帅1，张玉琢2，曹源3

（1. 中车唐山机车车辆有限公司 产品研发中心，河北 唐山 063035；2. 北京交通大学 电子信息工程学院，北京 100044；3. 北京交通大学 轨道交通运行控制系统国家工程研究中心，北京 100044）

由于神经网络在车载设备故障诊断中存在网络结构复杂、训练时间长的问题，利用粗糙集理论处理不确定数据的优势，对BP神经网络进行优化。提出属性约简算法，去掉冗余信息，保留必要属性。通过对现场车载设备故障数据的实例分析表明，优化前后性能提升明显，且使用该方法能有效减少输入层神经元个数，提高车载设备故障诊断的效率和准确度。

车载设备；神经网络；粗糙集；故障诊断

0 引言

车载设备是列车运行控制系统的重要组成部分，起到高速条件下列车运行速度和运行间隔控制、实时监控及超速防护的作用，对于保障列车高效安全运行具有重要意义。车载设备具有集成化、复杂化、精密化的特点，不同设备发生故障表现出来的故障表象具有较大差异。相对应的故障参数也有很大不同，有些故障原因与特征参数之间存在某种非线性的函数关系[1-3]。这些类型的故障可以通过神经网络来对参数训练后识别，神经网络能够依靠非线性逼近能力识别故障类型[4-5]。但其具有一定局限性，如训练样本数据量较大，网络训练迭代次数较大，训练后数据还需诊断分析。此外，常用的BP神经网络推理过程复杂且不可见，训练数据对诊断结果不能进行很好说明，对故障案例的数目和代表性有很高要求，且对于新案例的诊断效果较差[6]。粗糙集理论是用来研究不完整数据、不精确知识表示的方法。优点在于不需要先验模型，利用原有信息来挖掘新信息内部规律，根据自身具有的知识，采用分类思想将不确定性知识划分知识域。

因此，一些学者将神经网络与粗糙集相结合，充分发挥二者优势。文献[7]使用粗糙集理论优化BP神经网络的策略，对轴承故障数据和磨削工况进行分析，有效减少了输入层神经元个数；文献[8]利用粗糙集理论对故障诊断样本进行离散化处理，采用神经网络集成的方法，对热电厂发电机组几种故障进行诊断，提高了神经网络的泛化能力；文献[9]将神经网络用于案例相似度的确定，根据神经网络输出的隶属度确定权重，案例推理作为分类器进行分类。基于上述观点，利用粗糙集理论对BP神经网络进行优化。给出属性约简的算法，优化神经网络具体步骤，把优化的神经网络模型对车载设备故障进行诊断。根据现场数据，比较优化前后神经网络的性能，对典型故障进行诊断。结果表明，优化达到预期目的，提高了车载设备故障诊断的效率和准确度。

1 属性约简

属性约简是粗糙集理论的核心内容之一，即在保持知识库分类能力不变的前提下，删除不相关或不重要的冗余属性。基于差别矩阵约简的设计方法需要生成决策表的差别矩阵，需要消耗大量存储空间和时间，当处理较大型决策表时，算法速度较慢，效率降低也会影响到计算机存储空间。在差别矩阵简化和决策表简化的基础上，由简化决策表生成的简化差别矩阵的非空元素个数可以确定。通过简化算式和简化差别矩阵的定义计算出非空元素的个数。

1.1 基于差别矩阵的属性约简算法

采用基于差别矩阵的属性约简算法。该算法由Skowron教授提出[10]，主要是对搜索结果进行逻辑公式简化，检索方法是基于差别矩阵的算法。

S=（U，A，V，F）是一决策表系统；T为该决策系统的差别矩阵；M为矩阵中属性组合的集合，M中不包含重复元素，设M中存在m个元素，Bi表示其中的一个属性组合，则M中的任2个元素Bi∩Bj=Ø（i，j=1，2，…，m）。设E为决策表条件属性集R的约简，初始E= Ø，具体算法如下：

步骤一：生成决策表系统S的差别矩阵为T，在矩阵中找出单个属性组成的元素，这些元素的集合就是决策表的核CORE（C）≠Ø，则E←E∪CORE（C）≠Ø。

步骤二：从集合M中找到包含核属性的元素表达式：Q={Bi｜Bi∩CORE（C）≠Ø ，Bi∈M}，其中S←S-Q。

步骤三：将S中各属性组合表示成P=∧{∨bi｜bi}。步骤四：将P转化成范式形式，并挑选合适的属性组合进行约简。

输出约简结果，析取范式中每个合取项可以作为系统中的一个属性约简，合取项中包含了所有属性组成的信息系统条件属性集合。

1.2 车载设备实例计算

以现场实际的故障发生统计表为主要依据，根据不同故障提取其故障特征及故障原因，将提取的故障特征进行分类划分等级，子系统级别的故障会导致系统出现不同程度故障，根据故障的具体表现诊断出具体子系统或具体设备的故障。故障类型及故障特征表示符号含义见表1，故障特征与故障关系见图1。

表1 故障类型及故障特征表示符号含义

图1 故障特征与故障关系

对输入的故障信息通过训练自学习进行索引其中故障类型（决策属性）。其中，根据故障征兆符合逻辑类型，出现故障征兆的情况下取值为1，没有出现故障征兆取值为0，C1—C7表示7种故障类型，根据矢量化的表格将故障征兆的隶属度属性按照规则矩阵进行计算，可以得到：根据矩阵约简定义，决策表是一个7×7的方阵，主对角线元素堆对称，通过可辨识矩阵约简后得到的结果见表2。

决策表中有7个样本，经过样本的决策属性和条件属性比较可以得到所需要的可辨识矩阵。对于矩阵中所有属性组合中，按照差别矩阵约简方法，先对每行进行化简，再将每行的结果合取化简，得到属性约简后的结果如下：{A1，A2，A3，A5，A6}、{A1，A2，A3，A5，A8}、{A1，A2，A3，A5，A6，A7}、{A1，A3，A5，A6，A8}、{A1，A3，A5，A7，A8}。

2 粗糙集理论与神经网络结合

表2 故障属性差别矩阵

图2 粗糙集与模糊神经网络结合的诊断模型

粗糙集理论与神经网络相结合的基本步骤：

（1）从采集的原始样本产生学习样本集；

（2）对采集数据进行条件属性化；

（3）根据不同条件的属性值不同建立属性决策表；

（4）采用基于差别矩阵的方法对条件属性进行属性约简，去掉冗余条件属性并得到最小条件属性特征集；

（5）将最小属性条件集对应的学习样本作为神经网络输入测试样本，该数据样本去除不必要属性集，保留权重较大的重要属性；

（6）神经网络作为故障诊断中预处理模块主要任务，约简后得到的最小属性集对应的学习样本输入到模糊神经网络中进行训练，并对网络进行测试，输出分类结果。

粗糙集与模糊神经网络结合的诊断模型见图2，根据最小决策表得到神经网络结构见图3。

图3 粗糙集理论构造神经网络结构

3 改进后性能比较

将粗糙集约简后的故障样本进行BP神经网络训练，该方法主要是针对原有标准BP算法和约简后算法进行对比。标准BP算法训练函数选用trainlm，学习函数选用learnglm，性能函数选用mse，最大迭代次数5 000，训练误差0.001。训练误差收敛曲线见图4。经过粗糙集约简后，由于训练属性减少加速训练速度，迭代次数562步时满足误差精度要求，说明去除冗余属性后对于训练速度有较大提升。训练样本经过粗糙集约简和未经过约简算法结果比较见表3。

4 故障诊断实例

采用3层BP神经网络完成故障诊断，由1.2小节中得出的最小属性集{A1，A3，A5，A7，A8}，由于最小属性集中有5个条件属性，可以得出网络输入层神经元有5个节点；故障状态为输出层神经元，传递函数选用s型对数函数logsig，目标的输出值为0和1；采用最小二乘法，训练函数为trainlm；网络性能函数选用均方误差函数mse，误差值小于0.08；设置训练次数为500次。隐含层的传递函数为transig，神经元的个数确定与输入层神经元个数间的关系是n0=√m+n+α，由上述分析可得到隐含层神经元个数为4～13个。从小到大改变隐藏层神经元个数，最终选择最小输出误差相对应的隐含层个数（见表4）。当隐藏层节点数为10时，对应的网络训练误差最小，因此选用隐藏层个数为10，经过分析可以得出输入层个数为5，隐藏层个数为9，输出层个数为1。

图4 训练误差收敛曲线

神经网络训练次数500次，设置目标误差为0.08时，得到实际误差0.073 92，满足要求（见图5）。由于不同类型案例的特征属性不完全相同，对于不同类型案例库建立模型。

训练后，对于选取的最小属性集{A1，A3，A5，A7，A8}对应的期望输出分别是[1，0，1，0，0]、[0，0，1，0，0]、[0，1，0，0，1]、[1，0，0，1，0]、[0，1，0，0，1]，分别对应筛选出的1—5号案例。计算结果见表5。可以看出，设定样本输出值大于0.8时归为1，输出值小于0.1时归为0，则目标输出在误差允许范围内与输入基本一致。输入案例的特征信息，在分层索引的控制下，能够完成案例类别的检索。然后利用已经训练好的可能相似案例的神经网络模型进行检索，根据相似案例索引查找相应的解决方案。

表3 训练结果对比

表4 不同隐藏节点的BP网络训练误差

图5 最小属性集网络训练误差变化曲线

表5 样本输入与实际输出

5 结束语

充分利用神经网络非线性逼近能力和粗糙集理论在处理不确定信息方面的优势，将基于粗糙集理论与BP神经网络相结合的故障诊断方法引入车载设备故障诊断。把利用差别矩阵约简决策信息表得到的最小约简核，输入到BP神经网络模型中，使得网络结构得到有效简化，并进行相应仿真实验。结果证明了基于粗糙集的BP网络在时间和精度上的优势，验证了其在复杂车载设备故障诊断中的实用价值。

[1]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(3)：43-49．

[2]李勇．基于支持向量机的牵引供电系统高阻接地故障诊断方法[J]．中国铁路，2016(3)：26-30．

[3]安琪，秦勇，姚德臣．城市轨道交通车辆轴承故障诊断方法研究[J]．中国铁路，2014(11)：96-101．

[4]YANGBS，HANT，KIMYS．Integrationof ART-Kohonenneuralnetworkandcase-basedreasoningforintelligentfaultdiagnosis[J]．ExpertSystemswithApplications，2004，26(3)：387-395.

[5]SUNY，ZHANGS，MIAOC，etal．ImprovedBP neuralnetworkfortransformerfaultdiagnosis[J]．JournalofChinaUniversityofMiningandTechnology，2007，17(1)：138-142．

[6]黄赞武，魏学业，刘泽．基于模糊神经网络的轨道电路故障诊断方法研究[J]．铁道学报，2012(11)：54-59．

[7]凌维业，贾民平，许飞云，等．粗糙集神经网络故障诊断系统的优化方法研究[J]．中国电机工程学报，2003，23(5)：98-102．

[8]郭小荟，马小平．基于粗糙集-神经网络集成的故障诊断[J]．控制工程，2007，14(1)：53-56．

[9]梁武科，赵道利，马薇，等．基于粗糙集-RBF神经网络的水电机组故障诊断[J]．仪器仪表学报，2007，28(10)：1806-1810．

[10]苗夺谦，李道国．粗糙集理论、算法与应用[M].北京：清华大学出版社，2008．

责任编辑高红义

Diagnosis on Failure of Onboard Equipment Based on Rough Set Neural Network

KANG Hongjun1，JIANG Jie1，YANG Shuai1，ZHANG Yuzhuo2，CAO Yuan3
(1. CRRC Tangshan Co Ltd，Product R&D Center，Tangshan Hebei 063035，China；
(2. School of Electronic and Information Engineering，Beijing Jiaotong University，Bejing 100044，China；
(3. National Engineering Research Center of Rail Transportation Operation and Control System，Beijing Jiaotong University，Beijing 100044，China）

Since the neural network has complicated structure and requires comparatively long time for diagnosis of onboard device failure, the advantage of rough set in processing uncertain data is leveraged to optimize the BP neural network. Attribute reduction algorithm is proposed to eliminate the redundant information and keep the necessary attributes. Analysis on actual data of onboard device failures has shown that the performance has been improved apparently before and after the optimization. Moreover, the method could well reduce the number of neurons at the input layer and improve the efficiency and accuracy of onboard device failure diagnosis.

onboard device；neural network；rough set；failure diagnosis

U279.3+23

A

1001-683X（2017）05-0067-05

10.19549/j.issn.1001-683x.2017.05.067

2016-10-11

国家科技支撑计划项目（2015BAG12B01）；

国家自然科学基金资助项目（U1534208、U1334211）

康洪军（1965—），男，教授级高级工程师。

张玉琢（1990—），男，博士研究生。

E-mail：1_zhangyuzhuo@sina.com