基于方法组合的轨道电路故障诊断模型

董 煜,董 昱

(兰州交通大学自动化与电气工程学院,兰州 730070)

引言

25 Hz相敏轨道电路作为我国铁路车站联锁系统的重要设备，保持轨道电路正常、稳定的工作，直接关系到整个车站联锁系统的安全运行。而是否能够快速准确地确定故障类型，缩短故障状态的时间，成为轨道电路保持正常工作的必要环节。目前现场轨道电路的故障大都是以人工诊断为主，这种方法诊断效率低，诊断精度差，无法满足轨道电路正常工作的实际需求。随着人工智能的发展，国内学者将其方法和理论应用到轨道电路的故障诊断中。文献[1]对车站信号设备故障诊断专家系统的开发与实现方法进行分析和探讨。文献[2]结合轨道电路原理和参数特征建立了模糊神经网络故障诊断模型。文献[3]建立了轨道电路故障诊断的模糊决策树模型来进行故障分类。然而轨道电路的工作环境复杂，导致其故障产生机理也存在着复杂性和不确定性，运用单一智能方法进行故障诊断无法满足其诊断精度的实际要求。为了克服单一诊断方法的不足，建立了基于最优权值的方法组合模型，以组合预测模型的最优权值理论结合模糊综合评判、灰色关联分析和BP神经网络3种方法对故障的诊断输出，既发挥了各方法自身的诊断优势，也实现了最优权值方法组合在故障诊断方面的应用。

1 初步诊断方法

1.1 模糊综合评判

模糊综合评判通过因素集和评语集之间的模糊关系矩阵，再利用合适的隶属度函数进行模糊变换实现故障的分类识别。该模型以发生故障的原因组成的集合为因素集，记为U={x1，x2，…，xn}；以轨道电路故障特征参数组成的集合为评语集，记为V={y1，y2，…，ym}[4]。

假设因素集U中的第i种故障原因对应的评语集V中第j个特征参数的隶属度为rji，且0≤rji≤1。那么对应写出因素集U和评语集V的模糊关系矩阵R可用式(1)表示[5]。R表达了各故障原因和各故障参数之间因果关系，矩阵中每个元素的大小表明了故障参数和故障原因之间互相关系的密切程度[6]。

(1)

U=V∘R

(2)

1.2 灰色关联分析

灰色关联分析是利用标准模式特征参数和待检测模式特征参数之间的相似程度来判断其联系是否紧密[8]。设XI为第I个标准模式序列，XI={XI(k)︱k=1，2，…，n}；YJ为第J个待检测模式序列，YJ={YJ(k)︱k=1，2，…，n}[9]。则有XI(k)和YJ(k)在k时刻的关联系数为

(3)

ΔIJ(k)=|XI(k)-YJ(k)|

(4)

式中，Δmin、Δmax分别为ΔIJ(k)的最小值和最大值；ρ为分辨系数，通常情况下取ρ=0.5[10]。

则对应的灰色关联度为[11]

(5)

1.3 BP神经网络

BP神经网络选用三层前向神经网络，解决故障原因和特征参数之间的非线性映射复杂性问题，分别以特征参数作为网络的输入神经元，以故障类型作为网络的输出神经元，并根据式(6)及其训练结果的比较确定隐含层的神经元个数[12]。

(6)

式中，L为隐含层节点数；N为输入节点数；M为输出节点数；a为1～10之间的常数[13]。

BP神经网络的实现是多层学习的逆向调节模型。在网络实际训练时，每个样本输入对应一个期望输出，当实际输出与期望输出结果不一致时，通过实际输出与期望输出的误差逆向传播的方式调整权值，其误差函数如式(7)所示，并要满足预先给定的误差精度要求，当实际输出与期望输出结果一致时，训练结束，保存此时训练好的网络[14]。

(7)

式中，ti为网络的期望输出；td为网络的实际输出；K为网络学习样本的个数。

2 最优权值

按照组合预测理论的权重计算方式，通过求解二次规划的寻优问题而得到组合诊断模型[15]。根据3种算法的故障诊断误判率来确定误差函数，并以诊断误差平方和最小为约束条件，构造最优组合模型，求出3种算法对应的最优权值[16]。

设x(t)是诊断对象在t时刻的属性值，t=1，2，…，m[17]。若x(t)有n种诊断方法，xi(t)是第i个诊断方法在t时刻的诊断值，则第i个诊断方法在t时刻的诊断误差为

eit=x(t)-xi(t)

(8)

相应的诊断误差信息矩阵为

E=[(eit)n×m][(eit)n×m]T

(9)

将n个诊断方法进行不等权组合，令W=[w1，w2，…，wn]T为各诊断方法对应的加权系数，得到组合诊断模型的综合诊断结果为

(10)

且w1+w2+…+wn=1。那么该组合诊断模型在t时刻的诊断误差为

(11)

根据式(11)可得到组合诊断模型的误差平方和为

(12)

以误差平方和S最小为约束，通过求解二次规划模型(13)来确定最优权值

(13)

为了求解该模型，引入Lagrange乘子λ，得到式(14)

WTEW-2λ(RTW-1)=0

(14)

分别对W和λ求导，可解出最优权值W为

(15)

将得到的权值代入式(10)即可得到方法组合后的综合诊断结果。

3 诊断模型

3.1 模型参数

根据轨道电路原理和影响轨道电路工作的主要原因，确定常见的5种故障类型作为模型的输出参数如表1所示，并选取对应的送电端扼流变压器二次侧电压Uf、受电端轨面电压Uj以及二元二位继电器轨道电压Ug作为诊断模型的输入参数。

表1 轨道电路故障类型

3.2 初步诊断

根据确定的输入输出参数，对各初步诊断方法进行建模。

3.2.1 模糊综合评判

模糊综合评判模型以系统的输入参数为评语集，即U={Uf，Uj，Ug}，以系统的输出参数为因素集，即V={F1，F2，F3，F4，F5}，并以层次分析法得到故障原因和故障特征参数之间的模糊关系矩阵R[18]。

将轨道电路各故障类型与评判集对应特征参数间的隶属程度划分为4个等级：0.8，0.6，0.4，0.2。通过选取合适的隶属度，进行模糊变换得到诊断结果。

3.2.2 灰色关联分析

通过确定的输入输出参数确定各故障状态下的标准模式轨道电路故障特征参数，归一化后的标准模式轨道电路故障特征参数如表2所示。

表2 标准模式轨道电路故障特征参数

将待测样本数据与标准特征参数进行灰色关联度计算，得到诊断结果[19]。

3.2.3 BP神经网络

利用样本数据建立BP神经网络故障诊断模型，以特征参数Uf，Uj，Ug作为网络的输入神经元，以故障类型F1，F2，F3，F4，F5作为网络的输出神经元，根据式(6)调试确定隐含层的神经元个数为9。并选取tansig作为隐含层和输出层的传递函数，系统输出误差ε<10-5，学习速率为0.06，存储训练好的网络，建立故障诊断数据库[20]。

3.3 诊断流程

基于最优权值的方法组合诊断模型流程如图1所示。

图1 组合模型诊断流程

(1)对25 Hz相敏轨道电路进行特征量提取并进行归一化，通过不同方法模型对轨道电路故障进行初步诊断，输出诊断结果；

(2)根据各方法诊断误判率建立最优权值二次规划模型，计算出各方法对应的最优权值；

(3)最后利用所得的最优权值进行加权平均，融合各方法的诊断输出得到方法组合模型的综合诊断结果，由最大隶属原则判断所属的故障类型。

4 诊断实例

4.1 最优权值计算

通过对现场25 Hz相敏轨道电路的数据进行采集，选取了274组对应本文的轨道电路故障类型的数据进行诊断，其中F1故障样本43组，F2故障样本46组，F3故障样本68组，F4故障样本52组，F5故障样本65组。通过模糊综合评判、灰色关联分析和BP神经网络3种方法对274组故障样本数据依次进行初步诊断，得到诊断误判率如表3所示。

为了证明方法组合模型中初步诊断方法的数量对诊断精度的影响，分别建立以模糊综合评判和灰色关联分析为组合方法的两种方法模型和以模糊综合评判、灰色关联分析和BP神经网络为组合方法的3种方法组合模型。两种方法的组合模型进行最优权值计算，根据表3诊断结果的误判率可以得到误判率矩阵e。

表3 诊断误判率

根据误判率矩阵可以得到对应的误差信息矩阵E。

则可根据式(13)计算可得模糊综合评判和灰色关联分析两种方法组合时的最优权值W1=[0.579 0 0.421 0]。

同样的，得到模糊综合评判、灰色关联分析和BP神经网络3种方法组合时的最优权值W2=[0.460 8 0.214 3 0.324 9]。

4.2 组合模型示例

为了对组合模型进行方法验证，重新选取5组验证样本进行方法组合模型的示例，其中每种故障类型各一组样本，其归一化的数据如表4所示。

表4 各故障类型示例数据

通过模糊综合评判、灰色关联分析和BP神经网络进行初步诊断的输出结果如表5～表7所示。

综合分析表5～表7，可以明显看出，3种方法对示例数据的5组样本数据的初步诊断结果都存在错误诊断的情况。在表5中，模糊综合评判诊断结果的第3组样本数据，将F3类故障错误诊断为F4类故障，第5组样本数据将F5类故障错误诊断为F1类故障；在表6中，灰色关联分析诊断结果的第一组样本数据，将F1类故障错误诊断为F5类故障，第3组样本数据将F3类故障错误诊断为F4类故障；在表7中，BP神经网络诊断结果的第一组样本数据将F1类故障错误诊断为F5类故障。

表5 模糊综合评判诊断结果

表6 灰色关联分析诊断结果

表7 BP神经网络诊断结果

利用所得的最优权值分别对初步诊断输出进行加权平均，得到两种方法组合诊断结果和3种方法组合诊断结果，如表8、表9所示。

表8 两种方法组合诊断结果

表9 3种方法组合诊断结果

通过对两种的诊断输出进行加权组合，表8中第3组样本数据将F3类故障错误诊断为F4类故障，且纠正了模糊综合评判的第5组样本数据和灰色关联分析的第1组样本数据的错误诊断。通过对3种方法的诊断输出进行加权组合，表9中的5组样本数据的诊断结果均为正确。示例样本的诊断结果表明，方法组合模型能够有效地提高轨道电路故障诊断的精度。

为了方便对各方法的诊断结果进行对比，这里选取示例样本中第3组数据的各方法诊断结果进行画图分析比较，如图2所示。可以明显看出，两种方法组合模型的诊断结果的最高点在F4类故障，出现了错误诊断，而3种方法组合模型的诊断结果的最高点在F3类故障，诊断结果正确，体现出了组合方法的数量对组合方法诊断结果的影响，且证明了3种方法组合模型的诊断效果优于两种方法组合模型的诊断效果。

图2 第3组数据诊断结果对比

将各方法对全部274组样本数据诊断结果的误判个数和误判率进行对比分析，结果如表10所示。

表10 诊断结果对比

表10中两种方法组合诊断的误判率为9.12%，3种方法组合诊断的误判率为5.11%，更加直观地表明，方法组合诊断模型提高了故障的诊断精度，而且证明了随着参与组合的方法数量增加诊断精度就越高。

5 结语

(1)基于最优权值的方法组合模型能够有效地提高轨道电路故障的诊断精度，且初步诊断方法数量越多故障诊断精度就越高。

(2)在实际应用中，可根据诊断对象实际的诊断要求增加或减少组合的方法数量，而通过最优权值建立不同方法的组合模型，也为提高故障诊断的精度提供了一种新的思路。