陸曉峰，王小敏，李光耀

(西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院，成都 610031)

基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)的相敏軌道電路故障診斷方法研究

陸曉峰，王小敏，李光耀

(西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院，成都 610031)

針對25 Hz相敏軌道電路故障的不確定性與模糊性，提出一種基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障智能診斷改進方法。采用自適應(yīng)-動量BP學(xué)習(xí)調(diào)整法對模型參數(shù)進行訓(xùn)練優(yōu)化，給出推導(dǎo)過程，并討論系統(tǒng)參數(shù)初始值的設(shè)定。仿真實驗表明，在相同實驗條件下改進方法降低了訓(xùn)練誤差，并有效地提高了診斷學(xué)習(xí)過程的穩(wěn)定性與收斂速度，對25 Hz軌道電路故障進行智能模糊診斷是可行的。

軌道電路；故障診斷；Mamdani模糊邏輯；神經(jīng)網(wǎng)絡(luò)；自適應(yīng)-動量

1 概述

軌道電路是現(xiàn)代高速鐵路信號系統(tǒng)的重要組成部分，常年工作于室外惡劣環(huán)境，是故障多發(fā)設(shè)備，也是電務(wù)部門的重點維護對象。目前主要依靠維修人員經(jīng)驗結(jié)合現(xiàn)場狀態(tài)進行軌道電路故障診斷，自動化和智能化水平較低。

近年來，一些先進的故障診斷理念與算法被嘗試應(yīng)用到軌道電路故障診斷中，以提高故障的自動智能診斷能力。文獻[1]提出一種基于模糊推理的軌道電路智能故障診斷算法，對軌道電路模擬原件的短路、開路等硬故障有較好的效果。文獻[2]給出基于遺傳算法的軌道電路故障綜合診斷方法，能對無絕緣軌道電路中補償電容故障與道砟電阻波動等情況做出正確綜合評判。文獻[3]提出一種基于D-S數(shù)據(jù)信息融合的鐵路信號設(shè)備故障診斷模型方法，提高了診斷結(jié)論的可信度。文獻[4]以Mamdani模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，以站內(nèi)25 Hz相敏軌道電路為研究對象建立故障診斷模型，為軌道電路故障診斷提供了新的思路，但經(jīng)試驗測試，該方法易陷入局部極小值、穩(wěn)定性較低、收斂速度慢，影響診斷效果。

本文在文獻[4]基礎(chǔ)上，提出了一種基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷改進方法。主要工作是分析了系統(tǒng)參數(shù)的初始化取值，引入了自適應(yīng)-動量BP學(xué)習(xí)調(diào)整法對模型參數(shù)進行訓(xùn)練優(yōu)化，并給出了詳細(xì)的推導(dǎo)過程。實驗仿真結(jié)果表明，改進方法具備自學(xué)習(xí)自適應(yīng)能力與模糊邏輯處理能力，有效地提高了診斷學(xué)習(xí)過程的穩(wěn)定性和收斂速度，可以實現(xiàn)25 Hz相敏軌道電路的智能故障診斷。

2 Mamdani模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在故障診斷領(lǐng)域，將Mamdani模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合，構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型(圖1)，可用于不確定性和模糊性故障現(xiàn)象的智能診斷。

圖1 Mamdani模糊神經(jīng)網(wǎng)絡(luò)模型

第一層為輸入層，該層的節(jié)點直接與輸入變量矩陣X的各個分量連接。

(1)

(2)

第三層為規(guī)則層，每個節(jié)點代表一條模糊規(guī)則，用來匹配模糊規(guī)則的前件，計算每條規(guī)則的適用度αk，即

(3)

其中，i1∈[1，2，3，…，m1]；i2∈[1，2，3，…，m2]，…；in∈[1，2，3，…，mn]；k=1，2，3，…，m，m為模糊規(guī)則總數(shù)。

對于給定的輸入，只有在輸入點附近的語言變量才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度極小或為0。當(dāng)隸屬度很小(如<0.005)時可近似取0，因此在αk中只有少量結(jié)點輸出非0。

第四層為反模糊化層，實現(xiàn)模糊規(guī)則歸一化運算，得出每條規(guī)則的激活度，即

(4)

第五層為輸出層，進行清晰化計算，即

(5)

3 基于Mamdani模糊神經(jīng)網(wǎng)絡(luò)的相敏軌道電路故障診斷模型

以我國電氣化鐵路普遍使用的站內(nèi)25 Hz相敏軌道電路為研究對象，結(jié)合其故障模式特點，文獻[4]引入Mamdani模糊網(wǎng)絡(luò)模型，分別建立了表1所示的系統(tǒng)輸入輸出關(guān)系和表2所示的故障模糊診斷規(guī)則。其中，每個系統(tǒng)模型輸入都用“偏高(H)”“合適(N)”“偏低(L)”3個模糊子集描述，且用“極可能故障(A=0.9)”、“有可能故障(B=0.6)”、“偶然故障(C=0.2)”、“幾乎不可能故障(D=0.05)”4個模糊語言對4個系統(tǒng)模型輸出進行描述。

表1 系統(tǒng)模型輸入與輸出

表2 25 Hz相敏軌道電路故障診斷規(guī)則

在此基礎(chǔ)上，選定3個電壓值作為系統(tǒng)輸入，每個輸入通過模糊處理分成3個模糊子集，通過9條模糊規(guī)則推理得到4個故障程度輸出，建立了25 Hz軌道電路故障診斷模糊神經(jīng)網(wǎng)絡(luò)模型如圖2所示[4]，為軌道電路故障診斷提供了一種新思路。

4 基于自適應(yīng)-動量學(xué)習(xí)機制的Mamdani模糊神經(jīng)網(wǎng)絡(luò)故障診斷改進方法

經(jīng)計算機仿真驗證，文獻[4]方法收斂速度較慢，且易陷入局部極小值，穩(wěn)定性較低。本文在此基礎(chǔ)上，引入自適應(yīng)-動量BP學(xué)習(xí)調(diào)整法對其學(xué)習(xí)機制進行了改進優(yōu)化，并分析了系統(tǒng)參數(shù)初始化取值，取得了較好的效果。

圖2 25 Hz相敏軌道電路故障診斷模糊神經(jīng)網(wǎng)絡(luò)模型

4.1 自適應(yīng)-動量BP學(xué)習(xí)機制

根據(jù)圖2的模型結(jié)構(gòu)與所采用的隸屬度函數(shù)式(2)，可以看出系統(tǒng)需要進行訓(xùn)練調(diào)整的參數(shù)為輸出層連接權(quán)值wjk以及高斯隸屬函數(shù)的參數(shù)dij與σij。首先根據(jù)BP累積誤差逆?zhèn)鞣ㄇ蠼庠\斷系統(tǒng)模型的最優(yōu)權(quán)值參數(shù)。

設(shè)樣本對為{Tjs，yjs}，(j=1～L，s=1～N)，其中，L為模糊神經(jīng)網(wǎng)絡(luò)模型輸出參數(shù)個數(shù)；N為學(xué)習(xí)樣本對的數(shù)量。采用全局誤差函數(shù)，Es為每次樣本輸入結(jié)果的誤差，即

(6)

計算第五層輸出層誤差靈敏度為

(7)

計算第四層誤差靈敏度為

(9)

計算第三層誤差靈敏度為

(10)

在計算第二層誤差靈敏度的過程中，令

(11)

(12)

則計算第二層誤差靈敏度為

(13)

根據(jù)計算得到的各層誤差靈敏度計算修改參數(shù)，其中η為學(xué)習(xí)率，取0.1：

(14)

(15)

(16)

為優(yōu)化BP網(wǎng)絡(luò)梯度下降學(xué)習(xí)過程的收斂速度和穩(wěn)定性，增加系統(tǒng)學(xué)習(xí)效率，采用啟發(fā)式調(diào)整方法，用新誤差E(t+1)與舊誤差E(t)的比值大小表示全局誤差的變化情況，當(dāng)全局誤差E>10-10時，根據(jù)全局誤差的變化信息對學(xué)習(xí)速率進行調(diào)整，若比值小于1，則可適當(dāng)增加學(xué)習(xí)速率，若比值大于等于某固定值，則需要下調(diào)學(xué)習(xí)速率；當(dāng)E≤10-10時，學(xué)習(xí)速率不再調(diào)整。調(diào)整規(guī)則描述如下

(17)

經(jīng)測試，參數(shù)k=1.05、a=1.012 7、b=0.8時效果較好。

在調(diào)整過程中，為進一步優(yōu)化算法，在自適應(yīng)學(xué)習(xí)速率調(diào)整的基礎(chǔ)上，引入附加動量因子，增強學(xué)習(xí)算法快速收斂性能，則參數(shù)調(diào)整改進過程如下

(18)

(19)

4.2 系統(tǒng)參數(shù)初始化分析

在軌道電路故障診斷網(wǎng)絡(luò)模型中，網(wǎng)絡(luò)參數(shù)的初始化至關(guān)重要，連接權(quán)wjk的值為(0，1)之間的隨機數(shù)，采用偽隨機數(shù)發(fā)生器自動生成。系統(tǒng)參數(shù)初始化的關(guān)鍵在于隸屬度函數(shù)參數(shù)dij和σij的初值確定，其大小直接影響模糊判斷的結(jié)果，下面討論其初始化方法。

在給出基本思路前，先引入重疊度的概念。所謂重疊度是指兩個模糊子集重疊的程度，用這兩個模糊子集交集的最大隸屬度來表示。在模糊控制中，重疊度是影響控制性能的一個重要因素，重疊度過大或過小都會降低控制效果，通常應(yīng)控制在0.5左右?；谠撛瓌t，推導(dǎo)初始期望值的確定公式。

聚類中心即dij的值，采用基于數(shù)據(jù)的方法，應(yīng)用平均數(shù)法通過加權(quán)平均或取中點法取最大值與最小值的中間點確定。在25 Hz相敏軌道電路故障診斷中，根據(jù)現(xiàn)場故障數(shù)據(jù)結(jié)合專家經(jīng)驗，按上述方法得到各模糊子集的隸屬度函數(shù)中心初值矩陣

(20)

因此，σij的計算采用如下公式

(21)

其中，γ為重疊系數(shù)，一般取值為1.5。

按上述方法，根據(jù)之前得到的隸屬度函數(shù)中心初值矩陣d計算得到各模糊子集隸屬度函數(shù)寬度初值矩陣

在25 Hz相敏軌道電路故障診斷中，各模糊子集隸屬度函數(shù)參數(shù)dij和σij的初始化是學(xué)習(xí)訓(xùn)練得到正確故障診斷模型的關(guān)鍵。若其初值設(shè)置不當(dāng)，使隸屬度函數(shù)的模糊識別作用降低甚至失效，將會直接影響學(xué)習(xí)調(diào)整過程，使訓(xùn)練過程中全局誤差E的收斂無法達到要求，導(dǎo)致診斷模型建立失敗。以送端輸出電壓為例，經(jīng)過上述隸屬函數(shù)參數(shù)初始化計算后，得到送端輸出電壓的模糊隸屬度函數(shù)如圖3所示，3個模糊子集之間重疊度大約為0.55，且符合由低到高的語義順序，避免了模糊子集間不恰當(dāng)?shù)闹丿B，模糊描述清晰，使模型初步具備較好的模糊表達功能。

圖3 送端輸出電壓模糊隸屬函數(shù)

5 仿真實驗

5.1 方法分析對比

本文在VC++6.0環(huán)境下搭建了25 Hz相敏軌道電路故障診斷系統(tǒng)實驗仿真平臺，驗證設(shè)計方法的可行性。分別對文獻[4]方法、自適應(yīng)學(xué)習(xí)速率法、本文自適應(yīng)-動量法應(yīng)用樣本數(shù)據(jù)進行訓(xùn)練，得到的訓(xùn)練全局誤差E如圖4所示。

圖4 算法改進前后系統(tǒng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練誤差結(jié)果對比

從圖4(a)中可以看出，自適應(yīng)學(xué)習(xí)速率法能一定程度上降低收斂誤差，但收斂前期的優(yōu)化效果不明顯；圖4(b)則表明，在自適應(yīng)學(xué)習(xí)速率基礎(chǔ)上引入增加動量法，能明顯提高收斂速度并降低收斂誤差，從而有效提高故障診斷系統(tǒng)的收斂速度與準(zhǔn)確性。結(jié)合表3數(shù)據(jù)可知，本文的自適應(yīng)-動量優(yōu)化法在學(xué)習(xí)訓(xùn)練初期，由于初始誤差的存在，全局誤差E初始值較大，經(jīng)前15次訓(xùn)練急速降低，之后進入平緩調(diào)整期，進一步使E收斂，在第50步時全局誤差約為0.000 5，在100步時，全局誤差約為4×10-10，很好地滿足系統(tǒng)準(zhǔn)確性要求。

表3 算法改進前后全局誤差數(shù)據(jù)分析對比

5.2 調(diào)整過程與診斷驗證

圖5 訓(xùn)練調(diào)整過程觀察

為驗證算法與模型的可靠性與有效性，本文利用模擬樣本數(shù)據(jù)作為輸入進行驗證，結(jié)合故障診斷規(guī)則表2，得到系統(tǒng)輸出及診斷結(jié)果如表4所示。可以看到故障診斷結(jié)果是正確的，符合系統(tǒng)設(shè)計要求。

表4 模擬數(shù)據(jù)故障診斷結(jié)果

在實際應(yīng)用中，可根據(jù)現(xiàn)場經(jīng)驗和專家知識，進一步細(xì)化故障模式和擴充診斷規(guī)則表2，在本文方法基礎(chǔ)上，將訓(xùn)練結(jié)束得到滿足條件的網(wǎng)絡(luò)模型保存為模板，然后將軌道電路微機監(jiān)測采集的現(xiàn)場數(shù)據(jù)輸入到訓(xùn)練好的系統(tǒng)網(wǎng)絡(luò)模型中，根據(jù)故障輸出結(jié)果得到軌道電路故障發(fā)生的可能原因和故障處理意見，逐步實現(xiàn)25 Hz軌道電路故障的智能診斷。

6 結(jié)語

軌道電路作為影響鐵路運輸效率和行車安全的關(guān)鍵設(shè)備，在故障發(fā)生時應(yīng)盡快找出故障原因并給予解決，提高設(shè)備的可靠性與安全性。本文在文獻[4]方法的基礎(chǔ)上，構(gòu)建25 Hz相敏軌道電路智能故障診斷系統(tǒng)模型，將模糊邏輯與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機制相結(jié)合的方法融入到智能故障診斷技術(shù)中，采用自適應(yīng)-動量學(xué)習(xí)算法進行優(yōu)化，提高了學(xué)習(xí)過程的穩(wěn)定性、準(zhǔn)確性以及收斂速度。該方法自學(xué)習(xí)能力強、收斂速度快，能較好地模仿專家思維評價方法給出故障診斷結(jié)果，為軌道電路的智能診斷和日常維護提供一定的參考價值。

[1] 劉琰瓊.ZPW-2000A軌道電路智能故障診斷算法應(yīng)用研究[J].鐵路通信信號工技術(shù)，2014(1):29-32.

[2] 趙林海，冉義奎，穆建成.基于遺傳算法的無絕緣軌道電路故障綜合診斷方法[J].中國鐵道科學(xué)，2010(3):107-114.

[3] 李娜，董海鷹.基于D-S證據(jù)理論信息融合的軌道電路故障診斷方法研究[J].鐵道科學(xué)與工程學(xué)報，2012，9(6):107-112.

[4] 黃贊武，魏學(xué)業(yè)，劉澤.基于模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷方法研究[J].鐵道學(xué)報，2012(11):54-59.

[5] 馬濤，米根鎖，齊東.基于灰色理論ZPW2000A無絕緣軌道電路故障風(fēng)險分析[J].鐵道標(biāo)準(zhǔn)設(shè)計，2013(4):115-118.

[6] 王彤.基于最小二乘支持向量機的軌道電路故障診斷方法[J].鐵道標(biāo)準(zhǔn)設(shè)計，2014(2):89-93.

[7] 武劍輝，楊學(xué)良.模糊BP神經(jīng)網(wǎng)絡(luò)及其在故障診斷中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù)，2001(10):73-75.

[8] 楊慧，鄧征.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的飛機突發(fā)故障診斷研究[J].計算機工程與設(shè)計，2014(3):1010-1015.

[9] 蘇羽，趙海，蘇威積，等.一種基于模糊神經(jīng)網(wǎng)絡(luò)的融合故障診斷方法[J].計算機工程，2004(17):5-6，170.

[10]李雅美，魏文軍.基于模糊神經(jīng)網(wǎng)絡(luò)的道岔故障診斷系統(tǒng)研究[J].鐵路計算機應(yīng)用，2012，21(1):35-38.

[11]潘昊，田捷，鐘珞.前向多層神經(jīng)網(wǎng)絡(luò)的步長搜索調(diào)整研究[J].計算機工程與應(yīng)用，2004，17(7):17-18.

[12]Chen J， Roberts C， Weston P. Fault Detection and Diagnosis for Railway Track Circuits Using Neuro-fuzzy Systems[J]. Control Engineering Practice， 2008，16(5):585-596.

[13]Chen B， Hoberock L L. A fuzzy neural network architecture for fuzzy control and classification[C]∥Neural Networks， 1996.， IEEE International Conference on. IEEE， 1996，2:1168-1173.

Research on Phase-sensitive Track Circuit Fault Diagnosis Based on Mamdani Fuzzy Neural Network

LU Xiao-feng， WANG Xiao-min， LI Guang-yao

(School of Information Science and Technology， Southwest Jiaotong University， Chengdu 610031， China)

Addressing the uncertainty and fuzziness of 25 Hz phase-sensitive track circuit faults， this paper proposes an improved track circuit fault diagnosis method based on Mamdani fuzzy neural network. The adaptive-momentum BP learning method is used to train and optimize model parameters with the derivation process and the setting of initial value of system parameters is discussed. Simulation results show that under the same experimental conditions， the improved method reduces the training error and effectively improves the stability and convergence speed of the learning process. Application of this method to 25 Hz phase-sensitive track circuit faults diagnosis is of high feasibility.

Track circuit; Fault diagnosis; Mamdani fuzzy logic; Neural network; Adaptive-momentum

2015-03-19；

2015-03-28

中國鐵路總公司科技研究開發(fā)計劃課題(2013X012-A-1，2013X012-A-2，2014X008-A)

陸曉峰(1990—)，男，碩士研究生。

王小敏(1974—)，男，博士，教授，博士生導(dǎo)師，主要研究方向為軌道交通信息化安全工程，E-mail:xmwang@swjtu.edu.cn。

1004-2954(2015)11-0104-06

U284.2

A

10.13238/j.issn.1004-2954.2015.11.025