陶漢卿，黃 鶯

(柳州鐵道職業(yè)技術學院，廣西 柳州 545616)

0 引言

ZPW-2000A移頻軌道電路是我國在引進法國UM71無絕緣軌道電路技術基礎上，結合我國實際情況，為提高系統傳輸性能、安全性和可靠性而開發(fā)的。ZPW-2000A移頻軌道電路是重要的保證行車安全、提高運營效率的鐵路信號設備，具有全程斷軌檢查、軌道占用檢查和傳遞低頻行車信息等功能。當ZPW-2000A移頻軌道電路故障時，會傳輸錯誤信息，導致信號錯誤顯示，使列車相撞或者追尾，直接出現危及行車安全等一系列問題。因此，需要對ZPW-2000A移頻軌道進行故障預測，為電務人員掌握ZPW-2000A移頻軌道狀態(tài)、輔助故障分析和處理提供依據，加強結合部管理，從而提高ZPW-2000A移頻軌道電路維護水平和效率，節(jié)約維護成本。

ZPW-2000A移頻軌道電路由主軌道電路和調諧區(qū)小軌道電路兩個部分組成。根據故障導向安全的原則，主要有兩種故障：紅光帶故障和分路不良。ZPW-2000A移頻軌道電路出現故障的原因很復雜，如發(fā)送器功出電壓波動、道床電阻隨環(huán)境變化、鋼軌表面的粗糙狀況、列車走行和檢修施工對引接電纜的影響、絕緣節(jié)調諧單元元件損壞、補償電容不良、室內和箱盒電纜斷線故障等[1]。因此，對ZPW-2000A移頻軌道電路故障的預測極其復雜。在實際應用中，對ZPW-2000A移頻軌道電路故障的預測和處理主要根據信號集中監(jiān)測系統采集、顯示和存儲的監(jiān)測數據、報警數據和故障現象，根據積累的經驗進行綜合判斷，初步判斷故障可能出現的范圍，隨之采用專用移頻表和萬用表進行參數測試確認，然后進一步分析、確認和處理，把故障隱患排查，做到防患于未然。這樣的做法雖然利用了先進的信號集中監(jiān)測設備，但是對于故障的預測過于依賴電務人員的綜合經驗和素質，一旦電務人員的知識經驗水平和責任心不足，容易預測故障錯誤，不能有效消除隱患，因此加重了電務人員的勞動強度，使ZPW-2000A移頻軌道電路維護的水平和效率下降，所以研究和開發(fā)ZPW-2000A移頻軌道電路故障預測系統，對于提高設備維護效率和水平是非常有必要的。

不少專家學者對ZPW-2000A移頻軌道電路故障預測方法進行了研究，有學者提出采用專家系統對ZPW-2000A軌道電路進行故障預測[2]，但該方法需要存儲大量的數據，過于依賴專家知識，無法自適應預測；有學者提出支持向量機ZPW-2000A軌道電路故障預測方法[3]，但支持向量機的二次規(guī)劃模型求解復雜度較難解決，若樣本個數越大，計算速度會顯著下降；有學者利用結合粗糙集理論和模糊認知圖理論(PCM)進行ZPW-2000A移頻軌道電路的故障預測[4]，該方法采用的是單一的分類器，集成訓練的分類器難以實現，對故障預測精度影響較大。

本文針對ZPW-2000A移頻軌道電路故障參數和特點，提出一種基于改進多分支BP神經網絡的ZPW-2000A移頻軌道電路故障預測方法。

1 ZPW-2000A移頻軌道電路工作原理

ZPW-2000A移頻軌道電路設備由室內設備和室外設備組成。室內設備主要有包括發(fā)送器、接收器、衰耗器、電纜模擬網絡盤等；室外設備主要有：匹配變壓器、調諧單元、空心線圈、機械絕緣節(jié)空心線圈、補償電容等[5]。主軌道電路的發(fā)送器由載頻條件和低頻編碼條件控制，根據輸入的條件可以產生分配不同機車信號信息碼的低頻信號，共有頻率為10.3～29 Hz的18種低頻，相鄰兩種低頻之間相差1.1 Hz，然后采用上行(2000-1，2000-2，2600-1，2600-2)和下行(1700-1，1700-2，2300-1，2300-2)8種載頻調制移頻信號。該信號經兩根電纜，經過匹配變壓器傳輸到室外的調諧單元，同時向主軌道和調諧區(qū)小軌道傳送。主軌道信號通過鋼軌傳輸到接收端，在調諧單元處產生并聯諧振，阻抗較大，信號通過匹配變壓器放大，經過電纜送至室內的電纜模擬網絡盤、衰耗器，然后進行電平調整后送到接收器，調諧區(qū)小軌道信號在調諧單元處產生串聯諧振，阻抗較小，由前方相鄰軌道電路接收端設備處理，接收器接收到規(guī)定范圍的小軌道信號形成小軌道繼電器執(zhí)行條件，送到本區(qū)段的接收器，本區(qū)段的接收器要求同時接收到本區(qū)段主軌道移頻信號和小軌道繼電器執(zhí)行條件，同時滿足要求，才能輸出電壓信號，表示本區(qū)段空閑，從而監(jiān)督列車占用，發(fā)送器根據前方3個區(qū)段軌道繼電器的狀態(tài)進行低頻編碼，ZPW-2000A移頻軌道電路原理結構如下頁圖1所示。

圖1 ZPW-2000A移頻軌道電路原理結構圖

2 改進多分支BP神經網絡

2.1 多分支BP神經網絡模型

BP神經網絡是根據后向傳播調整網絡權值規(guī)則的學習算法，具有輸入層、隱含層和輸出層三層結構，從輸入層經過隱含層到輸出層的計算，其中輸入層和隱含層的權值、閾值均為已知，對輸出值和期望值進行比較，如出現誤差，將誤差反向傳播，逐層調整每層的權重系數，通過誤差的不斷反向傳播修正，使誤差減少，正確率提高[6]，典型的BP神經網絡模型如圖2所示。

圖2 典型BP神經網絡模型圖

多分支神經網絡是基于模塊化和分而治之的思想建立的，可以降低復雜度，具有更好的故障預測性能，應用于故障預測等目標問題。具體思路是：將ZPW-2000A移頻軌道電路故障預測問題進行分解，對每個輸出故障類型構造為獨立的網絡，如此形成同等數目的網絡分支，使N種故障預測問題轉換成了N個并行的兩種故障預測問題，用獨立的3層結構處理某一類的故障診斷問題，故障提取參數組成輸入值向量，判斷將多維故障預測問題變?yōu)槎鄠€并行的兩類故障預測問題，然后采用D-S證據決策融合方法進行分類。因此，降低了故障預測問題的復雜度，分類網絡可以并行計算，大大加快了處理的速度。改進多分支BP神經網絡故障預測結構如圖3所示。

圖3 改進多分支BP神經網絡故障預測模型示意圖

2.2 基于D-S證據的決策融合

多分支BP神經網絡的D-S證據決策融合思路是把分支BP神經網絡的輸出集合，組成為焦元屬性子集，然后計算焦元屬性對目標決策屬性的屬性層面支持度[7]，將訓練樣本的已知輸出值作為理想狀態(tài)向量，將訓練樣本的BP神經網絡計算輸出值作為決策向量，通過計算兩者之間的歐式距離。

其中，tp(i，j)——決策向量；

t*(i，j)——理想狀態(tài)向量。

歐式距離越小，說明理想狀態(tài)向量和決策向量接近程度越高，歐式距離越大，說明理想狀態(tài)向量和決策向量接近程度越低，由上述歐式距離可得目標決策屬性的總支持度Sup(Di)。

Sup(Di)=1-D(Tp(Di)，T*(Di))，i=1，2，…，r

(2)

將總支持度最大的目標決策屬性放在輸出集合中，如集合中只有一個元素即為D-S證據融合決策結果，如集合元素>1個，根據分支BP神經網絡計算得到的概率分配函數進行判斷；如分支元素只有一個即為決策結果，如分支元素>1個，將焦元屬性與計算得到的總支持度的和進行判斷，最大值則為結果。

3 ZPW-2000A移頻軌道電路故障預測

本文應用改進多分支BP神經網絡建立ZPW-2000A移頻軌道電路故障預測的模型，通過對ZPW-2000A移頻軌道電路影響較大的特征參數進行提取[8]，優(yōu)選了發(fā)送器功出電壓US、主軌道輸入電壓UZR、小軌道輸入電壓UXR、小軌繼電器電壓UXG、軌道繼電器軌道線圈電壓Uj等5個特征作為改進多分支BP神經網絡的輸入向量，并設定發(fā)送器功出電壓波動、道床電阻下降、調諧單元損壞、補償電容不良、電纜斷線故障等5種常見故障作為輸出，利用D-S證據進行決策融合預測。模型訓練學習時，從某電務段信號集中監(jiān)測系統設備中選取2 000個包含5種故障類型的樣本進行模型訓練。在測試階段，采用訓練階段得到的改進多分支BP神經網絡模型對1 000個樣本進行預測。

在計算機上采用Matlab7.1編程進行模型仿真試驗，試驗結果如表1所示。

表1 ZPW-2000A移頻軌道電路故障各種預測方法的性能比較表

結果表明：在ZPW-2000A移頻軌道電路故障預測中，改進多分支BP神經網絡的學習時間比支持向量機縮少將近一半，但是識別準確率比支持向量機高4.0%以上，比專家系統、PCM算法等方法具有更大的優(yōu)勢。這說明在有限ZPW-2000A移頻軌道電路故障預測的樣本條件下，在4種預測方法中，多分支BP神經網絡方法具有最優(yōu)的ZPW-2000A移頻軌道電路預測性能。

4 結語

本文根據分而治之和模塊化的思想對BP神經網絡進行改進，將BP神經網絡的故障預測問題劃分為多個分支，并行處理，然后采用D-S證據理論進行決策融合求解故障預測問題，建立了改進的多分支BP神經網絡模型，并對ZPW-2000A移頻軌道電路故障預測進行了仿真，優(yōu)選了5個ZPW-2000A移頻軌道電路的參數作為特征向量，對5類常見故障進行預測。結果表明，本文設計的改進多分支BP神經網絡在準確度和計算效率上都優(yōu)于專家系統、PCM算法和支持向量機，能夠有效地提高ZPW-2000A移頻軌道電路故障預測的正確性和效率。