佘海湘， 易楚陽， 趙 健， 李 旺， 張 恒， 陳 章

(1.中國(guó)鐵路昆明集團(tuán)有限公司普洱基礎(chǔ)設(shè)施段，云南 昆明 665000；2.南昌鐵路局福州機(jī)務(wù)段永安運(yùn)用車間，福建 永安 366000；3.湘潭大學(xué) 自動(dòng)化與電子信息學(xué)院&湖南省多能源協(xié)同控制技術(shù)工程研究中心，湖南 湘潭 411105；4.大功率交流傳動(dòng)電力機(jī)車系統(tǒng)集成國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 株洲 412001；5.中車株洲電機(jī)有限公司，湖南 株洲 412001)

0 引言

截至2020年年底，全國(guó)鐵路營(yíng)業(yè)里程已達(dá)14.63萬千米，其中，電氣化率達(dá)到72.8%.電氣化里程的增加，離不開接觸網(wǎng)的安全運(yùn)行.接觸網(wǎng)是電氣化鐵路所特有的一種供電線路，其結(jié)構(gòu)組成、工作方式十分復(fù)雜，通常沿鐵軌上空架設(shè)，露天布置，且電力機(jī)車容易受到電弓的高速?zèng)_擊，已成為牽引供電系統(tǒng)中的薄弱環(huán)節(jié)，一旦發(fā)生故障，將直接導(dǎo)致弓網(wǎng)之間電流電壓傳輸中斷，致使列車晚點(diǎn)或者停運(yùn)，嚴(yán)重情況下甚至?xí)l(fā)生重大事故.因此，及時(shí)對(duì)接觸網(wǎng)的故障進(jìn)行快速準(zhǔn)確識(shí)別，并制定切合實(shí)際且有效的檢修方案，是確保電氣化鐵路安全運(yùn)行的重要環(huán)節(jié)[1-3].

目前，我國(guó)接觸網(wǎng)的故障識(shí)別大多是采用安裝有該系統(tǒng)的檢測(cè)車對(duì)其參數(shù)進(jìn)行數(shù)據(jù)采集及檢測(cè)，并由接觸網(wǎng)工根據(jù)經(jīng)驗(yàn)做出故障判斷.這種方式往往耗費(fèi)大量時(shí)間，并且檢測(cè)結(jié)果長(zhǎng)期滯后，無法滿足鐵路系統(tǒng)及時(shí)準(zhǔn)確的檢測(cè)要求.國(guó)外鐵路運(yùn)輸?shù)慕佑|網(wǎng)檢測(cè)方式主要分為接觸型與非接觸型兩種[4-5]，其中，接觸型以德國(guó)、法國(guó)、日本等國(guó)家為代表，主要運(yùn)用接觸式的檢測(cè)方式，對(duì)反映弓網(wǎng)關(guān)系的參數(shù)進(jìn)行檢測(cè)；非接觸型以韓國(guó)、意大利等國(guó)家為代表，運(yùn)用非接觸式檢測(cè)方式，對(duì)接觸網(wǎng)幾何參數(shù)進(jìn)行測(cè)試，從而發(fā)現(xiàn)接觸網(wǎng)的靜態(tài)特性是否滿足運(yùn)行要求.

近年來，隨著故障識(shí)別領(lǐng)域研究的深入，貝葉斯分析法[6]、故障樹分析法[7]、圖像法[8]、故障Petri法[9]、基于多元統(tǒng)計(jì)學(xué)的方法[10]、基于機(jī)器學(xué)習(xí)的方法[11]等得以運(yùn)用.S. Huang等[12]針對(duì)接觸網(wǎng)中容易出現(xiàn)的電弧現(xiàn)象，提出一種采用卷積神經(jīng)網(wǎng)絡(luò)的電弧辨識(shí)模型，通過檢測(cè)車拍攝的圖片識(shí)別接觸網(wǎng)運(yùn)行過程中出現(xiàn)的電弧發(fā)生位置及大小，具有較高的識(shí)別精度、魯棒性與快速性.康高強(qiáng)等[13]通過構(gòu)建快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region Convolutional Neural Network，R-CNN)模型對(duì)接觸網(wǎng)支撐裝置中旋轉(zhuǎn)雙耳開口銷釘缺失故障進(jìn)行檢測(cè)，實(shí)現(xiàn)了該類型故障的精確定位與檢測(cè).裴曉瓊等[14]從故障指示器的構(gòu)成與基本原理出發(fā)，有效感知接觸網(wǎng)設(shè)備各組成部分的不同故障，進(jìn)而有效提高故障查找和搶修的速度，但是部分場(chǎng)合并不適合安裝故障指示器.文獻(xiàn)[15]采用粒子群算法改進(jìn)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)故障診斷，但人工神經(jīng)網(wǎng)絡(luò)需要設(shè)置大量參數(shù)，且運(yùn)行時(shí)間較長(zhǎng).Z. Liu等[16]以接觸網(wǎng)幾何參數(shù)為對(duì)象，提出了一種基于視覺技術(shù)的高精度檢測(cè)方法，采用粒子群算法改進(jìn)遺傳粒子濾波算法(Genetic Particle Filter Algorithm based on Particle Swarm Optimization，PSO-GPFA)對(duì)接觸網(wǎng)圖像中的光斑進(jìn)行定位，利用空間坐標(biāo)變換法計(jì)算接觸線高度，最終利用卡爾曼濾波法實(shí)現(xiàn)接觸網(wǎng)集合參數(shù)的修正，能夠滿足接觸網(wǎng)檢測(cè)參數(shù)高精度的檢測(cè)要求.

針對(duì)上述存在的檢測(cè)方式滯后、需要依靠人工識(shí)別、無法快速準(zhǔn)確地進(jìn)行接觸網(wǎng)故障智能識(shí)別等問題，本文提出一種基于動(dòng)態(tài)協(xié)同更新機(jī)制改進(jìn)粒子群優(yōu)化極限學(xué)習(xí)機(jī)(Dynamic Collaborative Update Mechanism Improved Particle Swarm Optimization to optimize Extreme Learning Machine，DCUMPSO-ELM)的接觸網(wǎng)故障智能識(shí)別方法.首先，依據(jù)接觸網(wǎng)技術(shù)標(biāo)準(zhǔn)確定故障類型及相應(yīng)的標(biāo)簽指標(biāo)；然后，對(duì)原始粒子群算法進(jìn)行改進(jìn)，提高尋優(yōu)能力，建立基于動(dòng)態(tài)協(xié)同更新機(jī)制的接觸網(wǎng)故障智能識(shí)別模型；最后，根據(jù)建立的故障識(shí)別模型進(jìn)行接觸網(wǎng)故障智能識(shí)別仿真實(shí)驗(yàn)分析.

1 基本原理與技術(shù)

1.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是一種基于單隱含層前饋類型的神經(jīng)網(wǎng)絡(luò)求解的算法模型[17]，其權(quán)重與偏置可以隨機(jī)初始化.與神經(jīng)網(wǎng)絡(luò)方法相比，該方法更加快速簡(jiǎn)便，需要設(shè)置的參數(shù)更少.典型的極限學(xué)習(xí)機(jī)結(jié)構(gòu)包含輸入層、隱含層和輸出層三大部分，如圖1所示.

圖1 典型的極限學(xué)習(xí)機(jī)結(jié)構(gòu)Fig.1 Typical structure of extreme learning machine

若共有N組樣本數(shù)據(jù)(xi,yi)，且xi=[xi1,xi2,…,xin]T∈Rn，yi=[yi1,yi2,…,yim]T∈Rm，則極限學(xué)習(xí)機(jī)的基本實(shí)現(xiàn)原理可表示如下：

(1)

式中：ωi為輸入神經(jīng)元與第i個(gè)隱含層節(jié)點(diǎn)的連接權(quán)重；bi為隱含層節(jié)點(diǎn)的偏置；ωi·xj為ωi與xj的內(nèi)積；f(·)為隱含層的激活函數(shù)；h為隱含層節(jié)點(diǎn)的數(shù)量；βi為輸出權(quán)重；oj為極限學(xué)習(xí)機(jī)的輸出值.

通過不斷的迭代學(xué)習(xí)，極限學(xué)習(xí)機(jī)在理論上可無限逼近樣本的實(shí)際值，使識(shí)別結(jié)果的誤差降到最小，即

(2)

也就是說，存在βi、ωi和bi，使得

(3)

在此基礎(chǔ)上，式(3)可以簡(jiǎn)寫為式(4)：

Hβ=T

(4)

式中，H、β和T的表達(dá)式分別用式(5)、式(6)、式(7)表示：

(5)

β=[β1,β2,…,βl]T，

(6)

T=[t1,t2,…,tN]T，

(7)

式中：H是隱含層的輸出矩陣；T是期望輸出；β是輸出權(quán)重.

與傳統(tǒng)的基于梯度下降法的智能算法模型不同，ELM在迭代過程中所需調(diào)整的參數(shù)更少，其主要參數(shù)連接權(quán)重ωi和隱含層節(jié)點(diǎn)的偏置bi是隨機(jī)確定的，即H確定.此時(shí)，只需通過式(8)求出輸出權(quán)重：

(8)

式中，H+為H的Moore-Penrose廣義逆.

1.2 粒子群算法

粒子群算法是一種基于鳥群捕食行為的迭代優(yōu)化算法[18]，由Kennedy和Eberhart共同提出.該智能算法通過反復(fù)迭代，在合作中競(jìng)爭(zhēng)，在競(jìng)爭(zhēng)中合作，以此來尋找全局最優(yōu)解.粒子群算法中的每一個(gè)粒子都對(duì)應(yīng)一個(gè)初始位置和速度，并且在迭代過程中不斷更新.每個(gè)粒子位置和速度更新規(guī)則如下：

(9)

(10)

式中：Vij表示第i個(gè)粒子當(dāng)前所在位置；Zij表示第i個(gè)粒子的當(dāng)前速度；α為慣性權(quán)重；l為當(dāng)前迭代次數(shù)；Pij為第i個(gè)粒子的個(gè)體最優(yōu)位置；Pgj為粒子群的全局最優(yōu)位置；c1、c2為學(xué)習(xí)因子；r1與r2均為[0, 1]范圍內(nèi)的隨機(jī)數(shù).

為提高全局尋優(yōu)能力，慣性權(quán)重α應(yīng)盡可能設(shè)置為較大的數(shù).本文慣性權(quán)重按式(11)設(shè)置：

(11)

式中，L為最大迭代次數(shù).

2 接觸網(wǎng)故障識(shí)別模型的建立

接觸網(wǎng)是電氣化鐵路牽引供電系統(tǒng)中的關(guān)鍵一環(huán)，其能否安全穩(wěn)定運(yùn)行直接影響著鐵路運(yùn)輸是否能良好進(jìn)行.由于工作環(huán)境的特殊性，故障時(shí)有發(fā)生.在接觸網(wǎng)眾多故障類型中，參數(shù)故障對(duì)接觸網(wǎng)的整體運(yùn)行狀態(tài)影響較大.選取接觸網(wǎng)系統(tǒng)中的常見檢測(cè)參數(shù)，對(duì)它們進(jìn)行故障識(shí)別，以便為接觸網(wǎng)的安全運(yùn)行提供一種新的快速的保障方法.

2.1 接觸網(wǎng)故障標(biāo)準(zhǔn)

根據(jù)《接觸網(wǎng)安全工作規(guī)程》《接觸網(wǎng)運(yùn)行檢修規(guī)程》等鐵路規(guī)章制度，本文選取接觸線高度、拉出值以及定位器坡度3個(gè)參數(shù)作為研究對(duì)象.

接觸線高度是指懸掛定位點(diǎn)處接觸線距離軌平面的高度.接觸線過高，會(huì)導(dǎo)致弓網(wǎng)系統(tǒng)接觸不良，從而引起離線的發(fā)生；過低則會(huì)增大接觸磨耗，縮短元件的使用壽命.接觸線高度不得超過6 500 mm；對(duì)于區(qū)間以及中間站而言，不得比5 700 mm低；對(duì)于極少數(shù)較大的中間站站場(chǎng)、鐵路編組站以及運(yùn)行區(qū)段站，不得低于6 200 mm；同時(shí)，根據(jù)具體運(yùn)行需要，站場(chǎng)和區(qū)間應(yīng)當(dāng)保持一致.

拉出值是指接觸線在定位點(diǎn)處偏離受電弓中心的距離.拉出值若選取合適，將可以保證電力機(jī)車在運(yùn)行過程中受電弓與接觸線長(zhǎng)時(shí)間均勻摩擦，不會(huì)導(dǎo)致脫弓事故的發(fā)生.根據(jù)運(yùn)行速度的不同，拉出值通常以120 km/h為界限，分為兩部分：120 km/h以下區(qū)段，直線區(qū)域的拉出值為(300±100) mm，曲線區(qū)域拉出值為300～450 mm；120 km/h及以上區(qū)段，無論是直線區(qū)域還是曲線區(qū)域，拉出值均為(設(shè)計(jì)值±50) mm.

定位器坡度是影響受電弓與接觸線之間受流質(zhì)量的指標(biāo)之一，受流性能良好將保證接觸網(wǎng)以及電力機(jī)車的安全運(yùn)行.定位裝置的正確安裝是保持弓網(wǎng)正常運(yùn)行的必要條件，因此定位器坡度的大小需要符合技術(shù)標(biāo)準(zhǔn)的要求.在技術(shù)標(biāo)準(zhǔn)中，120 km/h以下區(qū)段為1/10～1/5，困難條件下不超過1/10～1/3.

2.2 故障類型及識(shí)別指標(biāo)設(shè)計(jì)

接觸線高度、拉出值、定位器坡度等參數(shù)的正常與否，都直接影響著接觸網(wǎng)能否正常運(yùn)行.接觸線高度是接觸網(wǎng)質(zhì)量的重要組成部分，屬于安全性能指標(biāo)，不僅很大程度上影響著受電弓的受流質(zhì)量，而且會(huì)引發(fā)列車停運(yùn)等嚴(yán)重事故.拉出值的大小對(duì)接觸線的穩(wěn)定性和弓網(wǎng)關(guān)系均有直接影響[19].選取適當(dāng)?shù)睦鲋?，將有效減少定位器拉力的變化，從而增強(qiáng)接觸線的穩(wěn)定性，減少弓網(wǎng)故障的發(fā)生.反之，拉出值過大或過小，會(huì)大大增加弓網(wǎng)故障發(fā)生的概率，也不利于接觸線的穩(wěn)定[20].定位器坡度也是影響弓網(wǎng)關(guān)系的重要參數(shù)，不僅要因地制宜考慮地形地貌的影響，而且要滿足自身受力和弓網(wǎng)結(jié)構(gòu)的要求.坡度過大或過小，都將引發(fā)接觸網(wǎng)的故障[21].

對(duì)上述3個(gè)參數(shù)所可能引發(fā)的故障進(jìn)行準(zhǔn)確識(shí)別，將有效減少故障的出現(xiàn).因此，結(jié)合技術(shù)標(biāo)準(zhǔn)與實(shí)際數(shù)據(jù)，本文設(shè)計(jì)4種不同的故障識(shí)別指標(biāo)，每一指標(biāo)分別對(duì)應(yīng)一種故障類型，具體如下：

指標(biāo)“1”：正常數(shù)據(jù)，即接觸線高度、拉出值、定位器坡度均符合技術(shù)標(biāo)準(zhǔn)要求；

指標(biāo)“2”：接觸線高度發(fā)生故障，拉出值與定位器坡度符合要求；

指標(biāo)“3”：拉出值發(fā)生故障，接觸線高度與定位器坡度符合要求；

指標(biāo)“4”：定位器坡度發(fā)生故障，接觸線高度與拉出值符合要求.

3 基于動(dòng)態(tài)協(xié)同更新機(jī)制的接觸網(wǎng)故障智能識(shí)別模型

傳統(tǒng)基于PSO-ELM的方法中，PSO算法中慣性權(quán)重通常為常權(quán)重或者線性變化權(quán)重，學(xué)習(xí)因子通常取為定值，這樣雖然在一定程度上具有較好的優(yōu)化能力，但是隨著數(shù)據(jù)的復(fù)雜多變與迭代次數(shù)的增加，傳統(tǒng)PSO算法中參數(shù)的設(shè)置變化方式已經(jīng)越來越不適用，優(yōu)化能力有所欠缺.基于此，本節(jié)提出一種采用動(dòng)態(tài)協(xié)同更新機(jī)制優(yōu)化PSO的方法，旨在提高PSO算法的全局最優(yōu)能力，保持PSO良好的收斂性.

3.1 動(dòng)態(tài)協(xié)同更新機(jī)制

本文提出的動(dòng)態(tài)協(xié)同更新機(jī)制主要面向慣性權(quán)重與學(xué)習(xí)因子兩大類型參數(shù)，通過動(dòng)態(tài)協(xié)同更新機(jī)制，改進(jìn)傳統(tǒng)PSO算法的參數(shù)變化方式，以達(dá)到更好的尋優(yōu)能力.動(dòng)態(tài)協(xié)同更新機(jī)制的具體改進(jìn)方法如下：

(1)針對(duì)慣性權(quán)重進(jìn)行改進(jìn)

針對(duì)標(biāo)準(zhǔn)PSO算法采用常權(quán)重或者采用線性變化策略的權(quán)重方法可能導(dǎo)致局部最優(yōu)或收斂速度較慢等問題，提出一種采用非線性變化策略的慣性權(quán)重方法，非線性變化的慣性權(quán)重如式(12)所示.

(12)

式中：αmax為慣性權(quán)重最大值；αmin為慣性權(quán)重最小值.

(2)針對(duì)學(xué)習(xí)因子進(jìn)行改進(jìn)

在標(biāo)準(zhǔn)PSO算法中，學(xué)習(xí)因子均設(shè)置為定值，這樣會(huì)導(dǎo)致粒子的尋優(yōu)能力一直不變.為提高全局最優(yōu)解的獲得能力，粒子在尋優(yōu)的初期，應(yīng)具備較強(qiáng)的個(gè)體學(xué)習(xí)能力，在尋優(yōu)后期應(yīng)具備較強(qiáng)的社會(huì)學(xué)習(xí)能力，因此，根據(jù)算法的尋優(yōu)情況適時(shí)改變粒子的尋優(yōu)能力是有必要的.基于此，本文提出一種采用非線性變化策略調(diào)整學(xué)習(xí)因子，具體如下：

(13)

(14)

式中：c1為個(gè)體學(xué)習(xí)因子；c1max與c1min分別為個(gè)體學(xué)習(xí)因子的最大值與最小值；c2為社會(huì)學(xué)習(xí)因子；c2min與c2max分別為社會(huì)學(xué)習(xí)因子的最小值與最大值.個(gè)體學(xué)習(xí)因子與社會(huì)學(xué)習(xí)因子隨迭代次數(shù)的變化曲線圖分別如圖2和圖3所示.

圖2 個(gè)體學(xué)習(xí)因子變化曲線圖 圖3 社會(huì)學(xué)習(xí)因子變化曲線圖 Fig.2 Variation curve of individual learning foctor Fig.3 Varition cruve of social leraning factor

3.2 基于DCUMPSO-ELM的接觸網(wǎng)故障智能識(shí)別模型的實(shí)現(xiàn)

ELM算法是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)的方法，其參數(shù)設(shè)置較少，且能夠隨機(jī)產(chǎn)生權(quán)重與偏置，學(xué)習(xí)速度極快，識(shí)別性能良好，因而可以作為接觸網(wǎng)故障識(shí)別的基本方法.采用動(dòng)態(tài)協(xié)同更新機(jī)制的粒子群算法能夠有效改變傳統(tǒng)PSO算法存在收斂速度較慢與陷入局部最優(yōu)的缺陷，提高收斂速度與全局最優(yōu)性.因此，本文采用基于動(dòng)態(tài)協(xié)同更新機(jī)制改進(jìn)PSO-ELM的智能方法來實(shí)現(xiàn)接觸網(wǎng)故障類別的識(shí)別，在提高識(shí)別精度的前提下，有效減少ELM的隱含層節(jié)點(diǎn)數(shù)，滿足接觸網(wǎng)故障識(shí)別快速精確的需求.基于DCUMPSO-ELM的接觸網(wǎng)故障智能識(shí)別方法的實(shí)現(xiàn)流程如圖4所示，故障識(shí)別具體步驟如下：

步驟1：確定接觸網(wǎng)各樣本數(shù)據(jù).包括訓(xùn)練樣本、測(cè)試樣本，并針對(duì)原始數(shù)據(jù)存在的量綱差異，進(jìn)行無量綱預(yù)處理.

步驟2：設(shè)計(jì)故障識(shí)別指標(biāo).分別針對(duì)每一類型的故障設(shè)置相應(yīng)的標(biāo)簽指標(biāo)，并通過該指標(biāo)結(jié)合接觸網(wǎng)故障智能識(shí)別模型進(jìn)行詳細(xì)分析.

步驟3：建立DCUMPSO-ELM的接觸網(wǎng)故障智能算法識(shí)別模型，并設(shè)置DCUMPSO的參數(shù)與ELM的參數(shù).

步驟4：確定適應(yīng)度值函數(shù).求出個(gè)體最優(yōu)解與全局最優(yōu)解，并計(jì)算此時(shí)適應(yīng)度值.

步驟5：初始化每個(gè)粒子的速度和位置，在迭代過程中不斷更新.

步驟6：判斷運(yùn)行結(jié)果是否滿足要求，即是否達(dá)到最大迭代次數(shù)或是否產(chǎn)生全局最優(yōu)解.若滿足要求，迭代停止；若不滿足要求，轉(zhuǎn)至步驟4，繼續(xù)迭代，直至結(jié)果滿足要求.

圖4 基于DCUMPSO-ELM的接觸網(wǎng)故障智能識(shí)別流程圖Fig.4 Flow chart of catenary fault intelligent identification based on DCUMPSO-ELM

3.3 接觸網(wǎng)故障智能識(shí)別評(píng)價(jià)指標(biāo)

為確定接觸網(wǎng)故障智能識(shí)別方法的性能及效果，本文采用均方誤差(Mean Squared Error，MSE)、決定系數(shù)(R2)、精確度(Accuracy)以及運(yùn)行時(shí)間(t)4個(gè)指標(biāo).均方誤差MSE越小，決定系數(shù)越大，精確度越高，說明接觸網(wǎng)故障識(shí)別準(zhǔn)確度越高；運(yùn)行時(shí)間越短，說明識(shí)別速度越快.只有同時(shí)滿足高精度、低誤差、運(yùn)行時(shí)間短等要求的方法，才能滿足電氣化鐵路接觸網(wǎng)故障智能識(shí)別的需求.均方誤差、決定系數(shù)以及精確度計(jì)算公式如下：

(15)

(16)

(17)

4 仿真實(shí)驗(yàn)分析

選取某供電段接觸網(wǎng)檢測(cè)數(shù)據(jù)作為數(shù)據(jù)來源，選擇其中直線段部分的數(shù)據(jù)作為樣本，其中訓(xùn)練樣本為640組，測(cè)試樣本為120組.根據(jù)第2部分技術(shù)標(biāo)準(zhǔn)中的說明，結(jié)合該供電段所轄區(qū)域的地形情況，3個(gè)參數(shù)范圍確定如下：接觸線高度不低于5 700 mm，不高于6 500 mm；拉出值不低于200 mm，不高于400 mm；定位器坡度范圍為1/10～1/3(不包括1/3與1/10)，不在此標(biāo)準(zhǔn)范圍中的參數(shù)值視為對(duì)應(yīng)參數(shù)發(fā)生故障.按此范圍，給每個(gè)樣本唯一對(duì)應(yīng)的指標(biāo).訓(xùn)練樣本中，4個(gè)指標(biāo)對(duì)應(yīng)樣本均為160組；測(cè)試樣本中，4個(gè)指標(biāo)對(duì)應(yīng)樣本均為30組.

4.1 參數(shù)設(shè)置

在本文中，最大迭代次數(shù)為100次，DCUMPSO-ELM的慣性權(quán)重α按式(12)求解，αmax=1.4，αmin=0.1，每次迭代產(chǎn)生一個(gè)慣性權(quán)重，種群數(shù)量設(shè)置為30，個(gè)體學(xué)習(xí)因子按式(13)變化，參數(shù)設(shè)置為c1max=3，c1min=0.5，社會(huì)學(xué)習(xí)因子按式(14)變化，參數(shù)設(shè)置為c2min=0.5，c2max=3.

對(duì)于ELM，采用3層網(wǎng)絡(luò)結(jié)構(gòu)，通過反復(fù)嘗試，選擇“sig”函數(shù)作為激活函數(shù)，隱含層節(jié)點(diǎn)為115個(gè).輸入為接觸線高度、拉出值與定位器坡度3個(gè)參數(shù)，輸出為前文確定的故障類型對(duì)應(yīng)標(biāo)簽指標(biāo).

4.2 DCUMPSO-ELM方法有效性驗(yàn)證實(shí)驗(yàn)

為驗(yàn)證本文提出的基于動(dòng)態(tài)協(xié)同更新機(jī)制的DCUMPSO-ELM方法的收斂速度與收斂性能，分別將標(biāo)準(zhǔn)PSO-ELM(線性-定值)、慣性權(quán)重非線性變化而學(xué)習(xí)因子不變的PSO-ELM(非線性-定值)、慣性權(quán)重線性變化而學(xué)習(xí)因子變化PSO-ELM(線性-變值)，以及DCUMPSO-ELM(非線性-變值)迭代100次，觀察各算法適應(yīng)度函數(shù)的收斂情況，結(jié)果如圖5所示.

圖5 不同改進(jìn)方式的適應(yīng)度函數(shù)收斂情況圖Fig.5 Convergence of fitness fanction in different improved methods

從圖5中可以直觀看出：一方面，本文提出的基于動(dòng)態(tài)協(xié)同更新機(jī)制的DCUMPSO-ELM(非線性-變值)方法的收斂速度最快，在第52次迭代時(shí)就已達(dá)到收斂，而此時(shí)另外3種方法均未達(dá)到收斂；另一方面，本文提出的基于動(dòng)態(tài)協(xié)同更新機(jī)制的DCUMPSO-ELM方法的適應(yīng)度函數(shù)值更小，為0.064 77，而其余3種方法的適應(yīng)度函數(shù)值均處于0.066～0.070之間，從以上兩方面考慮，本文提出的DCUMPSO-ELM方法收斂速度更快，性能更優(yōu)，可以被用于接觸網(wǎng)故障智能識(shí)別的模型建立與分析中.

4.3 接觸網(wǎng)故障智能識(shí)別仿真實(shí)驗(yàn)及分析

經(jīng)上文分析可得，本文提出的基于動(dòng)態(tài)協(xié)同更新機(jī)制的DCUMPSO-ELM方法在同等參數(shù)設(shè)置條件下，收斂速度更快，適應(yīng)度函數(shù)值更小，因此，本文綜合電氣化鐵路接觸網(wǎng)故障識(shí)別快速性、高精度等要求考慮，將DCUMPSO-ELM應(yīng)用于電氣化鐵路接觸網(wǎng)故障智能識(shí)別中，根據(jù)設(shè)置完成的實(shí)驗(yàn)參數(shù)，完成接觸網(wǎng)故障智能識(shí)別仿真實(shí)驗(yàn)及分析，并分別與傳統(tǒng)粒子群算法優(yōu)化極限學(xué)習(xí)機(jī)(Particle Swarm Optimization to optimize Extreme Learning Machine，PSO-ELM)、粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(Particle Swarm Optimization to optimize BP Neural Network，PSO-BP)、極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)等方法進(jìn)行識(shí)別性能比較，識(shí)別結(jié)果如圖6所示.從圖中可以直觀看出，本文提出的DCUMPSO-ELM方法故障識(shí)別精確度最高，正確識(shí)別樣本數(shù)達(dá)到118組，精確度為98.333 3%，識(shí)別效果最好，可以準(zhǔn)確對(duì)接觸網(wǎng)的各種故障進(jìn)行智能識(shí)別；而其余3種方法正確識(shí)別的樣本數(shù)量均低于DCUMPSO-ELM，說明其余3種方法故障識(shí)別精度均低于本文提出的方法.

由于算法每一次運(yùn)行的效果是隨機(jī)的，為再次確認(rèn)DCUMPSO-ELM在接觸網(wǎng)故障智能識(shí)別中的高精準(zhǔn)性，本文將上述4種算法分別運(yùn)行10次，得到各性能評(píng)價(jià)指標(biāo)的變化情況如圖7所示.圖7共由4張子圖構(gòu)成，分別為4種方法的MSE誤差變化圖、決定系數(shù)變化圖、精確度變化圖和運(yùn)行時(shí)間變化圖.從4張圖中可以看出，本文提出的DCUMPSO-ELM誤差最小、決定系數(shù)最大、識(shí)別精確度最高，運(yùn)行時(shí)間雖然不如原始ELM那么快，但是識(shí)別精確度卻比ELM高得多，并且DCUMPSO-ELM的平均運(yùn)行時(shí)間也僅為18.82 s，在保證識(shí)別精確度的前提下運(yùn)行速度依舊較快，能夠滿足接觸網(wǎng)系統(tǒng)故障智能識(shí)別的需求.

圖7 基于不同方法的接觸網(wǎng)故障識(shí)別性能對(duì)比圖Fig.7 Comparison of catenary fault identification performance based on different methods

根據(jù)運(yùn)行結(jié)果，可算出各算法故障智能識(shí)別效果的平均值，結(jié)果如表1所示.結(jié)果表明，基于DCUMPSO-ELM的接觸網(wǎng)故障識(shí)別精確度達(dá)到97.666 7%，且運(yùn)行時(shí)間僅需18.82 s，整體精確度很高，速度也很快，能夠滿足接觸網(wǎng)系統(tǒng)快速、準(zhǔn)確識(shí)別故障的要求，為接觸網(wǎng)故障識(shí)別提供了一種新的方法，具有一定的應(yīng)用價(jià)值.基于PSO-ELM的故障識(shí)別方法精確度比基于動(dòng)態(tài)協(xié)同更新機(jī)制改進(jìn)后的方法低一些，運(yùn)行時(shí)間幾乎達(dá)到改進(jìn)后的方法的2倍，與DCUMPSO-ELM相比，其識(shí)別性能略微遜色，不太適合接觸網(wǎng)系統(tǒng)快速識(shí)別故障的要求.基于PSO-BP的故障識(shí)別方法，其識(shí)別時(shí)間過長(zhǎng)且識(shí)別精度較低；基于ELM的方法，雖然運(yùn)算時(shí)間很短，但是識(shí)別精確度較低，無法用于接觸網(wǎng)故障快速準(zhǔn)確的智能識(shí)別中.

表1 不同算法運(yùn)行效果平均值對(duì)比

5 結(jié)論

本文針對(duì)當(dāng)前接觸網(wǎng)容易發(fā)生故障且故障識(shí)別耗時(shí)過長(zhǎng)、識(shí)別精確度較低等問題，提出一種基于動(dòng)態(tài)協(xié)同更新機(jī)制的接觸網(wǎng)故障智能識(shí)別方法，有效提高了電氣化鐵路接觸網(wǎng)故障識(shí)別的精度，同時(shí)降低了故障識(shí)別的運(yùn)行時(shí)間，為接觸網(wǎng)故障的識(shí)別提供了一種新的智能方法與思路.通過詳細(xì)研究分析，得出以下結(jié)論：

(1)采用動(dòng)態(tài)協(xié)同更新機(jī)制對(duì)原始粒子群算法的慣性權(quán)重與學(xué)習(xí)因子進(jìn)行優(yōu)化，使得改進(jìn)后的粒子群優(yōu)化極限學(xué)習(xí)機(jī)模型全局尋優(yōu)能力更強(qiáng)，收斂速度更快；

(2)本文所提出的基于動(dòng)態(tài)協(xié)同更新機(jī)制的接觸網(wǎng)故障智能識(shí)別方法(DCUMPSO-ELM)，故障識(shí)別的平均精確度達(dá)到97.666 7%，與PSO-ELM、PSO-BP、ELM等方法相比，其故障識(shí)別精確度更高，誤差更低，運(yùn)行時(shí)間更滿足要求，綜合性能更優(yōu)，是電氣化鐵路接觸網(wǎng)故障識(shí)別研究的一種新的智能方法.