郭井寬

(中國電氣裝備集團(tuán)科學(xué)技術(shù)研究院有限公司，200436，上?！胃呒壒こ處?

地鐵列車塞拉門結(jié)構(gòu)復(fù)雜、零件繁多、檢修工作量大，難以發(fā)現(xiàn)其諸多故障隱患。一旦發(fā)生塞拉門故障，就會(huì)嚴(yán)重威脅地鐵列車的安全運(yùn)行。當(dāng)前主要由檢測工人在列車停運(yùn)時(shí)通過對塞拉門內(nèi)部組件的檢測，來診斷塞拉門故障。但人工檢測結(jié)果受檢測工人熟練程度的影響較大，且對微小故障的檢測難度大，易遺漏車門故障隱患，從而導(dǎo)致地鐵列車在運(yùn)行過程中發(fā)生故障。2017年，上海地鐵列車在運(yùn)行中曾發(fā)生未能正常關(guān)閉車門即屬于此類故障。

地鐵列車塞拉門故障的在線檢測研究在國內(nèi)外尚屬新興的領(lǐng)域。研究學(xué)者利用相關(guān)歷史數(shù)據(jù)結(jié)合故障樹技術(shù)[1-2]、貝葉斯網(wǎng)絡(luò)[3]搭建了眾多應(yīng)用于地鐵列車塞拉門故障檢測的模型。文獻(xiàn)[4]利用故障樹技術(shù)；文獻(xiàn)[5]利用貝葉斯網(wǎng)絡(luò)都對地鐵車門可靠性進(jìn)行了分析；文獻(xiàn)[6]建立了基于擴(kuò)展Petri網(wǎng)的地鐵車門系統(tǒng)故障診斷模型；文獻(xiàn)[7]利用聲音信號(hào)易于采集的優(yōu)點(diǎn)，提出了一種基于多向鄰域保持嵌入算法和改進(jìn)粒子群優(yōu)化的混合核SVM(支持向量機(jī))算法的列車塞拉門故障診斷模型。這些模型在很大程度上克服了人工檢測的缺點(diǎn)，便于相關(guān)工作人員及時(shí)定位故障與排查，降低故障損失[8]，為地鐵列車塞拉門的日常維護(hù)工作提供了依據(jù)[9]。然而，目前的診斷模型很少涉及到下?lián)蹁N及壓輪故障等塞拉門典型故障的檢測，我國在相關(guān)領(lǐng)域的研究仍較少。文獻(xiàn)[10]對地鐵列車塞拉門下?lián)蹁N及壓輪故障的檢測進(jìn)行了相關(guān)研究，通過對電機(jī)電流進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解、奇異值分解等分析處理來提取原始電流信號(hào)的特征，并結(jié)合支持向量機(jī)算法實(shí)現(xiàn)了對地鐵列車塞拉門下?lián)蹁N及壓輪故障的較高精度的檢測。但其數(shù)據(jù)處理過程較為復(fù)雜，檢測精度還可進(jìn)一步提高。

本文通過仔細(xì)分析電機(jī)電流信號(hào)發(fā)現(xiàn)：雖然在原始的電機(jī)電流時(shí)域信號(hào)中，下?lián)蹁N及壓輪故障的特征差異不明顯，但對電機(jī)電流信號(hào)進(jìn)行一定的預(yù)處理后，不同狀態(tài)下的時(shí)域波形存在著較為明顯的差異；對不同狀態(tài)下的電流數(shù)據(jù)提取合適的時(shí)域特征，即能實(shí)現(xiàn)對不同故障類型的分類?；谏鲜龇治觯疚耐ㄟ^提取電機(jī)電流信號(hào)的時(shí)域特征，基于Dropout法優(yōu)化的BP(后向傳播)神經(jīng)網(wǎng)絡(luò)理論，建立了一種地鐵列車塞拉門下?lián)蹁N及壓輪故障的檢測模型。利用實(shí)測塞拉門電機(jī)電流數(shù)據(jù)對該方法檢測。結(jié)果表明，該方法可在地鐵列車塞拉門下?lián)蹁N及壓輪故障的實(shí)際檢測中獲得較為優(yōu)異的效果。

1 地鐵列車塞拉門典型故障檢測理論

通過車輛段現(xiàn)場實(shí)際調(diào)研，綜合分析車輛段歷史維修記錄數(shù)據(jù)發(fā)現(xiàn)，在塞拉門系統(tǒng)中下?lián)蹁N及壓輪出現(xiàn)故障的頻次相對較高，在塞拉門系統(tǒng)故障中較為典型。因此，本文選用下?lián)蹁N故障及壓輪故障作為本文故障診斷的研究對象，開展相關(guān)故障診斷研究。

1.1 下?lián)蹁N及壓輪故障檢測機(jī)理與路線

地鐵列車塞拉門的下?lián)蹁N部件和壓輪部件分別如圖1及圖2所示[10]。

圖1 塞拉門下?lián)蹁N示意圖

圖2 塞拉門壓輪示意圖

當(dāng)列車車門執(zhí)行開關(guān)動(dòng)作時(shí)，電機(jī)輸出的動(dòng)力最終傳遞到絲桿上，使絲桿在轉(zhuǎn)動(dòng)的同時(shí)帶動(dòng)車門水平移動(dòng)。在正常狀態(tài)下，下?lián)蹁N隨著塞拉門的關(guān)門動(dòng)作在擋塊滑道中做無接觸運(yùn)動(dòng)，并在關(guān)門到位后起固定門頁的作用。而當(dāng)下?lián)蹁N發(fā)生故障與擋塊滑道發(fā)生接觸時(shí)，會(huì)引起關(guān)門過程中的局部阻力異常，產(chǎn)生一定的反向力矩，并通過塞拉門內(nèi)部機(jī)械傳動(dòng)結(jié)構(gòu)反作用于塞拉門的驅(qū)動(dòng)電機(jī)，使作為主動(dòng)機(jī)構(gòu)的電機(jī)產(chǎn)生異于常態(tài)的波動(dòng)力矩[11]，同時(shí)導(dǎo)致電機(jī)電流發(fā)生與之相對應(yīng)的變化。塞拉門壓輪部件在正常工作時(shí)，壓輪僅在末端嚙合對門扇進(jìn)行壓緊，并不會(huì)對車門產(chǎn)生阻力。但當(dāng)壓輪位置發(fā)生偏移并產(chǎn)生干涉時(shí)，同樣會(huì)引起開關(guān)門過程中的局部阻力異常，并反作用于塞拉門驅(qū)動(dòng)電機(jī)，導(dǎo)致電機(jī)電流產(chǎn)生與之相對應(yīng)的變化。因此，通過將電機(jī)電流信號(hào)作為原始數(shù)據(jù)進(jìn)行分析，基本能實(shí)現(xiàn)對塞拉門下?lián)蹁N及壓輪的故障檢測[10]。

基于上述理論，本文將不同狀態(tài)下的電機(jī)電流信號(hào)的差異性作為故障判斷的依據(jù)，對在正常、下?lián)蹁N故障及壓輪故障三種狀態(tài)下的電機(jī)電流進(jìn)行數(shù)據(jù)預(yù)處理及時(shí)域特征提取，并將之與BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合，結(jié)合Dropout算法完成對模型的訓(xùn)練，最終建立塞拉門下?lián)蹁N及壓輪的故障檢測模型，實(shí)現(xiàn)對地鐵列車塞拉門下?lián)蹁N及壓輪的故障檢測。故障檢測實(shí)現(xiàn)路線如圖3所示。

圖3 故障檢測流程圖

1.2 特征提取及分析

當(dāng)前，對不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域分析主要采用平均幅值、均方根、最大值、方差、波形因子、脈沖因子、峭度因子等統(tǒng)計(jì)指標(biāo)來表征數(shù)據(jù)特性。部分時(shí)域分析常用的特征參數(shù)如表1所示。

表1 部分時(shí)域分析常用的特征參數(shù)

在對電機(jī)電流信號(hào)的時(shí)域分析中發(fā)現(xiàn)，在對電機(jī)電流信號(hào)的時(shí)域數(shù)據(jù)進(jìn)行一定的預(yù)處理后，不同故障狀態(tài)下的電機(jī)電流數(shù)據(jù)在時(shí)域上的波形存在較為明顯的差異。這種差異在關(guān)門過程末端的時(shí)域波形上體現(xiàn)得最為明顯。因此，對電機(jī)電流信號(hào)可提取其時(shí)域特征進(jìn)行分析。篩選出峰值附近的電機(jī)電流數(shù)據(jù)進(jìn)行時(shí)域分析，對其采取幅值量綱一化、取波形包絡(luò)等預(yù)處理，并進(jìn)行時(shí)域特征提取，之后將所提取的特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入變量，以完成故障檢測模型的搭建。

此外，由于地鐵列車塞拉門下?lián)蹁N及壓輪故障檢測的復(fù)雜性及先驗(yàn)知識(shí)的不充分，在開始階段一般難以直接確定與故障檢測最相關(guān)的特征。因此，需要對時(shí)域特征進(jìn)行篩選以獲取合適特征。由于箱線圖不僅能反映單組數(shù)據(jù)的分布情況、異常值、波動(dòng)情況、穩(wěn)定性，還能對比不同類別的數(shù)據(jù)在分布上的差異。因此，本文通過不同狀態(tài)下所提取到的時(shí)域特征數(shù)據(jù)的箱線圖，來對比不同狀態(tài)下的時(shí)域特征的差異，最終選定合適的時(shí)域特征作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入。

1.3 BP神經(jīng)網(wǎng)絡(luò)模型原理

BP神經(jīng)網(wǎng)絡(luò)模型是一種利用梯度下降算法反向調(diào)整權(quán)重的多層神經(jīng)元構(gòu)成的前饋人工神經(jīng)網(wǎng)絡(luò)模型，其結(jié)構(gòu)如圖4所示。BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練學(xué)習(xí)過程分為兩個(gè)階段，第一階段是輸入信息前向傳遞，信息通過前向網(wǎng)絡(luò)逐層前進(jìn)，分散傳輸?shù)礁鲗由窠?jīng)元，經(jīng)過處理后，將實(shí)際結(jié)果輸出；第二階段是結(jié)果誤差反向傳播，通過更改模型中的權(quán)重使得網(wǎng)絡(luò)輸出結(jié)果和期望值之間的均方誤差達(dá)到最小，最終獲得高精度的擬合結(jié)果。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

BP神經(jīng)網(wǎng)絡(luò)模型的具體訓(xùn)練學(xué)習(xí)過程如下：

輸入信息正向傳遞過程：首先，輸入樣本數(shù)據(jù)到輸入層神經(jīng)元，使樣本信息進(jìn)入神經(jīng)網(wǎng)絡(luò)中，隱含層的各個(gè)神經(jīng)元對多個(gè)樣本數(shù)據(jù)進(jìn)行非線性運(yùn)算處理；然后，通過輸出層將結(jié)果輸出，并與己知的結(jié)果進(jìn)行比較。通過設(shè)定閾值范圍，判斷計(jì)算輸出結(jié)果與已知結(jié)果的誤差是否在閾值范圍內(nèi)：如果在閾值范圍內(nèi)，則算法訓(xùn)練結(jié)束；如果超出設(shè)定范圍，則進(jìn)行誤差反向傳播。

結(jié)果誤差反向傳播過程：首先，將總誤差從輸出層輸入，即可實(shí)現(xiàn)結(jié)果誤差進(jìn)行反向傳播；經(jīng)由隱含層神經(jīng)元對誤差進(jìn)行反向映射，將誤差傳到輸入層。這一過程是利用梯度下降算法將總誤差分散到各個(gè)神經(jīng)元，用以大化小的思維一層一層地修改權(quán)重。

此處以典型的3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行說明，設(shè)輸入層的輸入向量為I=(I1I2…Il)，其中l(wèi)表示輸入層包含的節(jié)點(diǎn)個(gè)數(shù)。此處加入“常數(shù)項(xiàng)輸入”x0=1，并為其賦權(quán)值w0j。輸入層的輸入值即為其輸出值。設(shè)隱藏層獲得的輸入向量h=(h1h2…h(huán)q)，輸出向量t=(t1t2…tk)，其中q是隱藏層神經(jīng)元的個(gè)數(shù)，則有：

(1)

式中：

i——輸入層包含的各節(jié)點(diǎn)編號(hào)，i=1,2,3,…,l；

j——隱藏層包含的各節(jié)點(diǎn)編號(hào)，j=1,2,3,…,q；

wij——輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重。

且有隱藏層的輸出值為：

(2)

設(shè)輸出層輸入向量z=(z1z2…zn)，輸出向量y=(y1y2…yn)，其中n是輸出層包含的節(jié)點(diǎn)個(gè)數(shù)。則有輸出層的輸入值和輸出值類似于隱藏層的輸入值和輸出值，分別為：

(3)

(4)

式中：

vjk——隱藏層第j個(gè)神經(jīng)元到隱藏層的第k個(gè)神經(jīng)元之間的權(quán)重。

設(shè)d=(d1d2…dl)為期望輸出，而實(shí)際輸出為y=(y1y2…yn)，則BP神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出向量y與期望輸出向量d之間的誤差可表示為：

(5)

對于隱藏層則有：

(6)

對于輸入層則有：

(7)

由式(7)可知BP神經(jīng)網(wǎng)絡(luò)的誤差是關(guān)于各層連接權(quán)值wij、vij的函數(shù)，因此可通過對各層連接權(quán)值的修正降低誤差，各層誤差修正則是通過誤差函數(shù)對各節(jié)點(diǎn)的求導(dǎo)進(jìn)行確定。

對于輸出節(jié)點(diǎn)對誤差函數(shù)求導(dǎo)有：

(8)

其中：

(9)

(10)

則有：

(11)

對于隱層節(jié)點(diǎn)對誤差函數(shù)求導(dǎo)有：

(12)

其中：

(13)

(14)

(15)

則有：

(16)

為簡化公式，令

δk=-(dk-yk)f′(zk)

(17)

δj=δkvjkf′(hj)

(18)

則有：

(19)

權(quán)重的修正量Δwij、Δvij同誤差函數(shù)的負(fù)梯度方向成正比，則有：

(20)

vjk(m+1)=vjk(m)+Δvjk=vjk(m)+ηδktj

(21)

(22)

wij(m+1)=wij(m)+Δwij=wij(m)+ηδjxi

(23)

式中：

wij(m)——第m次迭代時(shí)輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重；

wij(m+1)——第m+1次迭代時(shí)輸入層第i個(gè)神經(jīng)元到隱藏層的第j個(gè)神經(jīng)元之間的權(quán)重；

vjk(m)——第m次迭代時(shí)隱藏層第j個(gè)神經(jīng)元到輸出層的第k個(gè)神經(jīng)元之間的權(quán)重；

vjk(m+1)——第m+1次迭代時(shí)輸入層第j個(gè)神經(jīng)元到隱藏層的第k個(gè)神經(jīng)元之間的權(quán)重。

BP神經(jīng)網(wǎng)絡(luò)通過以上方式不斷地進(jìn)行信息前饋和誤差反饋，隨時(shí)調(diào)整權(quán)重，直至訓(xùn)練學(xué)習(xí)收斂。訓(xùn)練學(xué)習(xí)收斂方式一般有設(shè)定誤差閾值及設(shè)定訓(xùn)練次數(shù)兩種。當(dāng)滿足其中1種方式的收斂條件時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型就被訓(xùn)練好了。

1.4 BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化

在機(jī)器學(xué)習(xí)的模型中，如果模型的參數(shù)太多，而訓(xùn)練樣本又太少，則訓(xùn)練出來的模型很容易產(chǎn)生過擬合的現(xiàn)象。本文所選用的數(shù)據(jù)存在著數(shù)據(jù)量較少的問題，因此最終訓(xùn)練所得的模型可能存在著過擬合的情況。為避免出現(xiàn)這類情況，本文在訓(xùn)練模型時(shí)采用Dropout法[12]對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。

Dropout法是解決BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練學(xué)習(xí)過程中出現(xiàn)過擬合的有效方法，是指在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中，對于神經(jīng)網(wǎng)絡(luò)單元，按照一定的概率將其暫時(shí)從網(wǎng)絡(luò)中丟棄，其原理圖如圖5所示。

a)原始網(wǎng)絡(luò)

則式(1)應(yīng)變形為：

(24)

式中：

rij——前層第j個(gè)神經(jīng)元到后層第i個(gè)神經(jīng)元對應(yīng)的伯努利函數(shù)，在本文中特指輸入層到隱藏層。

采用Dropout法對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化的具體的訓(xùn)練步驟如下：

步驟1 在訓(xùn)練之前按照預(yù)設(shè)的幾率拋棄部分隱藏層的神經(jīng)元，暫時(shí)不讓其涉及到正向傳遞，輸入和輸出層的神經(jīng)元保持不變。

步驟2 將樣本數(shù)據(jù)在結(jié)構(gòu)已經(jīng)改變的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行傳遞，所得到的誤差在結(jié)構(gòu)變化后的 BP神經(jīng)網(wǎng)絡(luò)再反向傳播，同時(shí)更新BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

步驟3 重復(fù)上述步驟1及步驟2，直至迭代完成。

2 實(shí)際案例測試

2.1 數(shù)據(jù)來源及特征提取

本文使用的塞拉門電機(jī)電流數(shù)據(jù)來源于某地鐵車輛段現(xiàn)場實(shí)測數(shù)據(jù)。1次開關(guān)門過程中的單相電機(jī)電流數(shù)據(jù)為1組試驗(yàn)數(shù)據(jù)。其中1組原始試驗(yàn)數(shù)據(jù)如圖6所示。圖6中，0～5.5 s為開門階段，5.5～11.0 s為關(guān)門階段。

a)正常狀態(tài)下的電機(jī)電流信號(hào)

由圖6可知，原始電機(jī)電流信號(hào)在下?lián)蹁N故障、壓輪故障等不同狀態(tài)下難以直接區(qū)分。但通過對不同狀態(tài)下的電機(jī)電流信號(hào)在關(guān)門階段后期(圖6虛線所圈出區(qū)域)的信號(hào)進(jìn)行去噪及幅值量綱一化等預(yù)處理后，不同狀態(tài)下的電機(jī)電流信號(hào)則呈現(xiàn)較為明顯的區(qū)別。其中1組經(jīng)過去噪及幅值量綱一化等預(yù)處理后不同狀態(tài)下的電流信號(hào)包絡(luò)線及波形圖如圖7—圖9所示。

圖7—圖9中橫、縱坐標(biāo)分別為時(shí)間采樣點(diǎn)和電流的幅值，突出波形分別為截選出的原始數(shù)據(jù)絕對值波形和取峰值包絡(luò)后的對應(yīng)包絡(luò)波形。在完成對數(shù)據(jù)的峰值包絡(luò)后，本文再按照表1對包絡(luò)波形提取其時(shí)域特征，完成對數(shù)據(jù)特征提取操作。

圖7 正常狀態(tài)下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

圖8 下?lián)蹁N故障下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

圖9 壓輪故障下電機(jī)電流信號(hào)的包絡(luò)線及波形圖

2.2 輸入特征分析及篩選

按表1，計(jì)算不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域特征數(shù)據(jù)，并繪制相應(yīng)的時(shí)域特征箱線圖(見圖10)，以對比其分布差異性。

從圖10可知，在不同狀態(tài)下：時(shí)域特征中方差、最大值、波形因子、平均幅值、脈沖因子等時(shí)域特征參數(shù)的分布差異較大；峭度因子、均方根的分布差異較小。因此，本文選取電機(jī)電流的方差、最大值、波形因子、平均幅值及脈沖因子作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。

a)波形因子箱線圖

2.3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)對塞拉門下?lián)蹁N及壓輪的故障檢測有著至關(guān)重要的影響，應(yīng)合理選擇。本文的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計(jì)如下：

1)神經(jīng)網(wǎng)絡(luò)層數(shù)。根據(jù)實(shí)際情況，本文選擇了含有1層隱藏層的3層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，來完成塞拉門下?lián)蹁N及壓輪故障的檢測。

2)輸入層神經(jīng)元數(shù)目?；跁r(shí)域特征分析，本文選擇了電機(jī)電流信號(hào)的均方根、波形因子、峭度因子、最大值、方差等時(shí)域特征參數(shù)來表征時(shí)域特征。相應(yīng)的輸入層神經(jīng)元數(shù)目確定為5。

3)輸出層神經(jīng)元數(shù)目。輸出層神經(jīng)元數(shù)目是由實(shí)際需求來確定的，其與故障檢測最終分類結(jié)果的類型數(shù)目有關(guān)。本文的輸出層神經(jīng)元數(shù)據(jù)標(biāo)簽分為正常、下?lián)蹁N故障及壓輪故障3類，故輸出層神經(jīng)元數(shù)目確定為3。

4)隱藏層神經(jīng)元數(shù)目。隱藏層的神經(jīng)元個(gè)數(shù)過多，可使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，從而獲得良好的訓(xùn)練效果，但是會(huì)出現(xiàn)收斂緩慢、訓(xùn)練時(shí)間長等現(xiàn)象，在測試時(shí)會(huì)造成誤差精度和識(shí)別率下降。相反，如果神經(jīng)元個(gè)數(shù)太少，則使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于簡單，不能有效利用樣本數(shù)據(jù)，出現(xiàn)欠擬合現(xiàn)象，精度降低，訓(xùn)練結(jié)果較差，從而不能用于與經(jīng)過幾種估算公式計(jì)算的結(jié)果作比較。最終，本文隱藏層神經(jīng)元數(shù)目確定為9。

5)學(xué)習(xí)率及Dropout值。在用于故障檢測的BP神經(jīng)網(wǎng)絡(luò)的最終實(shí)現(xiàn)中，學(xué)習(xí)率一般取值為0～1。本文通過調(diào)用scipy.optimize數(shù)據(jù)庫中的minimize函數(shù)自動(dòng)選擇學(xué)習(xí)率。此外，Dropout值一般取0.3～0.5。本文根據(jù)經(jīng)驗(yàn)將Dropout值取0.3。

2.4 預(yù)測結(jié)果及模型性能評估

本文以模型預(yù)測精度作為模型性能的主要評估指標(biāo)。對未經(jīng)Dropout法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障檢測模型(以下稱為“模型一”)，以及經(jīng)過結(jié)構(gòu)合理設(shè)計(jì)及Dropout法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障檢測模型(以下稱為“模型二”)，均采用同一訓(xùn)練數(shù)據(jù)對模型參數(shù)進(jìn)行更新，并通過測試數(shù)據(jù)集對2個(gè)模型進(jìn)行測試，以驗(yàn)證其性能。測試結(jié)果對比如表2所示。

由表2可知，與模型一相比，模型二在在測試數(shù)據(jù)集上的預(yù)測準(zhǔn)確率明顯更優(yōu)，且達(dá)到了98.8%。

表2 模型一與模型二的測試結(jié)果對比

綜上所述，利用Dropout法對BP神經(jīng)網(wǎng)絡(luò)故障檢測模型進(jìn)行優(yōu)化，可在一定程度上減少過擬合現(xiàn)象的發(fā)生，有效提高故障檢測的精度。最終所搭建的BP神經(jīng)網(wǎng)絡(luò)故障檢測模型能有效地對塞拉門下?lián)蹁N及壓輪故障進(jìn)行檢測，提高了設(shè)備運(yùn)行可靠性。

3 結(jié)語

本文通過對不同狀態(tài)下電機(jī)電流信號(hào)的時(shí)域特征分析，研究對比了不同狀態(tài)下電機(jī)電流信號(hào)在時(shí)域上的分布差異，建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的塞拉門下?lián)蹁N及壓輪故障檢測模型。

基于實(shí)際案例數(shù)據(jù)，對該檢測模型進(jìn)行測試分析。測試結(jié)果表明：不同狀態(tài)下的地鐵列車塞拉門電機(jī)電流信號(hào)經(jīng)預(yù)處理后在時(shí)域分布上存在著一定差異，通過提取合適的時(shí)域特征參數(shù)，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)及Dropout優(yōu)化技術(shù)，能有效檢測出塞拉門下?lián)蹁N及壓輪的故障。