基于多域特征提取與改進(jìn)PSO-PNN的道岔故障診斷

孔令剛，焦相萌，陳光武，范多旺

基于多域特征提取與改進(jìn)PSO-PNN的道岔故障診斷

孔令剛3，焦相萌1, 2，陳光武1, 2，范多旺1, 2

(1. 蘭州交通大學(xué) 自動(dòng)控制研究所，甘肅 蘭州 730070；2. 甘肅省高原交通信息工程及控制重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 7300703；3. 蘭州交通大學(xué) 國(guó)家綠色鍍膜技術(shù)與裝備工程技術(shù)研究中心，甘肅 蘭州 730070)

針對(duì)S700K常見的8種故障模式和正常模式所對(duì)應(yīng)功率曲線，提出一種基于概率神經(jīng)網(wǎng)絡(luò)(PNN)與改進(jìn)的粒子群算法(PSO)相結(jié)合的道岔故障診斷方法。首先，在9種功率曲線上分別提取時(shí)域、頻域特征統(tǒng)計(jì)量和時(shí)頻域小波系數(shù)，并用主成分分析法降維每個(gè)域的特征量，得到特征向量；其次，以3個(gè)改進(jìn)的PSO-PNN做分類器，并對(duì)分類器進(jìn)行訓(xùn)練和預(yù)測(cè)；最后，3個(gè)分類器的預(yù)測(cè)結(jié)果做三取二表決。仿真結(jié)果表明：該方法能有效提高道岔故障診斷的準(zhǔn)確率，具有良好的容錯(cuò)性。

道岔故障診斷；S700K轉(zhuǎn)轍機(jī)；概率神經(jīng)網(wǎng)絡(luò)；粒子群算法；三取二表決

隨著我國(guó)高速鐵路持續(xù)提升運(yùn)營(yíng)速度和增加運(yùn)營(yíng)里程，道岔的應(yīng)用數(shù)量也伴隨著增加。而目前現(xiàn)場(chǎng)主要依靠微機(jī)監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)對(duì)道岔工作狀態(tài)的監(jiān)測(cè)，依靠相關(guān)鐵路職工分析微機(jī)監(jiān)測(cè)系統(tǒng)采集的電流或者功率曲線，以實(shí)現(xiàn)對(duì)道岔故障類型的判斷。這種方法既增加勞動(dòng)強(qiáng)度，又存在時(shí)延和低準(zhǔn)確率等缺點(diǎn)。為順應(yīng)鐵路領(lǐng)域故障診斷智能化和自動(dòng)化的發(fā)展趨勢(shì)，不少國(guó)內(nèi)外專家與學(xué)者對(duì)道岔智能故障診斷進(jìn)行研究。鐘志旺等[1]提出基于支持向量機(jī)的故障診斷方法，但該方法每次只能兩兩分類，且耗時(shí)長(zhǎng)。趙林海等[2]應(yīng)用灰關(guān)聯(lián)方法，該方法無需訓(xùn)練，不足之處是主觀性強(qiáng)和難確定最優(yōu)值。董煒等[3]提出群決策的方法，該方法融合多專家意見，提高準(zhǔn)確率，不足之處是算法復(fù)雜，實(shí)現(xiàn)困難。董海鷹等[4]提出基于D-S證據(jù)理論的故障診斷方法，不足之處是缺乏自學(xué)習(xí)能力。翟永強(qiáng)[5]提出貝葉斯網(wǎng)絡(luò)的方法，該方法優(yōu)點(diǎn)是能對(duì)各種故障信息進(jìn)行處理且診斷效率高，不足之處是可行先驗(yàn)概率的確定非常困難。針對(duì)以上各方法不足，筆者提出一種基于改進(jìn)PSO-PNN的道岔故障診斷方法。概率神經(jīng)網(wǎng)絡(luò)(PNN)具備一系列優(yōu)點(diǎn)，如分類能力強(qiáng)、收斂速度快和不存在陷入局部最優(yōu)；缺點(diǎn)是：在樣本有限的情況下，難以找出能體現(xiàn)整個(gè)故障空間的平滑因子。故本文使用改進(jìn)的粒子群算法搜尋平滑因子的最優(yōu)值。本文主要工作：首先，在9種功率曲線上提取時(shí)域、頻域特征統(tǒng)計(jì)量和時(shí)頻域特征小波系數(shù)，并用主成分分析法降維每個(gè)域的特征量，得到特征向量；其次，以3個(gè)改進(jìn)的PSO- PNN做分類器，并使用分類器進(jìn)行訓(xùn)練和預(yù)測(cè)；最后，3個(gè)分類器的取整預(yù)測(cè)結(jié)果做三取二表決。仿真結(jié)果表明，改進(jìn)后的故障診斷系統(tǒng)，具有更高的診斷準(zhǔn)確率和良好的容錯(cuò)性。

1 S700K轉(zhuǎn)轍機(jī)

S700K轉(zhuǎn)轍機(jī)是高速鐵路和提速段常用的交流式轉(zhuǎn)轍機(jī)。由現(xiàn)場(chǎng)可知：不僅轉(zhuǎn)轍機(jī)輸出拉力可反映道岔工作狀態(tài)(是否故障)，而且轉(zhuǎn)轍機(jī)輸出功率也可反映道岔工作狀態(tài)。另外，不同類型轉(zhuǎn)轍機(jī)的輸出功率規(guī)律相似，即S700K轉(zhuǎn)轍機(jī)具有一定的代表性。

1.1 S700K正常工作狀態(tài)

S700K轉(zhuǎn)轍機(jī)正常運(yùn)行的功率曲線如圖1所示。圖中包括5個(gè)階段：依次為啟動(dòng)、解鎖、轉(zhuǎn)換、鎖閉和構(gòu)通表示。啟動(dòng)時(shí)，轉(zhuǎn)轍機(jī)輸出較大功率，圖中出現(xiàn)較大的峰值；之后進(jìn)入解鎖、轉(zhuǎn)換、鎖閉階段，輸出功率相對(duì)穩(wěn)定，保持在0.5 kW左右；鎖閉階段結(jié)束后，切斷道岔控制電路電源，接通表示電路，此時(shí)，輸出功率下降至0.2 kW左右(“小尾巴”)；道岔位置表示后，切斷表示電路，功率變?yōu)? kW。

圖1 S700K正常運(yùn)行的功率曲線

表1 道岔常見故障現(xiàn)象及原因

1.2 S700K故障工作狀態(tài)

通過現(xiàn)場(chǎng)調(diào)查和查閱資料，目前高速鐵路上的道岔主要有8種故障模式[2]。道岔常見故障現(xiàn)象及原因如表1所示。各故障分別標(biāo)記為{G1,G2,G3,G4, G5,G6,G7,G8}，正常狀態(tài)的“故障號(hào)”標(biāo)記為{G0}。分別在9種功率曲線上抽取350個(gè)數(shù)據(jù)點(diǎn)(0~7 s內(nèi)，抽取時(shí)間間隔為0.02 s)，得到圖2。如圖2所示，將功率曲線分成5段，各段采樣點(diǎn)的數(shù)目分別為{50,50,100,50,100}，各段分別記作為{,,,,}。

(a) 故障類型1；(b) 故障類型2；(c) 故障類型3；(d) 故障類型4；(e) 故障類型5；(f) 故障類型6；(g) 故障類型7；(h) 故障類型8

2 特征提取與降維

本節(jié)從時(shí)域、頻域和時(shí)頻域提取特征量，并對(duì)特征量進(jìn)行降維，得到特征向量。

2.1 時(shí)域特征提取

信號(hào)時(shí)域分析的方法有統(tǒng)計(jì)特征量、多段分析和概率分析等?；诮y(tǒng)計(jì)特征量和多段分析相結(jié)合的方式是解決模式識(shí)別問題常見組合；由于道岔故障診斷本質(zhì)上是模式識(shí)別問題，故本節(jié)采用這一組合方式。常見時(shí)域特征統(tǒng)計(jì)量如表2所列。本節(jié)將功率曲線各段依次提取特征統(tǒng)計(jì)量。設(shè){p}為功率曲線樣本，=1,2,…,，其中為各段采樣點(diǎn)的數(shù)目。

表2 時(shí)域特征統(tǒng)計(jì)量

2.2 時(shí)域向量降維

每條功率曲線每一段的特征統(tǒng)計(jì)量構(gòu)成16維向量，則每條功率曲線(包含5段)的特征量組成80維向量。為降低數(shù)據(jù)量和減少冗余信息，采用主成分分析法對(duì)向量降維，主成分分析法相關(guān)理論推導(dǎo)參見文獻(xiàn)[6]。當(dāng)累計(jì)貢獻(xiàn)率達(dá)到75%，包含2個(gè)主成分{M1,M2}。M1和段調(diào)和平均數(shù)相關(guān)性最大且M2和段偏度相關(guān)性最大。故時(shí)域的特征向量為[Dhm Csk]T(如表3所示)。

2.3 頻域特征提取

頻域分析方法有幅值譜、相角譜和功率譜等。頻域常用的統(tǒng)計(jì)量如表4所列。本節(jié)將功率曲線各段頻譜依次提取頻域特征統(tǒng)計(jì)量。設(shè)轉(zhuǎn)轍機(jī)功率曲線序列{p}的快速傅里葉變換(FFT)幅值序列為{A}，相角序列為{θ}，=1,2,…,。

表3 時(shí)域特征向量

表4 頻域特征統(tǒng)計(jì)量

2.4 頻域向量降維

每條功率曲線每一段的頻域特征統(tǒng)計(jì)量構(gòu)成12維向量，則每條功率曲線(包含5段)的特征量組成60維向量。采用主成分分析法降維：當(dāng)累計(jì)貢獻(xiàn)率達(dá)到78%，包含2個(gè)主成分{M1,M2}。M1和段平均相角相關(guān)性最大且M2和段均方根頻率相關(guān)性最大(如表5所示)。故頻域的特征向量為[Dmag Crmsf]T。

表5 頻域特征向量

2.5 時(shí)頻域特征提取

時(shí)頻域分析方法有短時(shí)Fourier變換、S變換和小波變換等。本節(jié)選擇小波變換，離散小波變換常用快速算法為Mallat算法，該算法具體推導(dǎo)過程參見文獻(xiàn)[7]。本節(jié)對(duì)各功率曲線采用5層的“db3”小波分解(得到10組小波系數(shù))，并計(jì)算各層小波系數(shù)的平方和。

表6 近似系數(shù)方和

2.6 時(shí)頻域向量降維

每條功率曲線的小波分解系數(shù)構(gòu)成10維向量。采用主成分分析法降維：當(dāng)累計(jì)貢獻(xiàn)率達(dá)到80%，包含2個(gè)主成分{M1,M2}。M1和ScA1相關(guān)性最大且M2和ScD3相關(guān)性最大，故時(shí)頻域的特征向量為[ScA1 ScD3]T，如表6和表7所示。

表7 細(xì)節(jié)系數(shù)方和

3 故障診斷系統(tǒng)

3.1 診斷系統(tǒng)的整體框圖

圖3為系統(tǒng)的整體框圖，其工作流程為：1) 訓(xùn)練樣本和測(cè)試樣本分別在時(shí)域、頻域和時(shí)頻域進(jìn)行特征提取與降維，得到特征向量；2) 每個(gè)域分別構(gòu)建一個(gè)改進(jìn)的PSO-PNN診斷模型，并對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè)；3) 三取二表決系統(tǒng)表決3個(gè)PSO-PNN模型的預(yù)測(cè)結(jié)果，得到最終的診斷結(jié)果。

3.2 標(biāo)準(zhǔn)的PNN模型

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)擅長(zhǎng)處理分類問題和模式識(shí)別問題[8]；是在徑向基神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展而來，是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則和概率密度估計(jì)方法的并行算法，其模型如圖4所示。概率神經(jīng)網(wǎng)絡(luò)模型有4層：輸入層、樣本層(模式層)、求和層和競(jìng)爭(zhēng)層(輸出層)。

第1層為輸入層，接收輸入特征向量，并將輸入傳遞給樣本層，該層神經(jīng)元的個(gè)數(shù)等于輸入向量維數(shù)。

第2層為樣本層，該層核函數(shù)為高斯函數(shù)，作用是計(jì)算輸入與各模式匹配程度。該層神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本個(gè)數(shù)。該層輸出表達(dá)式如式(1)。

其中：X是輸入向量，為(x1,x2,…,xd)T；σ為平滑因子；d為輸入向量的維數(shù)；ij表示第i類模式的第j個(gè)神經(jīng)元，i＝1,2,…,N，N表示訓(xùn)練樣本類數(shù)；設(shè)各故障類型的樣本數(shù)都為L(zhǎng)組，則j=L。

圖4 概率神經(jīng)網(wǎng)絡(luò)模型

第3層為求和層,該層神經(jīng)元個(gè)數(shù)等于故障類型個(gè)數(shù)，該層累加屬于某種故障類型的概率并平均概率和，得到該故障類型概率密度函數(shù)，該層輸出表達(dá)式是式(2)。

其中：g表示第類的概率密度函數(shù)。

第4層為競(jìng)爭(zhēng)層，該層只有一個(gè)神經(jīng)元；求和層的最大輸出作為該層輸出，該層輸出表達(dá)式如式(3)。

其中：argmax(g)表示為使g達(dá)到最大值時(shí)，自變量的取值。

3.3 標(biāo)準(zhǔn)的PSO算法

粒子群算法(Particle Swarm Optimization, PSO)是一種群體智慧算法，是對(duì)鳥群覓食過程的模擬[9]。該算法假設(shè)維空間里有一粒食物，有只鳥組成的鳥群，并假設(shè)每只鳥只有2個(gè)屬性：速度和位置。第只鳥在第次迭代后的位置為X()=(x1(),x2(),x())；第只鳥在第次迭代后的速度為V()=(v1(),v2(),…,v())。每只鳥所在位置X()的適應(yīng)度值通過目標(biāo)函數(shù)計(jì)算得出。每一次迭代，鳥通過跟蹤個(gè)體最優(yōu)適應(yīng)度和群體最優(yōu)適應(yīng)度來更新自己的速度和位置(式(4)和式(5))，直至找到全局最優(yōu)適應(yīng)度所對(duì)應(yīng)鳥的位置。

其中：慣性權(quán)重；1和2均為加速度因子且均大于等于0；=1,2,…,；=1,2,…,；為當(dāng)前迭代次數(shù)；v()為第次迭代第只鳥第維的速度；x()為第次迭代第只鳥第維的位置分量；為個(gè)體最優(yōu)適應(yīng)度；為群體最優(yōu)適應(yīng)度。

3.4 PSO優(yōu)化PNN

概率神經(jīng)網(wǎng)絡(luò)具有一系列優(yōu)點(diǎn)，如分類能力強(qiáng)、收斂速度快、參數(shù)少(只有一個(gè)平滑因子)和不存在陷入局部最優(yōu)，故常用于模式識(shí)別和分類問題。但概率神經(jīng)網(wǎng)絡(luò)有一個(gè)瓶頸：在故障模式樣本有限的情況下，難以找出能體現(xiàn)整個(gè)故障空間的平滑因子[10?11]。目前只能通過經(jīng)驗(yàn)估計(jì)或有限樣本聚類的方法找一個(gè)局部較優(yōu)的平滑因子。平滑因子是概率神經(jīng)網(wǎng)絡(luò)重要參數(shù)，其值能直接影響故障診斷準(zhǔn)確率，故需使用優(yōu)化算法搜尋最優(yōu)平滑因子。

3.5 PSO算法的改進(jìn)

標(biāo)準(zhǔn)PSO雖具有較強(qiáng)尋優(yōu)能力，但其容易陷入局部最優(yōu)，故需要對(duì)其改進(jìn)。在標(biāo)準(zhǔn)粒子群算法中，如果鳥的飛翔速度一直保持較大值，則單次迭代中，鳥能夠活動(dòng)的范圍大，有可能跳出最優(yōu)區(qū)域，從而找不到最優(yōu)值，故鳥的速度應(yīng)隨著迭代次數(shù)增加而趨于減小，即鳥的速度和迭代次數(shù)呈現(xiàn)負(fù)相關(guān)。影響速度的參數(shù)為1，2和。可通過減小這3個(gè)參數(shù)的值，間接實(shí)現(xiàn)飛翔速度由大到小的調(diào)整，如式(6)。

其中：為本次慣性權(quán)重；max為最大慣性權(quán)重，取0.9；min為最小慣性權(quán)重，取0.4；為當(dāng)前迭代次數(shù)；max為最大迭代次數(shù)；1從2.7非線性減小到1.7；2從2.1非線性減小到1.1。

3.6 PSO-PNN模型的診斷過程

診斷流程如圖5所示，其診斷過程包括：1) 建立PNN模型和初始化參數(shù)。2) 建立PSO和搜尋最優(yōu)滑動(dòng)因子：PSO初始化后，以診斷的準(zhǔn)確率作為目標(biāo)函數(shù)(用于計(jì)算適應(yīng)度)，通過跟蹤個(gè)體最優(yōu)和群體最優(yōu)，得到最優(yōu)滑動(dòng)因子。3) PNN預(yù)測(cè)：將最優(yōu)滑動(dòng)因子和測(cè)試數(shù)據(jù)代入到PNN，得到預(yù)測(cè)結(jié)果。

圖5 PSO-PNN診斷流程圖

3.7 n中取k表決系統(tǒng)

中取表決系統(tǒng)是一種冗余結(jié)構(gòu)，其通過增加冗余部件，提高系統(tǒng)整體的可靠性。其工作原理：當(dāng)系統(tǒng)中至少有個(gè)部件正常工作時(shí)，則系統(tǒng)正常工作。

圖6 可靠性框圖

本文選用三取二表決系統(tǒng)，其可靠性框圖如圖6所示。在診斷系統(tǒng)中，各PSO-PNN預(yù)測(cè)的準(zhǔn)確率可看做是各部件的正常工作概率{P(A),P(B),P(C)}，預(yù)測(cè)的錯(cuò)誤率可看做是各部件的失效的概率{Q(A), Q(B),Q(C)}。當(dāng)3個(gè)部件的可靠度均大于0.5時(shí)，三取二表決器的可靠度要大于各部件的可靠度[12]。例如當(dāng)3個(gè)部件的可靠度均為0.9時(shí)，則三取二表決器的可靠度為0.972(0.972>0.9)。每個(gè)PSO-PNN預(yù)測(cè)的準(zhǔn)確率大于0.5，故可利用表決器提高診斷的準(zhǔn)確率。

4 仿真與分析

4.1 仿真的準(zhǔn)備工作

4.1.1 樣本擴(kuò)充

為獲得更多訓(xùn)練樣本、預(yù)測(cè)樣本和測(cè)試樣本，利用Matlab中的rand函數(shù)和各域已有的9組樣本，各域擴(kuò)充45組訓(xùn)練樣本(每類增加5組)、36組預(yù)測(cè)樣本(每類增加4組)和36組測(cè)試樣本；將各域第1～54組作為訓(xùn)練樣本，第55～80組作為預(yù)測(cè)樣本，第81～116組作為測(cè)試樣本。

Expand_Sample=*rand+Sample；

其中：Sample為原樣本；取不同值時(shí)，各域分別得到45組訓(xùn)練樣本、36組預(yù)測(cè)樣本和36組測(cè)試樣本。

4.1.2 建立3個(gè)PNN模型

使用函數(shù)newpnn建立3個(gè)概率神經(jīng)網(wǎng)絡(luò)net，spread為平滑因子。

net=newpnn(x0,ind2vec(trlab),spread)；

4.1.3 初始化各域PSO

加速度因子1和2均設(shè)置為1.5；最大迭代次數(shù)設(shè)置為100；鳥的數(shù)目設(shè)置為20只；隨機(jī)賦值鳥的初始速度和位置；預(yù)測(cè)樣本的診斷準(zhǔn)確率作為適應(yīng)度函數(shù)。

4.2 仿真過程的分析及討論

4.2.1 各PSO-PNN模型訓(xùn)練與預(yù)測(cè)

時(shí)域最大適應(yīng)度值設(shè)置為0.01；按照式(6)更新慣性權(quán)重；使用訓(xùn)練樣本和預(yù)測(cè)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練與優(yōu)化。經(jīng)仿真，改進(jìn)后PSO-PNN經(jīng)過23次迭代后，預(yù)測(cè)誤差小于最大適應(yīng)度值，終止迭代，得到最優(yōu)滑動(dòng)因子值0.093。測(cè)試樣本代入優(yōu)化好的網(wǎng)絡(luò)，診斷準(zhǔn)確率為94.4%。表8是算法改進(jìn)前后的準(zhǔn)確率比較：由仿真過程和表中數(shù)據(jù)知，未改進(jìn)的PSO-PNN經(jīng)過100次迭代后，終止優(yōu)化，陷于局部最優(yōu)，測(cè)試準(zhǔn)確率相對(duì)較低；標(biāo)準(zhǔn)PNN中的平滑因子的取值具有主觀性，故測(cè)試準(zhǔn)確率和平滑因子的取值有關(guān)，僅作參考。

表8 時(shí)域測(cè)試準(zhǔn)確率

頻域最大適應(yīng)度值設(shè)置為0.01；按照式(6)更新慣性權(quán)重；使用訓(xùn)練樣本和預(yù)測(cè)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練與優(yōu)化。經(jīng)仿真，改進(jìn)后PSO-PNN經(jīng)過19次迭代后，預(yù)測(cè)誤差小于最大適應(yīng)度值，終止迭代，得到最優(yōu)滑動(dòng)因子值0.113。測(cè)試樣本代入優(yōu)化好的網(wǎng)絡(luò)，診斷準(zhǔn)確率為97.2%。表9是算法改進(jìn)前后的準(zhǔn)確率比較：由仿真過程和表中數(shù)據(jù)知，未改進(jìn)的PSO-PNN陷于局部最優(yōu)，測(cè)試準(zhǔn)確率相對(duì)較低。

表9 頻域測(cè)試準(zhǔn)確率

時(shí)頻域最大適應(yīng)度值設(shè)置為0.01；按照式(6)更新慣性權(quán)重；使用訓(xùn)練樣本和預(yù)測(cè)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練與優(yōu)化。經(jīng)仿真，改進(jìn)后PSO-PNN經(jīng)過20次迭代后，預(yù)測(cè)誤差小于最大適應(yīng)度值，終止迭代，得到最優(yōu)滑動(dòng)因子值0.108。將測(cè)試樣本代入優(yōu)化好的網(wǎng)絡(luò)，診斷準(zhǔn)確率為94.4%。

表10是算法改進(jìn)前后的準(zhǔn)確率比較：由仿真過程和表中數(shù)據(jù)可知，未改進(jìn)的PSO-PNN陷于局部最優(yōu)，測(cè)試準(zhǔn)確率相對(duì)較低。

表10 時(shí)頻域測(cè)試準(zhǔn)確率

4.2.2 三取二表決器預(yù)測(cè)結(jié)果

各域的測(cè)試結(jié)果圖如圖7(a)，圖7(b)和圖7(c)所示。圖7(a)是時(shí)域測(cè)試結(jié)果：圖中，1組故障號(hào)為2的樣本被誤診為故障號(hào)3，1組故障號(hào)為3的樣本被誤診為故障號(hào)2。圖7(b)是頻域測(cè)試結(jié)果：2組故障號(hào)為1的樣本被誤診為故障號(hào)9。

(a)時(shí)域測(cè)試結(jié)果；(b)頻域測(cè)試結(jié)果；(c)時(shí)頻域測(cè)試結(jié)果；(d)3個(gè)域測(cè)試結(jié)果表決后的最終輸出

圖7(c)是時(shí)頻域測(cè)試結(jié)果：1組故障號(hào)為4的樣本被誤診為故障號(hào)7，1組故障號(hào)為7的樣本被誤診為故障號(hào)4。圖7(d)是3個(gè)域測(cè)試結(jié)果表決后的最終輸出：由圖7可知，經(jīng)表決器表決后，準(zhǔn)確率達(dá)100%，說明本文提出的方法能較好的解決道岔故障診斷問題，并且具有較高的診斷準(zhǔn)確率和良好的容錯(cuò)性。

5 結(jié)論

1) 改進(jìn)后的PSO-PNN模型，使得分類更加 準(zhǔn)確。

2) 三取二表決，以少數(shù)服從多數(shù)為決策原則，進(jìn)一步提高診斷準(zhǔn)確率和可信度，并具有良好的容錯(cuò)性。

3) 從仿真結(jié)果上看：該故障診斷系統(tǒng)的診斷準(zhǔn)確率達(dá)100%，并具有一定的容錯(cuò)性。另外，S700K轉(zhuǎn)轍機(jī)和其他型號(hào)轉(zhuǎn)轍機(jī)輸出功率規(guī)律基本相似，即S700K轉(zhuǎn)轍機(jī)具有一定的代表性。S700K轉(zhuǎn)轍機(jī)和其他型號(hào)轉(zhuǎn)轍機(jī)輸出功率主要差別是轉(zhuǎn)轍機(jī)動(dòng)作的各個(gè)階段持續(xù)時(shí)間長(zhǎng)短和幅值大小有些不同，故可將該方法稍微修改，應(yīng)用到其他型號(hào)轉(zhuǎn)轍 機(jī)上。

[1] 鐘志旺, 唐濤, 王峰. 基于PLSA和SVM的道岔故障特征提取與診斷方法研究[J]. 鐵道學(xué)報(bào), 2018, 40(7): 80?87. ZHONG Zhiwang, TANG Tao, WANG Feng. Research on fault feature extraction and diagnosis of railway switches based on PLSA and SVM[J]. Journal of the China Railway Society, 2018, 40(7): 80?87.

[2] 趙林海, 陸橋. 基于灰關(guān)聯(lián)的道岔故障診斷方法[J].鐵道學(xué)報(bào), 2014, 36(2): 69?74. ZHAO Linhai, LU Qiao. Method of turnout fault diagnosis based on grey correlation analysis[J]. Journal of the China Railway Society, 2014, 36(2): 69?74.

[3] 董煒, 劉明明, 王良順, 等. 基于群決策的道岔控制電路故障診斷方法[J]. 自動(dòng)化學(xué)報(bào), 2018, 44(6): 1005? 1014. DONG Wei, LIU Mingming, WANG Liangshun, et al. Fault diagnosis for railway turnout control circuit based on group decision making[J]. Acta Automatica Sinica, 2018, 44(6): 1005?1014.

[4] 董海鷹, 李娜. 基于D-S證據(jù)理論信息融合的轉(zhuǎn)轍機(jī)故障診斷方法研究[J]. 測(cè)試技術(shù)學(xué)報(bào), 2013, 27(1): 1?7. DONG Haiying, LI Na. Fault diagnosis method for switch machine based on D-S evidence theory information fusion[J]. Journal of Test and Measurement Technology, 2013, 27(1): 1?7.

[5] 翟永強(qiáng). 貝葉斯網(wǎng)絡(luò)在道岔控制電路故障診斷中的應(yīng)用研究[D]. 蘭州: 蘭州交通大學(xué), 2012.Zhai Yongqiang. Application of Bayesian network in fault diagnosis of switching control circuit[D]. Lanzhou: Lanzhou Jiaotong University, 2012.

[6] Hervé Abdi, Williams L J. Principal component analysis [J]. Wiley Interdisciplinary Reviews Computational Statistics, 2010, 2(4): 433?459.

[7] 白潤(rùn)才, 柴森霖, 劉光偉, 等. 基于Mallat算法與ARMA模型的露天礦卡車故障率預(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào), 2018, 28(10): 31?37. BAI Runcai, CHAI Senlin, LIU Guangwei, et al. Method for predicting truck’s failure rate in open-pit mine based on Mallat algorithm and ARMA model[J]. China Safety Science Journal, 2018, 28(10): 31?37.

[8] Sami H, Mays Y, Talib M A. Brain tumor classification using probabilistic neural network[J]. Journal of Fundamental and Applied Sciences, 2018, 10(4): 667? 670.

[9] Kennedy J, Eberhart R. Particle swarm optimization[C]// Proceedings of ICNN 95-International Conference on Neural Networks. IEEE, 1995: 1942?1948.

[10] 張建財(cái), 高軍偉. 基于VMD與PSO-PNN的滾動(dòng)軸承故障診斷模型[J]. 自動(dòng)化與儀表, 2019, 34(3): 33?37. ZHANG Jiancai, GAO Junwei. Rolling bearing fault diagnosis model based on VMD and PSO-PNN[J]. Automation & Instrumentation, 2019, 34(3): 33?37.

[11] 陳波, 郭壯志. 基于優(yōu)化平滑因子的概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J]. 現(xiàn)代電力, 2007(2): 44?47. CHEN Bo, GUO Zhuangzhi. Fault diagnosis method research of transformer based on optimized smooth factor of probability neural network[J]. Modern Electric Power, 2007(2): 44?47.

[12] 張友鵬. 可靠性理論與工程技術(shù)應(yīng)用[M]. 蘭州: 蘭州大學(xué)出版社, 2003: 113?117. ZHANG Youpeng. Reliability theory and engineering application technology[M].Lanzhou: Lanzhou University Press, 2003: 113?117.

Turnout fault diagnosis based on multi-domain feature extraction and improved PSO-PNN

KONG Linggang3, JIAO Xiangmeng1, 2, CHEN Guangwu1, 2, FAN Duowang1, 2

(1. Automatic Control Institute, Lanzhou Jiaotong University, Lanzhou 730070, China;2. Gansu Provincial Key Laboratory of Traffic Information Engineering and Control, Lanzhou 730070, China;3. National Engineering Research Center for Technology and Equipment of Environmental Deposition, Lanzhou Jiaotong University, Lanzhou 730070, China)

Based on the power curves of the eight failure modes and normal mode common to the S700K, a switch failure diagnosis method was proposed based on Probabilistic Neural Network (PNN) combined with improved Particle Swarm Optimization (PSO). First, the time domain and frequency domain feature statistics and time-frequency domain wavelet coefficients were extracted on the nine power curves, and the feature quantity of each domain was reduced by Principal Component Analysis to obtain the feature vectors. Second, three improved PSO-PNN were used as a classifier, and the classifier was trained and predicted. Finally, the prediction results of the three classifiers were evaluated and voted to select two of them. The simulation results show that the method can effectively improve the accuracy of turnout failure diagnosis and has desired failure tolerance.

turnout failure diagnosis; S700K switch machine; probabilistic neural network; particle swarm optimization; the vote for selecting two from three

U284.92

A

1672 ? 7029(2020)06 ? 1327 ? 10

10.19713/j.cnki.43?1423/u.T20190766

2019?09?01

國(guó)家自然科學(xué)基金資助項(xiàng)目(61863024)；國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2014BAF01B00)；甘肅省科技計(jì)劃資助項(xiàng)目(18JR3RA116)；甘肅省高等學(xué)校科研資助項(xiàng)目(2018C-11).

孔令剛(1978?)，男，安徽合肥人，副教授，從事鐵路信號(hào)設(shè)備故障診斷研究；E?mail：konglinggang1978@163.com

(編輯 涂鵬)