基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)設(shè)備故障監(jiān)測(cè)模型設(shè)計(jì)與研究

程清波

（中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)設(shè)備故障監(jiān)測(cè)模型設(shè)計(jì)與研究

程清波

（中國(guó)鐵道科學(xué)研究院 電子計(jì)算技術(shù)研究所，北京 100081）

由于鐵路客運(yùn)設(shè)備種類眾多并且分布區(qū)域分散，致使人工巡檢工作效率低。為了提高巡檢工作的效率，實(shí)現(xiàn)鐵路客運(yùn)設(shè)備巡檢工作智能化，本文提出并設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)設(shè)備故障監(jiān)測(cè)模型。通過(guò)無(wú)線傳感器獲取影響客運(yùn)設(shè)備狀態(tài)優(yōu)劣的因素，運(yùn)用所建模型進(jìn)行決策，判斷鐵路客運(yùn)設(shè)備是否運(yùn)行正常并能準(zhǔn)確地診斷出故障部位，實(shí)現(xiàn)了鐵路客運(yùn)設(shè)備巡檢工作智能化的目標(biāo)。最后通過(guò)對(duì)機(jī)房空調(diào)設(shè)備的仿真研究，驗(yàn)證了所建模型的有效性。

客運(yùn)設(shè)備；BP神經(jīng)網(wǎng)絡(luò)；故障監(jiān)測(cè)；智能信息化

隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，鐵路客運(yùn)信息化管理取得顯著的成果。在高速鐵路建設(shè)和升級(jí)改造過(guò)程中，車站信息化程度不斷提升，對(duì)客運(yùn)設(shè)備的依懶越來(lái)越高[1]。而客運(yùn)設(shè)備作為鐵路信息化管理的核心單元，其可靠性、安全性直接決定著車站日常運(yùn)營(yíng)組織。當(dāng)前，鐵路客運(yùn)設(shè)備種類繁多，并且分布在車站的各個(gè)區(qū)域，設(shè)備的優(yōu)劣只有通過(guò)工作人員巡檢或車站工作人員通告才能得知，不能做到實(shí)時(shí)監(jiān)測(cè)。在遇到春運(yùn)等客流量大的特殊情境下，為了保證旅客的正常出行，服務(wù)旅客，客運(yùn)設(shè)備的巡檢勞動(dòng)強(qiáng)度隨之加大，且易出現(xiàn)某些客運(yùn)設(shè)備的巡檢遺漏情況。

為了改善這種局面，提高工作人員效率，建立設(shè)備在線監(jiān)測(cè)系統(tǒng)，實(shí)時(shí)監(jiān)測(cè)設(shè)備狀態(tài)，及時(shí)發(fā)現(xiàn)故障并上傳報(bào)警，對(duì)設(shè)備的故障、質(zhì)量進(jìn)行診斷和評(píng)估，具有重要的應(yīng)用價(jià)值。

1 鐵路客運(yùn)設(shè)備

鐵路客運(yùn)設(shè)備種類眾多，分布區(qū)域廣。一般按照區(qū)域可劃分為售票廳、進(jìn)站口、候車室、出站口、天橋、地道、站臺(tái)、風(fēng)雨棚、消防通道、辦公區(qū)等。按照業(yè)務(wù)可分為客運(yùn)設(shè)備、機(jī)房設(shè)備、行車設(shè)備、機(jī)電設(shè)備和站房設(shè)備。其中，客運(yùn)設(shè)備可分為廣播、導(dǎo)向屏、自助售票機(jī)、視頻監(jiān)控、查詢機(jī)、進(jìn)出站閘機(jī)等；機(jī)房設(shè)備可分為服務(wù)器、路由器、交換機(jī)、負(fù)載均衡、防火墻、網(wǎng)閘等；行車設(shè)備可分為信號(hào)設(shè)備、通信設(shè)備、供電設(shè)備、監(jiān)控設(shè)備、供水設(shè)備等；機(jī)電設(shè)備可分為電梯、空調(diào)、照明等；站房設(shè)備可分為大型安檢儀、便攜式安檢儀、安全門(mén)等。

客運(yùn)設(shè)備分布區(qū)域分散，巡檢任務(wù)繁重，并且不能及時(shí)將設(shè)備狀態(tài)信息反饋給有關(guān)部門(mén)。為了能夠?qū)崿F(xiàn)鐵路客運(yùn)設(shè)備的智能化監(jiān)控，本文采用BP神經(jīng)網(wǎng)絡(luò)理論對(duì)客運(yùn)設(shè)備的狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)、及時(shí)診斷故障[2]，設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)站設(shè)備故障監(jiān)測(cè)模型[3]。

2 BP神經(jīng)網(wǎng)絡(luò)[4]

2.1 簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)是1986年由學(xué)者Rumelhart在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出來(lái)的。該網(wǎng)絡(luò)是將模型的輸出誤差進(jìn)行反傳，調(diào)節(jié)多層網(wǎng)絡(luò)中的神經(jīng)元連接權(quán)值，實(shí)現(xiàn)多層網(wǎng)絡(luò)連接權(quán)值的學(xué)習(xí)。

本文研究的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層，單隱含層和輸出層3層網(wǎng)絡(luò)組成，如圖1所示。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 算法[5]

設(shè)3層神經(jīng)元個(gè)數(shù)分別是i，j，k。第l–1（l=3）層第i個(gè)神經(jīng)元連接到第l層的第j個(gè)神經(jīng)元的權(quán)值為wlij。

2.2.1 正向傳播

隱含層的輸出：

其中，O2j表示隱含層第j個(gè)神經(jīng)元的輸出。

輸出層的輸出：

其中，y3k表示輸出層第k個(gè)神經(jīng)元的輸出。

2.2.2 求輸出層均方誤差

總誤差：

如果輸出層誤差達(dá)到目標(biāo)精度，或者網(wǎng)絡(luò)的訓(xùn)練超過(guò)設(shè)置的迭代次數(shù)，則算法結(jié)束，否則網(wǎng)絡(luò)根據(jù)誤差反饋，進(jìn)行反向傳播。

2.2.3 反向傳播

在反向傳播時(shí)，網(wǎng)絡(luò)根據(jù)輸出層的誤差計(jì)算梯度值，根據(jù)該值進(jìn)行網(wǎng)絡(luò)反傳，調(diào)節(jié)各層權(quán)值。

若為輸出層節(jié)點(diǎn)，則：

若為隱含層節(jié)點(diǎn)，則：

調(diào)整網(wǎng)絡(luò)參數(shù)：

3 基于BP神經(jīng)網(wǎng)絡(luò)的設(shè)備故障監(jiān)測(cè)模型設(shè)計(jì)

3.1 數(shù)據(jù)采集

為使模型能第一時(shí)間獲取設(shè)備的狀態(tài)信息等基礎(chǔ)數(shù)據(jù)，必須對(duì)全站客運(yùn)設(shè)備的基礎(chǔ)數(shù)據(jù)進(jìn)行維護(hù)，對(duì)設(shè)備的狀態(tài)值進(jìn)行統(tǒng)一劃分；制定統(tǒng)一的設(shè)備接口規(guī)范，采用無(wú)線傳感器自動(dòng)獲取各客運(yùn)設(shè)備的運(yùn)行狀態(tài)等基礎(chǔ)數(shù)據(jù)。采集過(guò)程基本原理如圖2所示。

無(wú)線傳感器獲取到的信息包括一維波形、二維圖像、物理參量和邏輯值等。通過(guò)測(cè)量、采樣、量化、編碼、數(shù)據(jù)形式的轉(zhuǎn)換和校準(zhǔn)，使信號(hào)變成可以計(jì)算的數(shù)據(jù)，其數(shù)據(jù)可以用向量或矩陣表示一維波形或二維圖像，這就是數(shù)據(jù)采集的過(guò)程。

3.2 數(shù)據(jù)預(yù)處理

預(yù)處理的目的是提高信號(hào)的信噪比，如剔除奇異項(xiàng)，去掉電平漂移，必要時(shí)零均值化，消除趨勢(shì)項(xiàng)和平滑濾波等，以便突出有用的信息，并對(duì)輸入測(cè)量?jī)x器或其他原因所造成的退化現(xiàn)象進(jìn)行復(fù)原。

3.3 模型設(shè)計(jì)

本節(jié)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)模型對(duì)設(shè)備的基本狀態(tài)進(jìn)行決策。由于采用無(wú)線傳感器網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)樣本數(shù)據(jù)進(jìn)行采集，故BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)中應(yīng)包含數(shù)據(jù)采集層，具體的網(wǎng)絡(luò)模型如圖3所示。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)設(shè)備故障監(jiān)測(cè)模型圖

其中，數(shù)據(jù)采集層主要任務(wù)是通過(guò)無(wú)線傳感器獲知客運(yùn)設(shè)備狀態(tài)信息的外界和內(nèi)部因素，如：外界氣溫、氣壓、設(shè)備內(nèi)部運(yùn)行溫度等；將獲知的數(shù)據(jù)經(jīng)過(guò)預(yù)處理與輸入層相連接。

3.4 分析決策[6]

為了能夠更好地將獲取的數(shù)據(jù)進(jìn)行有效的決策，網(wǎng)絡(luò)輸出層得到客運(yùn)設(shè)備的狀態(tài)信息，神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)據(jù)此進(jìn)行分析決策。

神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)是一類新的知識(shí)表達(dá)體系，它是一種低層數(shù)值類型，信息處理是通過(guò)大量稱之為節(jié)點(diǎn)的簡(jiǎn)單處理單元之間的相互作用而進(jìn)行的。由于它的分布式信息保持方式，為專家知識(shí)的獲取和表達(dá)以及推理提供了全新的方式。通過(guò)對(duì)經(jīng)驗(yàn)樣本的學(xué)習(xí)，將專家知識(shí)以權(quán)值和閥值的形式存儲(chǔ)在網(wǎng)絡(luò)中，并且利用網(wǎng)絡(luò)的信息保持性來(lái)完成不精確診斷推理，較好地模擬了專家憑經(jīng)驗(yàn)、直覺(jué)而不是復(fù)雜的計(jì)算的推理過(guò)程，便于實(shí)現(xiàn)知識(shí)的自動(dòng)獲取，能夠自適應(yīng)環(huán)境的變化，能夠準(zhǔn)確的做出決策。

BP神經(jīng)網(wǎng)絡(luò)故障診斷算法步驟：在采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)的故障診斷專家系統(tǒng)中，知識(shí)的存儲(chǔ)與問(wèn)題的求解過(guò)程中的推理過(guò)程均在專家系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模塊中進(jìn)行，是推理機(jī)和知識(shí)庫(kù)的統(tǒng)一。3層BP神經(jīng)網(wǎng)絡(luò)采用數(shù)據(jù)驅(qū)動(dòng)正向推理的故障診斷策略，即從初始狀態(tài)出發(fā)，向前推理達(dá)到目標(biāo)狀態(tài)為止，其故障診斷步驟如下。

學(xué)習(xí)階段：將獲取的樣本數(shù)據(jù)輸入給輸入層各節(jié)點(diǎn)；由式（2）求出隱含層神經(jīng)元的輸出，并將其作為輸出層的輸入；從式（4）求得輸出層神經(jīng)元的輸出；網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)見(jiàn)式（10）。

分析決策階段：經(jīng)過(guò)多次的網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)趨于穩(wěn)定，獲取權(quán)值輸入至BP神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)中，通過(guò)導(dǎo)入相關(guān)規(guī)則知識(shí)，利用專家系統(tǒng)進(jìn)行分析決策；由閾值函數(shù)判定輸出層神經(jīng)元的最終輸出結(jié)果，若y大于或等于設(shè)定的故障閾值，則判定該設(shè)備故障；否則該設(shè)備運(yùn)行正常。

4 仿真研究

為驗(yàn)證所建模型的可行性，本節(jié)將對(duì)機(jī)房空調(diào)設(shè)備進(jìn)行模擬，通過(guò)實(shí)際的樣本參數(shù)監(jiān)測(cè)其運(yùn)行狀態(tài)是否正常，并進(jìn)行故障診斷。

一般機(jī)房空調(diào)主機(jī)的典型故障[7]有壓縮機(jī)磨損和制冷劑泄漏。

影響上述故障的因素包含蒸發(fā)溫度、壓縮機(jī)吸氣溫度、排氣溫度、冷凝溫度和過(guò)冷溫度等。

4.1 確定網(wǎng)絡(luò)結(jié)構(gòu)

實(shí)驗(yàn)采用將蒸發(fā)溫度、壓縮機(jī)吸氣溫度、排氣溫度、冷凝溫度和過(guò)冷溫度作為BP神經(jīng)網(wǎng)絡(luò)的輸入；壓縮機(jī)磨損和制冷劑泄漏作為BP神經(jīng)網(wǎng)絡(luò)的輸出。則BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)輸入層為5個(gè)神經(jīng)元，輸出層為2個(gè)神經(jīng)元，通過(guò)實(shí)驗(yàn)分析，隱含層的神經(jīng)元個(gè)數(shù)為10，故3層BP神經(jīng)網(wǎng)絡(luò)的機(jī)構(gòu)為5×10×2。

經(jīng)過(guò)網(wǎng)絡(luò)的輸出，通過(guò)輸出層閾值函數(shù)處理，若輸出向量為[0,0]則表示狀態(tài)正常，[1,0]則表示壓縮機(jī)破損，[0,1]表示制冷劑泄漏。

4.2 樣本歸一化處理與系統(tǒng)初始化

網(wǎng)絡(luò)訓(xùn)練初期，訓(xùn)練樣本采用最大最小法歸一，將樣本歸一化到[0,1]區(qū)間。同時(shí)，將系統(tǒng)所有相關(guān)參數(shù)初始化處理，包括網(wǎng)絡(luò)各層神經(jīng)元的連接權(quán)值和各神經(jīng)元的閾值。

4.3 網(wǎng)絡(luò)訓(xùn)練

采用Matlab軟件對(duì)獲取樣本集進(jìn)行實(shí)驗(yàn)仿真。經(jīng)過(guò)大量的測(cè)試，本實(shí)驗(yàn)訓(xùn)練的精度達(dá)到0.000 05，如圖4所示。

圖4 模型訓(xùn)練精度

網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練達(dá)到穩(wěn)定，獲取網(wǎng)絡(luò)中各層神經(jīng)元的連接權(quán)值。

4.4 提高分析決策精度

為了提高網(wǎng)絡(luò)分析決策的精度，將訓(xùn)練穩(wěn)定的神經(jīng)元連接權(quán)值，輸入至BP神經(jīng)網(wǎng)絡(luò)故障診斷專家系統(tǒng)中，通過(guò)導(dǎo)入決策規(guī)則，獲取規(guī)則知識(shí)，自適應(yīng)調(diào)節(jié)網(wǎng)絡(luò)變化，對(duì)客運(yùn)設(shè)備進(jìn)行分析決策。

部分仿真結(jié)果如表1所示。

由表1分析可知，通過(guò)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，故障診斷模型趨于穩(wěn)定，能夠很好地決策出機(jī)房空調(diào)設(shè)備是否工作正常，并能快速診斷出故障位置，工作效率明顯提高，滿足設(shè)計(jì)要求。

表1 部分神經(jīng)網(wǎng)絡(luò)仿真結(jié)果

5 結(jié)束語(yǔ)

本文通過(guò)對(duì)鐵路客運(yùn)設(shè)備狀態(tài)監(jiān)測(cè)及故障診斷研究，提出并設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)設(shè)備故障監(jiān)測(cè)模型。利用無(wú)線傳感器采集外部數(shù)據(jù)，并將數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與故障診斷專家系統(tǒng)的分析決策，實(shí)現(xiàn)監(jiān)測(cè)客運(yùn)設(shè)備狀態(tài)的目的。最后通過(guò)對(duì)機(jī)房空調(diào)設(shè)備的仿真研究，驗(yàn)證了所建模型的有效性，滿足設(shè)計(jì)要求。

[1]佟立本.鐵道概論[M].北京：中國(guó)鐵道出版社，2009.

[2]周東華.現(xiàn)代故障診斷與容錯(cuò)控制[M].北京：清華大學(xué)出版社，2000.

[3]虞和濟(jì)，陳長(zhǎng)征，等.基于神經(jīng)網(wǎng)絡(luò)的智能診斷[M].北京：冶金工業(yè)出版社，2000.

[4]Rumelhart D E,G E Hinton,R J Williams.Learning representations by back-propagating errors[J].Nature(London),1986,323(6088):533-536.

[5]袁曾任.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社,1999.

[6]蔡自興，許光佑.人工智能及其應(yīng)用[M].3版.北京：清華大學(xué)出版社，2004.

[7]曹 越.國(guó)內(nèi)鐵路空調(diào)與地鐵空調(diào)之比較[J].制冷，2001，12（4）：132-136.

責(zé)任編輯 陳 蓉

Fault monitoring model for railway passenger transport equipment based on BP neural network

CHENG Qingbo
( Institute of Computing Technologies,China Academy of Railway Sciences,Beijing 100081,China)

Due to many kinds of railway passenger transport equipments and scattered distribution area,the work effciency of manual inspection was low.In order to improve the effciency of the inspection working and implement the intelligent inspection work for the equipments,this article proposed and designed a fault monitoring model for the equipments based on BP neural network.The equipment status and infuencing factors were gained by wireless sensors.The model was used to determine whether the equipment worked normally,accurately diagnose the fault parts.The goal of intelligent inspection work was implemented.Finally,the air conditioning equipment was simulated to verify the validity of the model.

railway passenger transport equipment;BP neural network; fault monitoring;intelligent information

U293.2∶TP39

A

1005-8451（2016）02-0003-04

2015-06-18

程清波，助理研究員 。