基于粗糙集神經(jīng)網(wǎng)絡(luò)的車載設(shè)備故障診斷

康洪軍，蔣潔，楊帥，張玉琢，曹源

（1. 中車唐山機(jī)車車輛有限公司 產(chǎn)品研發(fā)中心，河北 唐山 063035；2. 北京交通大學(xué) 電子信息工程學(xué)院，北京 100044；3. 北京交通大學(xué) 軌道交通運(yùn)行控制系統(tǒng)國家工程研究中心，北京 100044）

基于粗糙集神經(jīng)網(wǎng)絡(luò)的車載設(shè)備故障診斷

康洪軍1，蔣潔1，楊帥1，張玉琢2，曹源3

（1. 中車唐山機(jī)車車輛有限公司 產(chǎn)品研發(fā)中心，河北 唐山 063035；2. 北京交通大學(xué) 電子信息工程學(xué)院，北京 100044；3. 北京交通大學(xué) 軌道交通運(yùn)行控制系統(tǒng)國家工程研究中心，北京 100044）

由于神經(jīng)網(wǎng)絡(luò)在車載設(shè)備故障診斷中存在網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練時間長的問題，利用粗糙集理論處理不確定數(shù)據(jù)的優(yōu)勢，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。提出屬性約簡算法，去掉冗余信息，保留必要屬性。通過對現(xiàn)場車載設(shè)備故障數(shù)據(jù)的實(shí)例分析表明，優(yōu)化前后性能提升明顯，且使用該方法能有效減少輸入層神經(jīng)元個數(shù)，提高車載設(shè)備故障診斷的效率和準(zhǔn)確度。

車載設(shè)備；神經(jīng)網(wǎng)絡(luò)；粗糙集；故障診斷

0 引言

車載設(shè)備是列車運(yùn)行控制系統(tǒng)的重要組成部分，起到高速條件下列車運(yùn)行速度和運(yùn)行間隔控制、實(shí)時監(jiān)控及超速防護(hù)的作用，對于保障列車高效安全運(yùn)行具有重要意義。車載設(shè)備具有集成化、復(fù)雜化、精密化的特點(diǎn)，不同設(shè)備發(fā)生故障表現(xiàn)出來的故障表象具有較大差異。相對應(yīng)的故障參數(shù)也有很大不同，有些故障原因與特征參數(shù)之間存在某種非線性的函數(shù)關(guān)系[1-3]。這些類型的故障可以通過神經(jīng)網(wǎng)絡(luò)來對參數(shù)訓(xùn)練后識別，神經(jīng)網(wǎng)絡(luò)能夠依靠非線性逼近能力識別故障類型[4-5]。但其具有一定局限性，如訓(xùn)練樣本數(shù)據(jù)量較大，網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)較大，訓(xùn)練后數(shù)據(jù)還需診斷分析。此外，常用的BP神經(jīng)網(wǎng)絡(luò)推理過程復(fù)雜且不可見，訓(xùn)練數(shù)據(jù)對診斷結(jié)果不能進(jìn)行很好說明，對故障案例的數(shù)目和代表性有很高要求，且對于新案例的診斷效果較差[6]。粗糙集理論是用來研究不完整數(shù)據(jù)、不精確知識表示的方法。優(yōu)點(diǎn)在于不需要先驗(yàn)?zāi)Ｐ?，利用原有信息來挖掘新信息?nèi)部規(guī)律，根據(jù)自身具有的知識，采用分類思想將不確定性知識劃分知識域。

因此，一些學(xué)者將神經(jīng)網(wǎng)絡(luò)與粗糙集相結(jié)合，充分發(fā)揮二者優(yōu)勢。文獻(xiàn)[7]使用粗糙集理論優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的策略，對軸承故障數(shù)據(jù)和磨削工況進(jìn)行分析，有效減少了輸入層神經(jīng)元個數(shù)；文獻(xiàn)[8]利用粗糙集理論對故障診斷樣本進(jìn)行離散化處理，采用神經(jīng)網(wǎng)絡(luò)集成的方法，對熱電廠發(fā)電機(jī)組幾種故障進(jìn)行診斷，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力；文獻(xiàn)[9]將神經(jīng)網(wǎng)絡(luò)用于案例相似度的確定，根據(jù)神經(jīng)網(wǎng)絡(luò)輸出的隸屬度確定權(quán)重，案例推理作為分類器進(jìn)行分類?；谏鲜鲇^點(diǎn)，利用粗糙集理論對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。給出屬性約簡的算法，優(yōu)化神經(jīng)網(wǎng)絡(luò)具體步驟，把優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型對車載設(shè)備故障進(jìn)行診斷。根據(jù)現(xiàn)場數(shù)據(jù)，比較優(yōu)化前后神經(jīng)網(wǎng)絡(luò)的性能，對典型故障進(jìn)行診斷。結(jié)果表明，優(yōu)化達(dá)到預(yù)期目的，提高了車載設(shè)備故障診斷的效率和準(zhǔn)確度。

1 屬性約簡

屬性約簡是粗糙集理論的核心內(nèi)容之一，即在保持知識庫分類能力不變的前提下，刪除不相關(guān)或不重要的冗余屬性。基于差別矩陣約簡的設(shè)計方法需要生成決策表的差別矩陣，需要消耗大量存儲空間和時間，當(dāng)處理較大型決策表時，算法速度較慢，效率降低也會影響到計算機(jī)存儲空間。在差別矩陣簡化和決策表簡化的基礎(chǔ)上，由簡化決策表生成的簡化差別矩陣的非空元素個數(shù)可以確定。通過簡化算式和簡化差別矩陣的定義計算出非空元素的個數(shù)。

1.1 基于差別矩陣的屬性約簡算法

采用基于差別矩陣的屬性約簡算法。該算法由Skowron教授提出[10]，主要是對搜索結(jié)果進(jìn)行邏輯公式簡化，檢索方法是基于差別矩陣的算法。

S=（U，A，V，F(xiàn)）是一決策表系統(tǒng)；T為該決策系統(tǒng)的差別矩陣；M為矩陣中屬性組合的集合，M中不包含重復(fù)元素，設(shè)M中存在m個元素，Bi表示其中的一個屬性組合，則M中的任2個元素Bi∩Bj=?（i，j=1，2，…，m）。設(shè)E為決策表?xiàng)l件屬性集R的約簡，初始E= ?，具體算法如下：

步驟一：生成決策表系統(tǒng)S的差別矩陣為T，在矩陣中找出單個屬性組成的元素，這些元素的集合就是決策表的核CORE（C）≠?，則E←E∪CORE（C）≠?。

步驟二：從集合M中找到包含核屬性的元素表達(dá)式：Q={Bi｜Bi∩CORE（C）≠? ，Bi∈M}，其中S←S-Q。

步驟三：將S中各屬性組合表示成P=∧{∨bi｜bi}。步驟四：將P轉(zhuǎn)化成范式形式，并挑選合適的屬性組合進(jìn)行約簡。

輸出約簡結(jié)果，析取范式中每個合取項(xiàng)可以作為系統(tǒng)中的一個屬性約簡，合取項(xiàng)中包含了所有屬性組成的信息系統(tǒng)條件屬性集合。

1.2 車載設(shè)備實(shí)例計算

以現(xiàn)場實(shí)際的故障發(fā)生統(tǒng)計表為主要依據(jù)，根據(jù)不同故障提取其故障特征及故障原因，將提取的故障特征進(jìn)行分類劃分等級，子系統(tǒng)級別的故障會導(dǎo)致系統(tǒng)出現(xiàn)不同程度故障，根據(jù)故障的具體表現(xiàn)診斷出具體子系統(tǒng)或具體設(shè)備的故障。故障類型及故障特征表示符號含義見表1，故障特征與故障關(guān)系見圖1。

表1 故障類型及故障特征表示符號含義

圖1 故障特征與故障關(guān)系

對輸入的故障信息通過訓(xùn)練自學(xué)習(xí)進(jìn)行索引其中故障類型（決策屬性）。其中，根據(jù)故障征兆符合邏輯類型，出現(xiàn)故障征兆的情況下取值為1，沒有出現(xiàn)故障征兆取值為0，C1—C7表示7種故障類型，根據(jù)矢量化的表格將故障征兆的隸屬度屬性按照規(guī)則矩陣進(jìn)行計算，可以得到：根據(jù)矩陣約簡定義，決策表是一個7×7的方陣，主對角線元素堆對稱，通過可辨識矩陣約簡后得到的結(jié)果見表2。

決策表中有7個樣本，經(jīng)過樣本的決策屬性和條件屬性比較可以得到所需要的可辨識矩陣。對于矩陣中所有屬性組合中，按照差別矩陣約簡方法，先對每行進(jìn)行化簡，再將每行的結(jié)果合取化簡，得到屬性約簡后的結(jié)果如下：{A1，A2，A3，A5，A6}、{A1，A2，A3，A5，A8}、{A1，A2，A3，A5，A6，A7}、{A1，A3，A5，A6，A8}、{A1，A3，A5，A7，A8}。

2 粗糙集理論與神經(jīng)網(wǎng)絡(luò)結(jié)合

表2 故障屬性差別矩陣

圖2 粗糙集與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷模型

粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合的基本步驟：

（1）從采集的原始樣本產(chǎn)生學(xué)習(xí)樣本集；

（2）對采集數(shù)據(jù)進(jìn)行條件屬性化；

（3）根據(jù)不同條件的屬性值不同建立屬性決策表；

（4）采用基于差別矩陣的方法對條件屬性進(jìn)行屬性約簡，去掉冗余條件屬性并得到最小條件屬性特征集；

（5）將最小屬性條件集對應(yīng)的學(xué)習(xí)樣本作為神經(jīng)網(wǎng)絡(luò)輸入測試樣本，該數(shù)據(jù)樣本去除不必要屬性集，保留權(quán)重較大的重要屬性；

（6）神經(jīng)網(wǎng)絡(luò)作為故障診斷中預(yù)處理模塊主要任務(wù)，約簡后得到的最小屬性集對應(yīng)的學(xué)習(xí)樣本輸入到模糊神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并對網(wǎng)絡(luò)進(jìn)行測試，輸出分類結(jié)果。

粗糙集與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷模型見圖2，根據(jù)最小決策表得到神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

圖3 粗糙集理論構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3 改進(jìn)后性能比較

將粗糙集約簡后的故障樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，該方法主要是針對原有標(biāo)準(zhǔn)BP算法和約簡后算法進(jìn)行對比。標(biāo)準(zhǔn)BP算法訓(xùn)練函數(shù)選用trainlm，學(xué)習(xí)函數(shù)選用learnglm，性能函數(shù)選用mse，最大迭代次數(shù)5 000，訓(xùn)練誤差0.001。訓(xùn)練誤差收斂曲線見圖4。經(jīng)過粗糙集約簡后，由于訓(xùn)練屬性減少加速訓(xùn)練速度，迭代次數(shù)562步時滿足誤差精度要求，說明去除冗余屬性后對于訓(xùn)練速度有較大提升。訓(xùn)練樣本經(jīng)過粗糙集約簡和未經(jīng)過約簡算法結(jié)果比較見表3。

4 故障診斷實(shí)例

采用3層BP神經(jīng)網(wǎng)絡(luò)完成故障診斷，由1.2小節(jié)中得出的最小屬性集{A1，A3，A5，A7，A8}，由于最小屬性集中有5個條件屬性，可以得出網(wǎng)絡(luò)輸入層神經(jīng)元有5個節(jié)點(diǎn)；故障狀態(tài)為輸出層神經(jīng)元，傳遞函數(shù)選用s型對數(shù)函數(shù)logsig，目標(biāo)的輸出值為0和1；采用最小二乘法，訓(xùn)練函數(shù)為trainlm；網(wǎng)絡(luò)性能函數(shù)選用均方誤差函數(shù)mse，誤差值小于0.08；設(shè)置訓(xùn)練次數(shù)為500次。隱含層的傳遞函數(shù)為transig，神經(jīng)元的個數(shù)確定與輸入層神經(jīng)元個數(shù)間的關(guān)系是n0=√m+n+α，由上述分析可得到隱含層神經(jīng)元個數(shù)為4～13個。從小到大改變隱藏層神經(jīng)元個數(shù)，最終選擇最小輸出誤差相對應(yīng)的隱含層個數(shù)（見表4）。當(dāng)隱藏層節(jié)點(diǎn)數(shù)為10時，對應(yīng)的網(wǎng)絡(luò)訓(xùn)練誤差最小，因此選用隱藏層個數(shù)為10，經(jīng)過分析可以得出輸入層個數(shù)為5，隱藏層個數(shù)為9，輸出層個數(shù)為1。

圖4 訓(xùn)練誤差收斂曲線

神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)500次，設(shè)置目標(biāo)誤差為0.08時，得到實(shí)際誤差0.073 92，滿足要求（見圖5）。由于不同類型案例的特征屬性不完全相同，對于不同類型案例庫建立模型。

訓(xùn)練后，對于選取的最小屬性集{A1，A3，A5，A7，A8}對應(yīng)的期望輸出分別是[1，0，1，0，0]、[0，0，1，0，0]、[0，1，0，0，1]、[1，0，0，1，0]、[0，1，0，0，1]，分別對應(yīng)篩選出的1—5號案例。計算結(jié)果見表5?？梢钥闯?，設(shè)定樣本輸出值大于0.8時歸為1，輸出值小于0.1時歸為0，則目標(biāo)輸出在誤差允許范圍內(nèi)與輸入基本一致。輸入案例的特征信息，在分層索引的控制下，能夠完成案例類別的檢索。然后利用已經(jīng)訓(xùn)練好的可能相似案例的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢索，根據(jù)相似案例索引查找相應(yīng)的解決方案。

表3 訓(xùn)練結(jié)果對比

表4 不同隱藏節(jié)點(diǎn)的BP網(wǎng)絡(luò)訓(xùn)練誤差

圖5 最小屬性集網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

表5 樣本輸入與實(shí)際輸出

5 結(jié)束語

充分利用神經(jīng)網(wǎng)絡(luò)非線性逼近能力和粗糙集理論在處理不確定信息方面的優(yōu)勢，將基于粗糙集理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法引入車載設(shè)備故障診斷。把利用差別矩陣約簡決策信息表得到的最小約簡核，輸入到BP神經(jīng)網(wǎng)絡(luò)模型中，使得網(wǎng)絡(luò)結(jié)構(gòu)得到有效簡化，并進(jìn)行相應(yīng)仿真實(shí)驗(yàn)。結(jié)果證明了基于粗糙集的BP網(wǎng)絡(luò)在時間和精度上的優(yōu)勢，驗(yàn)證了其在復(fù)雜車載設(shè)備故障診斷中的實(shí)用價值。

[1]張喜，杜旭升，劉朝英．車站信號控制設(shè)備故障診斷專家系統(tǒng)的研究與實(shí)現(xiàn)[J]．鐵道學(xué)報，2009(3)：43-49．

[2]李勇．基于支持向量機(jī)的牽引供電系統(tǒng)高阻接地故障診斷方法[J]．中國鐵路，2016(3)：26-30．

[3]安琪，秦勇，姚德臣．城市軌道交通車輛軸承故障診斷方法研究[J]．中國鐵路，2014(11)：96-101．

[4]YANGBS，HANT，KIMYS．Integrationof ART-Kohonenneuralnetworkandcase-basedreasoningforintelligentfaultdiagnosis[J]．ExpertSystemswithApplications，2004，26(3)：387-395.

[5]SUNY，ZHANGS，MIAOC，etal．ImprovedBP neuralnetworkfortransformerfaultdiagnosis[J]．JournalofChinaUniversityofMiningandTechnology，2007，17(1)：138-142．

[6]黃贊武，魏學(xué)業(yè)，劉澤．基于模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷方法研究[J]．鐵道學(xué)報，2012(11)：54-59．

[7]凌維業(yè)，賈民平，許飛云，等．粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的優(yōu)化方法研究[J]．中國電機(jī)工程學(xué)報，2003，23(5)：98-102．

[8]郭小薈，馬小平．基于粗糙集-神經(jīng)網(wǎng)絡(luò)集成的故障診斷[J]．控制工程，2007，14(1)：53-56．

[9]梁武科，趙道利，馬薇，等．基于粗糙集-RBF神經(jīng)網(wǎng)絡(luò)的水電機(jī)組故障診斷[J]．儀器儀表學(xué)報，2007，28(10)：1806-1810．

[10]苗奪謙，李道國．粗糙集理論、算法與應(yīng)用[M].北京：清華大學(xué)出版社，2008．

責(zé)任編輯高紅義

Diagnosis on Failure of Onboard Equipment Based on Rough Set Neural Network

KANG Hongjun1，JIANG Jie1，YANG Shuai1，ZHANG Yuzhuo2，CAO Yuan3
(1. CRRC Tangshan Co Ltd，Product R&D Center，Tangshan Hebei 063035，China；
(2. School of Electronic and Information Engineering，Beijing Jiaotong University，Bejing 100044，China；
(3. National Engineering Research Center of Rail Transportation Operation and Control System，Beijing Jiaotong University，Beijing 100044，China）

Since the neural network has complicated structure and requires comparatively long time for diagnosis of onboard device failure, the advantage of rough set in processing uncertain data is leveraged to optimize the BP neural network. Attribute reduction algorithm is proposed to eliminate the redundant information and keep the necessary attributes. Analysis on actual data of onboard device failures has shown that the performance has been improved apparently before and after the optimization. Moreover, the method could well reduce the number of neurons at the input layer and improve the efficiency and accuracy of onboard device failure diagnosis.

onboard device；neural network；rough set；failure diagnosis

U279.3+23

A

1001-683X（2017）05-0067-05

10.19549/j.issn.1001-683x.2017.05.067

2016-10-11

國家科技支撐計劃項(xiàng)目（2015BAG12B01）；

國家自然科學(xué)基金資助項(xiàng)目（U1534208、U1334211）

康洪軍（1965—），男，教授級高級工程師。

張玉琢（1990—），男，博士研究生。

E-mail：1_zhangyuzhuo@sina.com