基于GA-BP神經(jīng)網(wǎng)絡(luò)的列控車載設(shè)備故障診斷方法研究

周璐婕，董昱

?

基于GA-BP神經(jīng)網(wǎng)絡(luò)的列控車載設(shè)備故障診斷方法研究

周璐婕，董昱

(蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070)

針對(duì)列控車載設(shè)備故障復(fù)雜且故障分析多依賴人工經(jīng)驗(yàn)完成等問(wèn)題，以車載安全計(jì)算機(jī)記錄的AElog故障數(shù)據(jù)為樣本，提出一種基于反向傳播(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)的車載設(shè)備智能故障診斷方法。為避免初選特征信息冗余，通過(guò)主分量啟發(fā)式屬性約簡(jiǎn)算法，對(duì)樣本進(jìn)行降維降噪處理。另外，考慮到BP神經(jīng)網(wǎng)絡(luò)對(duì)初始網(wǎng)絡(luò)權(quán)重非常敏感，以不同的權(quán)重初始化網(wǎng)絡(luò)，往往會(huì)收斂于不同的局部極小，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值/閾值進(jìn)行優(yōu)化。研究結(jié)果表明：加入屬性約簡(jiǎn)提高分類器的分類性能，通過(guò)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)避免局部極小問(wèn)題，且迭代步數(shù)少，降低平均誤差，提高分類精度。

車載設(shè)備；故障診斷；屬性約簡(jiǎn)；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)

在高速鐵路安全運(yùn)營(yíng)中，列控車載設(shè)備是重要的行車控制設(shè)備，是保證正常運(yùn)行的核心。在實(shí)際運(yùn)行中，列控車載設(shè)備的故障比例相對(duì)較高。目前，車載設(shè)備的故障檢查和維護(hù)主要依賴于工作人員的經(jīng)驗(yàn)，已不能滿足現(xiàn)代化鐵路高速運(yùn)行的需求，因此，進(jìn)一步研究列控車載設(shè)備故障診斷技術(shù)具有重要的意義。近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷技術(shù)在鐵路領(lǐng)域得到了大量的應(yīng)用。趙陽(yáng)等[1?2]以電務(wù)人員記錄的故障信息表為依據(jù)，提出了基于貝葉斯網(wǎng)絡(luò)的車載設(shè)備智能診斷方法，實(shí)現(xiàn)用故障現(xiàn)象挖掘故障原因。但故障數(shù)據(jù)不規(guī)范，不易獲得有用信息，算法要求特征屬性間條件獨(dú)立，很難滿足。王振顯等[3?4]提出了基于案例推理的故障診斷方法，通過(guò)建立案例庫(kù)完成故障識(shí)別和定位，由于實(shí)際應(yīng)用中全面的案例庫(kù)獲得難度大，其完備性影響診斷效率和效果，為診斷帶來(lái)較大的困難。趙陽(yáng)等[5?6]引入專家知識(shí)完成對(duì)診斷網(wǎng)絡(luò)的優(yōu)化，實(shí)現(xiàn)了故障診斷分類，但對(duì)專家水平和經(jīng)驗(yàn)依賴度強(qiáng)，規(guī)則過(guò)多可能出現(xiàn)組合爆炸。車載設(shè)備結(jié)構(gòu)復(fù)雜，故障模式多樣，其診斷的核心是分類。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，適合求解內(nèi)部機(jī)制復(fù)雜的問(wèn)題，能夠以任意精度逼近任何非線性函數(shù)。反向?qū)W習(xí)通過(guò)反復(fù)調(diào)整網(wǎng)絡(luò)權(quán)值閾值，實(shí)現(xiàn)最小化實(shí)際與期望輸出間的差異[7]。現(xiàn)已成功應(yīng)用于諸多領(lǐng)域的故障診斷系統(tǒng)中[8?9]。但BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)選取的，取值不當(dāng)會(huì)引起網(wǎng)絡(luò)振蕩不宜收斂問(wèn)題，容易陷入局部極小值，每次訓(xùn)練后的結(jié)果差異較大。初選故障特征間存在冗余和相容性，粗糙集理論(Rough Sets)具有較強(qiáng)的定性分析能力和屬性約簡(jiǎn)能力，可以對(duì)數(shù)據(jù)降維和特征選擇。文獻(xiàn)[10]證實(shí)，通過(guò)粗糙集進(jìn)行屬性約簡(jiǎn)不僅可以提高診斷能力，而且可以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提高訓(xùn)練和學(xué)習(xí)效率。針對(duì)列控車載故障的特點(diǎn)和現(xiàn)有技術(shù)的缺陷，本文以列控車載安全計(jì)算機(jī)記錄的AElog數(shù)據(jù)為依據(jù)，提出一種基于粗糙集和遺傳BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的列控車載故障診斷模型。在保證分類能力不變的前提下，采用屬性主分量啟發(fā)式約簡(jiǎn)算法，在差別矩陣的基礎(chǔ)上構(gòu)造出屬性的分量函數(shù)，簡(jiǎn)化原始樣本集，提高訓(xùn)練效率。利用遺傳算法(Genetic Algorithm, GA)全局尋優(yōu)特性和穩(wěn)健性[11]優(yōu)化神經(jīng)網(wǎng)絡(luò)初始的權(quán)值和閾值，再將尋優(yōu)結(jié)果帶入神經(jīng)網(wǎng)絡(luò)利用BP算法進(jìn)行訓(xùn)練。不僅能發(fā)揮BP神經(jīng)網(wǎng)絡(luò)泛化的映射能力，而且避免了局部極小問(wèn)題，提高分類精度。并結(jié)合實(shí)例驗(yàn)證該方法在列控車載故障診斷中的有效性。

1 背景介紹

1.1 列控車載設(shè)備

目前，CTCS-3級(jí)列控車載系統(tǒng)采用C2/C3一體化設(shè)計(jì)，設(shè)備為分布式的結(jié)構(gòu)，300T車載設(shè)備雙系冷備，核心控制模塊采用“單硬件雙軟件”設(shè)計(jì)，由車載設(shè)備Profibus總線和車輛MVB雙總線進(jìn)行不同模塊的連接[12]。CTCS3-300T型列控車載設(shè)備主要由CTCS-3控制單元(ATPCU)、CTCS-2控制單元(C2CU)、測(cè)速測(cè)距單元(SDU)、應(yīng)答器信息接收模塊(BTM+CAU)、軌道電路信息接收單元(TCR)、人機(jī)界面(DMI)、司法記錄單元(JRU)、網(wǎng)關(guān)(TSG)、安全無(wú)線傳輸單元((STU-V)和安全數(shù)字輸入輸出單元(VDX) 等組成[13]，其結(jié)構(gòu)如圖1 所示。

CTCS3-300T車載設(shè)備的ATPCU，C2CU，SDP和TSG 4個(gè)模塊中有記錄信息，其中ATPCU的記錄信息最為重要，在運(yùn)行過(guò)程中，列控車載安全計(jì)算機(jī)記錄的AElog數(shù)據(jù)按時(shí)間順序逐條記錄了模塊正常工作或故障時(shí)的標(biāo)志性語(yǔ)句。其故障的標(biāo)志性語(yǔ)句是由英文短句進(jìn)行描述的，BTM工作異常導(dǎo)致的BTM端口無(wú)效的實(shí)例如截圖2所示，ATPCU AElog報(bào)“Balise Port invalid”或“StatusPort invalid in BTM”。本文主要關(guān)注故障語(yǔ)句及所屬故障類別。

1.2 屬性主分量啟發(fā)式約簡(jiǎn)算法

屬性約簡(jiǎn)可以剔除信息中的冗余屬性，實(shí)現(xiàn)數(shù)據(jù)的降維和特征選擇，是粗糙集理論研究的核心內(nèi)容之一。本文通過(guò)差別矩陣提取出核屬性，再利用其構(gòu)造分量函數(shù)，并按分量值補(bǔ)充約簡(jiǎn)集，得到最優(yōu)約簡(jiǎn)集。

粗糙集定義：知識(shí)表達(dá)系統(tǒng)S由一個(gè)4元組構(gòu)成，可表示為S(,,,)，其中是論域；∪是屬性集，是條件屬性，為決策屬性；是屬性集的值域；為度量函數(shù)。

設(shè)有知識(shí)表達(dá)系統(tǒng)=(,,,)，定義差別矩陣(c)，c表示差別矩陣中的第行第列的元素，(,)是數(shù)據(jù)對(duì)象在條件屬性上的具體值，則其任一元素c可定義為：

式中：=1, 2, …,；=1, 2, …,。

主分量啟發(fā)式算法是在差別矩陣的基礎(chǔ)上構(gòu)造出屬性的分量函數(shù)，某一屬性w的分量函數(shù)[14]為：

式中：

圖2 ATPCU記錄的AElog數(shù)據(jù)(部分)截圖

先利用差別矩陣求核屬性，再將其余元素中較大的分量函數(shù)值也加入到約簡(jiǎn)集中。若不能通過(guò)差別矩陣得到核屬性，則可將分量函數(shù)值較大的屬性作為約簡(jiǎn)集。這樣可減少對(duì)原始決策表的遍歷，使約簡(jiǎn)更加簡(jiǎn)單。本文給出了屬性主分量啟發(fā)式約簡(jiǎn)算法具體過(guò)程如下所示：

3) 對(duì)中的屬性，依據(jù)分量函數(shù)值的大小降序排列。

此方法減少了對(duì)決策表的遍歷搜索，也不用簡(jiǎn)化差別矩陣，針對(duì)有核或無(wú)核的決策表，均可利用分量函數(shù)得到約簡(jiǎn)集。

1.3 BP神經(jīng)網(wǎng)絡(luò)

網(wǎng)絡(luò)的輸出為：

輸出層第個(gè)神經(jīng)元的輸出誤差為：

輸出層所有神經(jīng)元誤差能量總和：

因梯度下降法具有簡(jiǎn)單、并行能力強(qiáng)等優(yōu)點(diǎn)，常用此算法修正網(wǎng)絡(luò)的權(quán)值和偏差。按梯度下降法得到誤差能量在各權(quán)閾值上的梯度為：

1.4 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

通過(guò)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)閾值來(lái)提高網(wǎng)絡(luò)的學(xué)習(xí)收斂速度，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)更好地預(yù)測(cè)函數(shù)的輸出[15]，GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程如圖3所示。

圖3 GA優(yōu)化BP網(wǎng)絡(luò)流程圖

其中GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)如下。

1) 染色體編碼

通常GA采用二進(jìn)制編碼，但神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值初始化后為大量浮點(diǎn)數(shù)，若采用二進(jìn)制編碼則導(dǎo)致位串過(guò)長(zhǎng)，影響搜索效率，因此本文采用浮點(diǎn)數(shù)編碼直接進(jìn)行自然描述[16]，無(wú)編碼解碼過(guò)程，以相對(duì)較小的長(zhǎng)度實(shí)現(xiàn)足夠大精度的要求。并隨機(jī)產(chǎn)生初始種群。

2) 適應(yīng)度函數(shù)

適應(yīng)度函數(shù)可對(duì)種群中每個(gè)個(gè)體進(jìn)行評(píng)估，與性能的優(yōu)良成正比，適應(yīng)度越高，被選擇概率越大，則利用其將神經(jīng)網(wǎng)絡(luò)初始權(quán)值閾值的最優(yōu)解分布范圍縮小，再經(jīng)過(guò)BP算法精確求解，以防止神經(jīng)網(wǎng)絡(luò)陷入局部極小，從而達(dá)到加速收斂，減少訓(xùn)練次數(shù)的目的。適應(yīng)度函數(shù)一般由所求問(wèn)題的目標(biāo)函數(shù)轉(zhuǎn)化得到。以神經(jīng)網(wǎng)絡(luò)的誤差能量作為所求問(wèn)題的目標(biāo)函數(shù)，要求誤差越小越好；而用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化，要求適應(yīng)度值越大越好，因此確定GA的適應(yīng)度函數(shù)為：

式中：為種群大??；′()和()分別為此神經(jīng)網(wǎng)絡(luò)第個(gè)節(jié)點(diǎn)的期望輸出與實(shí)際輸出；為一個(gè)很小的正量。

3) 遺傳操作算子

采用Monte Carlo法選擇算子[17]，個(gè)體適應(yīng)度越大，被選擇的概率越高。設(shè)種群數(shù)量為，個(gè)體的適度值為，則選中個(gè)體的概率為：

從父代里隨機(jī)選擇2個(gè)個(gè)體w和w隨機(jī)獨(dú)立地選連接值進(jìn)行交換，其在位的交叉操作為：

其中：為[0,1]間的隨機(jī)數(shù)。

以某一較小的概率完成均勻變異，使個(gè)體適應(yīng)度更高，從局部角度逼近最優(yōu)解。變異后的新基因值為：

其中：max和min分別為初始個(gè)體的最大和最小值，為[0,1]間的隨機(jī)數(shù)。

將GA得到的最優(yōu)個(gè)體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值，再按BP算法進(jìn)行訓(xùn)練。

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

本文以AElog故障數(shù)據(jù)為樣本，數(shù)據(jù)間存在關(guān)聯(lián)性和冗余性，通過(guò)選擇特征詞，建立空間向量模型(Vector Space Model, VSM)，利用主分量啟發(fā)式算法對(duì)特征屬性進(jìn)行最優(yōu)選擇，實(shí)現(xiàn)數(shù)據(jù)預(yù)處理。用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，經(jīng)BP算法實(shí)現(xiàn)模型訓(xùn)練和分類。診斷過(guò)程如圖4所示。

2.1 數(shù)據(jù)預(yù)處理

在故障語(yǔ)句中提取故障特征詞作為訓(xùn)練基礎(chǔ)，在去除停用詞后，利用卡方檢驗(yàn)(Chi-square test, CHI)進(jìn)行特征選擇，CHI可以有效衡量特征項(xiàng)和類別之間的相關(guān)度，同時(shí)考慮了特征存在與不存在時(shí)的情況。以BTM故障為例，共選取特征詞{state, BTM, StatusPort, invalid……BSA}等28個(gè)詞，故障類型如表1所示。

圖4 列控車載設(shè)備故障診斷模型

表1 故障類型表

再通過(guò)詞頻-逆文件頻率(term frequency -inverse document frequency,TF-IDF)以選擇出來(lái)的特征頻率為基礎(chǔ)計(jì)算相應(yīng)的權(quán)重，完成詞語(yǔ)到向量空間的轉(zhuǎn)換，依此建立故障決策表。

式中：a表示詞匯在文本中出現(xiàn)的次數(shù)，表示全部訓(xùn)練集中的文本數(shù)；N表示訓(xùn)練文本中出現(xiàn)的文本頻率；根據(jù)經(jīng)驗(yàn)來(lái)定，一般取0.01。

由于初選故障特征間存在冗余和相容性，會(huì)使之后的網(wǎng)絡(luò)訓(xùn)練變得復(fù)雜，利用粗糙集進(jìn)行約簡(jiǎn)，先將原始決策表的屬性權(quán)重通過(guò)聚類(K-means)的方法離散化，設(shè)聚類個(gè)數(shù)為3，再通過(guò)主分量啟發(fā)式算法，利用差別矩陣計(jì)算核集，再用式(2)求其余屬性的分量值F(w)，最終獲得{state, Statusport, Status,Telegram,invalid,data,port,inactive,Protocol,mism,Temporary,Missed,BSA,permanent,active,Transmission,hours,Different,timeout,Progress,startup}等21個(gè)詞，將其按順序編號(hào)作為條件屬性。約簡(jiǎn)后的故障決策表，如表2所示。減少了神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)量，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)。

表2 故障診斷決策表

2.2 基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

依故障診斷決策表設(shè)計(jì)3層BP網(wǎng)絡(luò)結(jié)構(gòu)，隱層神經(jīng)元個(gè)數(shù)依據(jù)經(jīng)驗(yàn)公式(16)得到一個(gè)范圍，再通過(guò)比較不同神經(jīng)元個(gè)數(shù)的網(wǎng)絡(luò)收斂誤差來(lái)確定，如表3所示。

其中：，分別為輸入、輸出神經(jīng)元個(gè)數(shù)；為1-10之間的整數(shù)。

本例中的隱層和輸出層激活函數(shù)均選Sigmoid函數(shù)，最終確定隱層神經(jīng)元個(gè)數(shù)12個(gè)。由此所確定的BP網(wǎng)絡(luò)拓?fù)鋱D如5所示。

表3 隱層不同神經(jīng)元個(gè)數(shù)的訓(xùn)練誤差對(duì)比

隨機(jī)產(chǎn)生網(wǎng)絡(luò)的權(quán)閾值集，按前述的GA對(duì)其全局尋優(yōu)法得到最優(yōu)解集，以此作為初始值，利用梯度下降法進(jìn)行反向傳播訓(xùn)練。

圖5 BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

3 仿真實(shí)驗(yàn)與分析

利用Matlab/simulink作為仿真集成環(huán)境訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練函數(shù)選trainlm，學(xué)習(xí)速率0.1，目標(biāo)誤差10?5，最大迭代次數(shù)1 000次。其訓(xùn)練誤差曲線如圖6所示?？梢钥闯鲈诘?4步達(dá)到收斂。

利用GA-BP網(wǎng)絡(luò)結(jié)構(gòu)，采用與BP網(wǎng)絡(luò)相同的訓(xùn)練樣本，其差別僅在于BP網(wǎng)絡(luò)權(quán)值和閾值初始化時(shí)由系統(tǒng)隨機(jī)分配，GA-BP網(wǎng)絡(luò)的權(quán)值和閾值由GA優(yōu)化得到。由BP網(wǎng)絡(luò)確定待優(yōu)化的權(quán)值個(gè)數(shù)為21×12+12×8=348，待優(yōu)化閾值個(gè)數(shù)為12+8=20，共由368個(gè)變量。設(shè)置初始種群數(shù)目40個(gè)，選擇參數(shù)0.09，交叉算子0.75 ，變異概率0.01。

圖6 BP神經(jīng)網(wǎng)絡(luò)誤差曲線

可得遺傳算法目標(biāo)函數(shù)隨代數(shù)的變化曲線如圖7所示，其適應(yīng)度隨代數(shù)的變化曲線如圖8所示，曲線均在42代趨向平緩，說(shuō)明優(yōu)化到42代網(wǎng)絡(luò)可獲得最優(yōu)個(gè)體。

圖7 GA目標(biāo)函數(shù)隨代數(shù)變化曲線

圖8 GA適應(yīng)度隨代數(shù)變化曲線

網(wǎng)絡(luò)誤差曲線如圖9所示，在第5步達(dá)到收斂狀態(tài)。

圖9 GA-BP神經(jīng)網(wǎng)絡(luò)誤差曲線

由圖10和圖11中的驗(yàn)證誤差和測(cè)試誤差曲線，可以看出誤差變化基本一致，說(shuō)明樣本集的劃分基本合理。

圖10 驗(yàn)證誤差曲線

圖11 測(cè)試誤差曲線

為綜合評(píng)價(jià)網(wǎng)絡(luò)的實(shí)際性能，采用收斂步數(shù)、測(cè)試樣本平均絕對(duì)誤差，測(cè)試樣本最大絕對(duì)誤差和準(zhǔn)確率(Accuracy)進(jìn)行評(píng)判，通過(guò)驗(yàn)證得到表4所示的結(jié)果。

對(duì)表4分析可以得到：

1) 加入屬性約簡(jiǎn)算法后，平均誤差和正確率都較約簡(jiǎn)前有了改善，迭代次數(shù)有所減少，說(shuō)明屬性約簡(jiǎn)可以提高神經(jīng)網(wǎng)絡(luò)的性能。

2) 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)收斂速度遠(yuǎn)大于未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)。約簡(jiǎn)后，平均絕對(duì)誤差降低了48.92%，正確率也相對(duì)提高了5.26%。

表4 實(shí)驗(yàn)結(jié)果對(duì)比

4 結(jié)論

1) 車載記錄的AElog數(shù)據(jù)的特征屬性冗余，通過(guò)采用主分量啟發(fā)式算法提取主要特征，實(shí)驗(yàn)表明，該方法可以較準(zhǔn)確的提取主要特征參數(shù)，提高訓(xùn)練效率和分類能力。

2) 通過(guò)實(shí)驗(yàn)驗(yàn)證得到RS-GA-BP診斷模型的準(zhǔn)確率達(dá)到93.02%，平均絕對(duì)誤差降低了48.92%，說(shuō)明優(yōu)化后的網(wǎng)絡(luò)模型能更加準(zhǔn)確的進(jìn)行故障分類，減少迭代步數(shù)，避免了局部極小問(wèn)題，降低了平均誤差，提高了分類精度。

3) 本文以車載安全計(jì)算機(jī)記錄的AElog數(shù)據(jù)入手，提出一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的列控車載設(shè)備故障診斷方法。計(jì)算機(jī)記錄的數(shù)據(jù)規(guī)范、全面，很好的提供了本研究的數(shù)據(jù)支持，以BTM故障為例進(jìn)行實(shí)際仿真驗(yàn)證，證實(shí)本文提出的故障診斷模型的有效性和準(zhǔn)確性，也為高速鐵路列控車載設(shè)備故障診斷的優(yōu)化提供依據(jù)。

[1] 趙陽(yáng), 徐田華, 周玉平, 等. 基于貝葉斯網(wǎng)絡(luò)的高鐵信號(hào)系統(tǒng)車載設(shè)備故障診斷方法的研究[J]. 鐵道學(xué)報(bào), 2014, 36(11): 48?53. ZHAO Yang, XU Tianhua, ZHOU Yuping, et al. Bayesian network basedfault diagnosis system forvehicle on-board equipmentof high-speed railway[J]. Journal of Railway Science and Technology, 2014, 36(11): 48?53.

[2] 梁瀟, 王海峰, 郭進(jìn), 等. 基于貝葉斯網(wǎng)絡(luò)的列控車載設(shè)備故障診斷方法[J]. 鐵道學(xué)報(bào), 2017, 39(8): 93?100. LIANG Xiao, WANG Haifeng, GUO Jin, et al. Bayesian network basedfault diagnosis method foron-board equipment of train control system[J]. Journal of China Railway Society, 2017, 39(8): 93?100.

[3] 王振顯. 基于案例推理的高鐵信號(hào)系統(tǒng)車載設(shè)備故障診斷[D]. 北京: 北京交通大學(xué), 2015. WANG Zhenxian. CBR-based fault diagnosis of system for vehicle equipment of high speed railway[D]. Beijing: Beijing Jiaotong University, 2015.

[4] ZHAO Hui, LIU Jingwei, DONG Wei, et al. An improved case-based reasoning method and its application on fault diagnosis of Tennessee Eastman process[J]. Neurocomputing, 2017, 249(1): 266?276.

[5] 趙陽(yáng), 徐田華. 基于文本挖掘的高鐵信號(hào)系統(tǒng)車載設(shè)備故障診斷[J]. 鐵道學(xué)報(bào), 2015, 37(8): 53?59. ZHAO Yang, XU Tianhua. Text mining based fault diagnosis for vehicle on-board equipment of high speed railway signal system[J]. Journal of Railway, 2015, 37(8): 53?59.

[6] CHENG Shu, CHEN Fang, LI Wei. Research on expert system for electric locomotives fault diagnosis[J]. Advanced Materials Research, 2012(562?564): 927?932.

[7] Rob Callan. Artificial intelligence[M]. Beijing: Electronics Industry Press, 2004.

[8] LONG Qi, GUO Shuyong, LI Qing, et al. Research of converter transformer fault diagnosis based on improved PSO-BP algorithm[C]// Materials Science and Engineering Conference Series, 2017: 012015.

[9] 謝敏, 吳亞雄, 閆圓圓, 等. 基于改進(jìn)動(dòng)態(tài)自適應(yīng)模糊Petri網(wǎng)與BP算法的電網(wǎng)故障診斷[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015(12): 3008?3017. XIE Min, WU Yaxiong, YAN Yuanyuan, et al. Fault diagnosis of power grid based on improved dynamic adaptive fuzzy Petri nets and BP algorithm[J]. Proceedings of the Chinese Society of Electrical Engineering, 2015(12): 3008?3017.

[10] LIAO Hongmei, DING Shifei, WANG Miaomiao. An overview on rough neural networks[J]. Neural Computing and Applications, 2016(7): 1805?1816.

[11] 劉浩然, 趙翠香, 李軒, 等. 一種基于改進(jìn)遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究[J]. 儀器儀表學(xué)報(bào), 2016(7): 1573?1580. LIU Haoran, ZHAO Cuixiang, LI Xuan, et al. An improved neural network optimization algorithm based on improved genetic algorithm[J]. Journal of Instrumentation, 2016(7): 1573?1580.

[12] 張曙光. CTCS-3級(jí)列控系統(tǒng)總體技術(shù)方案[M]. 北京: 中國(guó)鐵道出版社, 2008: 198?218. ZHANG Shuguang. CTCS-3 train control system overall technical scheme[M]. Beijing: China Railway Press, 2008.

[13] 中國(guó)鐵路總公司編著. 列控車載設(shè)備典型故障案例[M]. 北京: 中國(guó)鐵道出版社, 2013: 6?94. China Railway Corporation. Typical fault case of train control on-board equipment[M]. Beijing: China Railway Press, 2013: 6?94.

[14] 馬立新, 鄭曉棟, 尹晶晶. 主分量啟發(fā)式約簡(jiǎn)算法的短期負(fù)荷預(yù)測(cè)[J]. 電力科學(xué)與工程, 2015, 31(1): 27?30. MA Lixin, ZHENG Xiaodong, YIN Jingjing. Short term load forecasting based on principal component heuristic reduction algorithm[J]. Electric Power Science and Engineering, 2015, 31(1): 27?30.

[15] 曾小華, 李廣含, 宋大鳳, 等. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)側(cè)翻預(yù)警算法[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017(2): 30?38. ZENG Xiaohua, LI Guanghan, SONG Dafeng, et al. BP neural network rollover warning algorithm based on genetic algorithm optimization[J]. Journal of South China University of Technology (Natural Science Edition), 2017(2): 30?38.

[16] ZHENG Feilong, ZENG Liangcai, LU Yundan, et al. Fault diagnosis research for servo valve based on GA-BP neural network[J]. Journal of Computational and Theoretical Nanoscience, 2015(9): 2846?2850.

[17] 王志斌, 孔亞楠, 劉永成, 等. 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的大功率LED結(jié)溫預(yù)測(cè)[J]. 光電子·激光, 2014(7): 1303?1309. WANG Zhibin, KONG Yanan, LIU Yongcheng, et al. Genetic algorithm optimized BP neural network for high power LED junction temperature prediction[J]. Journal of Opto Electronics·Laser, 2014(7): 1303?1309.

(編輯 蔣學(xué)東)

Research on fault diagnosis method for on-board equipment of train control system based on GA-BP neural network

ZHOU Lujie, DONG Yu

(School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

The on-board equipment of train control system is the core of the safe operation of high-speed rail. Due to the complexity of fault reason, fault analysis depending on the personal experience and other issues, this paper proposes an intelligent fault diagnosis method based on Back Propagation (BP), which takes AElog fault data from vehicle safety computer records as samples. In order to avoid the redundancy of features selected, the main component heuristic attribute reduction algorithm is adopted to achieve dimension reduction and noise reduction. In addition, considering that the BP neural network is very sensitive to the initial weights, thus it will converge to different local minimum when different weights are used to initialize the network. Therefore, genetic algorithm (GA) is used to optimize the initial weight and threshold of BP neural network. And finally, simulation results show that the classification performance of the classifier is improved after attribute reduction processing, and the BP neural network optimized by genetic algorithm not only avoids the local minimum problem, but also has fewer iterative steps, reduces the average error and improves the classification accuracy.

on-board equipment; fault diagnosis; attribute reduction; genetic algorithm; BP neural network

10.19713/j.cnki.43?1423/u.2018.12.031

U284

A

1672 ? 7029(2018)12 ? 3257 ? 09

2017?10?20

國(guó)家自然科學(xué)基金地區(qū)科學(xué)基金資助項(xiàng)目(61763023)

董昱(1962?)，男，甘肅蘭州人，教授，從事軌道交通運(yùn)輸自動(dòng)化方面的研究；E?mail：dongyu@mail.lzjtu.cn