基于改進FNN的道岔電路故障診斷方法

高亞麗 陳光武

摘? 要：道岔是直接關系到高速鐵路安全運營的關鍵信號設備，目前對其控制電路故障診斷方式主要是依靠簡單儀器與人的以往經驗。針對道岔控制電路故障的模糊性與不確定性特點和實現道岔控制電路故障診斷的高準確率與智能化，文章提出一種基于模糊推理法與模糊神經網絡（Fuzzy Neural Network，FNN）相結合的診斷方法：首先在總結S700K道岔控制電路常見的8種故障類型、建立模糊規(guī)則和選擇隸屬函數的基礎上，建立基于模糊推理法FNN診斷模型;其次為避免算法收斂慢和陷入局部最優(yōu)，文章通過引入改進的動態(tài)學習速率和附加動量項的學習調整法，實現對算法的改進，并比較算法改進前后的誤差曲線;最后將文中算法和BP神經網絡進行診斷準確率對比。仿真實驗結果表明，該算法對道岔控制電路故障診斷的準確率高并且能達到99.6%以上。

關鍵詞：道岔控制電路;故障診斷;模糊推理法;模糊神經網絡

中圖分類號：U284.92 ? ? ? 文獻標志碼：A? ? ? ? ? ? ? 文章編號：2095-2945（2020）15-0125-03

Abstract： Turnout is a key signal device directly related to the safe operation of high-speed railways. At present， the fault diagnosis method of its control circuit mainly relies on the past experience of simple instruments and people. Aiming at the ambiguity and uncertainty of turnout control circuit faults and the high accuracy and intelligence of turnout control circuit fault diagnosis， this paper proposes diagnosis method combiningFuzzy Inference Method and Fuzzy Neural Network （FNN）： Firstly， based on the summary of the eight common fault types of S700K turnout control circuit， the establishment of fuzzy rules and the selection of membership functions， a FNN diagnosis model based on fuzzy inference is established; secondly， in order to avoid the algorithm's slow convergence and falling into local optimum， this paper introduces an improved dynamic learning rate and a learning adjustment method with additional momentum terms， then the algorithm is improved， and the error curves before and after the algorithm improvement are compared. Finally， the diagnostic accuracy of the algorithm in this paper is compared with the BP neural network. Simulation results show that the algorithm has high accuracy for the turnout control circuit fault diagnosis and can reach more than 99.6%.

Keywords： switch control circuit; fault diagnosis; Fuzzy Inference Method; Fuzzy Neural Network （FNN）

現如今，對于鐵路關鍵信號設備之一的轉轍機，如何對其高效、準確的故障診斷已經成為一個刻不容緩的課題。目前現場其故障診斷主要依靠工作人員觀察微機監(jiān)測系統(tǒng)所采集的轉轍機動作電流或功率曲線來實現故障識別，這樣的方法既不能智能化的分析出其故障類型，也不能智能化分析出其故障原因。

近年來，針對道岔故障診斷，國內外專家和學者提出不同方法，但都有不足。文獻[1]提出灰關聯(lián)道岔故障診斷方法，該方法無需訓練即可對道岔故障進行診斷，不足之處是所建模型不具備自組織、自適應能力。文獻[2-3]提出基于支持向量機的道岔故障診斷方法，該方法分類速度較慢，并且在故障模式較多的情況下，分類時間會更長。文獻[4]以S700K道岔控制電路為研究對象，以團樹傳播作為推理計算的算法，分別給出無證據和有證據輸入下的診斷結果，不足之處是先驗概率的確定較困難。文獻[5]將模糊理論、神經網絡和支持向量機視作三位決策專家，綜合評判得出診斷結果，優(yōu)點是實現信息融合，提高故障診斷準確率，不足之處是算法復雜，實現較為困難。文獻[6]提出基于BP神經網絡的道岔故障診斷方法，該方法能夠快捷、準確、自動地診斷出故障原因，降低故障處理時間，提高運行效率，不足之處是易陷入局部最優(yōu)、結構不易確定且需要大量訓練樣本。文獻[7]提出基于模糊神經網絡的道岔故障診斷，不足之處是網絡訓練收斂速度慢，甚易陷入局部最優(yōu)。

對于以上各方法的不足，本文提出一種基于模糊推理模型的道岔電路故障診斷方法，這種方法融合模糊邏輯與神經網絡各自優(yōu)勢，運用專家知識與經驗，進一步提高故障診斷的準確率。本文在建立模型、建立模糊規(guī)則和S700K道岔控制電路故障數據樣本庫的基礎上，按照變化學習率、引入動量項和誤差梯度下降的方法對模糊推理模型中的參數進行訓練和優(yōu)化。仿真結果表明，改進的算法能快速收斂和高準確度的實現故障類型分類，避免陷入局部最優(yōu)和訓練過程中的震蕩。

1 模型建立

1.1 模糊理論與神經網絡結合

神經網絡具有一系列優(yōu)點，如分布式信息存儲、強大的自主學習能力和擅長處理非結構化信息，缺點是不擅長表達基于規(guī)則的知識，不能很好地利用現有的經驗知識。模糊系統(tǒng)具有處理模糊信息、知識抽取和表達方便、類似人思維模式等一系列優(yōu)勢，適用于處理結構化知識，缺點是缺乏自學習和自適應能力。鑒于以上分析，本文將兩者優(yōu)勢相結合，采用FNN進行故障診斷。FNN能夠融合專家經驗，加快訓練速度，提高診斷的準確度，是一種相對完善的診斷模型。由于基于模糊推理的FNN擅長表達專家的知識與經驗，因而獲得普遍應用。

1.2 Mamdani模糊神經網絡模型

網絡模型如圖1所示，該模型由5層組成。根據誤差反向傳輸和誤差梯度下降調整網絡節(jié)點之間的連接權值和隸屬函數參數。

（1）第1層為輸入層，將輸入向量傳送至模糊化層。xi代表輸入變量，i=1，2，…，n。

（2）第2層為模糊化層，該層每個節(jié)點代表一個語言變量值，如偏低（L）、合適（N）、偏高（H）等，對輸入數據進行模糊化處理，計算各輸入分量的隸屬度函數值。

（3）第3層為模糊規(guī)則適用度層，該層每個節(jié)點表示一條規(guī)則，每條規(guī)則的適用度采用與運算。

（4）第4層為反模糊化層，它的目的是實現歸一化運算。u=1，2，…，m，m代表規(guī)則數。

（5）第5層為輸出層，起到解模糊輸出的作用。yj代表輸出變量，j=1，2，…，r。

2 S700K道岔控制電路

當前，國內鐵路干線的道岔轉動裝置大都采用分動外鎖閉轉轍機。S700K作為鉤式外鎖閉的道岔轉動裝置，常用于提速區(qū)段。本文以三相交流轉轍機S700K為例以予說明道岔故障診斷過程。

2.1 道岔電路故障

依據以往現場統(tǒng)計，S700K道岔電路故障一般多為電氣故障，常見的電氣故障主要由電阻開路或短路、配線電纜斷線和表示繼電器開路等引起的。故S700K常見的道岔電路故障類型可以分為8種，分別是：X1開路、X2或R開路、X4開路、Z開路、Z擊穿、R1開路、R短路和表示繼電器開路。

2.2 道岔電路故障診斷方法

道岔啟動和表示電路的故障類型可以由X1和X2之間的交直流電壓、X2和X4之間的交直流電壓、R1兩端的交直流電壓、繼電器兩端的交直流電壓共同間接反映。這是因為對于道岔電路的某種具體故障，各元件都有著相對應的電壓，所以可以通過測量各元件的電壓來間接實現對道岔電路進行診斷。

3 網絡初始化和訓練

3.1 訓練樣本和目標輸出

模型如圖2所示。輸入為X=（x1，…，x8）T，輸出為Y=（y1，…，y4）T。目標輸出為T=（T1，T2，T3，T4）T，如表1所示，表中的數據為樣本的目標輸出，例如（0 0 0 1）T代表X1開路（故障類型1的二進制編碼）。

3.2 模糊分割數和隸屬函數類型

網絡的8個輸入分量的模糊分割數（隸屬函數的個數）分別為{6，6，6，4，5，4，5，2}，例如網絡第2個輸入變量的語言變量值為（X2_1，X2_2，X2_3，X2_4，X2_5，X2_6）（如圖3所示）。網絡的4個輸出分量的模糊分割數都為2（例如y1的隸屬函數2（如圖4所示）。

隸屬函數采用高斯型如式（3）所示，其中參數c決定函數的均值，參數？滓決定函數的標準平方差。

3.3 網絡訓練

網絡中需學習的參數主要有連接權值wju、隸屬函數均值cip和標準平方差？滓ip。FNN其本質是一種前饋網絡，故可以仿照BP神經網絡學習的方法來調整網絡參數，訓練樣本對為{X，T}，訓練樣本個數N=8。誤差代價函數定義為（r表示輸出分量的個數，r=4）：

連接權重和函數參數的一階梯度為：

3.4 算法改進

在影響算法收斂的各因素中，學習速率是一個比較重要的因素。選取太小收斂速度會較慢;選取太大易導致振蕩或發(fā)散。所以采用可變的學習速率如式（6）所示。在學習的初始階段，誤差一直處于下降狀態(tài)，此時選取較大的學習率比較合適;在網絡學習到最佳點附近位置時，選取較小的學習率能避免誤差反復振蕩而不能收斂。經仿真測試，參數？姿=1.050、？子=0.217，u=1.14時訓練效果較好。確定三個參數的值。參數？姿的取值范圍是[1，1.2]，本文??？姿=1.050;參數？子的取值范圍是（0，0.4];參數u的取值范圍是（1，4]。下面用控制變量的方法獲得參數較優(yōu)值。

確定參數？子的較優(yōu)值：首先令？子=0.3，設置訓練樣本的誤差限為1e-1;當？子=0.237時，誤差能最快到達誤差限，故？子=0.237為較優(yōu)值。同理u的較優(yōu)值為1.18。將？子取0.237±0.1和u取1.18±0.2的范圍內進行篩選，當參數？姿=1.050、？子=0.217，u=1.14時訓練效果較好。

為減小學習過程中的振蕩趨勢，算法引入了附加動量項，如式（7）所示，從而加快了收斂速度。？琢為動量因子，其取值范圍是0～1，本文取0.5。

4 仿真

4.1 訓練網絡

編寫Matlab程序，利用學習樣本訓練模糊神經網絡，訓練誤差設置為1e-3，總訓練步數設置為1000，得到訓練誤差曲線如圖5所示。曲線1是改進后的誤差曲線。曲線2是沒有改進的誤差曲線。實驗表明，改進前的算法收斂速度慢，進入了局部最優(yōu);改進后的算法收斂速度快，并且當網絡訓練步數達到170步時，誤差達到要求，為全局最優(yōu)。

4.2 準確率比較

利用240組預測樣本（每種故障類型30組），用本文方法和BP神經網絡進行預測。圖6中的Mamdani模糊神經網絡預測正確率為100%，BP神經網絡預測正確率為96.25%，錯誤率3.75%。一共分三次測試。最終BP神經網絡三次預測平均正確率為96.7%，Mamdani模糊神經網絡三次預測平均正確率為99.6%。

仿真實驗結果表明，基于模糊推理的FNN比BP神經網絡預測準確度要高，并且對道岔電路故障診斷有很好的效果。

5 結論

本文在道岔控制電路各種電壓基礎上，通過建立模糊規(guī)則庫，將基于模糊推理的模糊神經網絡應用到道岔智能故障診斷。通過引入動態(tài)學習率和動量項的模糊推理FNN加快算法收斂速度，避免陷入局部最優(yōu)的算法缺陷，對于道岔常見的故障，改進的方法診斷精準度高、診斷速度快和具有切實的可行性，能為道岔的日常維護提供一定的參考依據。

參考文獻：

[1]趙林海，陸橋.基于灰關聯(lián)的道岔故障診斷方法[J].鐵道學報，2014，36（2）：69-74.

[2]Lee J，Choi H，Park D，et al. Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis[J]. Sensors， 2016，16（4）：549.

[3]鐘志旺，陳建譯，唐濤，等.基于SVDD的道岔故障檢測和健康評估方法[J].西南交通大學學報，2018，53（4）：842-849.

[4]翟永強.貝葉斯網絡在道岔控制電路故障診斷中的應用研究[D].蘭州交通大學，2012.

[5]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].自動化學報，2018，44（6）：1005-1014.

[6]王鐵軍，董昱，馬彩霞，等.基于BP神經網絡的道岔智能故障診斷方法[J].鐵道運營技術，2011，17（2）：4-7.

[7]李雅美，魏文軍.基于模糊神經網絡的道岔故障診斷系統(tǒng)研究[J].鐵路計算機應用，2012，21（1）：35-39.