基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軌道電路故障預(yù)測方法研究

摘" 要：ZPW-2000A是鐵路信號領(lǐng)域的重要組成部分，在保證列車安全運(yùn)行過程中發(fā)揮著重要作用。為更好地預(yù)測軌道電路發(fā)生故障的概率，該文提出一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法對軌道電路的故障進(jìn)行預(yù)測，以蜻蜓算法對初始BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化改進(jìn)，結(jié)合電務(wù)車間采集的軌道電壓數(shù)據(jù)對改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對軌道電路的軌出1、軌出2電壓值進(jìn)行預(yù)測分析，得到軌道電路發(fā)生紅光帶的概率和趨勢。同時將改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型與現(xiàn)有預(yù)測模型進(jìn)行對比分析，仿真結(jié)果表明，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型能夠更為準(zhǔn)確地預(yù)測軌道電路故障概率，提高設(shè)備的安全性和可靠性。

關(guān)鍵詞：軌道電路;紅光帶;故障預(yù)測;蜻蜓算法;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2095-2945（2024）26-0151-05

Abstract： ZPW-2000A is an important part of railway signal field and plays an important role in ensuring the safe operation of trains. In order to better predict the failure probability of the track circuit， this paper proposes an improved BP neural network algorithm to predict the fault of the track circuit. The dragonfly algorithm is used to optimize the weight and threshold of the initial BP neural network. Combined with the track voltage data collected in the power workshop， the improved BP neural network is trained， and the voltage values of the track circuits 1 and 2 are predicted and analyzed. The probability and trend of red band in track circuit are obtained. At the same time， the improved BP neural network model is compared with the existing prediction model， and the simulation results show that the improved BP neural network model can predict the track circuit fault probability more accurately and improve the safety and reliability of the equipment.

Keywords： track circuit; red band; fault prediction; dragonfly algorithm; BP neural network

隨著鐵路運(yùn)輸行業(yè)的高速發(fā)展，ZPW-2000A軌道電路作為鐵路信號系統(tǒng)的重要組成部分也得到了廣泛的應(yīng)用和發(fā)展。提高ZPW-2000A軌道電路系統(tǒng)的安全性與可靠性，降低設(shè)備故障率，既是設(shè)備本身的技術(shù)要求，也是適應(yīng)鐵路未來發(fā)展的需要。文獻(xiàn)[1]通過引入弱化因子，提出一種改進(jìn)的灰色GM（1，1）預(yù)測模型，提高預(yù)測軌道電路故障的精度;文獻(xiàn)[2]將模糊神經(jīng)網(wǎng)絡(luò)概念引入到軌道電路故障預(yù)測研究中，論證此方案的可行性和有效性;文獻(xiàn)[3]進(jìn)一步通過蝙蝠算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，建立BA-FNN預(yù)測模型，提高對軌道電路故障預(yù)測的準(zhǔn)確性;文獻(xiàn)[4-5]對軌道電路的發(fā)展歷程[4]和軌道電路構(gòu)成與工作原理[5]進(jìn)行細(xì)致的分析和論述;文獻(xiàn)[6-8]分別采用遺傳算法優(yōu)化核函數(shù)的正則化系數(shù)[6]，隨機(jī)梯度下降數(shù)據(jù)預(yù)測[7]，以及將注意力機(jī)制與雙向記憶網(wǎng)絡(luò)相結(jié)合的方式[8]對軌道電路故障概率預(yù)測進(jìn)行了優(yōu)化。

上述傳統(tǒng)研究方案中存在模型預(yù)測精度不高，目標(biāo)函數(shù)收斂時間較慢且未能充分利用軌道電路歷史監(jiān)測數(shù)據(jù)的局限性。針對上述不足，本文提出一種蜻蜓算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，其中以軌道電路歷史監(jiān)測數(shù)據(jù)為訓(xùn)練樣本集對該模型進(jìn)行訓(xùn)練，將此模型應(yīng)用于軌道電路故障預(yù)測的研究中，并將此模型與改進(jìn)灰色預(yù)測模型，BA-FNN預(yù)測模型進(jìn)行對比分析，用以說明該模型的可靠性和有效性，為軌道電路的故障預(yù)測提供理論參考依據(jù)。

1" ZPW-2000A軌道電路的組成和原理

軌道電路是傳遞行車信息，進(jìn)行區(qū)段占用檢查，保障列車安全運(yùn)行的基礎(chǔ)，其運(yùn)行原理如圖1所示。ZPW-2000A無絕緣軌道電路的組成結(jié)構(gòu)包括主軌道電路和小軌道電路，其中小軌道電路用以實(shí)現(xiàn)軌道區(qū)段的電氣隔離。軌道電路的電路設(shè)備由發(fā)送端設(shè)備、接收端設(shè)備和鋼軌線路設(shè)備構(gòu)成，三者構(gòu)成一個完整的閉合回路。發(fā)送器對相關(guān)信息進(jìn)行編碼發(fā)送，信息通過鋼軌進(jìn)行傳輸，接收器在鋼軌另一端對信息進(jìn)行接收，因?yàn)榱熊囕唽哂卸搪贩至鞯淖饔?，可以通過接收端是否接收到電流信息來判斷鋼軌上有無車輛占用。

紅光帶現(xiàn)象是軌道電路中常見的故障現(xiàn)象[9]，即鋼軌的軌面電壓達(dá)不到軌道繼電器（GJ）的勵磁吸起標(biāo)準(zhǔn)，GJ處于落下狀態(tài)，造成該軌道區(qū)段無車占用而監(jiān)測系統(tǒng)卻提示此區(qū)段有車的錯誤報(bào)警，極大影響行車安全，降低行車效率。

在軌道電路中主軌道和小軌道接收端衰耗器的輸出電壓分別稱為軌出1和軌出2，當(dāng)紅光帶現(xiàn)象發(fā)生時，軌出1和軌出2的電壓值會發(fā)生明顯變化。當(dāng)軌道電路處于空閑狀態(tài)時軌出1和軌出2電壓的正常標(biāo)準(zhǔn)值不應(yīng)小于240 mV和100 mV，當(dāng)軌出1和軌出2電壓分別低于140 mV和63 mV時，可能出現(xiàn)紅光帶故障。因此，本文通過預(yù)測分析軌出1和軌出2的電壓波動趨勢，對軌道電路紅光帶故障進(jìn)行預(yù)測，從而提高列車的行車效率，保障運(yùn)輸安全。

2" 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1" BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)是模擬神經(jīng)細(xì)胞應(yīng)激反應(yīng)而建立的預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層3層網(wǎng)絡(luò)構(gòu)成，通過對數(shù)據(jù)處理、劃分和權(quán)重參數(shù)初始化等步驟，對相關(guān)函數(shù)進(jìn)行映射，廣泛應(yīng)用于各個領(lǐng)域的預(yù)測研究[10]。

神經(jīng)元細(xì)胞會接受外部環(huán)境的各種刺激，而作出相應(yīng)的應(yīng)急反應(yīng)。在數(shù)學(xué)模型中用x1，x2，…，xn表示神經(jīng)元的輸入量，w1，w2，…，wn為各個輸入量所占的權(quán)重， 表示神經(jīng)網(wǎng)絡(luò)閾值，神經(jīng)元的拓?fù)浣Y(jié)構(gòu)如圖2所示。

神經(jīng)元各個輸入量之間的加權(quán)和為Net，其數(shù)學(xué)表達(dá)式如式（1）所示。在神經(jīng)網(wǎng)絡(luò)中需要將加權(quán)和Net與閾值θ進(jìn)行比較，只有當(dāng)Net-θ為正時，神經(jīng)元才會處于激活狀態(tài)，激活函數(shù)f（·）產(chǎn)生輸出，輸出的數(shù)學(xué)表達(dá)式如式（2）所示。

Net=wi × xi， （1）

y=f（Net-θ）。 （2）

神經(jīng)網(wǎng)絡(luò)由多個神經(jīng)元相互連接構(gòu)成，如圖3所示。信息傳遞過程包括信號的正向傳播和誤差的信號反向傳播，通過各層神經(jīng)元正向?qū)W習(xí)與反向調(diào)節(jié)不斷修正網(wǎng)絡(luò)的連接權(quán)值和閾值，使誤差函數(shù)達(dá)到期望要求，最終得到期望輸出[11]。

2.2" 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性受權(quán)值和閾值的初始選擇值影響較大，在訓(xùn)練過程中模型預(yù)測精度不高，離散程度較大。而蜻蜓算法具有良好的全局搜索能力，本文通過蜻蜓算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值，以提高模型的預(yù)測準(zhǔn)確性。

2.2.1" 蜻蜓算法

蜻蜓算法是通過模擬蜻蜓種群行為來實(shí)現(xiàn)函數(shù)模型優(yōu)化求解的智能算法[12]。自然界蜻蜓群體有5種行為模式，分別為避撞、結(jié)隊(duì)、聚集、捕食和避敵，通過模擬種群行為來進(jìn)行全局搜索。蜻蜓算法中引入了步長向量ΔX，步長向量ΔX表示蜻蜓個體在下一次迭代過程中運(yùn)行距離，蜻蜓算法數(shù)學(xué)模型的計(jì)算公式如式（3）所示

，（3）

式中：Si，Ai，Ci，F(xiàn)i，Ei分別表示第i個蜻蜓個體避撞、結(jié)隊(duì)、聚集、捕食和避敵行為中產(chǎn)生的位移距離，Xi和 Xj分別表示第i個和第j個蜻蜓個體位置;N表示與第i個蜻蜓個體相鄰的蜻蜓數(shù)量;X+表示食物所在位置，X-表示天敵所在位置;s，a，c，f，e分別為蜻蜓群體行為權(quán)重;w表示慣性權(quán)重;t為當(dāng)前迭代次數(shù);ΔXt+1表示在t+1代種群更新步長。

2.2.2" 蜻蜓算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)設(shè)計(jì)

蜻蜓算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)設(shè)計(jì)步驟如下。

步驟1：初始化BP神經(jīng)網(wǎng)絡(luò)模型，確定模型結(jié)構(gòu)參數(shù)。

步驟2：選擇蜻蜓種群行為權(quán)重初始值，確定蜻蜓種群規(guī)模N和迭代次數(shù)T。

步驟3：將神經(jīng)網(wǎng)絡(luò)權(quán)值w以及閾值θ有序排列組成（w，θ）行向量，作為蜻蜓個體的位置X，根據(jù)權(quán)值和閾值范圍隨機(jī)初始化蜻蜓個體的位置。

步驟4：選擇訓(xùn)練樣本數(shù)據(jù)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，根據(jù)公式（3）計(jì)算蜻蜓個體適應(yīng)度值，并記錄當(dāng)前最優(yōu)解;

選擇均方誤差作為適應(yīng)度函數(shù)，其數(shù)學(xué)表達(dá)式為

式中：n為樣本數(shù)量，yi、y分別表示第i個樣本的實(shí)際輸出和期望輸出。

步驟5：更新食物位置X+和天敵位置X-，以及蜻蜓種群行為權(quán)重。

步驟6：根據(jù)蜻蜓種群行為公式（3），更新蜻蜓的種群行為S、A、C、E和F。

步驟7：更新蜻蜓步長向量ΔX。

步驟8：若迭代次數(shù)tgt;T，則保留連接權(quán)值w和閾值θ，否則t=t+1，返回步驟4。

步驟9：將最優(yōu)解對應(yīng)的權(quán)值w和閾值θ，作為BP神經(jīng)網(wǎng)絡(luò)初始連接權(quán)值和閾值，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并進(jìn)行預(yù)測。

蜻蜓算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)流程圖，如圖4所示。

通過蜻蜓算法尋找到最優(yōu)解位置，將搜索到的最優(yōu)解作為BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初始選擇值，再按神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，可以減少模型的離散程度，提高神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的可靠性。

3" 建模仿真與研究分析

3.1" 建模仿真

本文以武漢電務(wù)段某站段記錄的歷史紅光帶故障中軌道電壓數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行仿真研究，部分實(shí)驗(yàn)數(shù)據(jù)見表1。

仿真實(shí)驗(yàn)中選用單隱藏層BP神經(jīng)網(wǎng)絡(luò)模型，以軌出1、軌出2電壓數(shù)據(jù)作為特征輸入量，預(yù)測電壓峰值作為輸出量。

實(shí)驗(yàn)中選用單層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層和輸出層的節(jié)點(diǎn)數(shù)均為1，隱藏層的節(jié)點(diǎn)數(shù)為6;數(shù)據(jù)歸一化區(qū)間為[0，1];隱藏層選用logsig函數(shù)，輸出層選用purelin函數(shù);學(xué)習(xí)率設(shè)置為0.05，訓(xùn)練精度為0.01;采用梯度下降算法對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為5 000次;選取900組實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，100組數(shù)據(jù)為測試樣本。選用均方根誤差（Root Mean Square Error，RMSE）作為預(yù)測模型的評價(jià)指標(biāo)，均方根誤差的數(shù)學(xué)表達(dá)式如式（5）所示。

式中：RMSE用于衡量模型離散程度;n表示選取樣本集的數(shù)量;xk和xk分別表示第k個樣本數(shù)據(jù)的實(shí)際值和預(yù)測值。

3.2" 研究分析

將實(shí)驗(yàn)數(shù)據(jù)輸入改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，多次進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)仿真結(jié)果如圖5所示。對訓(xùn)練樣本集和測試樣本集的RMSE數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，實(shí)驗(yàn)仿真結(jié)果見表2。

綜合分析圖5與表2，蜻蜓算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型（DA-BP）訓(xùn)練時間較短，函數(shù)收斂速度較快，多次進(jìn)行仿真實(shí)驗(yàn)，訓(xùn)練集的RMSE均值為0.034，測試集的RMSE均值為0.031，預(yù)測值與實(shí)際值離散程度較小，預(yù)測電壓變化趨勢與真實(shí)值變化趨勢一致，可以對紅光帶故障作出有效預(yù)測。

再將DA-BP預(yù)測模型分別與改進(jìn)灰色預(yù)測模型和BA-FNN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析，多次進(jìn)行仿真實(shí)驗(yàn)，統(tǒng)計(jì)實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)結(jié)果取平均值，實(shí)驗(yàn)結(jié)果如圖6所示，預(yù)測模型的準(zhǔn)確性見表3。

由圖6和表3可知，同改進(jìn)灰色預(yù)測模型和BA-FNN神經(jīng)網(wǎng)絡(luò)模型相比，DA-BP預(yù)測模型訓(xùn)練均方根誤差離散程度更小，誤差曲線更為穩(wěn)定，目標(biāo)函數(shù)收斂速度最快，多次仿真實(shí)驗(yàn)中均方根誤差的均值為0.017 4，預(yù)測結(jié)果的整體準(zhǔn)確率為98.54%; 改進(jìn)灰色預(yù)測模型，BA-FNN預(yù)測模型訓(xùn)練均方誤差曲線離散程度較大，預(yù)測精度不高，均方根誤差的均值分別為0.029 5和0.025 4，預(yù)測結(jié)果的整體準(zhǔn)確率分別為87.26%和90.22%。

4" 結(jié)論

本文對軌道電路紅光帶故障進(jìn)行預(yù)測研究，采用蜻蜓算法對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化改進(jìn)，建立DA-BP預(yù)測模型，并將此預(yù)測模型與改進(jìn)灰色預(yù)測模型，蝙蝠算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型（BA-FNN）進(jìn)行對比分析，研究結(jié)果表明：經(jīng)過蜻蜓算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，具有更快的搜索速度和更高的收斂精度，預(yù)測結(jié)果離散程度較小，整體預(yù)測性更好，同改進(jìn)灰色預(yù)測模型和BA-FNN神經(jīng)網(wǎng)絡(luò)模型相比，DA-BP預(yù)測模型預(yù)測結(jié)果的準(zhǔn)確率分別提高了11.28%和8.32%，能夠更為準(zhǔn)確地對軌道電路軌出1、軌出2電壓趨勢進(jìn)行預(yù)測，從而對軌道電路紅光帶現(xiàn)象作出預(yù)判，保障行車安全，為進(jìn)一步提高列車運(yùn)行效率提供參考依據(jù)。

參考文獻(xiàn)：

[1] 孫波，李娜，張振威，等.基于改進(jìn)灰色GM（1，1）模型的軌道電路故障預(yù)測[J].電子測量技術(shù)，2023，46（12）：26-33.

[2] 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(bào)，2012，34（11）：54-59.

[3] 鄭云水，牛行通，康毅軍.蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的25Hz相敏軌道電路故障診斷研究[J].鐵道學(xué)報(bào)，2018，40（12）：93-100.

[4] 李文濤.高速鐵路ZPW-2000軌道電路技術(shù)發(fā)展與成就[J].鐵道通信信號，2019（S01）：49-54.

[5] 武曉春，劉杰鑫.基于IITD樣本熵與改進(jìn)深度置信網(wǎng)絡(luò)的軌道電路故障檢測[J].測試科學(xué)與儀器：英文版，2023，14（1）：9-16.

[6] 李曉艷.基于GA-KELM的ZPW-2000A型軌道電路故障預(yù)測研究[J].大連交通大學(xué)學(xué)報(bào)，2022，43（2）：115-119.

[7] 紀(jì)玉清，歐冬秀，李永燕.基于數(shù)據(jù)驅(qū)動的軌道電路故障預(yù)測及預(yù)警方法研究[J].城市軌道交通研究，2022，25（7）：30-33.

[8] 戴勝華，那嵐，梁續(xù)繼.基于注意力機(jī)制和雙向LSTM網(wǎng)絡(luò)的軌道電路故障預(yù)測研究[J].鐵道學(xué)報(bào)，2023，45（9）：94-102.

[9] 陳璐，張正光.軌道電路空閑紅光帶原因及解決方法[J].鐵路通信信號工程技術(shù)，2012，9（3）：64-65.

[10] 陳鵬，郎需軍，國震，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)和多目標(biāo)粒子群算法的四回路導(dǎo)線布置優(yōu)化[J].電力科學(xué)與技術(shù)學(xué)報(bào)，2023，38（4）：151-161.

[11] 文昌俊，陳哲，邵明穎等.基于改進(jìn)PSO_BP神經(jīng)網(wǎng)絡(luò)的干燥機(jī)可靠性預(yù)測[J].機(jī)械強(qiáng)度，2023，45（2）：504-508.

[12] 趙齊輝，杜兆宏，劉升，等.差分進(jìn)化的蜻蜓算法[J].微電子學(xué)與計(jì)算機(jī)，2018，35（7）：101-105.

作者簡介：李博文（1995-），男，碩士，助理工程師。研究方向?yàn)檐壍澜煌ㄐ盘柵c控制方向的項(xiàng)目研究。