基于模糊神經網絡的道岔故障診斷系統研究

李雅美，魏文軍

（蘭州交通大學光電技術與智能控制教育部重點實驗室，蘭州730070）

隨著鐵路建設的發展，對于信號設備的安全可靠性及行車效率的要求越來越高，道岔作為限制列車運行速度的關鍵設備之一，必須提高其可靠性。本文提出了一種基于模糊神經網絡的故障診斷方法，它具有模糊邏輯與神經網絡兩種系統的優勢，不但可以確定故障類型，而且利用模糊權重的概念，能夠進一步對故障的嚴重程度進行判斷，提高了故障診斷的準確率。

1 模糊神經網絡

1.1 模糊理論與神經網絡的結合

神經網絡具有處理非線性知識、自學習和并行計算等方面的能力，適用于處理非結構信息。模糊系統具有處理模糊信息的能力，對處理結構低的知識更為有效。將模糊理論與神經網絡相結合，采用模糊神經網絡進行故障診斷，同時具有模糊邏輯和神經網絡的優點，既能夠處理專家知識和經驗，又能夠通過強大的自學習能力和數據處理能力增強系統的決策能力。利用神經網絡的自學習能力，優化模糊邏輯系統中的模糊規則、隸屬函數和模糊決策算法，經過模糊化處理使得神經網絡的訓練樣本更精確，加快學習速度，提高診斷精度，成為更完善的故障診斷模型。

1.2 模糊神經網絡結構及學習算法

本文采用串聯型模糊神經網絡實現道岔故障診斷，網絡由模糊化處理和常規BP網絡組成，模糊處理部分的隸屬函數將輸入數據進行模糊化處理，經模糊化處理后的數據送給BP網絡進行訓練，輸出數據與期望的目標輸出進行比較，根據誤差反向調整BP網絡的連接權。

1.2.1 串聯型模糊神經網絡組成

串聯型模糊神經網絡由4層組成：

（1）第1層為輸入層，該層節點從外部接收輸入數據并傳送到下一層。

（2）第2層為模糊化層，該層是對輸入進行模糊化處理，計算各輸入分量的隸屬度函數值。隸屬函數采用升半柯西分布函數。數學表達式為：

（3）第3層通過權與模糊化層的輸出相連，為BP網絡的隱層。

（4）第4層是輸出層，為BP網絡的輸出層。

1.2.2 神經網絡算法改進

由于標準BP算法存在收斂速度慢、容易陷入局部極小值等缺陷，本文采用彈性BP算法加快網絡的收斂速度。其傳遞函數為，簡稱為S型函數。彈性BP算法的目的是消除梯度幅度的不利影響，在進行權值的修正時，僅僅用到偏導的符號，而其幅值卻不影響權值的修正，權值的大小僅僅取決于與幅值無關的修正值。如果權值在相同的梯度上連續被修正，則其幅度必將增加，從而克服了梯度幅度偏導的不利影響，即：

式中：g(k)為第k次迭代的梯度；x(k)為權值或閾值第k次迭代的幅度修正值，其初始值△x(0)是用戶設置的；增量因子kinc和減量因子kdec也是用戶設置的。

2 道岔故障診斷系統的實現

2.1 系統整體設計

將模糊神經網絡應用于道岔故障診斷，利用Visual C++和Matlab混合編程的方法構造一個簡單的故障診斷系統對道岔故障進行診斷。本系統包括4個部分：樣本數據的采集，模糊化處理，BP神經網絡的訓練，故障診斷界面的實現。故障診斷界面主要由故障數據輸入界面和診斷結果輸出界面組成。

道岔故障診斷系統的總體結構如圖1。

2.2 道岔故障診斷過程

圖1 道岔故障診斷系統的總體結構圖

微機監測系統獲得道岔各種狀態的數據信息，經過模糊化處理作為BP神經網絡的訓練樣本輸入，當網絡權值與閾值達到穩定時即可進行故障診斷。把訓練好的神經網絡作為故障診斷的依據，存入數據庫，當監測到新的狀態數據時，首先進行搜索，將該狀態信息與數據庫中的信息進行對比，如果數據庫中存在此種故障類型，則直接將診斷結果輸出到診斷界面，如果不存在，則利用模糊神經網絡故障診斷模塊進行推理，得出診斷結果，并將此種故障類型存入數據庫。

2.3 軟件實現

采用Visual C++與Matlab混合編程完成故障診斷,Visual C++的程序作為前端客戶機，通過調用Matlab引擎在后臺與Matlab服務器建立連接，實現動態通信。在Matlab中對神經網絡進行訓練仿真，以.mat文件格式保存，Visual C++通過調用Matlab神經網絡工具箱的方法，調用訓練好的神經網絡，實現故障診斷。

3 道岔故障診斷實例驗證

3.1 道岔動作電流曲線分析

通過對轉轍機動作電流曲線的分析，判斷道岔轉轍機的電氣特性、時間特性和機械特性，反映道岔轉轍機的故障情況。道岔動作電流曲線如圖2，曲線1和3為故障曲線，曲線2為正常曲線。

圖2 道岔動作電流曲線比較圖

對正常情況與故障情況的道岔動作電流進行分析，當道岔動作電流正常時，動作電流曲線的特點：

（1）在道岔啟動的瞬間，電機啟動電路中有較大的電流，曲線驟升，形成一個尖峰，峰值通常為6 A～10 A。若峰值過高，說明道岔電機有匝間短路。曲線由啟動時的高峰變為平滑曲線的時間不能過長，一般應在0.5 s之內。如果這一時間延續過長，說明道岔啟動困難。產生道岔啟動困難的主要原因有道岔密貼力過大，即調整過緊；道岔尖軌反彈等。

（2）解鎖階段由于電阻增加，則動作電流迅速減小，電流至峰值后迅速回落，弧線應平順，若有臺階或鼓包則為道岔密貼調整過緊造成解鎖困難。

（3）01～03段平均值為轉轍機工作電流，曲線應平滑，若電流幅值上下波動則有如下可能：滑床板凹凸不平、碳刷與整流子面接觸不良或有污垢、電機有匝間短路。該段曲線若有大量的回零點，則為電機轉子斷線。

（4）03～04段為鎖閉電流，一般高于工作電流，但不應高出0.25 A以上，若高出過多則為道岔密貼調整過緊。在03后有一段逐漸下滑的波動段，波峰與波谷間的電流之差應不大于0.35 A，若大于則為磨擦帶不良。

對道岔動作電流異常曲線進行分析，曲線1在啟動過程中的峰值過高，超過了道岔電流額定峰值，說明曲線1所示的道岔啟動電路有短路或半短路情況存在。當啟動完畢后，曲線1由峰值迅速回落的過程中有一個緩沖階段，說明解鎖電流大，可能存有故障。當解鎖完畢后，曲線1遠高于正常曲線，說明動作電流大，曲線1又突然呈上升趨勢并達到摩擦電流的高度，可能存有故障。對于曲線3，在解鎖完畢后該曲線低于額定電流，說明該道岔可能是摩擦帶松、沾油、或固定不良；同時在該階段，該曲線不是一條平滑的曲線，即動作電流不穩，這有可能是啟動電路中各接點有接觸不良。曲線3在鎖閉階段突然增大，可能存有故障。

3.2 故障診斷網絡設計

選擇道岔電流作為道岔故障診斷的特征參量，采集正常工作狀態及各種故障狀態下的適當的電流值數據，分析道岔電流曲線可以得到每種故障現象的故障論域，采用模糊診斷算法在監測到的故障征兆和故障原因之間建立隸屬函數，對故障數據進行模糊處理，將其作為神經網絡的訓練樣本，根據網絡輸出判斷故障的類型。

對于道岔故障，考慮故障論域Y=（yi| i=1,2,…,7），如表1。

表1 道岔故障論域Y

考慮故障征兆論域X=（xj| j=1,2,…,10），如表2。

表2 道岔故障征兆論域X

創建BP神經網絡，輸入層的神經元個數為m=10，輸出層神經元個數為n=7，隱層神經元個數（a∈[0,10] ），隱層神經元傳遞函數為s型正切函數tansig，輸出層神經元傳遞函數為s型對數函數logsig，利用監測數據創建網絡進行訓練。

3.3 仿真實驗

（1）根據模糊隸屬函數對道岔故障數據進行處理，得到故障征兆模糊向量。

（2）將道岔故障征兆模糊向量作為神經網絡的輸入樣本，與網絡的目標輸出一起輸入神經網絡進行訓練。

（3）網絡訓練誤差曲線，如圖3。

由誤差曲線可以看出，網絡訓練誤差達到了預期目標，最小值大約為le-6。神經網絡經過訓練之后，對于監測到的任意一組狀態數據作為神經網絡輸入都可以得出診斷結果。

通過微機監測系統監測到某一時刻的道岔啟動電流曲線如圖4，與正常狀態下的電流曲線相比發現圖4出現異常。

圖3 網絡訓練誤差曲線

圖4 道岔啟動電流曲線

從動作電流曲線來看(13∶28∶31)，由定位向反位轉動時，電流曲線峰值偏小，經過1.5 s左右，電流突變為零，由此可以判斷電路電阻偏大、動作電流偏小，不足使1DQJ自閉，1DQJ落下切斷動作電路，使電流突變為零，控制盤面現象為道岔失去表示，處于四開狀態。因為道岔沒有表示，操作人員將道岔操縱回定位，從動作電流曲線來看(13:29:39)，電流曲線峰值正常，在轉換過程中曲線不平緩，出現峰值。

對故障征兆向量進行模糊化處理的到模糊征兆向量如表3。

表3 故障模糊向量X

將故障的模糊向量輸入神經網絡，輸出結果為（0.0000，0.0000，0.0000，-0.0000，-0.0000，0.0000，1.0000），由輸出結果判斷故障類型為故障7，即道岔啟動電路中接點有接觸不良故障。

道岔一旦產生此種故障，則表現為道岔轉換過程中，突然自己停轉，控制臺無表示，實際道岔在四開狀態，產生此種故障的原因：（1）轉轍機電氣特性不良，使動作電流偏小，不足使1DQJ自閉；（2）1DQJ后線圈（1～2線圈）工作不良，可能為繼電器與插座接觸不良或線纜有虛接現象，從而使電路中電阻增大，電流減小，不能使1DQJ自閉，繼電器保持不住。道岔由反位向定位轉時道岔動作電流突然增大，產生此種故障的原因是：（1）在轉換過程中出現卡阻，使電機出現短暫的半短路，電流出現峰值；（2）電機特性不良，線圈匝組間存在半短路狀態；（3）1DQJ后線圈電路工作狀態不良，存在虛接，瞬間的斷開接觸，使線圈出現較大感應電流，與電機動作電流重疊，出現較大的峰值。綜合分析得出：電機特性不良；1DQJ后線圈工作狀態不良。

對于故障嚴重程度的判斷，需要利用權重的概念來對故障征兆進行處理，從而確定故障的程度。

道岔啟動電路中接點有接觸不良故障相關的征兆是：動作電流突然增大、動作電流小。結合征兆權重，得到了故障單征兆及多征兆組合的樣本輸出，以此作為訓練樣本對神經網絡進行訓練，則輸出為故障的權重值，利用其判斷故障的嚴重程度。

神經網絡訓練誤差曲線如圖5。

圖5 網絡訓練誤差曲線

由誤差曲線可以看到，網絡訓練誤差達到了預期的目標，經過17步達到誤差最小值。

將道岔啟動電路故障樣本經模糊隸屬函數處理后得到故障向量如表4。

表4 道岔啟動電路故障樣本

用訓練好的神經網絡對該故障向量進行診斷，可得到道岔啟動電路故障的嚴重程度為0.9824。

4 結束語

道岔作為影響鐵路運行效率與安全的關鍵設備,在發生故障時應盡快找出故障原因并解決，提高其可靠性和安全性，保證列車運行效率。本文采用的基于模糊神經網絡的道岔故障診斷方法在微機監測系統實時監測道岔工作狀態的基礎上增加了智能故障診斷功能，對于提高道岔設備的可靠性具有重要現實意義。

[1] 黨建武，王陽萍，趙庶旭. 神經網絡理論[M] . 蘭州：蘭州大學出版社，2004，9.

[2] 聞新，周露，李翔，張寶偉. Matlab神經網絡仿真與應用[M] . 北京：科學出版社，2003，7.

[3] 舒剛. 人工智能方法在車站信號故障診斷中的應用與研究[D] . 北京：北京交通大學，2008.

[4] 祝曉燕，王繼選，劉小貞，趙冉. 基于小波包特征向量彈性BP算法的故障診斷[J] . 汽輪機技術，2008（6）：437-439.

[5] 劉伯鴻，李國寧，李志強. 基于神經網絡聯鎖系統故障診斷專家系統的研究[J] . 鐵路計算機應用，2006，15（4）：1-3.

[6] 王鐵軍. 基于神經網絡的道岔智能故障診斷方法的研究[J] .西鐵科技，2010（2）：8-10.

[7] 曹宏麗，岳麗麗，楊福元.專家系統和神經網絡在道岔控制電路故障診斷中的應用研究[J] . 黑龍江科技信息，2010（1）：62-63.