基于神經網絡的地鐵列車速度傳感器故障診斷方法

宋 云朱明年

（1.廣州地下鐵道總公司運營事業總部，510150，廣州；2.上海自儀泰雷茲交通自動化系統有限公司，201206，上?！蔚谝蛔髡撸こ處煟?/p>

基于神經網絡的地鐵列車速度傳感器故障診斷方法

宋 云1朱明年2

（1.廣州地下鐵道總公司運營事業總部，510150，廣州；2.上海自儀泰雷茲交通自動化系統有限公司，201206，上海∥第一作者，工程師）

為了改善城市軌道交通列車設備安裝空間和確保列車運行安全，提出一種基于徑向基神經網絡的雙通道速度傳感器在線故障檢測診斷方法。通過建立雙通道速度傳感器神經網絡故障檢測模型，提出3種故障檢測策略，并且對模型進行調試試驗。試驗結果表明所提出的方法能夠準確檢測傳感器故障，為地鐵列車提出一種新的故障檢測方法。

地鐵列車；徑向基函數；雙通道速度傳感器；神經網絡

First-author'saddressGMC Metro operation Department，510150，Guangzhou，China

城市軌道交通的信號系統是保障行車安全、提高運輸能力的關鍵技術裝備。在軌道交通信號系統中以列車速度作為衡量系統發展階段，大致分為三個發展階段，從采用階梯式速度控制的模擬軌道電路，經歷采用一次模式曲線式安全防護的數字軌道電路的ATC（列車運行自動控制）系統，發展到通過安全數據傳輸，將前行列車的位置信息安全傳遞給后續列車，可實現一次模式曲線式安全防護，并且其防護點能夠隨前車移動而實時更新，有利于進一步縮小行車間隔提高運輸效率的基于通信的列車運行控制系統。因此，列車速度是衡量軌道交通安全及運行狀態的重要參數。

雙通道速度傳感器是列車測量速度重要設備，系統利用其對列車的速度及其運行方向進行判斷，并且系統利用其參數對列車整體測控系統進行精確控制。在這一過程中，雙通道速度傳感器的輸出信息是否準確直接影響地鐵列車運行狀態和安全［1］。由于地鐵列車的運行環境比較惡劣，運行過程中的列車強烈的振動及周邊器械的電磁干擾等因素的存在，對傳感器軟、硬件的干擾非常嚴重，會造成傳感器的輸出信號發生故障，傳感器輸出故障信號將導致列車的控制系統分析、處理和控制功能發生紊亂，造成系統無法正常的運行，嚴重威脅到列車運行安全問題，帶來無法估計的安全隱患和嚴重后果［2］。因此，雙通道速度傳感器故障診斷方法的研究對保證列車的安全具有重要的意義。

目前，工程中對速度傳感器的故障診斷技術主要有試驗對比法和測試經驗法兩種方法。試驗對比法具有不依賴傳統經驗，可行性高，檢測速度快的優點；但也帶來試驗平臺搭建繁瑣，建造成本過高的弊端［3-4］。測試經驗法以檢測波形為依據，通過傳統經驗判斷故障原因，減少試驗成本，但對于操作者提出很高的技術要求，由于運行環境復雜帶來的判斷誤差將對故障診斷結果產生很大的影響。

近些年來，人工神經網絡已廣泛用于傳感器故障診斷中，其中徑向基神經網絡的逼近能力，分類能力和學習速度優于其他的神經網絡［5-6］，本文采用徑向基神經網絡構成雙通道速度傳感器輸出預測器。

1 地鐵列車傳感器診斷系統的建立

對地鐵車輛運行狀態進行實時性檢測，并且建立了硬件冗余故障檢測系統，用于保證列車運行狀

態的正確性。硬件冗余故障檢測系統具有檢測速度快、不依賴系統數學模型的特點，但是也存在建設成本高、不能準確檢測出某個傳感器發生故障和硬件系統復雜等缺點。當列車運行途中某傳感器發生故障以后，硬件冗余故障檢測系統將使列車立即停車，將給維修帶來很大的困難。

本文建立人工智能神經網絡傳感器故障檢測法對列車傳感器狀態進行檢測，與傳統的列車硬件冗余檢測系統相比，此系統具有以下優點：①能夠實時檢測傳感器狀態，判斷其使用狀況是否完好；②當某傳感器發生故障以后，能夠準確判讀出故障傳感器的位置，便于維修；③為了列車進站維修方便，人工智能神經網絡能夠通過訓練學習，提供此傳感器補償信號（即正常信號）給列車監控系統，確保列車能夠運行到檢修地點。

人工智能神經網絡傳感器故障檢測系統是一種閉環的控制系統，其中神經網絡用于估計傳感器的輸出值，在傳感器故障診斷模塊中，傳感器的輸出值和神經網絡的輸出值進行比較，如果差值超過了某個閥值θ，就認為傳感器發生了故障，然后用神經網絡的輸出值代替傳感器的輸出進入控制器，神經網絡由一個主網和n個子網組成，n個子網對應于n個需要進行故障診斷的傳感器［7］。主網的輸入是所有n個傳感器t-1，t-2…t-p時刻的輸出值，主網的輸出是t時刻傳感器輸出的估計值。子網的輸入是除了該子網對應的傳感器以外的其他所用傳感器t-1，t-2…t-p時刻的輸出，子網的輸出是該子網對應傳感器t時刻的估計值［8］。首先，訓練主網和各子網使神經網絡的輸出和系統的輸出盡量接近。然后就可以進行傳感器故障的檢測，分離和補償，圖1為故障診斷系統原理圖。本文以建立地鐵列車對雙通道速度傳感器的智能神經系統故障診斷過程進行詳細的介紹。

2 神經網絡故障診斷檢測模型建立

2.1 神經網絡故障診斷系統原理

由于城軌交通是穿行于城市中的一條快捷的交通工具，并且具有站與站之間距離短的特點，因此速度參數是城軌列車在運行中監控的重要參數。傳統上，地鐵列車采用3個速度傳感器來檢測列車運行速度，即所謂的硬件冗余檢測法。為了節省地鐵列車設備安裝空間及實現列車的全面智能化，本文搭建了地鐵列車速度傳感器人工智能神經網絡監測系統，采用一個雙通道速度傳感器，將其采集的雙通道數據經過神經網絡測試單元進行處理，其測試原理如圖2所示。

圖1 地鐵列車人工智能神經網絡故障檢測系統模型

圖2 雙通道速度傳感器神經網絡預測器模型

圖2 中指出速度傳感器采集的數據分別進入兩個基于徑向基函數的神經網絡預測器中，假設兩通道能夠正常工作，將通道1前k個時刻的輸出數據x11～x1k和通道2前k個時刻的輸出數據x21～x2k通過采樣獲得進行保存，分別作為兩通道傳感器神經網絡預測器的初始學習樣本數據，因此，兩個神經網絡預測器經過在線訓練后開始工作。因為兩個預測器的工作原理相同，下面以神經網絡預測器為例說明其工作原理，預測器結構如圖3所示。

圖3 單神經元網絡模型

神經網絡的模型是由多個神經元相互連接而成的一個多層機構網絡，它們一般主要由輸入層、隱含層和輸出層三個部分組成［9-10］。輸入層是用于接

受速度傳感器通道輸入的x11，x12，x13，x14，…，x1k前k個數據節點的值，作為神經網絡第一組訓練樣本；隱含層是由多個神經元構成，并且隱含層節點個數的多少對神經網絡的精確度和魯棒性有很大的影響，它是由圖中非線性激勵函數構成，也即神經元的輸入到輸出的映射函數f（x），其非線性可用閥值法、分段線性型和連續型激發函數構成，本系統中采用閥值型非線性激勵函數［11］，形式為：

其中公式范圍值是根據速度型號而定，x代表實際輸入值。圖3中w1，w2，…，wn稱為權值，表達了輸入信號對該神經元的貢獻及作用的大小，閥值θ與激勵函數f（x）共同控制輸入信號對輸出信號的激活特性，將可能無限域的輸入變換為指定范圍內的輸出。單神經元輸入/輸出關系用數學表達式描述如下：

2.2 故障診斷策略

取速度傳感器的前k個輸出數據x11，x12，x13，x14，…，x1k作為徑向量神經網絡預測器1的輸入，x1k作為徑向量神經網絡預測器1的輸出，組成第一組訓練樣本，x1（k+2）作為徑向量神經網絡預測器1輸出，組成第二組訓練樣本，即訓練樣本表示為：

若θ1大于閥值θ，則認為此時通道1不正常工作，依次類推，徑向量神經網絡預測器一邊不斷在線學習新的樣本，一邊對傳感器下一時刻輸出值進行預測。

診斷決策模塊對兩通道神經網絡預測器的輸出預測值及兩通道速度傳感器的輸出實際值進行綜合診斷決策：

（1）若θ1、θ2都小于給定某一閥值θ，則輸出兩通道傳感器激勵函數設定值。

3 系統試驗結果

系統利用MATLAB的神經網絡工具箱，在C語言環境下對神經網絡預測器進行設計，通過搭建的列車雙通道速度傳感器檢測硬件試驗平臺，將傳感器兩通道數據送入到建立好的神經網絡預測器中進行試驗。并且分別得到丟波、畸變和相位角發生錯位3種故障模式。

徑向量神經網絡的訓練樣本采用雙速度傳感器正常工作時的采樣數據，圖4為系統采集試驗平臺中傳感器得到的訓練數據與真實數據相對比，采集

數據量為2 000個點，從圖4中可以看出，訓練數據繪制成的曲線近似平穩，無太大波動，這是由于在采集的數據處理過程中，此算法具有濾波的作用；并且采集的數據與系統速度傳感器采集的數據相比，在同一時刻，所產生的數據誤差在0.2 V以內（見圖4），處于系統誤差允許范圍內，可以認定數據具有可靠性。在采集的數據中存在波動，出現的原因可能由于齒輪轉動過程中存在波動和采集系統受到外界電磁波或其他信號的騷擾造成的，解決的主要辦法是加強系統的屏蔽效果。

圖4 系統訓練后數據與真實值對比圖

圖5 為系統通過數據處理后，仿真出雙速度傳感器正常處理波形狀態，判斷速度傳感器各個故障模式波形對應于圖6～圖8，出現各故障采用的策略如2.2節中后半部分介紹。

圖5 正常脈沖波形

圖6 為傳感器輸出故障信號。該故障為缺失波形，缺失點出現在采樣點800左右。這時神經網絡預測器預測波形如圖5正常波形，故障波形與理論波形不一致，根據判斷策略將判斷為傳感器故障。圖7為傳感器輸出畸變信號故障，則這時波形將產生畸變。為了防止白噪聲的干擾，神經網絡控制器將會采用前一節介紹到的決策（2），驗證是否為傳感器故障。若輸出值仍然為畸變信號，將判斷為傳感器故障。圖8為相位角錯位，經過采集雙通道輸入，得到其在相同時基條件下的數據，采用前一節中的決策3判斷傳感器是否故障。

圖6 丟失波形故障

圖7 畸變波形故障

圖8 相位角誤差故障

4 結語

本文通過建立徑向基函數智能神經網絡預測器，對地鐵列車雙速度傳感器故障診斷系統進行檢測。以地鐵列車測控系統速度傳感器的輸出參數作為其神經網絡的輸入，采用閥值類算法建立傳感器徑向基神經網絡觀測器模型對測控系統傳感器進行故障診斷；并且經過測試實驗表明徑向基神經網絡具有很強的非線性處理逼近能力，網絡運算速度快［12］，能夠準確發現和處理故障信號，性能穩定，改善了列車設備安裝空間有限及其維修困難的狀況。

因此，徑向基神經網絡故障診斷系統為地鐵列車實現自動控制及其改善列車運行環境提供了一種適當的方法。

［1］ Benaicha S，Nait-Said R，Zidani F，et al.Fuzzy fault tolerant control of an induction motor［J］.International Journal of Modeling，Identification and Control，2008，4（2）：160.

［2］ 吳建，張志杰，王文廉.傳感器動態誤差高速并行修正方法及其FPGA實現［J］.傳感器技術學報，2012，25（1）：651.

［3］ 郝濤，唐永哲，任玉清.BP神經網絡在飛控系統傳感器故障診斷中的應用［J］.計算機測量與控制，2008，16（5）：613.

［4］ 張婭玲，陳偉民.傳感器故障診斷技術概述［J］.傳感器與微系統，2009，28（1）：4.

［5］ Christopher D，Gadda S M.Generating diagnostic residuals for steer by wire vehicle［J］.IEEE Transactions on Control Systems Technology，2007，15（3）：529.

［6］ 徐向華，周彪，萬健.多傳感器網絡中的分布式故障檢測算法［J］.傳感技術學報，2010，23（4）：350.

［7］ Anwar S，Lel C.An analytical redundancy—based on fault detection and isolation algorithm for a road-wheel control subsystem in a steer-by-wire system［J］.IEEE Transactions on Vehicular Technology，2007，56（5）：2859.

［8］ 張守桂，王正兵.基于小波變換的傳感器故障診斷仿真研究［J］.機械管理開發，2009，24（3）：7.

［9］ 朱曉娟.飛行控制系統多傳感器信息融合技術研究［D］.南京：南京航空航天大學，2008.

［10］ 房方，魏樂.傳感器故障的神經網絡信息融合診斷方法［J］.傳感技術學報，2000，13（4）：272.

［11］ 韓逸飛，何琳.徑向量神經網絡在傳感器故障診斷中的應用研究［J］.船舶電子工程2008，28（9）：16.

Subway Sensor Fault Diagnosis Based on Radial Neural Network

Song Yun，Zhu Mingnian

In order to improve the installation space of onboard equipment and ensure the safe operation of urban rail trains，an on-line fault detection diagnosis method of twochannel speed sensor based on radial basis function（RBF）neural network is presented.Through establishing a fault detection model of two-channel speed sensor neural network，three kinds of fault detectionmethod are put forward，by which the model is adguste and tested.The result shows that the proposed method can accurately detect the sensor fault and provide a new testing method of fault detectionin subway trains.

subway train；radial basis function；two-channel speed sensor；neural network

U 284.47

2013-07-12）