基于BP神經網絡的鐵路客運設備故障監測模型設計與研究

程清波

（中國鐵道科學研究院 電子計算技術研究所，北京 100081）

基于BP神經網絡的鐵路客運設備故障監測模型設計與研究

程清波

（中國鐵道科學研究院 電子計算技術研究所，北京 100081）

由于鐵路客運設備種類眾多并且分布區域分散，致使人工巡檢工作效率低。為了提高巡檢工作的效率，實現鐵路客運設備巡檢工作智能化，本文提出并設計了基于BP神經網絡的鐵路客運設備故障監測模型。通過無線傳感器獲取影響客運設備狀態優劣的因素，運用所建模型進行決策，判斷鐵路客運設備是否運行正常并能準確地診斷出故障部位，實現了鐵路客運設備巡檢工作智能化的目標。最后通過對機房空調設備的仿真研究，驗證了所建模型的有效性。

客運設備；BP神經網絡；故障監測；智能信息化

隨著我國經濟的快速發展，鐵路客運信息化管理取得顯著的成果。在高速鐵路建設和升級改造過程中，車站信息化程度不斷提升，對客運設備的依懶越來越高[1]。而客運設備作為鐵路信息化管理的核心單元，其可靠性、安全性直接決定著車站日常運營組織。當前，鐵路客運設備種類繁多，并且分布在車站的各個區域，設備的優劣只有通過工作人員巡檢或車站工作人員通告才能得知，不能做到實時監測。在遇到春運等客流量大的特殊情境下，為了保證旅客的正常出行，服務旅客，客運設備的巡檢勞動強度隨之加大，且易出現某些客運設備的巡檢遺漏情況。

為了改善這種局面，提高工作人員效率，建立設備在線監測系統，實時監測設備狀態，及時發現故障并上傳報警，對設備的故障、質量進行診斷和評估，具有重要的應用價值。

1 鐵路客運設備

鐵路客運設備種類眾多，分布區域廣。一般按照區域可劃分為售票廳、進站口、候車室、出站口、天橋、地道、站臺、風雨棚、消防通道、辦公區等。按照業務可分為客運設備、機房設備、行車設備、機電設備和站房設備。其中，客運設備可分為廣播、導向屏、自助售票機、視頻監控、查詢機、進出站閘機等；機房設備可分為服務器、路由器、交換機、負載均衡、防火墻、網閘等；行車設備可分為信號設備、通信設備、供電設備、監控設備、供水設備等；機電設備可分為電梯、空調、照明等；站房設備可分為大型安檢儀、便攜式安檢儀、安全門等。

客運設備分布區域分散，巡檢任務繁重，并且不能及時將設備狀態信息反饋給有關部門。為了能夠實現鐵路客運設備的智能化監控，本文采用BP神經網絡理論對客運設備的狀態進行實時監測、及時診斷故障[2]，設計了基于BP神經網絡的鐵路客運站設備故障監測模型[3]。

2 BP神經網絡[4]

2.1 簡介

BP神經網絡是1986年由學者Rumelhart在人工神經網絡的基礎上提出來的。該網絡是將模型的輸出誤差進行反傳，調節多層網絡中的神經元連接權值，實現多層網絡連接權值的學習。

本文研究的BP神經網絡結構由輸入層，單隱含層和輸出層3層網絡組成，如圖1所示。

圖1 3層BP神經網絡結構

2.2 算法[5]

設3層神經元個數分別是i，j，k。第l–1（l=3）層第i個神經元連接到第l層的第j個神經元的權值為wlij。

2.2.1 正向傳播

隱含層的輸出：

其中，O2j表示隱含層第j個神經元的輸出。

輸出層的輸出：

其中，y3k表示輸出層第k個神經元的輸出。

2.2.2 求輸出層均方誤差

總誤差：

如果輸出層誤差達到目標精度，或者網絡的訓練超過設置的迭代次數，則算法結束，否則網絡根據誤差反饋，進行反向傳播。

2.2.3 反向傳播

在反向傳播時，網絡根據輸出層的誤差計算梯度值，根據該值進行網絡反傳，調節各層權值。

若為輸出層節點，則：

若為隱含層節點，則：

調整網絡參數：

3 基于BP神經網絡的設備故障監測模型設計

3.1 數據采集

為使模型能第一時間獲取設備的狀態信息等基礎數據，必須對全站客運設備的基礎數據進行維護，對設備的狀態值進行統一劃分；制定統一的設備接口規范，采用無線傳感器自動獲取各客運設備的運行狀態等基礎數據。采集過程基本原理如圖2所示。

無線傳感器獲取到的信息包括一維波形、二維圖像、物理參量和邏輯值等。通過測量、采樣、量化、編碼、數據形式的轉換和校準，使信號變成可以計算的數據，其數據可以用向量或矩陣表示一維波形或二維圖像，這就是數據采集的過程。

3.2 數據預處理

預處理的目的是提高信號的信噪比，如剔除奇異項，去掉電平漂移，必要時零均值化，消除趨勢項和平滑濾波等，以便突出有用的信息，并對輸入測量儀器或其他原因所造成的退化現象進行復原。

3.3 模型設計

本節設計BP神經網絡模型對設備的基本狀態進行決策。由于采用無線傳感器網絡對網絡樣本數據進行采集，故BP神經網絡的設計中應包含數據采集層，具體的網絡模型如圖3所示。

圖3 基于BP神經網絡設備故障監測模型圖

其中，數據采集層主要任務是通過無線傳感器獲知客運設備狀態信息的外界和內部因素，如：外界氣溫、氣壓、設備內部運行溫度等；將獲知的數據經過預處理與輸入層相連接。

3.4 分析決策[6]

為了能夠更好地將獲取的數據進行有效的決策，網絡輸出層得到客運設備的狀態信息，神經網絡故障診斷專家系統據此進行分析決策。

神經網絡的故障診斷專家系統是一類新的知識表達體系，它是一種低層數值類型，信息處理是通過大量稱之為節點的簡單處理單元之間的相互作用而進行的。由于它的分布式信息保持方式，為專家知識的獲取和表達以及推理提供了全新的方式。通過對經驗樣本的學習，將專家知識以權值和閥值的形式存儲在網絡中，并且利用網絡的信息保持性來完成不精確診斷推理，較好地模擬了專家憑經驗、直覺而不是復雜的計算的推理過程，便于實現知識的自動獲取，能夠自適應環境的變化，能夠準確的做出決策。

BP神經網絡故障診斷算法步驟：在采用BP神經網絡技術的故障診斷專家系統中，知識的存儲與問題的求解過程中的推理過程均在專家系統的BP神經網絡模塊中進行，是推理機和知識庫的統一。3層BP神經網絡采用數據驅動正向推理的故障診斷策略，即從初始狀態出發，向前推理達到目標狀態為止，其故障診斷步驟如下。

學習階段：將獲取的樣本數據輸入給輸入層各節點；由式（2）求出隱含層神經元的輸出，并將其作為輸出層的輸入；從式（4）求得輸出層神經元的輸出；網絡權值的調節見式（10）。

分析決策階段：經過多次的網絡訓練，網絡趨于穩定，獲取權值輸入至BP神經網絡故障診斷專家系統中，通過導入相關規則知識，利用專家系統進行分析決策；由閾值函數判定輸出層神經元的最終輸出結果，若y大于或等于設定的故障閾值，則判定該設備故障；否則該設備運行正常。

4 仿真研究

為驗證所建模型的可行性，本節將對機房空調設備進行模擬，通過實際的樣本參數監測其運行狀態是否正常，并進行故障診斷。

一般機房空調主機的典型故障[7]有壓縮機磨損和制冷劑泄漏。

影響上述故障的因素包含蒸發溫度、壓縮機吸氣溫度、排氣溫度、冷凝溫度和過冷溫度等。

4.1 確定網絡結構

實驗采用將蒸發溫度、壓縮機吸氣溫度、排氣溫度、冷凝溫度和過冷溫度作為BP神經網絡的輸入；壓縮機磨損和制冷劑泄漏作為BP神經網絡的輸出。則BP神經網絡的結構輸入層為5個神經元，輸出層為2個神經元，通過實驗分析，隱含層的神經元個數為10，故3層BP神經網絡的機構為5×10×2。

經過網絡的輸出，通過輸出層閾值函數處理，若輸出向量為[0,0]則表示狀態正常，[1,0]則表示壓縮機破損，[0,1]表示制冷劑泄漏。

4.2 樣本歸一化處理與系統初始化

網絡訓練初期，訓練樣本采用最大最小法歸一，將樣本歸一化到[0,1]區間。同時，將系統所有相關參數初始化處理，包括網絡各層神經元的連接權值和各神經元的閾值。

4.3 網絡訓練

采用Matlab軟件對獲取樣本集進行實驗仿真。經過大量的測試，本實驗訓練的精度達到0.000 05，如圖4所示。

圖4 模型訓練精度

網絡經過訓練達到穩定，獲取網絡中各層神經元的連接權值。

4.4 提高分析決策精度

為了提高網絡分析決策的精度，將訓練穩定的神經元連接權值，輸入至BP神經網絡故障診斷專家系統中，通過導入決策規則，獲取規則知識，自適應調節網絡變化，對客運設備進行分析決策。

部分仿真結果如表1所示。

由表1分析可知，通過BP神經網絡的學習，故障診斷模型趨于穩定，能夠很好地決策出機房空調設備是否工作正常，并能快速診斷出故障位置，工作效率明顯提高，滿足設計要求。

表1 部分神經網絡仿真結果

5 結束語

本文通過對鐵路客運設備狀態監測及故障診斷研究，提出并設計了基于BP神經網絡的鐵路客運設備故障監測模型。利用無線傳感器采集外部數據，并將數據輸入到BP神經網絡，經過BP神經網絡的學習與故障診斷專家系統的分析決策，實現監測客運設備狀態的目的。最后通過對機房空調設備的仿真研究，驗證了所建模型的有效性，滿足設計要求。

[1]佟立本.鐵道概論[M].北京：中國鐵道出版社，2009.

[2]周東華.現代故障診斷與容錯控制[M].北京：清華大學出版社，2000.

[3]虞和濟，陳長征，等.基于神經網絡的智能診斷[M].北京：冶金工業出版社，2000.

[4]Rumelhart D E,G E Hinton,R J Williams.Learning representations by back-propagating errors[J].Nature(London),1986,323(6088):533-536.

[5]袁曾任.人工神經網絡及其應用[M].北京：清華大學出版社,1999.

[6]蔡自興，許光佑.人工智能及其應用[M].3版.北京：清華大學出版社，2004.

[7]曹 越.國內鐵路空調與地鐵空調之比較[J].制冷，2001，12（4）：132-136.

責任編輯 陳 蓉

Fault monitoring model for railway passenger transport equipment based on BP neural network

CHENG Qingbo
( Institute of Computing Technologies,China Academy of Railway Sciences,Beijing 100081,China)

Due to many kinds of railway passenger transport equipments and scattered distribution area,the work effciency of manual inspection was low.In order to improve the effciency of the inspection working and implement the intelligent inspection work for the equipments,this article proposed and designed a fault monitoring model for the equipments based on BP neural network.The equipment status and infuencing factors were gained by wireless sensors.The model was used to determine whether the equipment worked normally,accurately diagnose the fault parts.The goal of intelligent inspection work was implemented.Finally,the air conditioning equipment was simulated to verify the validity of the model.

railway passenger transport equipment;BP neural network; fault monitoring;intelligent information

U293.2∶TP39

A

1005-8451（2016）02-0003-04

2015-06-18

程清波，助理研究員 。