基于BP神經網絡的道岔智能故障診斷方法

王鐵軍，董 昱，馬彩霞，沈成祿，崔寧寧

（蘭州交通大學自動化與電氣工程學院，1.碩士研究生；2.教授，甘肅 蘭州 730070；3.廣州鐵路集團公司懷化電務段，助理工程師，湖南 懷化 418000）

目前，我國高速鐵路營運里程達到7 055 km，滬杭高鐵試運行最高時速達到416.6 km。更高的列車運行速度，對鐵路關鍵設備——道岔提出了更高的要求。目前，我國的道岔監測設備主要是微機監測系統和某鐵路研究設計院正在研發并已上道實驗的道岔監測系統。這2個系統現都只提供道岔各組成設備的在線監測信息和故障報警，缺少對設備的智能故障診斷功能。道岔設備的各種故障征兆參數之間關系復雜并且非線性。傳統的故障診斷方法對于非線性關系，數學模型較難建立并且診斷結果不夠理想。而BP神經網絡則具有很好的非線性映射、自學習能力和對環境的自適應能力等特點，能較好滿足道岔故障診斷領域的要求。為了指導維修工作，對道岔設備狀態修提供完善的技術支持，智能故障診斷，已成為道岔監測設備的重中之重〔1〕。因此，在道岔監測系統提供的數據基礎上，提出一種基于BP神經網絡的道岔智能故障診斷方法。該方法可用來估計故障的發展程度和區分故障的類型，指導維修工作。

1 人工神經網絡概述

1.1 人工神經網絡定義人工神經網絡是受生物神經網絡的啟發構造而成，它是在對生物神經網絡認識的基礎上，把分子和細胞技術所達到的微觀層次與行為研究所達到的系統層次結合起來，以數學和物理方法以及信息處理的角度對人腦神經網絡進行抽象，并建立某種簡化模型，稱為人工神經網絡ANN〔2〕。其中誤差反傳網絡（BP網絡）是常用的一種。

1.2 人工神經網絡工作原理ANN由簡單的神經元（信息處理單元）互聯組成，能接受并處理信息。雖然單個神經元只能進行十分簡單的信息處理，但多個神經元連接而成的網絡卻具有強大的計算能力。網絡的信息處理是由處理單元之間的相互作用實現。改變神經元之間的連接方式和連接強度就可以改變神經網絡的計算效果，知識與信息的存儲，則表現為處理單元之間分布式的物理聯系〔2〕。

BP網絡是一種多層前饋神經網絡。它由3層神經元構成，分別為輸入層、隱含層和輸出層。輸入層神經元節點個數等于采集數據的特征向量維數，輸出層神經元節點數取決于所需要的類別數。根據BP網絡隱含層設計的經驗，隱含層單元數目可根據需要和對神經網絡結構的優化而設置。

1.3 人工神經網絡特點神經網絡是一門高度綜合的交叉學科，它涉及到神經生理科學、數理科學、信息科學和計算機科學等眾多學科領域。其特點如下：

1）分布式存儲。其具有良好的容錯性與聯想記憶功能。神經網絡記憶的信息是存儲在神經元之間的權值中。個別神經元和權值的損壞不會對信息特征造成太大影響，這使得網絡具有良好的容錯性。

2）相對于專家系統的知識獲取“瓶頸”問題，神經網絡可以通過訓練和學習來獲得網絡的權值與結構，呈現出很強的自學習能力和對環境的自適應能力。

3）診斷耗時少。神經網絡將領域專家的啟發式知識和經驗分布存儲于神經元的互連中，不做成專門的知識庫，在線診斷時，不再像專家系統和模糊控制那樣進行規則的匹配搜索，從而大大減少診斷耗時。

1.4 并行BP神經網絡系統并行BP網絡是通過多個BP子神經網絡對多個特征值分類，每個子神經網絡診斷一類故障，結構如圖1所示。有多少類故障，就有多少個子網絡與之對應。其優點是每個子網絡結構相對來說比較簡單，訓練迅速，而且子網絡間互不影響，尤其是當有新的故障發生時，只需要簡單地增加一個訓練好的子網絡，即可識別新故障，而不用像單子網絡一樣全部重新學習，這樣就大大提高網絡的擴展能力和學習能力。

圖1 并行神經網絡示意圖

2 智能故障診斷方法的可行性

由于神經網絡有如上特點，在道岔現場復雜的環境下，運用BP神經網絡診斷故障的方法具有切實的可行性。

2.1 滿足診斷道岔設備故障的現場需求BP神經網絡的非線性映射能力和自學習能力，能較好地處理道岔設備的運行狀態與其各種故障征兆參數之間的復雜關系。其良好的魯棒性、實時性，能較好地滿足道岔對可靠性、安全性和實時性的要求。

2.2 解決信息融合的不匹配問題道岔監測系統采用的傳感器屬于異類多傳感器類。由于此類各傳感器時間或空間不同步、測量維數不匹配和測量數據差距過大等問題，導致各屬性層融合達不到理想效果。而運用BP神經網絡可以有效避免以上問題，使各傳感器信息在公共數據空間內進行融合，在多故障診斷中可得到較好的置信度〔3〕。

2.3 學習樣本充足神經網絡沒有任何規則，它通過大量樣本對網絡進行多次訓練來改變網絡中的連接權值，只有通過多次訓練才能達到理想的效果。因此，充足的學習樣本是訓練神經網絡的關鍵。而道岔監測系統可以提供完善的狀態監測信息，使系統訓練樣本充足，確保了對BP神經網絡模型的可靠訓練〔1〕。

3 道岔智能故障診斷的實現

根據現場維修人員對道岔設備故障積累的寶貴經驗，把道岔的典型故障分為3類：道岔密貼不良、道岔轉換故障、道岔電路故障。

采用并行BP神經網絡建立網絡模型，每類故障建立1個子神經網絡模型，第三個子神經網絡中另建立3個次級子神經網絡，總體組建成一個并行BP神經網絡的信息融合系統。各子網絡均采用改進BP算法以加快收斂速度，最后采用設置雙閾值的方法進行故障前預警和故障后診斷。

診斷步驟如下：首先從道岔監測系統中獲取道岔監測數據，對數據進行特征提取后通過診斷模塊得出診斷結果。如果遇到新故障，則通過學習模塊對相應子網絡進行重新訓練以完善診斷模塊。如圖2所示。

圖2 道岔智能故障診斷步驟示意圖

以Visual C++和MATLAB作為實現故障診斷的工具軟件。用戶交互界面由Visual C++開發完成，在與MATLAB進行數據交換后，使用MATLAB神經網絡工具箱進行后臺運算處理〔4〕。

3.1 道岔密貼不良故障類診斷道岔密貼不良是道岔最為常見的故障。據統計，在武廣客專聯調聯試階段，密貼不良故障占總故障的18.7%。尖軌密貼必須保證4 mm不鎖閉、2 mm鎖閉要求，否則可能導致道岔不能正常鎖閉或列車顛覆等重大事故。

3.1.1 道岔密貼不良故障原因 根據維修人員多年的現場經驗，密貼不良常由道岔不方正、尖軌爬行、軌距變化、外鎖閉調整不良、缺口不合格5種故障原因導致。當整體道床振動過大時將導致基礎螺栓松動，進而導致道岔不方正造成卡阻。尖軌爬行、軌距變化等原因多由于道床不良引起，應積極開展道岔的工電聯合整治。而外鎖閉調整不良和缺口變化則屬電務維修人員調整不當，維修質量不高等人為原因。

3.1.2 道岔密貼不良故障診斷方法 我國某設計院目前正在開發研制道岔監測系統，其所監測的7種電務參數可以從各方面反映出密貼不良的原因。由此，可以選用密貼量、尖軌開口量、轉換力、振動加速度、軌溫、軌距、缺口監測數據等7種狀態數據，進行特征提取并歸一化處理后作為神經網絡的輸入端，以5種密貼不良原因作為輸出端，進行故障診斷。當發現影響密貼不良的新故障原因時，可以通過網絡學習模塊增加輸出節點并對連接權值和閾值進行重新訓練和學習，以滿足診斷要求。

3.2 道岔轉換故障類診斷道岔轉換故障是在道岔轉換階段無法正常轉動、道岔轉換阻力過大、轉換不到位造成四開狀態以及道岔轉換后沒有表示等故障。道岔轉換故障性質惡劣，將嚴重影響線路正常運營。

3.2.1 道岔轉換故障原因 通過對各時間段道岔動作電流分析，可以診斷出如下6種常見故障原因：電機匝間短路、碳刷與整流子接觸不良、尖軌轉換障礙、電機轉子斷線、繼電器接點接觸不良、自動開閉器動作不靈活。其中轉換障礙由根部阻力過大、滑床板缺油、夾異物、吊板、故障電流過小等原因形成，需要電務人員現場核實。

3.2.2 道岔轉換故障診斷方法 道岔動作電流曲線，蘊涵了道岔轉換過程中豐富的機械特性和電氣特性。可對故障動作電流進行多角度分析，并與道岔平時的正常動作電流曲線相對比，尋找出故障曲線反應出的故障信息，得到故障原因。

單機牽引正常動作電流曲線如圖3所示：電機啟動時曲線驟升，形成一個尖峰，峰頂值通常為6～10 A。若峰值過高，說明道岔電機有匝間短路。電流至峰點后迅速回落，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脫困難。回落后的曲線基本呈水平狀，前部略微向下，后部略微向上。區段前部應平滑，若電流幅值上下抖動則有如下可能：滑床板凹凸不平、炭刷與整流子面接觸不良或有污垢、電機有匝間短路。若有大量的回零點，則為電機轉子斷線。略微向上的曲線后部為鎖閉電流，若過高則可能為道岔密貼調整過緊，轉轍機鎖閉困難。隨后曲線迅速下降再逐漸為零，此時段為自動開閉器轉換時間和1DQJ緩放時間，時間若過長則可能是自動開閉器動作不靈活等原因。

圖3 單機牽引正常道岔動作電流曲線

本文以一種反應自動開閉器動作不靈活的電流曲線為例進行說明，如圖4所示。圖中道岔機械鎖閉時，道岔鎖閉電流曲線延時（由圖中03-06 s時間段內電流曲線體現）。故此類故障的產生原因多由自動開閉器的拐軸、自動開閉速動爪軸或連接板軸動作不靈活產生，可通過往各軸上注變壓器油來解決。

圖4 自動開閉器不靈活故障電流曲線

由于道岔的動作電流是單元輸入，因此，通過對正常動作電流和各故障動作電流以時間序列進行采樣，特征提取后作為訓練樣本，對BP神經網絡進行訓練和學習。這可以較準確地對此類故障進行智能診斷，為維修人員提供技術參考。

3.3 道岔電路故障類的診斷隨著鐵路列車運行速度的逐年提升，國內干線多數道岔轉動裝置采用分動外鎖閉轉轍機。分動外鎖閉道岔控制電路主要分為3個部分：室內控制電路、道岔動作電路和道岔表示電路。下面以采用三相交流轉轍機S700K道岔為例加以說明。

3.3.1 道岔電路故障原因 S700K道岔控制電路故障一般多由電氣故障造成〔4〕。電氣故障可分為室內和室外部分。常見的電氣故障原因主要有配線電纜斷線、電阻斷線或短路、二極管開路或被擊穿、表示繼電器開路等故障所造成。對于配線電纜斷線又可以診斷出X1斷線、X2斷線和X4斷線；電阻斷線可以診斷出R斷線和R1斷線。

3.3.2道岔電路故障診斷方法 道岔啟動和表示電路的電氣特征可以由X1線、X2線和X2線與X4線間的交直流電壓，R1和表示繼電器1-4線圈的交直流電壓反映。由于特定的電路性質，對于某種故障狀態，各元件對應著相應的狀態電壓，所以可以通過它們的變化對道岔電路進行診斷。

S700K道岔控制電路故障時電氣特性如表1所示，現舉例說明。當X1，X2間交流電壓為112 V，直流電壓為7.6 V，并且X2，X4間、R1及繼電器交直流電壓為0 V時，可以判斷此時的故障是X1開路。

表1 S700K道岔控制電路故障時電氣特征

此類故障可采用3個二級BP子神經診斷網絡，將X1和X2間的交直流電壓、表示繼電器電壓、電阻R1電壓作為網絡1的輸入；X2和X4間交直流電壓、表示繼電器電壓、電阻R1電壓作為子網絡2的輸入。2個子網絡輸出均為線1開路、X4開路、X2或R開路、二極管開路、二極管擊穿、R1開路、R短、表示繼電器開路等8種常見故障原因。再通過BP子網絡3對前面2個BP子網絡輸出的故障決策進行信息融合決策，以提高確診率〔5〕。

4 結束語

基于BP神經網絡的道岔智能故障診斷方法，憑借著人工神經網絡的自身優點，在道岔監測系統提供的各項監測數據基礎上，對道岔的常見故障進行經驗分類，并對每一類道岔故障設計一個對應BP子神經網絡，分類進行智能故障診斷，具有切實的可行性。然而以上的工作僅僅是一個開端，還需要進行充分驗證、仿真、上道實驗后才可以投入實際使用。

總之，基于BP神經網絡的道岔智能故障診斷，必將延承并行性、非線性、魯棒性和自適應學習性等這些傳統故障診斷方法無法比擬的優點，進一步完善道岔監測系統，快速準確地判斷故障原因，縮小故障范圍，從而保障行車安全。

〔1〕劉克強.高速客運專線道岔監測系統研究及應用〔J〕.中國鐵路，2009，04（3）：40-41.

〔2〕師海風.基于神經網絡的北溪南巷船閘故障診斷專家系統研究〔D〕.福州：福州大學，2004.

〔3〕呂漫麗，孫靈芳.多傳感器信息融合技術〔J〕.自動化技術與應用，2008，27（2）：79-81.

〔4〕岳麗麗.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〔D〕.蘭州：蘭州交通大學，2009.

〔5〕蘇曠宇.基于神經網絡和信息融合的模擬電路故障診斷方法研究〔D〕.長沙：湖南大學，2007.