基于SaCE-ELM的地鐵牽引控制單元快速故障診斷

岳 忠 奇，　吳 　 濤,2，　顧 　 宏*

( 1.大連理工大學 控制科學與工程學院, 遼寧 大連　116024；2.中車大連電力牽引研發中心有限公司， 遼寧 大連　116052 )

?

基于SaCE-ELM的地鐵牽引控制單元快速故障診斷

岳 忠 奇1，吳 濤1,2，顧 宏*1

( 1.大連理工大學 控制科學與工程學院, 遼寧 大連116024；2.中車大連電力牽引研發中心有限公司， 遼寧 大連116052 )

摘要：地鐵牽引控制單元(TCU)在地鐵運行過程中有重要的作用，及時有效地對其進行故障診斷，是保證地鐵正常運行的重要環節．針對傳統故障診斷方法的學習速度慢、易陷入局部最優、預測精度較差等缺點，提出一種使用自適應差分進化算法(SaCE)進行優化的極限學習機(SaCE-ELM)，即通過自適應差分進化算法對極限學習機的輸入權重、隱含層參數和輸出權重進行優化．其中，差分進化算法的變異策略通過基于混沌序列的自適應機制產生，其他參數使用正態分布隨機生成；網絡的輸出權重使用Moore-Penrose廣義逆矩陣計算得出．SaCE-ELM 不需要人工選擇變異策略和參數，自適應策略比SaE-ELM更加簡單．實驗結果表明，與E-ELM、SaE-ELM、LM-NN、SVM相比，SaCE-ELM具有更好的預測精度．此外，SaCE-ELM 在所有數據集上訓練時間比SaE-ELM和SVM更少，有效地改善了生成模型的效率．

關鍵詞：牽引控制單元；故障診斷；極限學習機；差分進化算法

0引言

隨著我國現代化進程的加快，軌道交通的發展取得了長足的進步．地鐵作為各大城市的主要交通工具，其可靠性和安全性受到了多方的重視．在地鐵運營過程中，牽引控制單元(traction control unit，TCU)作為控制地鐵運行的核心組成部分，通過接收列車的指令信息對整車實施牽引控制．因此，對TCU進行快速且有效的故障診斷，是列車保持長期穩定運行的重要環節．

故障診斷的目的是對設備及系統中出現的故障進行檢測和識別，從而定位發生故障的部位及其種類．文獻[1]將現有的故障診斷方法分為3類：基于分析模型的故障診斷方法、基于定性經驗知識的故障診斷方法和基于數據驅動的故障診斷方法．基于分析模型的故障診斷方法需要詳細了解設備的機理結構進而建立精確的定量數學模型，如狀態估計法、參數估計法等；基于定性經驗知識的故障診斷方法適用于不易建模的系統，如有向圖、專家系統等；基于數據驅動的故障診斷方法是利用設備運行過程中產生的數據信息來進行故障診斷．

對于大多數設備而言，由于其復雜性往往難以建立精確的數學模型，導致基于分析模型的方法不適用．基于定性經驗知識的方法需要掌握較深的專業知識，這無疑增加了故障診斷的困難．然而在設備運行的過程中，時刻都會產生大量運行數據，利用這些數據進行故障診斷，是現在許多研究者所關注的．近年來，隨著基于數據驅動方法的不斷發展，人工智能方法[2-4](如人工神經網絡、支持向量機、模糊邏輯等)在故障診斷中得到了廣泛的應用．

極限學習機(extreme learning machine，ELM)是Huang等[5]根據Moore-Penrose(MP)廣義逆矩陣理論提出的一種單隱含層前饋神經網絡算法．相比于經典的反向傳播(back propagation，BP)神經網絡[6]在訓練過程中容易陷入局部最優、因反復迭代不能快速且準確獲取模型等，ELM克服了這些缺點，只需隨機指定隱含層參數進而通過最小二乘算法得出輸出層參數，極大地提高了學習速度，容易滿足對預測精度高、結構簡單的故障診斷模型快速獲取的要求．由于隱含層節點在訓練之前先指定，最終會導致獲得的模型中存在某些對網絡性能貢獻較少的節點．而且通常情況下，相對于其他需要進行節點調整的算法，極限學習機需要更多的隱含層節點．

本文提出一種改進的自適應差分進化算法(SaCE)，對極限學習機的輸入權重、隱含層偏置和輸出權重進行優化．其中，進化算法中每一代群體變異策略、交叉因子和縮放因子通過自適應機制進行選擇，進而通過MP廣義逆矩陣求得輸出層參數．為了驗證SaCE的有效性，在10個基準函數上和SaDE[7-8]進行比較．通過和E-ELM[9]、SaE-ELM[10]、LM-NN[11]、SVM[12]在5個UCI數據集上進行比較驗證本文算法SaCE-ELM的有效性．最后，對7種典型的TCU故障類型進行定位，以驗證本文算法對TCU故障診斷的有效性．

1極限學習機(ELM)

對于分類問題，當給定訓練數據集{(xi,yi)}，其中xi=(xi1xi2…xin)?Rn為示例的特征向量，yi=(yi1yi2…yim)?Rm為示例標簽，i=1,2,…,N，那么對于具有L個隱含層節點的單隱含層前饋神經網絡(SLFN)的輸出為

(1)

式中：wj∈Rd(j=1,2,…,L)是輸入層與隱含層第j個節點的連接權重，bj∈R是第j個隱含層節點偏置參數，wj·xi表示向量內積，βj∈Rm是隱含層第j個節點與輸出層的連接權重．g(·)為隱含層所采用的輸出函數，如sigmoid函數、徑向基函數等．

計算輸出與實際輸出之間的誤差即為損失函數：

(2)

記θ=(w,b,β)代表所有參數，那么對損失函數最小化，通常采用基于梯度學習算法將參數θ經過反復迭代更新來求解，更新法則如下：

(3)

其中η為學習速率．雖然反向傳播神經網絡在眾多領域得到了廣泛的應用，但仍然存在如學習速率取值困難、易陷入局部最優、過擬合、收斂速度慢等缺點．

Hβ=Y

(4)

式中：H=H(w,b)=(hij)N×L為隱含層輸出矩陣，hij=g(wj·xi+bj)，β為輸出權重矩陣，Y=(y1y2…yN)為輸出矩陣．不同于傳統的梯度下降法需要經過反復迭代調整網絡所有參數，文獻[5]指出，ELM算法只需隨機生成參數w和b，當w和b固定之后，求解最小范數最小二乘解即得到輸出權重：

β=H?Y

(5)

其中H?是H的廣義逆矩陣．

由此可知，不同于建立精確的數學模型或專家系統等復雜的系統，經過訓練后的極限學習機網絡可以將規則抽象地存儲于權重及偏置等網絡參數中，極大地減少了對于設備結構及運行原理的詳細了解．

2差分進化算法及其改進

差分進化算法是由Storn等提出的一種進化算法[13]．與傳統進化算法相同，它們均有種群初始化、變異、交叉、選擇等步驟．然而，差分進化算法結構更加簡單，容易實現，具有更好的全局搜索能力．

基本思想及步驟如下：

(1)初始化種群

設種群規模為Np，每個個體是D維向量．則第G代中的滿足上下界的個體可表示為xi,G=(xi1,Gxi2,G…xiD,G),i=1,2,…,Np．

(2)變異

利用第G代不同個體之間的偏差擾動產生第G代的候選個體．如下即為幾種使用最多的變異策略，其中，F為縮放因子，K∈[0,1]為隨機生成，r1，r2，r3，r4，r5∈[1,Np]為隨機產生的不重疊個體序號．

vi,G=xr1,G+F·(xr2,G-xr3,G)

(6)

vi,G=xr1,G+F·(xbest,G-xr1,G)+F·(xr2,G-

xr3,G)+F·(xr4,G-xr5,G)

(7)

vi,G=xr1,G+F·(xr2,G-xr3,G)+

F·(xr4,G-xr5,G)

(8)

vi,G=xr1,G+K·(xr1,G-xr2,G)+

F·(xr3,G-xr4,G)

(9)

研究表明，變異策略對于不同的優化問題具有不同的效果[7-8]．式(6)的全局搜索能力強，但收斂速度較慢；式(7)局部搜索能力強并且能夠快速收斂，但容易陷入局部最優從而導致早熟；式(8)比式(6)搜索能力更強，但計算量隨之增大；式(9)可以有效地解決多目標優化問題．

(3)交叉

將變異個體vi,G+1與當前個體xi,G進行交叉，得到當前個體的候選個體ui,G+1．

(10)

其中i=1,2,…,Np,j=1,2,…,D,rand∈[0,1]是一個均勻分布隨機數，Rc∈[0,1]為交叉概率．R(i)是[1,D]內的隨機整數，采用這種方法可確保下一代個體中至少有一條染色體來自變異個體．

(4)選擇

通過對第G代個體xi,G以及候選個體ui,G+1適應度的評價，根據下式決定個體的進化方向：

(11)

雖然差分進化算法已經在眾多領域取得了廣泛的應用，但它仍有不可避免的缺點．比如，對于特定的問題，選擇最佳的變異策略尤其困難．文獻[14]將每種策略的概率參數預先指定，從而進行自動的策略選取；文獻[7-8]所提出的SaDE算法根據前G代變異策略的使用情況獲得選擇每種策略的概率；文獻[10]成功地將SaDE應用于ELM產生SaE-ELM并且取得了良好的實驗效果，但程序編碼過程較為煩瑣；文獻[15]提出的多策略差分進化算法，采用父個體作為索引的方式從策略庫中選取策略；文獻[16]提出了一種簡單的多策略自適應選擇機制，通過設定自適應策略參數實現種群中每個個體的策略選取．

文獻[16]中策略計算方式如下：

Si=

δi×K

+1

(12)

其中δi∈[0,1)為策略參數，文獻[16]提出了3種策略參數的選擇方法，K為策略數量．如δi∈(0,0.25)且K=4，則Si=1，表明當前個體xi應選擇第一種策略．

不同于文獻[12]提出的策略參數自適應機制，本文提出一種基于混沌序列的參數自適應機制．混沌序列(chaotic sequence)具有隨機性、遍歷性、普適性等特點．最近，一些學者成功地將混沌序列與進化算法結合應用到了優化問題中，并取得了較好的結果．文獻[17]將混沌序列作為進化算法控制參數選擇的策略；文獻[4,18]將混沌序列作為進化算法種群初始化的有利工具．

作為混沌序列的典型模型，邏輯映射公式如下：

δk+1=μδk(1-δk)；k=1,2,…,N

(13)

其中δ∈(0,1)，δ≠0.25,0.50,0.75，k為迭代次數，μ為混沌參數，設μ=4．

本文將上述邏輯映射作為式(12)中策略參數δi的生成機制．根據上文所述可知，單一的變異策略在很多情況下無法滿足要求，故而采用多策略相互配合能夠獲得更滿意的效果．選取式(6)～(9)4種策略作為本文策略池．縮放因子通過正態分布N(0.7,0.3)隨機產生．對于交叉概率，首先通過多次迭代保存較優值，待達到一定迭代次數后，將之前保存的較優值取均值Rcmean，之后的新種群中根據正態分布N(Rcmean,0.1)隨機生成每個個體的交叉概率．綜上所述，本文提出了基于混沌序列的自適應差分進化算法SaCE．

3自適應差分進化極限學習機(SaCE-ELM)

為了克服E-ELM人工選擇變異策略的產生耗時、選擇不當等問題，采用基于混沌序列的自適應策略機制來實現差分進化算法的多策略自適應選取，并將其應用到優化極限學習機的網絡參數中．

給定數據集{(xi,yi)}，i=1,2,…,N，將其分為訓練數據集、驗證數據集、測試數據集，隱含層節點個數為L，激活函數g(·)采用sigmoid函數，種群數量為Np，指定縮放因子F和交叉概率Rc的初始值，隨機生成符合定義域策略參數δ，歸納SaCE-ELM算法步驟如下：

(1)初始化種群

將輸入權重和隱含層偏置作為個體進行種群初始化，個體如下：

其中wj和bj(j=1,2,…,L)在范圍[-1,1]內隨機初始化，G代表種群代數，i=1,2,…,Np代表種群個體序號．

(2)計算輸出權重及個體適應度

(3)變異和交叉

通過自適應策略分別對每個個體進行變異策略的選擇，縮放因子和交叉概率根據上文所述方法進行選取，進而獲得候選個體ui,G+1．

(4)選擇

(14)

其中f(xi,G)和f(ui,G)分別為父個體和候選個體適應度．不斷重復步驟(3)和(4)直到達到適應度目標值或者最大迭代次數．算法流程圖如圖1所示．

圖1　SaCE-ELM算法流程圖

4算法有效性評估

4.1基準函數實驗

基于表1中列出的10個基準函數，對自適應差分進化算法SaCE與SaDE進行比較，其中每個函數均在維數D=30進行測試，對每個函數分別進行5次實驗后取平均值，并列出最優值、最差值、均值、標準差，以均值為評判標準進行比較，實驗結果見表2．

實驗結果表明，與SaDE相比較，SaCE在多數基準函數上的優化效果較好．其中f04函數上表現比SaDE差，f01、f07、f08、f09函數上表現與SaDE基本相同，f02、f03、f05、f06、f10函數上表現優于SaDE．SaDE所用優化時間t=3 867.73 s，SaCE優化時間t=3 125.96 s，可見，SaCE所用優化時間明顯少于SaDE．

4.2UCI分類數據集實驗

為了驗證分類器的有效性，本文從UCI數據庫選取5個典型的分類數據集Disease、Diabetes、Iris、Wine、Segment進行實驗驗證．首先將所有數據集的屬性標準化到[-1,1]．然后將數據集分成訓練數據集和測試數據集，之后選取訓練數據集的30%作為驗證數據集．數據集的詳細信息見表3．

表2　基準函數實驗結果

表3　UCI分類數據集詳述

對以上數據集，所有算法均進行多次實驗后取平均值，實驗結果及參數選取見表4．對于算法SaCE-ELM、SaE-ELM、E-ELM，每次實驗種群Np設置為20，初始縮放因子F0設置為1，初始交叉概率Rc0設置為0.8，每種算法的隱含層節點首先在較小范圍[5,20]內隨機生成，之后根據實驗結果依次遞增，保留最佳節點個數．其中，E-ELM人工選擇4種變異策略依次實驗，保留最優實驗結果．LM-NN通過最小二乘法實現反向傳播神經網絡，隱含層節點選取方法同上，使用Matlab的神經網絡工具箱進行實驗．SVM采用徑向基函數(RBF)作為核函數，懲罰因子C和核參數γ在范圍{212,211,…,2-2}和{24,23,…,2-10}內采用網格搜索法進行最佳參數選取，從而提高分類器的預測精度．如表4所示，實驗結果列出預測精度、訓練時間、節點/支持向量個數．

表4　UCI數據集實驗結果比較

實驗結果表明，相比于SaE-ELM、E-ELM、LM-NN和SVM，本文算法SaCE-ELM在所有實驗數據集上均取得最高的預測精度．與本文算法相比，SaE-ELM編碼過程比本文算法煩瑣，而且訓練時間較長．在4個較小的數據集Disease、Diabetes、Iris和Wine上，E-ELM雖然訓練時間最短，但是其需要通過人工選擇4種變異策略保留最優值，因而實際耗時明顯多于SaCE-ELM．采用最小二乘法實現的BP神經網絡LM-NN，雖然在數據量較小的數據集上訓練時間有了明顯改善，但在較大的數據集Segment上訓練時間遠遠大于SaCE-ELM等算法，并且預測精度較差．SVM雖然穩定性較好，但從實驗結果可以得出，隨著數據量的增大，其訓練時間增長較快．

5地鐵牽引控制單元故障診斷

5.1故障診斷流程

列車控制及監控系統(TCMS)依據IEC61375標準規定的列車通信網絡組建，該系統具有牽引、制動等控制功能．其中，牽引控制單元通過接收TCMS系統發送的指令信息，實現對整車牽引系統的控制．列車故障診斷功能由位于TC車的診斷中央控制單元完成．該診斷系統具有故障信息識別以及故障信息輸出功能．

對于牽引控制單元而言，由于設備復雜而難于建立精確的數學診斷模型．同時，只有少數專家能夠通過較深的專業知識進行故障診斷．然而，在設備工作的過程中，會不斷產生大量的輸入輸出數據，同時數據存儲設備會將所有數據進行存儲．因此，基于數據分析進行故障診斷成為了一種較好的選擇．

牽引控制單元故障診斷流程如圖2所示，其中MVB信息流即為通過MVB總線傳輸的各個數字量與模擬量．首先對信息流進行篩選，將牽引控制單元接收的輸入信息流進行特征提取、信息融合后進行合理的數據處理，通過智能算法進行故障診斷后，故障數據最終顯示到人機交互界面，同時，通過指定格式進行數據存儲，以便分析．

圖2　牽引控制單元故障診斷流程圖

5.2數據提取

文獻[12]將與牽引控制單元有關的指令信息作為樣本的特征，包含14個數字量和模擬量，本文選取最終輸入牽引控制單元的11個變量作為樣本特征，如圖3所示．在牽引系統運行過程中，如果發生故障，會產生牽引系統隔離的現象，最終導致牽引系統失去作用．將重要故障分為7類，即HSCB跳閘、電機電流超過2 200 A、逆變器故障、牽引電機警告級高溫、濾波電壓超過2 150 V、380 V供電故障和荷載信號故障．

圖3　牽引控制單元輸入變量

機車在運行過程中會不斷產生歷史數據和新生數據，本文使用中車大連電力牽引研發中心有限公司研發的終端維護軟件PTU對已保存的故障樣本數據進行特征及類別提取．其中，特征變量分別位于M存儲區的M1、M2、M34區域．詳細數據提取流程如圖4所示，虛框A和B分別為故障類別以及故障特征的生成過程，最后合并成故障樣本數據．其中，故障數據保存于failure.csv文件中，故障發生時間及其指令信息保存于eventdata.csv文件中．

圖4　牽引控制單元故障數據提取流程圖

本文根據上述數據提取方式，使用PTU軟件對故障數據文件和指令信息文件提取相應數據集，取得551組數據作為實驗數據集{(xi,yi)}，其中xi=(xi1xi2…xi11)?R11為進行信息融合后的11維故障特征，yi=(yi1yi2…yi7)?R7為7類故障類別．各類別樣本均勻分布．將所有樣本屬性歸一化到[-1,1]，隨機從原始數據集中取得371個樣本作為訓練集，取得180個樣本用作測試集，再取訓練集的30%作為驗證數據集用作本文算法中適應度函數的評價樣本集．故障診斷模型經過反復訓練后，得出w、b、β分別作為極限學習機網絡的輸入權重、隱含層偏置、輸出權重，對于故障特征和故障類別的對應關系，通過極限學習機網絡進行非線性映射．

5.3實驗結果及分析

所有算法參數設置方法與UCI數據集實驗基本相同．實驗結果見表5，表中列出預測精度、訓練時間以及節點/支持向量個數．

表5　TCU故障數據集實驗結果比較

實驗結果表明，相比其他算法，SaCE-ELM算法在TCU故障數據集上具有更好的預測精度以及較短的訓練時間．LM-NN的訓練時間與SaCE-ELM較為接近，但是預測精度較差．通過人工選擇E-ELM的4種變異策略并保留最佳實驗結果后，E-ELM的訓練時間最短，但需要額外的人工選擇時間．與SaE-ELM相比，SaCE-ELM采用較為簡單的編碼策略實現了自適應策略，訓練時間明顯降低，快速地生成了所需模型．雖然SVM的預測精度與本文算法較為接近，但訓練時間遠遠大于本文算法．總而言之，將本文算法應用于TCU故障診斷，取得了良好的實驗結果，驗證了本文算法的有效性．

6結語

本文提出一種基于混沌序列的自適應差分進化算法進行優化的極限學習機SaCE-ELM，作為地鐵牽引控制單元故障分類模型．不同于標準差分進化算法的人工選擇變異策略以及參數，SaCE-ELM采用基于混沌序列的自適應機制有效地對參數以及變異策略進行了自適應選擇，而且編碼過程較為簡單．實驗結果表明，本文算法有效地減少了訓練時間并且改善了模型的預測精度．最后，將本文算法應用到地鐵牽引控制單元故障數據上，結果表明本文算法能有效地對地鐵牽引控制單元進行故障診斷．

參考文獻：

[1] 李 晗,蕭德云. 基于數據驅動的故障診斷方法綜述[J]. 控制與決策, 2011, 26(1):1-9.

LI Han, XIAO De-yun. Survey on data driven fault diagnosis methods [J]. Control and Decision, 2011, 26(1):1-9. (in Chinese)

[2]Daley S, Newton D A, Bennett S M,etal. Methods for fault diagnosis in rail vehicle traction and braking systems [J]. IEEE Colloquium (Digest), 1995(79):1-13.

[3]Chen J, Roberts C, Weston P. Fault detection and diagnosis for railway track circuits using neuro-fuzzy systems [J]. Control Engineering Practice, 2008, 16(5):585-596.

[4]徐曉璐,吳 濤,顧 宏. 基于IPSO-SVM的地鐵車輛牽引控制單元故障診斷[J]. 大連理工大學學報, 2015, 55(1):67-72.

XU Xiao-lu, WU Tao, GU Hong. Fault diagnosis of metro vehicle traction control unit based on IPSO-SVM [J]. Journal of Dalian University of Technology, 2015, 55(1):67-72. (in Chinese)

[5]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine:A new learning scheme of feedforward neural networks [J]. IEEE International Conference on Neural Networks - Conference Proceedings, 2004, 2:985-990.

[6]WANG Lin, ZENG Yi, CHEN Tao. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting [J]. Expert Systems with Applications, 2015, 42(2):855-863.

[7]Qin A K, Suganthan P N. Self-adaptive differential evolution algorithm for numerical optimization [C] // 2005 IEEE Congress on Evolutionary Computation, IEEE CEC 2005. Proceedings. Edinburgh:IEEE Computer Society, 2005:1785-1791.

[8]Qin A K, Huang V L, Suganthan P N. Differential evolution algorithm with strategy adaptation for global numerical optimization [J]. IEEE Transactions on Evolutionary Computation, 2009, 13(2):398-417.

[9]Zhu Q Y, Qin A K, Suganthan P N,etal. Evolutionary extreme learning machine [J]. Pattern Recognition, 2005, 38(10):1759-1763.

[10]Cao J W, Lin Z P, Huang G B. Self-adaptive evolutionary extreme learning machine [J]. Neural Processing Letters, 2012, 36(3):285-305.

[11]Hagan M T, Menhaj M B. Training feedforward networks with the Marquardt algorithm [J]. IEEE Transactions on Neural Networks, 1994, 5(6):989-993.

[12]Hsu C W, Lin C J. A comparison of methods for multiclass support vector machines [J]. IEEE Transactions on Neural Networks, 2002, 13(2):415-425.

[13]Storn R, Price K. Differential evolution-a simple and efficient heuristic for global optimization over continuous spaces [J]. Journal of Global Optimization, 1997, 11(4):341-359.

[14]Zamuda A, Brest J, Bo?kovi

c'

B,etal. Large scale global optimization using differential evolution with self-adaptation and cooperative co-evolution [C] // 2008 IEEE Congress on Evolutionary Computation, CEC 2008. Piscataway:IEEE Computer Society, 2008:3718-3725.

[15]俞國燕,李 鵬,何 真,等. 帶自適應動態變異和二次變異的差分進化算法[J]. 計算機集成制造系統, 2010, 16(5):987-993.

YU Guo-yan, LI Peng, HE Zhen,etal. Differential evolution with adaptive dynamic mutation & second mutation [J]. Computer Integrated Manufacturing Systems, 2010, 16(5):987-993. (in Chinese)

[16]GONG Wen-yin, CAI Zhi-hua, Ling C X,etal. Enhanced differential evolution with adaptive strategies for numerical optimization [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B:Cybernetics, 2011, 41(2):397-413.

[17]CHEN Guang-yu, DING Xiao-qun. An improved differential evolution method based on the dynamic search strategy to solve dynamic economic dispatch problem with valve-point effects [J]. Abstract and Applied Analysis, 2014, 2014:175417.

[18]Caponetto R, Fortuna L, Fazzino S,etal. Chaotic sequences to improve the performance of evolutionary algorithms [J]. IEEE Transactions on Evolutionary Computation, 2003, 7(3):289-304.

[19]Bartlett P L. Sample complexity of pattern classification with neural networks:the size of the weights is more important than the size of the network [J]. IEEE Transactions on Information Theory, 1998, 44(2):525-536.

Fast fault diagnosis of metro traction control unit based on SaCE-ELM

YUEZhong-qi1,WUTao1,2,GUHong*1

( 1.School of Control Science and Engineering, Dalian University of Technology, Dalian 116024, China；2.CRRC Dalian R&D Co., Ltd., Dalian 116052, China )

Abstract：Metro traction control unit (TCU) plays a key role in the operation of subway. It is important for the normal operation of subway to diagnose the TCU fault timely and effectively. However, the traditional fault diagnosis methods usually have some disadvantages, such as slow learning speed, falling into local optimum easily and poor prediction accuracy. To solve these problems, extreme learning machine based on adaptive differential evolution algorithm (SaCE-ELM) is proposed. The input weights, the implicit layer parameters and the output weights of the extreme learning machine are optimized by adaptive differential evolution algorithm. The variation strategy of differential evolution algorithm is generated by the adaptive mechanism based on chaotic sequence, and other parameters are randomly generated using normal distribution. The output weights of the network are calculated using Moore-Penrose generalized inverse matrix. SaCE-ELM doesn′t need artificial selection of variation strategy and parameters, and its adaptive strategy is simpler than that of SaE-ELM. Experimental results show that SaCE-ELM has better prediction accuracy compared with E-ELM, SaE-ELM, LM-NN and SVM. Moreover, the training time of SaCE-ELM is shorter than that of SaE-ELM and SVM in all experimental datasets,which demonstrates that the efficiency of model generation has been improved.

Key words：traction control unit; fault diagnosis; extreme learning machine; differential evolution algorithm

中圖分類號：U269.9

文獻標識碼：A

doi:10.7511/dllgxb201603008

作者簡介:岳忠奇(1990-)，男，碩士生，E-mail:yzq0058@mail.dlut.edu.cn；顧 宏*(1961-)，男，教授，博士生導師，E-mail:guhong@dlut.edu.cn.

基金項目:國家自然科學基金資助項目(U1560102)；高等學校博士學科點專項科研基金資助項目(20120041110008).

收稿日期：2015-10-21；修回日期: 2016-03-07．

文章編號：1000-8608(2016)03-0270-09