基于改進BP神經網絡的S700K轉轍機控制電路故障診斷研究*

成利剛

（五邑大學軌道交通學院，廣東 江門 529000）

基于改進BP神經網絡的S700K轉轍機控制電路故障診斷研究*

成利剛

（五邑大學軌道交通學院，廣東 江門 529000）

針對S700K型轉轍機控制電路故障定位和檢測精度不高，故障延時長的現狀，通過分析于S700K轉轍機啟動電路和表示電路的故障的特點，建立了基于改進BP神經網絡的故障診斷模型，有效的解決了網絡容易陷入局部最小值和收斂速度慢的缺點。通過測試，表明了該方法的有效和準確判斷S700K轉轍機控制電路的故障位置，效果良好，能夠滿足軌道交通現場的實際需求。

BP神經網絡；S700K型轉轍機；控制電路；故障診斷

近年來，軌道交通發展迅猛，作為保證列車安全高效運行的信號系統面臨著嚴峻的挑戰。S700K型轉轍機廣泛的應用于軌道交通的道岔控制，當其發生故障，則列車將無法按照預定徑路安全的在線路上運行，輕則造成列車晚點，重則導致列車發生傾覆、掉道等安全事故。當道岔控制系統發生故障時，如何準確定位故障位置和類型，對于及時的排除故障，減少故障延時，保證列車運行安全，提高軌道交通的運輸效率意義重大。對于S700K型轉轍機控制電路的故障診斷仍舊停留在依靠工作人員的個人工作經驗和簡單儀表進行檢測的階段，處理故障困難，故障延時較長。

AtamuradovV等人基于動態時間規劃模型建立了道岔故障診斷專家系統，檢測道岔故障［1］；RobertsC等人通過檢測道岔的轉速、壓力等相關參數，建立了多項式模型函數實現故障診斷［2］。翟永強等人通過建立貝葉斯網絡，實現對道岔啟動及表示電路的故障診斷［3］。趙林海等人基于道岔轉轍機典型故障下的動作功率曲線變化規律，提出一種基于灰關聯的道岔故障診斷方法［4］。

1　BP神經網絡的算法及改進

1.1BP神經網絡的算法

BP（BackPropagation）神經網絡是一種多層前饋神經網絡。其由輸入層、若干隱含層和輸出層組成，如圖1所示，為典型的三層BP神經網絡拓撲結構。BP網絡的學習過程由信息的正向傳播和誤差的反向傳播兩個過程組。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層負責信息變換，輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段，不斷調整權值和閾值，直到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止［5］。

圖1　BP神經網絡結構示意圖

BP神經網絡中，第k層j個神經元的輸入輸出關系可表達為：

其中，wij（k-1）為第k-1層中第i個神經元與第k層j個神經元的連接強度；bj（k）為對應神經元閾值；fj（k）第k層j個神經元的傳遞函數，BP神經網絡，是取各神經元的傳遞函數為：

1.2BP神經網絡的改進

BP神經網絡算法在迭代計算的過程中，采用梯度下降法，容易使權值陷入局部極小值。而且由于學習速率是固定的，因此網絡的收斂速度慢，需要較長的訓練時間。為了解決這些問題，對其進行改進。

1）采用附加動量法來解決局部極小值問題。在本次誤差計算所得的權值調整量上加上前一次權值調整量的一部分，即：

其中，wij（k-1）（t）為當前權；wij（k）（t+1）為修正后的權；δhj（k）為誤差傳遞項；α為動量因子；η為學習速率

2）采用自適應的學習速率，根據誤差變化而自動的調節學習速率，從而增加算法的穩定性，提高其收斂速度。自適應的學習速率為：

其中，e（t）為第t步的誤差。

2　S700K型轉轍機控制電路分析

S700K型轉轍機控制電路，如圖2所示，主要包含RD1、RD2、RD3、RD4熔斷器，BD表示變壓器，1DQJ、BHJ、2DQJ、1DQJF、DBQ、TJ、DBJ、FBJ 繼 電器。采用五線制控制，每線電阻應小于54Ω，X1、X2、X5為定位啟動線；X1、X3、X4為反位啟動線；X1、X2、X4為定位表示線；X1、X3、X5為反位表示線［5，6］。

圖2　S700K型轉轍機控制電路

S700K型轉轍機控制電路故障，一般分為啟動電路故障和表示電路故障：

1）啟動電路故障：

a．1DQJ勵磁或自閉電路故障；

b．2DQJ電路故障；

2）表示電路故障

a.定位表示電路故障；

b.反位表示電路故障。

2.1啟動電路分析

啟動電路主要是為了接通或斷開轉轍機電機電路，控制轉轍機動作的電路，主要包括1DQJ勵磁與自閉電路，2DQJ轉極電路，單獨操縱道岔，定位向反位轉換時的控制電路動作過程：

1）1DQJ勵 磁 吸 氣 ；KZ→CA61-62→SJ81-82→1DQJ3-4→2DQJ141-142→AJ11-12→KF-ZFJ；

2）1DQJF勵磁吸氣；KZ→1DQJF1-2→TJ33-31→1DQJ31-32→KF；

3）2DQJF轉極；KZ→1DQJF41-42→1DQJ1-2→AJ11-12→KF-ZFJ；

電動機得電過程如圖3所示。

圖3　反位起動電路簡化圖

反位啟動電路故障電氣特性參考值，如表1所示，S700K型轉轍機啟動電路典型故障主要有：（1）A1為1DQJF21-22接點接觸不良；（2）A2為X3室內斷線；（3）A3為X3室外斷線；（4）A4為1DQJF11-12接點接觸不良；（5）A5為X4室內斷線；（6）A6為X4室外斷線；（7）A7為1DQJ11-12接點接觸不良；（8）A8為X1室內斷線；（9）A9為X1室外斷線；（10）A10為X2室內斷線；（11）A11為X2室外斷線；（12）A12為X5室內斷線；（13）A13為X5室外斷線。

B3為 1DQJF11—1DQJF21間交流電壓；B2為1DQJ11—1DQJF21間交流電壓；B1為1DQJ11—1DQJF11間交流電壓；B4為X1、X3間交流電壓；B5為X1、X4間交流電壓；B6為X3、X4間交流電壓。

表1　反位啟動電路故障電氣特性參考值

2.2表示電路典型故障分析

表示電路是指將道岔所處的位置和狀態通過電路傳遞到信號樓并顯示，包括定位表示電路和反位表示電路，在此，僅以反位表示電路進行分析，其反位表示電路簡化圖如圖4所示：

圖4　反位表示電路簡化圖

DJZ220→熔斷器RD4→表示變壓器→R1→1DQJ23-21→2DQJ131-133→1DQJF23-21→2DQJ121-123→分線盤X3→21-22接點→45-46接點→電阻R→二極管Z→24-23接點→電機線圈→分線盤X1→1DQJ11-13→表示變壓器→DJF220。

二極管與FBJ的接通公式為：

FBJ線圈端子1→1DQJF23-21→2DQJ121-123→分線盤X3→21-22接點→45-46接點→電阻R→二極管Z→24-23接點→電機線圈→41-42接點→分線盤X5→FBJ線圈端子4。

S700K型轉轍機表示電路典型故障主要有：（1）A14表示正常電壓；（2）A15表示FBJ短路；（3）A16表示室外混線；（4）A17表示電源故障或室內公共部分斷線；（5）A18表示R1短路；（6）A19表示二極管短路；（7）A10表示X5室內斷線；（8）A21表示X5室外斷線；（9）A22表示X3室內斷線；（10）A23表示X3室外斷線；（11）A24表示X1室外斷線；（12）A25表示整流匣短路。

C1表示FBJ繼電器1-4端電壓；C2表示R1兩端電壓；C3表示X1、X3間電壓；C4表示X1、X5間電壓；C5表示X3、X5間電壓。反位表示故障時的部分電氣特性參考值，見表2。

表2　反位表示故障時的部分電氣特性參考值

3　網絡訓練與測試

S700K型轉轍機控制電路，由表1知，其啟動電路監測參數為6種；由表2知，其反位表示電路的監測參數有10種。因此，BP神經網絡的輸入層神經元數M為16；啟動電路和反位表示電路的故障類型共有25種，因此，BP神經網絡的輸出層神經元數L為25。基于Matlab工具箱，建立BP神經網絡模型算法，設置學習率為0.05，動量系數為0.9，最大訓練次數為5000，將歸一化的若干樣本進行訓練。訓練過程收斂速度快，誤差小，如圖5所示，為訓練目標為0.001的誤差曲線，可看出網絡在經過10次訓練后，網絡的性能達到要求。

圖5　訓練目標為0.001的誤差曲線

將待測的歸一化樣本進行測試，實際值與理想值的誤差對比，如圖6所示，最大誤差為.0.1275，這說明，針對S700K星轉轍機控制電路建立的BP神經網絡模型很好地表達了控制電路故障和各個影響因素之間的內在聯系與規律。

圖6　實際值與理想值的誤差對比

4　結束語

本文針對S700K星轉轍機控制電路故障定位和檢測精度不高，故障延時長的現狀，通過分析于S700K轉轍機控制電路的特點，建立了基于BP神經網絡的故障診斷模型，并對其容易陷入局部最小值和收斂速度慢的缺點進行了改進。測試結果表明了該方法的有效性和準確性，效果良好，能夠滿足軌道交通現場的實際需求，并且對ZYJ7型電液轉轍機、ZD6星電動轉轍機控制電路的故障診斷有一定的借鑒意義。

［1］AtamuradovV，CamciF，BaskanS，etal.Failurediagnosticsfor railwaypointmachinesusingexpertsystems［C］，Diagnostics forElectricMachines，PowerElectronicsandDrives，2009. SDEMPED2009.IEEEInternationalSymposiumon.IEEE，2009∶1-5.

［2］RobertsC，DassanayakeHPB，LehrasabN，etal.Distributed quantitativeandqualitativefaultdiagnosis∶railwayjunction casestudy［J］.ControlEngineeringPractice，2002，10（4）∶419-429.

［3］翟永強.貝葉斯網絡在道貧控制電路故障診斷中的應用研究［D］.蘭州交通大學，2012.

［4］趙林海，陸橋.基于灰關聯的道岔故障診斷方法［J］.鐵道學報，2014，36（2）∶69-74.

［5］施彥，韓力群，廉小親.神經網絡設計方法與實例分析［M］.北京∶北京郵電大學出版社，2009∶17-29.

［6］孫啟發.S700K道岔轉換與鎖閉設備原理及維護知識［M］.北京∶中國鐵道出版社，2001∶14-56.

［7］董玉峰，譚麗.S700K轉轍機控制電路故障的智能分析與定位［J］.計算機測量與控制，2014，22（4）∶991-994.

U216.3

江門市基礎與理論科學研究類項目，項目編號：20150030004128。