基于代價敏感RBF神經網絡的道岔故障診斷系統

馬艷東，崔能西

（1.河北省科學院 應用數學研究所，石家莊 050081；2.河北省信息安全認證工程技術研究中心，石家莊 050081；3.石家莊精英中學，石家莊 050081）

道岔運行狀態的穩定與否與列車運行安全息息相關。鐵路電務部門從微機監測系統讀取道岔動作電流數據，人工分析判斷道岔運行狀況。隨著列車運行速度與行車密度的不斷提高，這種單純依靠人腦進行故障診斷的手段面臨著越來越嚴峻的考驗。

傳統機器學習分類算法是以每類樣本的誤分類代價相等為前提，以識別準確率為最終目標，進行優化。不同的道岔故障類型對鐵路相關部門帶來的影響（代價）[1-3]有較大的不同。使用傳統分類算法將無法有效處理這些數據。與BP神經網絡（BPNN）相比，RBF神經網絡（R BFNN）[4-5]不僅具有結構簡單、收斂速度快、泛化能力強的特點，還具有優異的函數逼近能力、全局尋優能力。但RBFNN非代價敏感，無法直接應用到道岔故障診斷領域。本文通過建立基于代價敏感RBFNN模型，將基于遺傳算法的RBFNN導向代價最小方向搜索，使其代價敏感化，并成功地將其應用到道岔故障診斷系統中。

1 動作電流分析

道岔動作電流是由微機監測系統在轉轍機搬動道岔時,實時采集電流數值按時間先后順序組合而成的曲線如圖1所示。通過對道岔電流動作曲線不同區段的仔細分析,可對其機械、電氣、狀態、時間等特性有個比較充分的判斷。

圖1 道岔動作電流曲線

曲線1為正常進行道岔搬動操作的道岔動作電流曲線。其他任何與曲線1不同的曲線都是發生某種故障的曲線。不同形狀規律的曲線對應不同類型的道岔故障。例如,曲線2表明道岔在解鎖過程中用時過長；曲線3表明在道岔閉鎖階段的阻力過大；曲線4表明轉轍機處于抱死狀態。道岔故障診斷系統就是通過區分道岔動作曲線所呈現的不同形狀,來辨識其所蘊含的故障信息。

2 基于遺傳算法的代價敏感RBFNN模型

2.1 編碼方案

利用遺傳算法[6]對RBFNN中心與寬度進行優化。ci、Widthi分別為第i個隱含節點的中心向量與寬度。數據維數為Ndim，隱含節點個數為Ncent。代價敏感RBFNN的染色體編碼方案為：每個中心向量與其相對應的寬度組成“中心-寬度數據對”擺放在一起，不同的“中心-寬度數據對”依次排放，如圖2所示。

圖2 染色體編碼方案

2.2 適應度函數

為使傳統RBFNN敏感化，定義適應度函數如下：

其中，tx、ox為樣本x的目標輸出與實際輸出；CV(tx)為將類別為tx的樣本誤分成其它類的代價；分別為網絡在訓練集與測試集上的誤分類代價；α∈[0, 1]平衡因子，負責平衡學習與泛化性能的沖突。

2.3 遺傳算子

2.3.1 最佳保留選擇算子

為保證在遺傳算法搜索結束時得到的最終結果一定是歷次迭代中適應度值最高的個體，本算法將當前種群中適應度最小的個體復制到下一代種群中。

2.3.2 交叉與變異操作

交叉操作采用3點算術交叉方案：（1）以一定概率隨機選擇2個要進行交叉的染色體；（2）隨機選取要交叉的3個位置；（3）針對這2個染色體對應的3個位置的分量，根據下面的公式進行算術交叉。其中，與分別為中心向量X與Y第i個位置分量在第t次迭代時的數值；β∈[0, 1]。

變異操作采用3點變異方案：（1）以一定概率隨機選擇要進行變異的染色體；（2）隨機選取該向量的3個分量；（3）隨機生成3個數，替換染色體的3個分量。

2.4 代價敏感RBFNN的訓練步驟

（1）在參數取值范圍內，隨機生成初始種群；（2）計算種群個體適應度；（3）根據適應度數值，對種群個體由小到大排序；（4）對種群個體，分別以不同的概率進行選擇、交叉、變異、遷移操作；（5）重復步驟（2）～（5），直到達到最大迭代次數，或種群最佳適應度達到閾值。

3 基于代價敏感RBFNN的道岔故障診斷系統

3.1 系統整體設計

該道岔故障診斷系統[7-8]分為離線學習與在線診斷兩個模塊。離線學習模塊將歷史數據按比例隨機拆分成訓練集與測試集；利用訓練集按算法2.4生成代價敏感RBFNN（記為CS_RBF）；在測試集上，判斷網絡的性能表現。如不滿意，則重新拆分歷史數據集，重新訓練網絡。否則，將其參數遷移到實時診斷模塊；實時診斷模塊將接收的實時數據輸入CS_RBF，得到最終的故障類型。道岔故障診斷系統工作原理如圖3所示。

圖3 基于代價敏感RBFNN的道岔故障診斷系統工作原理圖

3.2 算法實現

（1）對歷史數據采用min-max方法，進行標準化；（2）將上述數據集，隨機拆分成訓練集與測試集；（3）用訓練集訓練CS_RBF；（4）計算CS_RBF在測試集上性能表現。如果表現太差，則跳到步驟（2）；（5）將CS_RBF參數拷到在線實時診斷模塊；（6）對實時診斷結果進行判斷。如果診斷正確，則進入下一條數據的診斷流程。否則，將該數據添加到歷史數據集中，轉入步驟（2）。

3.3 仿真實驗

3.3.1 數據集描述

道岔動作電流數據采集自某車站的真實監測數據，經處理形成100維1 050條的數據集，包括啟動電路斷線、外線混線、繼電器接觸不良等12種類型。

3.3.2 實驗方法

在本次仿真實驗中，隨機選擇數據集的70%為訓練數據，用來訓練CS_RBF；其余數據為測試集，用來模擬實時數據以判斷整個模型的最終表現。

CS_RBF采用Matlab工具實現，其相關參數如下：輸入節點數為100；輸出節點數為12；隱含層節點數為52；最大迭代次數為100，子種群數為6，子種群規模為10，交叉率為1，選擇壓力為2，變異概率為1，遷移概率為0.2。

為驗證模型的有效性，與BPNN、標準RBFNN（STD_RBF）、ELM、SVM等分類器對比驗證。選擇分類精度、誤分類代價、誤識率等指標衡量各分類器的表現。其中，N為樣本個數，Nt為分類正確樣本數，Nf2n為故障樣本分類成正常樣本數，Nf為故障樣本數。

3.3.3 實驗結果

依據各類型道岔故障給鐵路部門所造成的損失大小，電務專家根據經驗，給定誤分類代價向量CV=[144377648454]。

（1）適應度函數對算法搜索方向的影響

為驗證適應度函數能否將搜索方向導向網絡誤分類代價最小方向，隨著迭代次數的增加，分別記錄表明種群整體性能的種群適應度均值與代表最優個體的適應度的值。如圖4所示，隨著迭代次數的增加，種群總體與個體表現都在不斷提高。這說明該適應度函數起到了對搜索方向的監督作用，能夠使種群向代價最小的方向搜索。

圖4 最優解與種群均值的變化情況

（2）實驗結果

實驗結果如表1所示。由表1可知，在分類精度、誤分類代價、誤識率等指標上，STD_RBF的表現要好于ELM、SVM、BPNN等分類器。相對于STD_RBF，CS_RBF可保證在分類精度基本不變的情況下，網絡的誤分類代價與誤識率都有明顯提高。這說明CS_RBF不論是在識別精度，還是誤分類代價與誤識率上，都有著較大程度的提高。

表1 實驗結果

4 結束語

針對道岔故障誤分類代價不同，且難以實時、快速、準確地進行人工診斷這一現實，建立基于代價敏感RBFNN的道岔故障診斷系統。利用某站監測數據進行驗證，證明該系統不僅能夠獲得比BPNN、ELM、SVM與標準RBFNN更高的識別精度，還在網絡的誤識率與誤分類代價等指標上有著優秀的表現。本系統可幫助維護人員快速、準確地對道岔故障進行診斷，降低故障誤分類的損失，減少故障處理時間，提高鐵路行車的安全性。本系統已經在某電務段投入試運行，現場反應良好。

[1]陳振東，肖先勇，李長松，等.基于代價敏感極限學習機的電力系統暫態穩定評估方法[J].電力自動化，2016，36（3）：118-123.

[2]付忠良.多標代價敏感分類集成學習算法[J].自動化學報，2014，40（6）：1075-1085.

[3]廖元秀，周生明.誤差在Cost-Sensitive分類中的應用[J].廣西師范大學學報：自然科學版，2011，29（2）.

[4]Friedhelm Schwenker，Hans A.Kestler，Günther Palm.Three learning phase for radial-basis-function networks[J].Neural networks 14 (2001) 439-458, 18 December 2000.

[5]段錄平，周麗娟，王 宇.基于RBF神經網絡的在線分類挖掘系統[J].鐵路計算機應用，2007，16（3）：40-42.

[6]葛繼科，邱玉輝，吳春明，等.遺傳算法研究綜述[J].計算機應用研究，2008，25（10）：2911-2916.

[7]梅 歡，馬艷東，單九思，等. 基于樣條插值與RBF網絡的道岔故障診斷系統[J]. 計算機技術與發展，2017，27（5）：160-163，169.

[8]李雅美，魏文軍.基于模糊神經網絡的道岔故障診斷系統研究[J].鐵路計算機應用，2012，21（1）：35-39.