基于主元分析- 概率神經網絡的車輛受電弓故障診斷*

王 宇 劉若晨

（江蘇理工學院交通運輸系，213001，常州∥第一作者，助教）

受電弓的可靠性直接影響城市軌道交通車輛的安全運行。目前的人工定期檢修維護受電弓的方式已不能滿足城市軌道交通發展需求，迫切需要新的受電弓診斷檢修方法。同時，在受電弓日常檢修中，存在大量過程數據及故障數據未被深度挖掘，這些數據可為檢修決策提供指導。

隨著人工智能技術的發展，設備故障診斷技術也在快速發展。文獻［1］采用蛙跳算法和過程神經網絡結合的方法對推油機進行故障診斷。文獻［2］將自適應模糊神經網絡應用于發動機的故障診斷研究。文獻［3］基于高斯RBF（徑向基函數）神經網絡建立了軌道交通車輛齒輪箱故障診斷模型。文獻［4］以模糊理論及自適應網絡為基礎搭建了城市軌道交通車輛牽引供電系統故障診斷模型。文獻［5］以聚類分析為基礎，對高速鐵路信號故障進行聚類集成、特征選取，從而實現診斷。小波包絡及貝葉斯網絡等方法也被應用到鐵路車輛設備故障診斷中［6-9］。上述文獻的方法為城市軌道交通車輛受電弓的故障診斷提供了思路。文獻［10］通過片段跟蹤算法實現對受電弓系統的狀態進行監測。文獻［11］基于電動機電流及受電弓工作距離的監測對受電弓碳滑板磨耗量進行預測估計，實現提前維護。文獻［12］提出了基于BP（反向傳播）神經網絡的受電弓接觸線磨損及應變估計診斷模型。但上述診斷方法需利用在線監測數據進行故障診斷，而目前尚未有相關在線監測設備能夠提供城市軌道交通車輛受電弓的在線監測數據，同時在日常檢修過程中存在大量故障及檢修數據均未得到合理利用的情況。本文引入主元分析法對檢修過程數據進行預處理，在此基礎上建立概率神經網絡模型，將主元分析與概率神經網絡相結合進行受電弓的故障診斷，為檢修決策提供建議。

1 受電弓工作原理及故障分析

本文選用上海軌道交通某線路車輛單臂式氣動受電弓為對象進行分析。該受電弓主要由弓頭、上支架、平行導桿、液壓減振動器、下支架、連接桿、氣動設備、最低位置傳感器、底架等組成，如圖1 所示。

圖1 單臂式氣動受電弓結構圖

城市軌道交通車輛受電弓升起后與架空接觸網接觸，從接觸網獲取電流并傳遞給車輛電氣系統。電流由接觸網流入到弓頭，依次經過上臂桿、下臂桿流入底架，最后經連接板、車頂母線進入車輛電氣系統。

升弓操作時，啟動空氣壓縮機，當達到受電弓的額定工作氣壓時，按下升弓按扭，壓縮空氣由電磁閥、控制箱進入空氣彈簧，氣動設備推動鋼絲繩帶動下臂桿運動，托起受電弓上臂桿，弓頭平穩運動升至接觸網高度，完成升弓。

降弓時，受電弓控制箱將空氣彈簧中的壓縮空氣釋放之后，在重力作用和液壓減振器的輔助下，受電弓平穩落位至底架上的橡膠止擋，完成降弓動作。

根據對該型號受電弓日常檢修維護記錄的總結分析，結合單臂式氣動受電弓的故障模式及其機理分析，可將受電弓的故障形式歸納為受電弓不能升起、狀態顯示不匹配、弓網拉弧、受電弓部件受損、受電弓無法響應5 種類型。

2 受電弓狀態數據的采集與預處理

2.1 受電弓狀態數據的采集

考慮因線路條件不同而引發不同故障情況的因素，以及車輛檢修長時間積累的大量故障數據資源不能得到充分利用，本文以受電弓結構、工作原理、故障模式及失效機理為基礎，選取均日常運營狀態數據（如平均時速、運行里程、工作電流、最大升弓高度等）以及均衡檢修中的過程數據（如碳滑板的磨損量、分流導線狀態、弓網接觸壓力等）中18 個特征參數向量X=［x1，x2，…，x18］作為初始數據，如表1 所示。

表1 受電弓初始特征參數

2.2 主元分析法

由于采集的受電弓初始狀態數據涉及參數變量較多，本文選用主元分析法對其進行降維處理。

主元分析（PCA）法是一種用相對較少但攜帶信息足夠的特征變量來反映多個相關變量的轉化方法［14］。在保證診斷正確率的前提下，對冗余和噪聲進行剔除，進而實現原始特征數據變量的降維，減少診斷耗時，提高診斷效率。計算過程如下：

1）構建原始變量矩陣X0∈R。矩陣的行xi對應原始數據樣本，矩陣的列xj則對應不同的被測量。由于初始數據的量綱不同會導致變量結果分散嚴重，因此需對觀測樣本進行標準化處理。

2）對處理后的矩陣X0進行協方差求解，即進行相關系數矩陣R 的計算。即：

式中：

rjk——標準化后變量xj和xk的相關系數矩陣；

xki——矩陣第i 行第k 個向量。

4）將特征向量轉化為主元元素，計算主元貢獻率及累計貢獻率。

式中：

Tj——第j 主元，代表矩陣X 在對應主元特征向量上的投影，對應的覆蓋范圍越大，其投影長度會越長。若主元Tj遞減，則I1即為覆蓋信息程度最廣的方向。

5）計算累計貢獻率α。

式中：

λj——j 主元特征值；

λs——s 主元特征值；

λk——k 主元特征值。

一般而言，累計貢獻率α 達到85%主元即認作是包含絕大部分主要信息的主元元素。

2.3 基于主元分析的狀態數據預處理

在初始采集數據中，支架狀態、絕緣子狀態、氣缸狀態、分流導線狀態、絕緣軟管狀態、升弓彈簧狀態及繼電器狀態若處于損傷、裂紋或失效狀態下則記為“0”，無損狀態記為“1”。平均時速、運行里程、最大升弓高度、升落弓時間、碳滑板磨損、升弓壓力、最低位置傳感器電流、工作電流、弓網接觸壓力等由于變量涉及量綱之間差異較大，采用歸一化對初始數據進行處理，最后對18 個特征參數進行主元分析，得到對應各主元的參數變量為X=［x1，x2，.…，x18］。各主元貢獻率由大到小排列如表3。

表2 各屬性主元貢獻率

由表3 可知，12 個主元即可包括99.18%的參數特征信息。因此，本文依據主元分析法將18 個特征變量X′降維至12 個。新的特征變量為X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］。各主元貢獻率變化如圖2 所示。

圖2 各主元貢獻率

3 基于概率神經網絡的受電弓故障診斷

將經主元分析預處理后的特征變量X1輸入到概率神經網絡模型中進行訓練與測試，對受電弓狀態進行判定。

3.1 概率神經網絡

不同于傳統BP 神經網絡，概率神經網絡（PNN）是一種以指數函數作為激活函數的前饋神經網絡。以貝葉斯決策和密度函數估計理論為基礎［15］，共包括輸入層、模式層、求和層及輸出層4 個部分［16］。網絡結構如圖3 所示。

圖3 概率神經網絡結構圖

數據樣本的原始特征參數以x 的形式由輸入層輸入，與權值wi相乘，得標量值zi，并將所得結果輸入到模式層。

模式層中的神經元節點數目取決于對應輸入樣本數，且每個神經元節點包含一個中心。以函數exp［（zi-1）］/σ2為激活函數，模式層中第i 個樣本的第j 個神經元所對應的輸入輸出關系為：

式中：

σ——平滑因子；

p——數據樣本的維度；

zij——第i 個樣本第j 個中心；

Φij——模式層i 樣本的第j 神經元對應的輸出。

在求和層中，分類類別數目與神經元個數相對應。在本文中對應于5 種故障狀態和正常情況。求和層對模式層中同類別的隱含神經元輸出取加權平均，求得其概率密度。即：

式中：

L——第i 神經元的數目；

fi——概率密度輸出。

最后根據貝葉斯決策的分類規則，各類別對應概率的評估，將最大后驗概率類別作為輸出類別由輸出層輸出。

3.2 受電弓故障診斷

本文以日常檢修過程數據及故障數據樣本中的123 組數據為訓練樣本，40 組數據為測試樣本，對受電弓的正常狀態和5 種故障狀態進行模型診斷訓練和測試。每種狀態的樣本數目如表3 所示。

表3 不同受電弓狀態的樣本數 單位：組

圖4 為未降維的特征變量輸入概率神經網絡模型后的診斷結果。

圖4 PNN 診斷結果

將降維后的特征變量X1=［x6，x18，x10，x11，x3，x17，x14，x4，x5，x1，x15，x12］代入概率神經網絡故障診斷模型中，所得結果如圖5 所示。

降維前后PNN 和PCA-PNN 診斷模型結果差異對比見表4。

由表4 可見，未經主元分析降維處理的PNN 的診斷模型診斷耗時5.38 s，診斷正確率為85%。包含12 個主元的PCA-PNN 診斷模型的診斷時長為2.93 s，診斷正確率達到95%，很大程度上提高了模型的診斷正確率。因此，通過主元分析對初始數據進行降維預處理不僅可以減少診斷耗時，在一定程度上還可提高模型的診斷正確率。研究受電弓系統時，可選取主元分析法和概率神經網絡相結合的方法進行故障診斷，準確率高且耗時短。

4 結論

1）采用主元分析法對原始特征參數進行降維，降維后的特征參數可包含絕大部分原始信息，有效緩解了原始樣本數據維數過高的問題。

2）針對本文研究的受電弓系統故障診斷，PNN診斷模型診斷正確率為85%，PCA-PNN 診斷模型診斷正確率為95%，經過主元分析降維處理后的診斷模型正確率明顯高于直接使用概率神經網絡進行診斷的模型。

圖5 PCA-PNN 累計貢獻率99.68%診斷結果

表4 特征變量降維前后診斷結果對比

通過主元分析法對城市軌道交通車輛受電弓檢修及故障數據的處理，結合概率神經網絡模型進行故障診斷，提高了診斷的正確率，解決了城市軌道交通車輛受電弓故障診斷的問題，為檢修決策提供參考，同時也為復雜系統的故障診斷提供思路。