基于IBOA-PNN的道岔控制電路故障診斷方法

宋 丹，汪 浩

(中車青島四方車輛研究所有限公司，山東 青島 266011)

1 概述

目前諸多學者將智能算法應用在道岔故障診斷領域，且取得了較好的診斷效果。文獻[1]提出一種基于灰關聯的道岔故障診斷方法，該方法準確率較高，但其主觀性強，最優值難以確定。文獻[2-3]提出一種基于BP神經網絡的道岔故障智能診斷算法，診斷效果好，但算法陷入局部極值，易導致網絡訓練失敗。文獻[4]建立一種基于BP神經網絡和模糊綜合評判的決策級融合診斷系統，對S700K轉轍機進行故障診斷，該方法診斷正確率高，但算法復雜度高。文獻[5]結合粗糙集與灰色理論，通過預測電流特征實現S700K轉轍機故障診斷，該方法故障診斷精度高，可操作性高，更具實用性，不足之處是不適用于數據量多的情況。文獻[6]將灰色關聯分析和神經網絡技術相結合，實現S700K轉轍機的故障診斷，該方法有效提高了故障識別率，但診斷精度仍有待提高。上述智能診斷方法以及現下的一些智能診斷方法雖都能診斷出道岔故障范圍，但仍存在類似算法復雜度高、診斷精度低、診斷時間長的一些不足。

針對以上不足，本文提出一種IBOA-PNN方法對道岔控制電路進行故障診斷，該方法能降低算法復雜度并對其存在的不足進行改進。仿真結果表明，改進的算法避免陷入局部最優和訓練過程中的震蕩，且算法復雜度低、診斷精度高。

2 道岔控制電路及故障分析

2.1 道岔控制電路

本文以S700K型轉轍機控制電路為研究對象，利用本文提出的IBOA-PNN算法對其進行故障診斷。S700K轉轍機道岔控制電路結構如圖1所示。

圖1 S700K轉轍機道岔控制電路Fig.1 S700K switch machine switch turnout control circuit

2.2 故障分析

S700K道岔電路故障主要是由電阻開路或短路、配線電纜斷線和表示繼電器開路(定位)等引起的電氣故障。常見的電氣故障及其電氣特征如表1所示。

3 IBOA-PNN故障診斷模型

3.1 BOA算法簡述

BOA算法[7]是Arora等人于2018年提出的一種新型智能優化算法，其算法簡單、收斂速度快、尋優精度高。算法思想來源于蝴蝶覓食、尋偶行為過程。每只蝴蝶會產生一定強度的香味傳播到被其他蝴蝶感覺到的地方，當感受到此香味，便會向其移動并散發更多香氣，從而交互個人信息；若無法感知香味，則隨機游走。感知強度與尋優適應度有關，且決定其大小，隨著蝴蝶位置的變化而變化。

表1 S700K道岔控制電路故障時電氣特征Tab.1 Electrical characteristics of S700K turnout control circuit failure

數學描述簡述如下：

1）初始化階段。設N維搜索空間中，利用公式（1）隨機生成m個初始解：

公式（1）中，i=1,2,…,m,xi為蝴蝶i的空間位置；Ua、Lb分別為搜索空間的上、下界。r表示[0,1]之間的隨機數。

2）定義目標函數。BOA利用公式（2）描述香味的感知強度。

公式（2）中，x=(x1,x2,…,xn)，c為感官形態系數；I為刺激強度；a為強度指數系數。c、a的取值影響BOA的尋優能力。

3）迭代階段。BOA通過全局搜索策略和局部搜索策略利用迭代次數獲得最優解，并利用切換概率p決定BOA所選擇的搜索策略。

全局搜索策略描述如下：

局部搜索策略描述如下：

公式（3）、（4）中，xik、xjk、xtk分別為第k次迭代蝴蝶i、j和t的位置；g*為當前迭代群體最佳位置；fi為蝴蝶i的適應度值。

3.2 改進BOA算法

類似其他智能算法，BOA也存在易陷入局部最優和收斂速度慢的不足。目前對其有幾種改進方式，例如引入混沌映射、提出動態自適應慣性權重和擾動策略、改進遷移及調整算子以及提出改進離散蝴蝶優化算法等。

以改進后的算法復雜度低且能實現最佳診斷為目標，本文對公式(2)中的強度指數系數a的取值進行改進。當a=1時，蝴蝶香味以相同容量被感知；當a=0時，香味不能被感知分析。感官形態系數c的取值由待優化目標的特殊性決定。通過驗證，當c=0.01，a采用下式動態更新時，BOA能獲得更佳的尋優性能。

公式（5）中，amax、amin分別為a的最大、最小值。本文amax=0.02，amin=0.01；k、kmax分別為迭代次數及其最大值。

3.3 IBOA優化PNN的可調參數

PNN以徑向基(RBF)神經網絡為基礎，采用貝葉斯最小風險準則，廣泛應用于模式分類問題[8]。其網絡在學習過程中不需要訓練，比BP神經網絡等操作更簡單、魯棒性更高。

模式層：計算輸入向量與訓練集間關系，輸出為公式（6）：

公式（6）中：Wi為第一、二層間的權值；S為平滑因子。

求和層：將屬于某故障類型的概率累加，由公式(6)得到概率密度函數；

輸出層：輸出每個神經元對應的故障類型。可表示為：

公式（7）中：Xni為故障模式n的第i個訓練向量；m為故障模式n的訓練樣本數目。

IBOA優化PNN可調參數的過程如下：

對比酶聯免疫法與膠體金法檢測假陽性率，18例陽性標本經市艾滋病確診實驗室確認后，17例為HIV感染者，酶聯免疫法檢測假陽性率為0%，膠體金法檢測假陽性率為5.56%。通過比對可以看出 酶聯免疫法準確性相對更高，膠體金法敏感性更好。

1) 設置IBOA種群規模sizeb，切換概率p、參數c、amax、amin、k和算法終止條件；將平滑因子S作為蝴蝶種群粒子。

2) 對蝴蝶位置、速度進行初始化。

3) 計算適應度值，以PNN的輸出誤差作為適應度函數，記為f。

4) 若蝴蝶f優于以前任一時刻的f，則以該f作為個體極值；若該蝴蝶的f優于以前所有蝴蝶的f，則將該f作為群體極值。

5) 更新蝴蝶的位置與速度。

6) 判斷終止條件，若達到則輸出最優S訓練IBOA-PNN模型后轉7)，否則轉2)繼續執行。

7) 將測試數據進行歸一化處理后，輸入到已訓練好的IBOA-PNN模型中，以檢驗模型的診斷準確率和泛化能力。

4 仿真實驗與結果分析

4.1 數據處理

因為道岔控制電路故障診斷特征值數量級不同，為避免IBOA-PNN模型訓練過程中出現病態矩陣，同時使程序加快收斂，因此對訓練和測試樣本進行歸一化預處理[9]。具體如公式(8)所示。

公式（8）中：Y為歸一化后的數據，X為原始數據。處理后的數據位于[0,1]區間。

采集500組道岔控制電路故障數據，其中，300組訓練樣本，200組測試樣本；一個樣本點為8維。部分歸一化樣本數據以及故障類型如表2所示。

表2 部分歸一化樣本數據Tab.2 Partial normalized sample data

其中，P1～P8為道岔控制電路故障特征向量，將其作為系統輸入，P1～P8分別為：具體如表1中所示參數：X1～X2的交流電壓；X2～X4的交流電壓；X1～X2的直流電壓；X2～X4的直流電壓；R1兩端的交流電壓；R1兩端的直流電壓；繼電器1～4線圈交流電壓；繼電器1～4線圈直流電壓。F1～F8為道岔控制電路的故障類型，將其作為系統輸出，F1～F8分別為：X1開路；X2開路；R開路；Z開路；Z擊穿；R1開路；R短路；繼電器開路。

4.2 診斷流程

具體IBOA-PNN的道岔控制電路故障診斷流程如圖2所示。

在診斷過程中，需要注意以下幾個問題。

1) 輸入變量

輸入量對輸出影響大且相關性很小、能夠檢測。考慮到運算復雜度，輸入量常取5～8個為宜。本文選擇P1～P8為輸入變量構造特征向量。

圖2 道岔控制電路故障診斷框架Fig.2 Fault diagnosis framework of turnout control circuit

圖3 IBOA-PNN算法診斷結果Fig.3 IBOA-PNN algorithm diagnosis results

2) 參數設置

選擇合適的參數可以加速算法收斂，提高IBOAPNN模型的故障診斷準確率。本文個別參數經過多次仿真驗證后具體設置為：c=0.01；amax=0.02；amin=0.01；p=0.8；kmax=20；sizeb=15。

由于迭代次數過多或過少都會對實驗結果的精度造成影響，分別在5～100次迭代下，利用Matlab對本文算法故障診斷準確率的變化進行仿真分析。經過仿真，在迭代次數為20、蝴蝶數目為15時，診斷效果最佳，達到100%。具體診斷情況如圖3所示。并在同種參數下，將本文算法與較為典型的PSO-PNN算法的診斷效果進行對比，如圖4所示。其算法對應的適應度曲線分別如圖5、6所示。

從圖3可以看出， IBOA-PNN算法能最大程度正確識別各種故障狀態，診斷準確率達到100%，達到預期效果。如圖5所示，平均適應度曲線由發散狀態趨于收斂，說明算法進行順利，最終與最佳適應度曲線趨于擬合，說明算法達到成熟，最佳適應度值為0，此時最佳參數S=1.429 9。與圖4所示的PSO-PNN算法進行對比，其在多種故障類型下都發生一次或多次誤診斷，其最佳適應度為0.053 0，參數S=1.531 5。

圖4 PSO-PNN算法診斷結果Fig.4 PSO-PNN algorithm diagnosis results

圖5 IBOA-PNN適應度曲線Fig.5 IBOA-PNN fitness curve

5 結論

針對道岔控制電路常見故障模式所對應的功率曲線，提出基于改進IBOA-PNN的道岔故障診斷方法。

圖6 BOA-PNN算法適應度曲線Fig.6 PSO-PNN fitness curve

改進后的BOA-PNN模型，使分類更加準確，誤判率更低，進一步提高道岔控制電路的故障診斷準確率。

從仿真結果上看：該故障診斷算法的診斷準確率達到100%。針對目前高速鐵路提速道岔區段，采用的轉轍設備包括 S700K 型、ZDJ9 型、ZYJ7等類型轉轍機，控制電路原理基本相同，對其進行故障分析、診斷和處理的方法也基本一致，故可將該方法應用到其他型號轉轍機上，同時在故障診斷領域也有著良好的應用前景。