基于自學習算法的電纜綜合診斷故障自動感知系統

譚云

（昌九城際鐵路股份有限公司，江西南昌 330001）

鐵路信號系統是一個復雜的控制系統，故障現象也具有多種特點。一些故障往往具有隨機性和模糊性的特點，增加了故障診斷的難度。因此，利用現代技術研究一種故障診斷方法，對保證鐵路運輸安全具有重要意義。

對此，文獻[1]提出基于混沌序列的電纜故障在線同步診斷方法。將其獨特的自相關性用于單根故障診斷中；再根據混沌序列數量多的優勢實現復雜電纜的故障診斷。文獻[2]在動態自適應模糊Petri網基礎上完成電纜故障診斷。以電纜故障診斷的通用模糊Petri 網模型為基礎，采用BP 神經網絡方法對該模型中的參數進行學習與訓練，避免人為因素造成誤差，最后通過Petri 網模型對電纜進行故障診斷，提高系統中模糊知識更新適應程度。

但是以往的研究中，由于外部干擾因素較多，這些特征會衰減、消失或重合，所以很難獲得全面的特征信息，導致診斷結果不夠全面。為此，該文在自學習算法的基礎上設計一種電纜綜合診斷故障自動感知系統。自學習既可以對已知樣本進行系統參數調節，使其符合問題求解需要，又可以對新樣本進行學習，提高其環境適應性，對故障診斷感知系統更為關鍵。

1 系統設計

1.1 模糊基函數網絡建立

由于電纜故障具有模糊特性，因此構建模糊基函數網絡[3]，綜合分析如下模糊規則組成的模糊系統：

其中，H為模糊基函數數量，ωi代表輸出層權重。

上述構建的模糊基函數網絡具備較好的非線性函數逼近特征[4]，可以直接結合輸入與輸出來獲取系統動態行為，彌補診斷數據不足的問題，可更好地體現系統行為特性。

1.2 新增樣本下模糊基函數自學習故障診斷

由于上述網絡的學習過程與工作過程是分離的，為避免發生“突然遺忘”事件，則訓練樣本集合必須包含全部舊樣本與新增樣本。但隨著時間的推移，樣本規模逐漸增大，訓練難度也隨之提高。為解決這一問題，提出新增樣本的模糊基函數自學習策略。

1）模糊基函數網絡中心與半徑學習

將基函數網絡中心當作原始中心，對所有新增樣本作一步迭代[5]，不但能降低舊中心遺忘速度，還能避免網絡出現重新學習現象，提高了學習效率，滿足了自動感知需求。第i個網絡單元中，中心矢量新增的第N個元素可利用下述公式遞推獲得：

其中，α與β分別表示自學習算法中獲勝與非獲勝單元的學習率，且滿足0<α<1，0<β<1，Ci為第i個網絡單元表示的數據類型。

則第i個模糊基函數網絡單元的新半徑計算公式為：

2）新增樣本理想輸出確定

利用新樣本的理想輸出來反映網絡已經學習到的故障分布信息，因此引入具有遺忘因子的加權平均方法[6]。分析某故障類FC，假設此類故障存在P個樣本的加權平均中心，則表示為：

式中，Xi(i=1,2,…,P)代表樣本矢量，P是樣本個數，λ表示遺忘因子，λ∈( 0.95,1) 。則加權協方差矩陣表示為：

針對已知樣本Xj，其期望值輸出可通過以下正態型多元模糊分布獲取[7]：

公式中，dj表示Xj和故障類中心vP之間的距離，k屬于正常數，可以調節樣本的理想輸出。一般情況下，離vP最遠樣本的可能輸出為μj=0.5。

3）樣本均值與協方差矩陣的遞推運算

直接計算存在遺忘因子樣本的均值與協方差，必須已知全部故障樣本，導致計算量較大。因此，文中提出了一種迭代計算方式。

假設m個原始樣本的均值與協方差矩陣分別表示為Om與∑m。新加入Xm+1個樣本后，則有：

利用式（10）～（13）即可完成遺忘因子樣本的均值Om+1與協方差矩陣∑m+1的遞推運算，獲得樣本中全部故障可能性分布信息，并在此基礎上形成新樣本的目標輸出，以此實現故障感知。

1.3 電纜診斷故障系統硬件模塊化設計

該系統包括分布式短路故障采集處理模塊、分布式接地故障與在線測溫采集處理模塊、后臺綜合管理模塊。

1）分布式短路故障采集模塊主要負責采集電纜重要指標參數[8-10]，處理模塊則負責對電流、負載電流與故障電流進行檢測，此外結合電流狀況對故障進行判斷，并做好記錄與上傳工作。

2）分布式接地故障在線測溫采集處理模塊工作時采集電纜零序電流與溫度等參數。當電纜出現故障時，結合接地時零序電流暫態信號特性對故障進行診斷，并記錄和上傳數據。實時對電纜溫度進行測量，實現24 h 不間斷測溫。當溫度達到最大門限值時立即上報[11-14]。將測溫單元安裝在電纜接頭處，每隔100 m 安裝一個。

3）后臺綜合管理模塊可以根據上層故障判斷邏輯，對電纜拓撲進行管理，并通過GIS 系統實時顯示故障位置，給出綜合檢修意見，提供決策依據[15-16]。

結合上述模塊主要功能，設計系統組網，如圖1所示。

圖1 系統組網示意圖

分布式短路故障采集和處理設備參數如表1所示。

表1 設備參數

分布式接地故障在線測溫采集處理設備參數如表2 所示。

表2 硬件單元主要參數

2 仿真實驗數據分析與研究

為驗證文中系統的性能，以SPTYWP23 型號的四芯鐵路數字信號電纜作為參考，制作實驗模板。實驗電纜總長度為20 km，故障位置分別設置在5 km、10 km 以及15 km 處。在自學習訓練開始之前，將全部數據集合分成訓練集、驗證集與測試集三部分。其中，驗證集與測試集都選取初始樣本的四分之一。訓練誤差與驗證誤差的變化曲線如圖2 所示，可知兩條曲線變換趨勢是相同的，這表明集合劃分較為合理。

圖2 不同誤差曲線變化趨勢圖

該次實驗共構建四類故障仿真數據，每種樣本數量為30 個。第一類故障表示為第二類故障表示為第三類故障是第四類故障計作針對上述4 種故障類型，利用該文方法、文獻[1]方法、文獻[2]方法對電纜進行故障診斷，診斷結果如表3 所示。

表3 不同方法對不同故障類型的診斷準確率對比表

由表3 能夠看出，該文故障診斷系統對不同類型故障感知較為全面，能夠檢測出更多故障現象。這是因為該文使用的自學習算法，通過對具有遺忘因子樣本的均值與協方差矩陣的遞推運算，獲得更加全面的故障可能性分布信息，因此對故障類型診斷非常全面，感知性較好。

3 結論

該文利用自學習算法構建一個故障診斷自動感知系統，可以對不同故障類型進行全面診斷，提高故障定位精度[17-18]，以便在故障發生后，對系統反饋信息進行綜合分析，結合實際情況作出合理的解決方案，避免造成較大損失。