基于模糊神經(jīng)網(wǎng)絡(luò)的信號維護(hù)監(jiān)測子系統(tǒng)故障預(yù)測研究

王向陽,李自良

(1.寧波市軌道交通集團(tuán)有限公司運(yùn)營分公司，浙江 寧波 315111；2.交控科技股份有限公司，北京 100070)

0 引言

隨著城市軌道交通信號系統(tǒng)功能的迭代，在原列車超速防護(hù)、自動(dòng)駕駛等功能的基礎(chǔ)上，又增加了遠(yuǎn)程設(shè)備重啟復(fù)位、自動(dòng)感知障礙物等功能。信號系統(tǒng)充分發(fā)揮著軌道交通運(yùn)行中樞的作用，用于保證列車的高效、智能運(yùn)行。

信號硬件設(shè)備的穩(wěn)定運(yùn)行關(guān)系著運(yùn)營安全和行車秩序。信號系統(tǒng)已逐步具有完善的設(shè)備自檢和狀態(tài)功能。對采集的設(shè)備狀態(tài)進(jìn)行分析診斷、預(yù)警設(shè)備故障，以及提示維護(hù)人員預(yù)防維修、提前更換設(shè)備部件，是保證設(shè)備運(yùn)行穩(wěn)定的關(guān)鍵。

1 信號設(shè)備故障預(yù)測模型

信號維護(hù)監(jiān)測子系統(tǒng)(maintenance support subsystem，MSS)是城市軌道交通信號系統(tǒng)的重要組成部分，可實(shí)現(xiàn)信號系統(tǒng)各部件狀態(tài)監(jiān)測、維護(hù)管理和設(shè)備狀態(tài)預(yù)測預(yù)警等功能。建立一套高效、快捷的設(shè)備維護(hù)采集和故障診斷預(yù)測系統(tǒng)[1]，可以提高設(shè)備運(yùn)行可靠性、降低設(shè)備故障率，從而保證軌道交通線路的平穩(wěn)運(yùn)行[2]。

信號系統(tǒng)各設(shè)備具備獨(dú)立故障采集模塊，可將設(shè)備故障定位至具體板卡和設(shè)備部件，并將診斷信息反饋至MSS。各子系統(tǒng)維護(hù)數(shù)據(jù)傳輸途徑如圖1所示。

圖1 各子系統(tǒng)維護(hù)數(shù)據(jù)傳輸途徑Fig.1 Each subsystem maintains the data transmission path

維護(hù)信息通過維護(hù)網(wǎng)(即MSS)傳輸給維護(hù)中心維護(hù)服務(wù)器，并在各維護(hù)終端進(jìn)行顯示，以實(shí)現(xiàn)對信號系統(tǒng)各級設(shè)備的狀態(tài)監(jiān)督及故障報(bào)警。MSS以故障設(shè)備分布、故障曲線、報(bào)警聲音提示等形式，直觀、形象地展示設(shè)備運(yùn)行狀態(tài)及故障狀況[3]。隨著智能預(yù)測算法的發(fā)展[4-8]，MSS可在顯示故障報(bào)警和故障維修指引的同時(shí)，對部分設(shè)備故障進(jìn)行預(yù)測。

信號設(shè)備故障的產(chǎn)生與變化是一個(gè)復(fù)雜的作用過程。本文以信號設(shè)備故障次數(shù)為預(yù)測對象，分析故障發(fā)生時(shí)間、具體故障類型、既有故障發(fā)生頻率、人員維護(hù)周期、同類型故障發(fā)生頻次、設(shè)備使用時(shí)間等參數(shù)對故障的影響，從而建立信號設(shè)備故障的預(yù)測模型[9]。

y=f(x)

(1)

式中:輸入變量x=[x1x2...xn]T為函數(shù)的輸入變量；輸入變量y=[y1y2...yr]T為預(yù)測故障發(fā)生次數(shù)。

2 基于模糊神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測模型

模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural networks,FNN)融合了模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具備神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自學(xué)習(xí)能力，不依賴建模對象；同時(shí)，具備模糊系統(tǒng)具有高度非線性關(guān)系映射能力，可通過網(wǎng)絡(luò)本身的自主學(xué)習(xí)功能達(dá)到輸入與輸出的匹配[10]。該網(wǎng)絡(luò)模型已逐漸應(yīng)用于模式識別、非線性函數(shù)逼近等領(lǐng)域[11-12]。所以，將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于信號設(shè)備故障預(yù)測的模型中，可以輸出較精確的預(yù)測值。

2.1 模糊神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)構(gòu)

本文結(jié)合模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)轉(zhuǎn)轍機(jī)硬件故障及道岔電路次數(shù)特點(diǎn)，構(gòu)建基于模糊神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測結(jié)構(gòu)[5]。故障次數(shù)預(yù)測的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Fuzzy neural network structure

圖2中，x1～x6分別為故障發(fā)生時(shí)間、具體故障類型、既有故障發(fā)生頻率、人員維護(hù)周期、同類型故障發(fā)生頻次、設(shè)備使用時(shí)間。

①輸入層。

輸入層的參數(shù)與各輸入變量的各分量xi連接，將輸入值x=[x1x2...xn]T傳到下一層。該層的節(jié)點(diǎn)數(shù)N1=n。

f(1)i=xi,i=1,2,...,n

(2)

式中：n為輸入變量個(gè)數(shù)，n=6。

②模糊化層。

(3)

式中：i=1,2,...,n;j=1,2,...,mi,mi為輸入量xi的模糊分割數(shù)。

網(wǎng)絡(luò)模型中隸屬函數(shù)采用高斯函數(shù)表示。

(4)

式中：cij和σij分別為第i個(gè)輸入變量、第j個(gè)模糊集合的隸屬函數(shù)中心及基寬。

③模糊推理層。

模糊推理層用于計(jì)算每條規(guī)則的適合度。每個(gè)節(jié)點(diǎn)代表一個(gè)模糊規(guī)則。該層的節(jié)點(diǎn)數(shù)N3=m。

(5)

④去模糊層。

去模糊層節(jié)點(diǎn)數(shù)與模糊推理層節(jié)點(diǎn)數(shù)一致，N4=N3=m。該層將輸入量統(tǒng)一進(jìn)行歸一化處理,即：

(6)

⑤輸出層。

輸出層實(shí)現(xiàn)清晰化計(jì)算，即：

(7)

式中：y為預(yù)測的轉(zhuǎn)轍機(jī)硬件故障及道岔電路次數(shù)；wij為yi的第j個(gè)語言值隸屬函數(shù)的中心值。

2.2 模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法與訓(xùn)練方法

2.2.1 預(yù)測學(xué)習(xí)算法

基于模糊神經(jīng)網(wǎng)絡(luò)的設(shè)備故障預(yù)測學(xué)習(xí)算法包括誤差計(jì)算、系統(tǒng)修正、參數(shù)修正這3個(gè)步驟。

①誤差計(jì)算。

(8)

式中：yrl為網(wǎng)絡(luò)期望輸出；yl為網(wǎng)絡(luò)實(shí)際輸出；e為期望輸出與實(shí)際輸出的誤差值。

②系統(tǒng)修正。

(9)

(10)

式中:k為當(dāng)前迭代次數(shù)；pli為神經(jīng)網(wǎng)絡(luò)系數(shù)，i=1,2,...,n；α為網(wǎng)絡(luò)學(xué)習(xí)率；xj為網(wǎng)絡(luò)輸入?yún)?shù)，j=1,2,...,m；ωi為輸入?yún)?shù)隸屬度連乘積。

③參數(shù)修正。

(11)

式中：cij、σij分別為隸屬度函數(shù)的中心和寬度，i=1,2,...,n，j=1,2,...,m；β為動(dòng)量學(xué)習(xí)率。

網(wǎng)絡(luò)學(xué)習(xí)率α的取值在[0,1]區(qū)間內(nèi)。本文采用可變學(xué)習(xí)率的算法方式，令α隨著學(xué)習(xí)的進(jìn)展逐漸變化到達(dá)較好效果。

可變學(xué)習(xí)率計(jì)算公式為：

(12)

式中：αmax為最大學(xué)習(xí)率；αmin為最小學(xué)習(xí)率；tmax為最大迭代次數(shù)；t為當(dāng)前迭代次數(shù)。

2.2.2 預(yù)測模型學(xué)習(xí)與訓(xùn)練流程

預(yù)測模型結(jié)合了增量型模糊神經(jīng)網(wǎng)絡(luò)與批處理型模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。為達(dá)到預(yù)測優(yōu)化的目的，預(yù)測模型學(xué)習(xí)與訓(xùn)練主要過程如下[6]。

①依次學(xué)習(xí)每組輸入樣本，調(diào)整權(quán)值；單樣本學(xué)習(xí)終止條件為輸出層結(jié)果誤差小于特定值或樣本訓(xùn)練大于預(yù)定周期數(shù)。

②完成全部所有樣本學(xué)習(xí)后，結(jié)合新調(diào)整網(wǎng)絡(luò)重新計(jì)算樣本的輸出，以及輸出層誤差值。

③截至全部樣本誤差絕對值小于設(shè)定值時(shí)且訓(xùn)練周期小于指定值時(shí)，結(jié)束樣本訓(xùn)練。

基于模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練流程如圖3所示。

圖3 基于模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練流程Fig.3 Learning and training process based on fuzzy neural network

3 仿真試驗(yàn)與結(jié)果分析

本文采用寧波市地鐵線路終端折返站2016—2019年這4年實(shí)際故障作為采集樣本，以4年平均實(shí)際故障發(fā)生次數(shù)為驗(yàn)證參考，預(yù)測2020年轉(zhuǎn)轍機(jī)硬件故障及道岔電路次數(shù)，并與這4年的每年平均故障次數(shù)作對比。

該試驗(yàn)選取共150組數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練利用，濾波處理后建議預(yù)測的樣本集，進(jìn)行基于糊神經(jīng)網(wǎng)絡(luò)的信號設(shè)備故障預(yù)測仿真，并與實(shí)際收集的故障值進(jìn)行對比。道岔電路繼電器故障次數(shù)預(yù)測仿真結(jié)果如圖4所示。

圖4 道岔電路繼電器故障次數(shù)預(yù)測仿真結(jié)果Fig.4 Prediction simulation results of relay failure times of switch circuit

轉(zhuǎn)轍機(jī)硬件故障次數(shù)預(yù)測仿真結(jié)果如圖5所示。

通過多次樣本試驗(yàn)，得出故障次數(shù)預(yù)測結(jié)果：道岔電路繼電器故障、轉(zhuǎn)轍機(jī)硬件故障次數(shù)與真實(shí)故障次數(shù)誤差較小，每月故障誤差絕對值約為5次。

仿真結(jié)果表明，預(yù)測曲線能夠跟隨真實(shí)故障的變化趨勢，實(shí)際誤差值較小。模糊神經(jīng)網(wǎng)絡(luò)預(yù)測方法通過對輸入、輸出數(shù)據(jù)的辨識，實(shí)現(xiàn)對未知非線性函數(shù)的目標(biāo)逼近。預(yù)測結(jié)果能夠準(zhǔn)確跟蹤信號設(shè)備轉(zhuǎn)轍機(jī)故障實(shí)際變化趨勢。因此，將模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用于城市軌道交通線路信號設(shè)備故障預(yù)測模型中，可以較為準(zhǔn)確地實(shí)現(xiàn)對信號維護(hù)監(jiān)測系統(tǒng)部分硬件設(shè)備故障的預(yù)測。

4 結(jié)論

本文以MSS收集的信號設(shè)備故障作為分析切入點(diǎn)，結(jié)合設(shè)備故障類型、發(fā)生時(shí)間、既有發(fā)生頻次及產(chǎn)生故障條件，根據(jù)實(shí)際情況分析，建立信號設(shè)備故障預(yù)測模型。仿真結(jié)果表明，基于模糊神經(jīng)網(wǎng)絡(luò)的故障預(yù)測結(jié)果與實(shí)際結(jié)果誤差較小，并能夠較為準(zhǔn)確地預(yù)測故障發(fā)生次數(shù)。該預(yù)測模型可應(yīng)用于信號維護(hù)監(jiān)測系統(tǒng)。