王秋实，王小敏
(西南交通大学信息科学与技术学院，成都 611756)
摘 要：以ZPW-2000无绝缘移频轨道电路红光带故障为研究对象，针对其故障的多样性与复杂性，提出一种基于故障树分析(FTA)与改进BP神经网络相结合的轨道电路智能故障诊断方法。根据轨道电路组成与故障关系建立故障树进行FTA定性分析，分析故障成因并提取故障诊断规则，确定诊断模型的输入输出，构建两个BP神经子网以并联方式联接组成诊断模型，采用LM算法和遗传算法对模型参数进行调整。通过仿真分析，表明该方法可行有效，为轨道电路智能故障诊断提供一种新思路。
关键词：FTA；神经网络；遗传算法；LM算法；轨道电路；红光带；故障诊断
轨道电路是现代高速铁路信号系统的重要基础设备，是为车载安全计算机提供安全关键信息的核心部件。ZPW-2000被广泛应用于我国客运专线与高速铁路，轨道电路常年工作于室外复杂环境，是故障多发设备。
轨道电路多采用人工定期的方式进行检修和维护，维护人员的理论水平和实际经验会直接影响故障处理的效率和正确率。当前如何快速准确地诊断出轨道电路故障，仍是待解决的难题。
近年来一些先进诊断方法被尝试应用到轨道电路故障诊断中，文献[1]提出一种基于粒子群支持向量机的方法，用于轨道电路分路不良故障诊断，对分路不良故障有较好的诊断效果。文献[2]提出一种基于分层免疫机制的方法，用于轨道电路补偿电容故障诊断，对补偿电容故障可作出正确诊断。文献[3]提出了基于组合模型的轨道电路故障诊断理念，能克服诊断信息来源单一的问题，具有较高的诊断正确率。
以ZPW-2000无绝缘移频轨道电路红光带故障为研究对象，针对其诊断效率与准确性低、智能化水平低，提出一种基于FTA与BP神经子网的轨道电路智能故障诊断方法。将故障树分析法和BP神经网络相结合引入轨道电路故障诊断中，并通过遗传算法和LM算法优化神经网络，通过构建故障树对故障成因进行FTA定性分析，提取故障诊断规则，将复杂诊断过程分解，构建两个BP神经子网络以并联方式相互联接构成故障诊断模型，采用遗传算法和LM算法对模型参数进行调整优化。仿真验证表明该方法能快速定位故障点，极大降低故障诊断的盲目性，提高诊断速度和准确度。
故障树分析(FTA)是有向逻辑因果关系图，将分析目标作为顶事件，将引发顶事件的原因作为中间事件，根据分析需求由上到下逐级分析至最底层事件，将所有事件按逻辑关系联结形成故障树，是故障分析中的重要方法。
2.1 轨道电路系统故障树构建
通过现场故障调查，根据专家经验结合ZPW-2000无绝缘移频轨道电路组成结构与工作原理，搭建ZPW-2000轨道电路系统故障树模型。
以轨道电路红光带故障为顶事件，结合专家经验与现场故障调查分析，逐级向下找出各级故障原因事件，将分析得到的中间事件、底事件与顶事件按其逻辑关系联接构成ZPW-2000轨道电路红光带故障树模型(图1)，并对该故障树顶事件、中间事件和底事件进行编码。
图1 ZPW-2000轨道电路红光带故障树模型
2.2 轨道电路系统故障诊断规则构建
2.2.1 FTA定性分析
根据构建得到的故障树，对故障树进行
定性分析，逐层搜寻分红光带故障树最小割集，并将最小割集按室内设备故障和室外设备故障进行分类得到故障最小割集统计如表1所示。
表1 故障最小割集统计
X1:与TCC通信故障X12:道床电阻过低X2:轨道继电器X13:分路异常X3:接收器故障X14:发送端SPT电缆故障X4:衰耗器故障X15:发送端匹配变压器故障X5:接收端电缆模拟网络故障X16:发送端SVA故障X6:接收端SPT电缆故障X17:发送端调谐单元故障X7:接收端SVA故障X18:发送端电缆模拟网络故障X8:接收端谐振单元故障X19:发送电平调整不当X9:接收端匹配单元故障X20:发送器故障X10:补偿电容故障X21:电源故障X11:断轨室内设备故障:X1/X2/X3/X4/X5/X18/X19/X20/X21室外设备故障:X6/X7/X8/X9/X10/X11/X12/X13/X14/X15/ X16/X17
2.2.2 室内外诊断规则提取
根据图1故障树表达可以得知，室内设备故障和室外设备故障会导致顶事件ZPW-2000轨道电路红光带故障的发生。据此，建立两个并联BP神经网络模型分别对这两个支路的故障进行并行诊断分析。结合专家知识、现场维修经验以及现有研究，得到图2所示的室内室外故障判定流程。
图2 室内室外故障判定流程
当发生室内故障时，从图2中将室外故障事件隔离可看到：事件X2/X3/X4/X5/X18/X19/X20/X21都会导致轨道继电器错误落下，而事件X1对其无影响；事件X4/X5/X18/X19/X20/X21都会导致接收电平过低，而事件X2/X3对其无影响；X5/X18/X19/X20/X21事件会导致接收端模拟网络设备侧电压过低，而事件X4对其无影响；X18/X19/X20/X21事件会导致“轨出1电压过低”；X19/X20/X21事件会导致发送功出电压过低，而事件X18对其无影响。选定轨道继电器动作电压，接收电平，接收端模拟设备侧电压，轨出“1”电压，发送功出电压作为室内设备故障诊断模型的系统输入变量，根据这5个输入变量区分{X1}，{X2}，{X3}，{X4}，{X5}，{X18}，{X19，X20，X21}7种故障模式。系统输入参数和故障输出参数说明如表2所示，根据FTA分析结果，结合专家经验知识，总结得到室内故障诊断规则如表3所示，其中N表示“正常”、L表示“偏低”。输入参数正常值范围参考轨道电路调整表所给出范围，若输入参数低于调整表给出范围即认为输入参数偏低。输入参数即为诊断模型输入。
表2 室内故障诊断模型参数说明
说明输入参数故障模式符号描述U1轨道继电器动作电压(V)U2接收端接收电平(mV)U3接收端模拟网络设备侧电压(mV)U4轨出“1”电压(mV)U5发送功出电压(V)F1与TCC通信故障F2轨道继电器故障F3接收器故障F4衰耗器故障F5接收端防雷模拟网络故障F6发送端防雷模拟网络故障F7发送电平调整不当、发送器故障、电源故障
表3 室内故障诊断规则
输入参数故障输出U1U2U3U4U5F1F2F3F4F5F6F7NNNNN1000000LNNNN0100000LNNNN0010000LLNNN0001000LLLNN0000100LLLLN0000010LLLLL0000001
当发生室外故障时，从图2中将室内故障事件隔离可看到:事件X7/X8/X9/X10/X11/X12/X13/X14/X15/X16/X17会导致轨出“1”电压过低，而事件X6对其无影响；事件X10/X11/X12/X13会导致受端轨面电压过低，而事件X7/X8/X9对其无影响；X14/X15/X16/X17会导致发送端轨面电压过低，而事件X10/X11/X12/X13对其无影响。选定接收端模拟网络设备侧电压，轨出“1”电压，受端轨面电压，发送端轨面电压作为室外设备故障诊断模型的系统输入变量，根据这4个输入变量区分{X6}，{X7，X8}{X9}，{X10}，{X12}，{X15}，{X16，X17}，{X14}这8种故障模式。系统输入参数和故障输出参数说明如表4所示，根据FTA分析结果，结合专家经验知识，总结得到室外故障诊断规则如表5所示，其中N表示“正常”、L表示“偏低”。输入参数正常值范围参考轨道电路调整表所给出范围，若输入参数低于调整表给出范围即认为输入参数偏低。输入参数即为诊断模型输入。
表4 室外故障诊断模型参数说明
说明输入参数故障模式符号描述U6接收端模拟网络设备侧电压(mV)U7轨出“1”电压(mV)U8接收端轨面电压(mV)U9发送端轨面电压(mV)F8接收端SPT电缆故障F9接收端SVA故障、接收端谐振单元故障F10接收端匹配电压器故障F11补偿电容故障F12道床电阻过低F13发送端匹配变压器故障F14发送端SVA故障、发送端谐振单元故障F15发送端SPT电缆故障
表5 室外故障诊断规则
输入参数故障模式U6U7U8U9F8F9F10F11F12F13F14F15LNNN10000000LLNN01000000LLNN00100000LLLN00010000LLLN00001000LLLL00000100LLLL00000010LLLL00000001
3.1 诊断系统模型结构设计
根据FTA分析结果与提取的故障诊断规则，以BP神经网络模型为基础，构建两个神经子网络，将其以并联的方式相互结合，构成故障诊断系统模型，系统模型设计结构如图3所示。
图3 诊断系统模型设计结构
3.2 改进BP神经网络的模型构建
针对原始BP网络过于依赖初始权值和阈值的问题，本文引入遗传算法，利用遗传算法进行初步的全局寻优，在算法运行初期，产生对解决相关问题有利的一组较好初始解，将该初始解作为BP神经网络的最初网络权值和阈值；针对原始BP神经网络收敛速度慢的缺点，本文引入LM算法，利用LM算法对BP神经网络的权值和阈值的调整过程进行优化，使BP网络权值和阈值最快速地接近理想值。
3.2.1 改进BP神经网络具体模型
由室内故障诊断规则，将U1/U2/U3/U4/U5 5个电压值作为模型输入，将室内故障模式F1/F2/F3/F4/F5/F6/F7作为模型输出，建立5输入7输出的室内设备故障BP神经子网模型如图4所示；由室内故障诊断规则，将U6/U7/U8/U9 4个电压值作为模型输入，将室外故障模式F8/F9/F10/F11/F12/F13/F14/F15作为模型输出，建立4输入8输出的室内设备故障BP神经子网模型如图5所示。
图4 室内设备故障BP神经子网模型
图5 室外设备故障BP神经子网模型
3.2.2 网络节点选取
确定最佳隐含层节点的方法，本文采用试凑法，具体使用如式(1)的一个经验公式确定隐含层节点数
式中，m为隐含层节点数；n为输入层节点数；l为输出层节点数；a为1～10的常数。
经试凑归纳，室内故障诊断模型隐层节点数确定为12，室外故障诊断模型隐含层节点数为11。
3.3 LM算法分析
w(k)表示神经网络第k次迭代由权值和阈值组成的向量，下一轮次的神经网络权值和阈值组成的向量w(k+1)根据下面的规则求得
对于神经网络输出误差E(w)是
式中，Dk为期望输出；Ok为实际输出，LM算法是改进高斯-牛顿法，具体表达式为
其中，比例系数u≥0；I为单位矩阵；J(w)为Jacobian矩阵。
在算法实现时u是试探性参数，对于给定u，如果计算得到的ΔW能使误差函数E(w)降低，则u降低；相反，u增加。
3.4 改进BP神经网络最优权值和阈值获取
本文采用遗传算法改进优化BP神经网络的权值和阈值。种群个体编码方式为实数编码，每个个体为实数串，由输入层至隐含层权值、隐含层阈值、隐含层至输出层权值及输出层阈值组成。对于室内故障诊断网络，该网络有5个输入节点，12个隐含层节点，7个输出节点故遗传算法种群个体长度163，进化代数为15，种群规模为10，交叉概率为0.878，变异概率为0.07；对于室外故障诊断网络，该网络有4个输入节点，11个隐含层节点，8个输出节点故遗传算法种群个体长度151，确定遗传算法进化代数为15，种群规模为10，交叉概率为0.86，变异概率为0.08。适应度函数由经训练样本训练BP模型后实际输出和期望输出之间的误差绝对值和最为个体适应度值
式中，n为模型输出层节点数；yi为模型第i个节点期望输出；oi为第i个节点实际输出。
计算种群适应度值，从中寻找最优个体；进行选择、交叉、变异操作进一步寻找最优个体并予以记录；当达到进化代数时GA算法寻优结束，把得到的最优个体赋给BP网络完成BP网络最优权值阈值获取。采用LM算法和遗传算法对BP神经网络进行改进的算法流程如图6所示。
图6 改进BP神经算法流程
4.1 方法分析及对比
为了说明采用本文算法进行故障诊断的有效性，下面选择室内设备故障的神经网络模型进行验证。室内设备故障诊断模型中输入层、隐含层、输出层节点总数为24，由实际经验得知，当样本数量大于节点总数5倍时样本数量可近似认为是大量样本。室内诊断模型中从实际数据中选取200组样本，以样本数据中前180组数据为训练样本，对模型进行训练，以样本的后20组数据作为检验样本，对模型的故障诊断效果进行验证。同时，作为对比还仿真了BP算法，BP-GA算法，BP-LM算法，与本文改进算法进行对比。图7为本文算法和上述3种算法在精度和收敛速度上的对比图。
通过图7对比本文算法和BP算法精度，可以发现在算法精度上本文算法为0.000 01，BP算法为0.000 1，本文算法在收敛速度和收敛精度上均高于BP算法；对比本文算法和BP-GA算法在精度上的误差曲线，能够看出BP-GA算法在第60次迭代后收敛精度为0.000 62，而本文算法在第30次迭代后收敛精度达到0.000 085，在收敛速度上本文算法同样要优于BP-GA算法；对比本文算法和BP-LM算法在精度为0.000 01上的误差曲线，前期BP-LM算法在收敛速度上略差于本文算法，当迭代次数超过25次后，BP-LM算法在收敛速度和收敛精度上都接近于本文算法，但总体上本文算法效果更优，另外也验证了LM算法对BP网络权值有很好的优化作用。
4.2 诊断验证
为验证算法与模型的可靠性与正确性，本文利用现场故障样本数据作为输入进行验证，室内外模型训练样本各组均为300组，检验样本各组均为50组，正确率达到了94.8%。结合故障诊断规则，将得到部分系统输出及诊断结果如表6、表7所示，可以看到故障诊断结果是正确的，符合系统设计要求。
图7 本文算法和上述算法精度、收敛速度对比
表6 室内故障诊断结果
系统输入参数系统故障输出U1U2U3U4U5F1F2F3F4F5F6F7故障说明191701982101420.2450.080.190.170.1020.8210.22发送端防雷网络故障18.71661922031040.1680.2210.1520.210.1530.2310.869发送器故障19.81643704221560.1750.070.8510.290.2320.1530.174接收器故障19.51651774221560.2470.190.1970.8770.2620.250.184衰耗器故障193273804221560.1750.910.290.2620.2320.1150.274轨道继电器故障18.91663834241550.220.1760.8660.1670.2040.2330.12接收器故障19.21711992131400.1550.2050.1470.2230.1530.8750.173轨道继电器故障18.81643754231550.2130.2060.1870.8870.1650.1950.226衰耗器故障191681962071040.1580.2310.1120.2170.1440.2330.887发送器故障191201401801560.2750.180.2220.090.8320.2430.27接收端防雷网络故障
表7 室外故障诊断结果
系统输入参数系统故障输出U6U7U8U9F8F9F10F11F12F13F14F15故障说明1651750.291.120.2310.2030.1450.2260.1870.1090.8780.133发送端调谐单元故障2092201.081.630.2070.1320.8620.1640.2170.1440.080.11接收端调谐单元故障1701900.251.640.130.2110.2180.8670.1780.20.1190.221补偿电容故障1912050.241.190.1660.2410.1080.2070.1620.220.9150.172发送端调谐单元故障2072230.282.620.1330.2040.2210.1760.8790.2330.1580.187道床电阻偏低2042271.441.880.2140.2230.1790.220.2170.8770.1330.157发送端匹配变压器故障1721980.262.630.1420.2210.2190.8870.1650.210.1210.226补偿电容故障1812010.241.590.1660.2130.1180.2110.1220.2170.9020.172发送端调谐单元故障1882170.261.630.220.1440.1750.2150.2260.2310.1690.869发送端SPT电缆故障2284200.811.670.8330.210.1420.2040.1770.1130.2270.157接收端SPT电缆故障
本文根据铁路信号需求利用故障树分析与BP神经网络相融合的方法，通过建立红光带故障树，将复杂诊断过程分解，利用FTA定性分析，对故障源进行逻辑判定并提取故障诊断规则作为诊断模型建立的理论基础，将FTA与BP神经网络学习机制相结合的方法融入轨道电路智能故障诊断中，采用LM算法和遗传算法进行优化调整，提高诊断速度与正确性，降低故障诊断的复杂性与盲目性，弥补故障树诊断定位不准确的不足。经仿真验证了该方法的可行性与有效性，能为轨道电路的智能诊断和日常维护提供参考。
参考文献：
[1] 张梦琪，赵会兵，孙上鹏.基于粒子群支持向量机的轨道电路分路不良预测方法[J]. 铁道学报，2015(10)：68-74.
[2] 赵林海，毕廷帅，刘伟宁.基于分层免疫机制的无绝缘轨道电路补偿电容故障诊断系统[J].铁道学报,2013(10)：73-81.
[3] 米根锁，杨润霞，梁利.基于组合模型的轨道电路复杂故障诊断方法研究[J].铁道学报,2014(10)：65-69.
[4] Chen J， Roberts J P. WestonFault detection and diagnosis for railway track circuits using neuro-fuzzy systems[J]. Control Engineering Practice， 2008，16(5)：585-596.
[5] 刘琰琼.ZPW-2000A轨道电路智能故障诊断算法应用研究[J].铁路通信信号工技术，2014(1):29-32.
[6] 张丽卿，王瑞峰.故障树分析法在信号设备中的应用[J].计算机与信息技术，2007(5)：20-26.
[7] 张捍东，王翠华.基于改进证据理论和神经网络故障诊断模型[J].计算机应用研究， 2010， 27(4):1277-1279.
[8] 王彤.基于最小二乘支持向量机的轨道电路故障诊断方法[J]. 铁道标准设计，2014，58(2):89-93.
[9] 许小刚，王松岭，刘锦廉.基于小波包能量分析及改进支持向量机的风机机械故障诊断[J].动力工程学报，2013，33(8):606-612.
[10]潘昊，田捷，钟珞.前向多层神经网络的步长搜索调整研究[J].计算机工程与应用，2004，17(7):17-18.
[11]Chen J， Roberts C， Weston P. Fault Detection and Diagnosis for Railway Track Circuits Using Neuro-fuzzy Systems[J]. Control Engineering Practice， 2008，16(5):585-596.
[12]Khmais Bacha， SeifeddineSouahlia， MoncefGossa. Power transformer fault diagnosis based on dissolved gas analysis by support vector machine[J]. Electric Power Systems Research， 2012(1):73-79.
[13]姜永军.设备安全运行与维护维修智能管理系统研究[J].内蒙古科技与经济,2005(6):108-110.
[14]雷秀娟，史忠科，孙瑰琪.基于遗传算法的粒子群优化算法的比较分析[J].计算机工程与应用，2008，44(14):65-66.
[15]赵林海，冉义奎，穆建成.基于遗传算法的无绝缘轨道电路故障综合诊断方法[J].中国铁道科学，2010，31 (3):107-114.
Diagnosis of Red Tape of Track Circuit Based on FTA and Improved Neural Network
WANG Qiu-shi， WANG Xiao-min
(School of Information Science & Technology， South West Jiaotong University， Chengdu 611756， China)
Abstract：In view of the red tape faults of ZPW-2000 track circuit and the diversity and complexity of the faults， this paper proposes an intelligent track circuit fault diagnostic method based on Fault Tree Analysis (FTA) combined with improved BP neural network. The fault tree is established according to the track circuit components and fault relations to perform qualitative analysis of FTA， analyze fault causes， extract fault diagnosis rules and determine the input and output of the diagnosis model. Two parallel BP neural subnets are established and connected in parallel to compose diagnostic model， and model parameters are adjusted by LM and Genetic Algorithm. The simulation analysis proves that the method is feasible and effective， forging a new idea for intelligent fault diagnosis of the track circuit.
Key words：FTA; BP; GA; LM algorithm; Track circuit; Red tape; Fault diagnosis
文章编号：1004-2954(2017)04-0147-06
收稿日期：2016-07-18；
修回日期：2016-08-25
作者简介：王秋实(1988—)，男，硕士研究生，研究方向为交通信息工程及控制，E-mail：631787615@qq.com。
中图分类号：U284.2
文献标识码：A
DOI：10.13238/j.issn.1004-2954.2017.04.031
联系客服
