喻喜平

?

基于CAPSO-BPNN的鐵路信號運行狀態(tài)預警方法研究

喻喜平

武漢鐵路職業(yè)技術(shù)學院, 湖北 武漢 430205

為提高鐵路信號運行狀態(tài)預警的準確率，克服BPNN模型存在收斂速度慢和局部最優(yōu)的缺點及其性能易受網(wǎng)絡的初始權(quán)值、閾值等參數(shù)選擇的影響，本文提出一種基于CAPSO-BPNN的鐵路信號運行狀態(tài)預警模型。結(jié)果表明，與PSO-BPNN和BPNN相比較，CAPSO-BPNN模型具有更高的預警準確率和更優(yōu)的性能，為鐵路信號運行狀態(tài)預警提供了新的方法和途徑。

鐵路信號; 云自適應粒子群優(yōu)化算法; BP神經(jīng)網(wǎng)絡; 運行狀態(tài)

隨著我國高鐵建設(shè)的迅猛發(fā)展，中國成為高鐵在建規(guī)模最大、運營里程最長和運營速度最快的國家。隨著高鐵規(guī)模的擴大和信息技術(shù)的發(fā)展，鐵路信號監(jiān)測設(shè)備功能由單一化向復雜化和綜合化轉(zhuǎn)變，成為保障列車安全和安全調(diào)度和指揮的重要手段[1]，因此對鐵路信號進行運行狀態(tài)評價和預警具有重要意義。為提高鐵路信號運行狀態(tài)預警的準確率，提出一種基于云自適應粒子群優(yōu)化(Cloud adaptive particle swarm optimization, CAPSO)算法改進BP神經(jīng)網(wǎng)絡(Back propagation neural network, BPNN)的鐵路信號運行狀態(tài)預警模型。

1 鐵路信號運行狀態(tài)評價

1.1 綜合評價指標體系

鐵路信號監(jiān)測對象主要包括軌道電路、信號機、信號電纜、電源屏以及轉(zhuǎn)撤機等[2]。每一類設(shè)備的狀態(tài)評價通過在線實時信息和離線錄入信息二者相結(jié)合方式進行[3]。在線實時收集鐵路信號監(jiān)測對象的實時信息，能夠及時掌握鐵路信號監(jiān)測對象的運行狀況和工況環(huán)境；離線信息主要包括鐵路信號監(jiān)測對象的巡檢記錄和歷史數(shù)據(jù)，通過離線信息能夠掌握鐵路信號監(jiān)測對象的歷史健康狀態(tài)，通過在線實時信息和離線錄入信息二者相結(jié)合方式可以更準確的評價鐵路信號監(jiān)測對象的運行狀態(tài)。鐵路信號監(jiān)測對象綜合狀態(tài)評價指標體系如圖1所示。

圖1 綜合狀態(tài)評價指標體系

1.2 綜合評價方法

由于鐵路信號監(jiān)測對象綜合狀態(tài)評價指標體系中的部分評價指標具有不確定性和模糊性[4]，因此文中運用多層次模糊綜合評價法對鐵路信號監(jiān)測對象的運行狀態(tài)進行評價，具體評價步驟為：

1.2.1 建立評價指標體系建立鐵路信號監(jiān)測對象運行狀態(tài)的評價指標體系為因素集：

={1,…,U,…,U} (1)

式中，為一級因素集，其中U={U1,U2,…,U}，=1,2,…,為二級因素集，并且存在U∩U=(1)的集合關(guān)系。

1.2.2 構(gòu)造判斷矩陣運用層次分析(Analytic hierarchy process, AHP)法和標度1-9法確定各項指標的權(quán)重[5-7]。

1.2.4 建立評價集假設(shè)評價等級集為={1,2,…,V}，將鐵路信號監(jiān)測對象各指標狀態(tài)量分為4種狀態(tài)，分別為正常、注意、異常和嚴重，這時=4，其中1=80，2=60，3=40，4=20。

式中，b(=1,2,…,)為評判對象對評價集中第個元素的隸屬度。

2 基于CAPSO-BP鐵路信號運行狀態(tài)預警模型

2.1 云自適應粒子群優(yōu)化算法

式中，1，2為控制系數(shù)。

2.2 CAPSO-BPNN學習算法

BP神經(jīng)網(wǎng)絡[10]是一種單向傳播的多層前向的誤差反向傳播的神經(jīng)網(wǎng)絡，其訓練算法是基于梯度的，存在收斂速度慢和局部最優(yōu)的缺點，同時網(wǎng)絡的初始權(quán)值、閾值等參數(shù)選擇影響B(tài)PNN模型的性能，因此，為提高BPNN模型的性能，運用CAPSO對BPNN的初始權(quán)值和閾值進行優(yōu)化選擇?；贑APSO-BPNN的學習算法步驟如下：

（1）確定BPNN的結(jié)構(gòu)：BPNN的輸入層神經(jīng)元個數(shù)，隱含層神經(jīng)元個數(shù)，輸出層神經(jīng)元個數(shù)，網(wǎng)絡誤差=0.001及相關(guān)參數(shù)；

（2）CAPSO算法參數(shù)初始化：種群的規(guī)模，最大迭代次數(shù)，學習因子1和2，慣性權(quán)重，控制系數(shù)1、2；

（3）初始化粒子的位置和速度，將權(quán)值和閾值映射為CAPSO算法的粒子，輸入訓練樣本，根據(jù)適應度函數(shù)計算每個粒子的適應度；

（4）判斷CAPSO算法的終止條件：當訓練誤差<最大誤差或當前迭代次數(shù)>最大迭代次數(shù)，輸出最優(yōu)結(jié)果，即全局最優(yōu)粒子對應BPNN網(wǎng)絡的權(quán)值和閾值，此次參數(shù)建立一個最優(yōu)BPNN網(wǎng)絡。反之，更新CAPSO粒子的速度和位置，返回步驟（3）。

3 實證分析

3.1 數(shù)據(jù)來源

為了驗證CAPSO-BPNN進行鐵路信號運行狀態(tài)預警的有效性和可靠性，選擇某鐵路段2016年1月~2017年8月的歷史在線監(jiān)測數(shù)據(jù)和離線巡檢數(shù)據(jù)為研究對象。鐵路信號運行狀態(tài)預警分析之前，首先，根據(jù)鐵路信號運行狀態(tài)評價指標體系建立多層次模糊綜合評價模型；之后，根據(jù)不同指標的權(quán)重系數(shù)和評價基準值，計算出鐵路信號最終的狀態(tài)評價得分；最后，根據(jù)鐵路信號運行狀態(tài)評價標準，計算每次評價對應的狀態(tài)。鐵路信號運行狀態(tài)評價標準如表1所示。為了更加直觀地預報不同類型鐵路信號的警情，將鐵路信號分為優(yōu)良、正常、注意和異常四個運行狀態(tài)，并分別用橫線、豎線、右斜線和左斜線表示。

表1 鐵路信號運行狀態(tài)評價標準

圖 3 運行狀態(tài)評價圖

圖 4 運行狀態(tài)預警圖

根據(jù)鐵路運行狀態(tài)數(shù)據(jù)，每月評價1次，一共得到20個月的20次運行狀態(tài)評價分值和狀態(tài)，具體如圖3所示。如圖3中以評價序號1為例，其評價分值57.19，其表示2016年1月鐵路信號運行狀態(tài)綜合評價得分為57.19，根據(jù)表1鐵路信號運行狀態(tài)評價標準可知，鐵路信號所對應的運行狀態(tài)為注意狀態(tài)。

3.2 評價指標

為了衡量不同鐵路信號運行狀態(tài)預警模型的好壞，選擇希爾不等系數(shù)(Hill inequality coefficient, TIC)和平均絕對百分比誤差(Mean absolute percent error, MAPE)作為評價指標，二者公式如下：

式中，為數(shù)據(jù)序號；為數(shù)據(jù)總數(shù)；X，X分別為實際狀態(tài)和預測狀態(tài)的評價分值。其中，TIC主要用來衡量預警狀態(tài)的變化趨勢和實際狀態(tài)的一致性，而MAPE主要用來衡量狀態(tài)預警的準確率。

3.3 結(jié)果分析

表 2 不同模型的運行狀態(tài)預警效果統(tǒng)計

由圖4運行狀態(tài)預警圖可知，與PSO-BPNN和BPNN相比較，CAPSO-BPNN的預警曲線與鐵路信號實際狀態(tài)曲線的一致性更高。由表2不同模型的運行狀態(tài)預警效果統(tǒng)計可知，TIC和MAPE評價指標上，CAPSO-BPNN模型的MAPE和TIC分別為4.5961和0.0235，均低于PSO-BPNN模型的6.7441和0.0367和BPNN模型的8.5372和0.0454，從而說明CAPSO-BPNN具有更高的預警準確率。綜上所述，本文提出的CAPSO-BPNN模型具有更高的預警準確率和更優(yōu)的模型性能，為鐵路信號運行狀態(tài)預警提供了新的方法和途徑。

[1] 劉大為,郭進,王小敏,等.中國鐵路信號系統(tǒng)智能監(jiān)測技術(shù)[J].西南交通大學學報,2014,49(5):904-912

[2] 徐擊水,張子蓬,王淑青,等.基于GNBR算法的BP網(wǎng)絡對絕緣子運行狀態(tài)預測研究[J].電網(wǎng)與清潔能源,2013,29(6):6-9

[3] 袁騰飛,史同廣,李美玲.基于GPS數(shù)據(jù)的公交運行狀態(tài)判別算法研究[J].道路交通與安全,2015,15(2):23-27

[4] 宋頂利,張昕,于復興.分布式優(yōu)化Apriori算法的交通運行狀態(tài)數(shù)據(jù)分析模型[J].科技通報,2016,32(10):202-206

[5] 彭志科,何永勇,盧青,等.自適應數(shù)字濾波算法應用于旋轉(zhuǎn)機械運行狀態(tài)辨識的研究[J].機械工程學報,2001,37(9):49-52

[6] 霍富強,王鵬,龔曉偉,等.基于分區(qū)分層前推回代算法的光伏陣列運行狀態(tài)評估方法[J].電力系統(tǒng)保護與控制,2016, 44(15):11-16

[7] 周偉,秦世引,萬百五.高速鐵路列車運行調(diào)整的狀態(tài)空間模型及算法[J].西北紡織工學院學報,1997,11(3):210-215

[8] 褚紅燕,沈世斌.基于概率模型算法的設(shè)備運行狀態(tài)分析[J].南京師范大學學報:工程技術(shù)版,2005,5(4):34-37

[9] 張光衛(wèi),何銳,劉禹,等.基于云模型的進化算法[J].計算機學報,2008,31(7):1082-1091

[10] 吳米佳,盧錦玲.基于改進粒子群算法與支持向量機的變壓器狀態(tài)評估[J].電力科學與工程,2011,27(3):27-31

Study on the Precautionary Method for Railway Signal Running State Based on CAPSO-BPNN

YU Xi-ping

430205

In order to improve the precautionary accuracy for railway signal running state and overcome disadvantages of slow convergence speed and local optimization in BPNN model, and its performance was easily affected by the initial weight value and threshold value and so on, this paper proposed a precautionary model based on CAPSO-BPNN for railway signal running state. The results showed that the CAPSO-BPNN model had higher accuracy and better performance than PSO-BPNN and BPNN, which provided new method and approach for forewarning of the operating state of railway signals.

Railway signal;cloud adaptive particle swarm optimization (CAPSO); BP neural network (BPNN); running state

TP391.1

A

1000-2324(2019)02-0281-04

10.3969/j.issn.1000-2324.2019.02.024

2018-04-23

2018-05-14

喻喜平(1968-),女,碩士,副教授,研究方向:軌道交通通信信號技術(shù). E-mail:yuxiping1968@163.com