(1.蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070； 2.蘭州鐵路局客運段，甘肅 蘭州 730070)

針對列車自動防護(Automatic Train Protection,ATP)車載設備的故障問題，目前大多采用單故障診斷方法，如趙陽[1]等人提出基于文本挖掘的故障診斷方法，故障準確率達到86%；曹哲[2]等人提出基于神經(jīng)網(wǎng)絡與案例推理的診斷方法,診斷正確率達到89%；徐田華[3]等人提出基于貝葉斯網(wǎng)絡的車載設備故障診斷系統(tǒng)，故障定位準確率達到89%，其方法并不適用于系統(tǒng)因存在潛在故障引發(fā)多故障的診斷，因此需要一種多故障診斷方法。

目前有很多種多故障診斷的方法，如連可[4]等人基于多類支持向量機(SVM)和小波變換提出了一種對模擬電子系統(tǒng)的多故障診斷方法；Kundu[5]等人通過粒子群算法和多故障注入實現(xiàn)多故障診斷；文天柱[6]等人提出一種基于改進ENN2聚類算法的汽輪發(fā)電機組的多故障診斷方法。但用于ATP車載設備的多故障診斷方法并不多，根據(jù)ATP車載設備的故障特點，結合BP網(wǎng)絡的非線性映射能力與PSO算法的全局尋優(yōu)能力建立改進粒子群優(yōu)化BP(PSO-BP)網(wǎng)絡模型，并將其運用于ATP車載設備的故障診斷。在對ATP車載設備故障進行分析的基礎上，提取出9種故障特征，通過改進PSO-BP方法對特征進行分類來映射出復雜的故障類型，檢測出ATP車載設備存在的隱蔽故障，提高檢測精度和系統(tǒng)的可靠性，因此實現(xiàn)車載設備故障智能化診斷與預測，對提高高速鐵路的運營效率具重要意義。

1 ATP車載設備及故障診斷

1.1 ATP車載設備概述

圖1所示的CTCS3-300T型ATP車載設備[7-8]的結構非常復雜，主要包括ATPCU(C3控車時實現(xiàn)超速防護的核心模塊)、SDP(列車運行速度和走行距離處理單元，同時還是Profibus總線控制器)、C2CU(C2控車的核心模塊)、BTM(ATP系統(tǒng)的應答器天線接口)、PG(速度傳感器)、D(多普勒雷達)、DX/DI(開關量輸入/輸出接口)、SDU(從速度傳感器和多普勒雷達中讀取脈沖)、DMI(人機界面)、TCR(編碼軌道電路的信息讀取器)、CAU(應答器天線裝置)、TSG(列車信號網(wǎng)關)、JRU(司法記錄裝置)、GCD(加密裝置)、STU-V(安全傳輸單元)、GSM-R(ATP與GSM-R的接口設備)、VDX(安全開關量輸入/輸出接口)、PUC(編碼軌道電路接收線圈)、MVB(信號裝置)、Local MVB(車輛MVB)等設備。

圖1 CTCS3-300T型ATP車載設備的結構

1.2 ATP車載設備故障分析及特征提取

根據(jù)文獻[9]和文獻[10]分析ATP車載設備在高速列車運行中遇到的不同故障，產(chǎn)生故障的原因如表1所示。

表1 CTCS3-300T型ATP車載設備故障與分析

由表1可知，ATP車載設備存在7種故障類型，經(jīng)過分析發(fā)現(xiàn)，其中的任意一種故障都由多個故障特征體現(xiàn)，同一特征亦可能反映不同的故障類別。根據(jù)ATP車載設備的原理及故障特點，可以提取9種特征分別為：無法收到MA、BTM端口報文戳溢出、A/B命令比較不一致、C3切換C2超時、VDX報文故障、繼電器故障、速度傳感器參數(shù)異常、GSM-R網(wǎng)絡干擾和MT電臺異常，ATP車載設備存在多故障現(xiàn)象。將ATP車載設備看作一個黑匣子，通過找出故障特征與故障類型之間的關系來構建基于改進PSO-BP網(wǎng)絡的ATP車載設備的多故障診斷模型。

2 構建ATP車載設備的診斷模型

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡具有非線性映射能力，是一種按信息正向傳播、誤差逆向傳播[11]進行網(wǎng)絡訓練的多層前饋神經(jīng)網(wǎng)絡，對多模式、多故障的診斷具有優(yōu)越性[12-14]。網(wǎng)絡在信息正向傳播過程中所采用的神經(jīng)元傳遞函數(shù)如式(1)所示，隱層與輸出層的輸出分別為

(1)

(2)

(3)

式中，e為常數(shù)；f1、f2分別為隱含層、輸出層激活函數(shù)；dij為輸入層i和隱含層j之間的權值；hjk為隱含層j和輸出層k之間的權值；Fi為網(wǎng)絡的輸入;θ、θ′為網(wǎng)絡閾值；N為隱層神經(jīng)元個數(shù)。

網(wǎng)絡在誤差反向傳播過程中的輸出層和隱含層權值調(diào)整方式分別如式(4)、式(5)所示，使得網(wǎng)絡誤差E小于設定的允許值(如式(6)所示)，從而得到各個神經(jīng)元的權值和閾值。

(4)

(5)

(6)

通過BP網(wǎng)絡的非線性映射能力隔離ATP車載設備的多故障的過程中，易陷入局部最優(yōu)解，不能得到最優(yōu)的故障類型，因此提出用PSO算法的全局尋優(yōu)能力彌補BP算法的缺陷，擴大搜索范圍以盡快找到ATP車載設備的故障。

2.2 PSO算法基本原理

粒子群(Particle Swarm Optimization,PSO)算法是一種隨機尋優(yōu)算法。它將每個診斷問題的解設想成存在于d維空間中的粒子，粒子在搜索空間中飛行的速度如式(7)所示，通過個體和群體的飛行經(jīng)驗來動態(tài)調(diào)整其速度，并不斷更新位置(如(8)所示)，直到達到最優(yōu)為止。每個粒子依據(jù)適應度函數(shù)值更新如式(9)所示。

(7)

(8)

fitness=min(f(v,x))

(9)

在粒子更新過程中，權重w、粒子跟蹤自己歷史最優(yōu)值的權重系數(shù)c1、粒子跟蹤群體最優(yōu)值的權重系數(shù)c2等參數(shù)的設置分別如式(10)～式(12)所示。

w=wmax-(wmax-wmin)×(t/T)

(10)

c1=cmax-(cmax-cmin)×(t/T)

(11)

c2=cmin+(cmax-cmin)×(t/T)

(12)

式中,wmax=0.9,wmin=0.3,cmax=2,cmin=0.6，T為最大迭代次數(shù)。

2.3 改進PSO-BP網(wǎng)絡模型

通過PSO和BP兩種算法優(yōu)勢結合進行ATP車載設備的多故障診斷時，要先確定網(wǎng)絡結構，即模型的輸入層、輸出層及隱含層的節(jié)點數(shù)，節(jié)點數(shù)即模型結構層數(shù)。將ATP車載設備的9種故障特征表示為F1～F9，7種故障類型表示為G1～G7，并根據(jù)BP網(wǎng)絡模型的原理，將F1～F9作為輸入層，G1～G7作為輸出層，Y1～YN作為隱含層，構建基于改進PSO-BP網(wǎng)絡的多故障診斷模型如圖2所示。在模型的構建過程中，影響著網(wǎng)絡診斷性能[15]的隱含層神經(jīng)元個數(shù)N可以通過多次訓練網(wǎng)絡比較神經(jīng)元的平均誤差大小來確定。

在圖2中，系統(tǒng)的輸入向量為F=(F1,F2,…,F9)T,隱含層輸出向量為Y=(Y1,Y2,…,YN)T,輸出層輸出向量為G=(G1,G2,…,G7)T,輸入層i和隱含層j之間的權值為dij=(d1,d2,…,dN)T，隱含層j和輸出層k之間的權值為hjk=(h1,h2,…,h7)T。

圖2 ATP車載設備的PSO-BP網(wǎng)絡拓撲結構

在結合PSO算法和BP算法兩者優(yōu)勢的過程中，需要將BP網(wǎng)絡的權值當作一個粒子，并在粒子搜索過程中，根據(jù)ATP車載設備的故障特點及PSO算法與BP算法之間的對應關系，依據(jù)由式(6)與式(9)結合而成的式(13)所示的適應度函數(shù)，利用式(7)優(yōu)化速度，并運用式(8)調(diào)整粒子的位置，通過不斷調(diào)整慣性權重w(如式(10)所示)、個體權重系數(shù)c1(如式(11)所示)、群體權重系數(shù)c2(如式(12)所示)來不斷改變權值，使誤差達到全局最小值，將網(wǎng)絡均方誤差作為粒子的適應度函數(shù)fitness來評價粒子的好壞，由此可見粒子的適應度值越小越好。

Impacts of cloud-radiative forcing on tropical cyclone intensification and structure

(13)

3 仿真及結果分析

應用Matlab軟件工具，檢驗改進PSO-BP網(wǎng)絡模型對CTCS3-300T型ATP車載設備進行多故障診斷的有效性。并結合故障特征選取100組數(shù)據(jù)用于網(wǎng)絡的訓練，60組數(shù)據(jù)作為測試數(shù)據(jù)測試網(wǎng)絡的擬合性能，從而建立160個訓練樣本用于ATP車載設備的多故障。取20個粒子進行200次迭代，慣性權重為w，取值如式(10)所示，學習因子c1和c2的調(diào)整分別如式(11)與式(12)所示，由BP網(wǎng)絡與PSO算法的對應關系可知，粒子維數(shù)D=L×N+N×M+N+M，訓練目標設為0.001，學習速率為0.01～0.1。

網(wǎng)絡訓練時，將PSO算法優(yōu)化好的權值賦給已經(jīng)構建好的網(wǎng)絡模型，G1～G7對應的目標輸出用二進制編碼分別表示為：G1(1000000)、G2(0100000)、G3(0010000)、G4(0001000)、G5(0000100)、G6(0000010)、G7(0000001)。當網(wǎng)絡誤差小于目標誤差時訓練停止。將改進PSO-BP網(wǎng)絡與BP網(wǎng)絡、PSO-BP網(wǎng)絡的均方誤差曲線進行對比，如圖3所示。

圖3 3種網(wǎng)絡訓練過程中均方誤差變化情況

由圖3可知，BP網(wǎng)絡經(jīng)過280步的迭代才達到0.001的訓練目標，網(wǎng)絡的訓練效率不高；PSO-BP網(wǎng)絡經(jīng)過172步才達到目標誤差，效率依然不高；而在迭代次數(shù)和速度上，改進PSO-BP網(wǎng)絡都優(yōu)于BP網(wǎng)絡和PSO-BP網(wǎng)絡，其在迭代過程中，誤差變化明顯，僅經(jīng)過47次迭代就達到了0.001的目標誤差，收斂速度得到很大的提高。此時，隱含層N=15、學習速率lr=0.05、c1=c2=1.4945、w=0.6。

圖4為PSO-BP網(wǎng)絡和改進PSO-BP網(wǎng)絡在訓練過程中調(diào)整權值得到適應度值的變化趨勢。

由圖4可知，兩種網(wǎng)絡的適應度值基本上一直在減小，粒子一直在搜索。提出的改進PSO-BP網(wǎng)絡的權值在迭代了26次后就得到了全局尋優(yōu)，優(yōu)化后的適應度值約為0.0016，此時已經(jīng)達到全局最優(yōu)；盡管PSO-BP網(wǎng)絡起始的適應度值小于改進PSO-BP網(wǎng)絡，但其在接近63次時，才收斂到最佳，其適應度值約為0.0023。通過計算可知，改進PSO-BP網(wǎng)絡適應度值低于PSO-BP網(wǎng)絡適應度值的30.4%，尋優(yōu)速度較快。由此可知，在收斂速度方面，改進PSO-BP算法比PSO-BP算法和BP算法都有著較大的提高。

圖4 適應度值變化趨勢

在3種網(wǎng)絡訓練結束后，分別輸入ATP車載設備進行多故障診斷的測試數(shù)據(jù)進行仿真驗證。對于G=[G1,G2,G3,G4,G5,G6,G7]所示的實際神經(jīng)網(wǎng)絡輸出，由于網(wǎng)絡的實際輸出并不一定與前文G1～G7對應的目標輸出完全一致，因此需要對該輸出結果進行如式(14)所示的處理，利用式(14)將輸出向量G中各元素映射至[0,1]區(qū)間，得到歸一化輸出向量，最終實現(xiàn)對故障的識別。

gEs=(gs-min(G))/(max(G)-min(G)),s=1,2,…,7

(14)

表2中，G1～G7同前文表示測試樣本所屬故障類型，F(xiàn)1～F7表示測試樣本編號。由表2可見，BP網(wǎng)絡和PSO-BP網(wǎng)絡分別在編號F1、F4、F5與編號F7處出現(xiàn)了無效分類數(shù)據(jù)，該數(shù)據(jù)已由下劃線標記，其他數(shù)據(jù)分類有效，診斷結果正確；改進PSO-BP網(wǎng)絡所有的輸出均為有效,尤其在診斷G5(通信超時故障)、G6(其他車載故障)與G7(系統(tǒng)停車故障)時，其實際輸出值明顯比PSO-BP網(wǎng)絡和BP網(wǎng)絡輸出值更穩(wěn)定，更接近于期望輸出值，精度更高。同時，改進PSO-BP方法在識別G5時，樣本F2的輸出值為0.9474，而樣本F5的輸出值為0.9801，相比于F2更接近于1，按照定義的規(guī)則及診斷方法，系統(tǒng)發(fā)生故障時很有可能先識別出G5，與期望輸出一致，而G2則為G5的潛在故障。因此，該方法相較于PSO-BP網(wǎng)絡和BP網(wǎng)絡可以更好地識別出系統(tǒng)存在的潛在故障，說明本文方法可以更好地識別出ATP車載設備存在的多故障。

為進一步驗證改進PSO-BP方法診斷ATP車載設備的多故障的可行性，在ATP車載設備故障診斷實例中，取與文獻[2]相同的故障特征F1～F9的診斷數(shù)據(jù)，用于本文改進PSO-BP算法中，并與文獻[2]進行對比，結果如表3所示。

表2 網(wǎng)絡輸出及診斷結果

表3 診斷效果對比

由表3可看出，改進PSO-BP網(wǎng)絡的誤差相比于PSO-BP網(wǎng)絡、BP網(wǎng)絡及文獻[2]中的案例推理與神經(jīng)網(wǎng)絡方法三者的誤差都有所下降，迭代次數(shù)減少，收斂速度加快，而且對ATP車載設備多故障診斷的正確率相比于文獻[2]中單故障診斷方法的正確率稍高。

結合表2、表3可知，本文方法在診斷單故障的同時，也診斷出了系統(tǒng)存在的潛在故障，為ATP車載設備的多故障定位和診斷提供了新途徑。

4 結論

① 在ATP車載設備的多故障診斷中引入改進PSO-BP網(wǎng)絡并以ATP車載設備的故障特征數(shù)據(jù)作為網(wǎng)絡輸入進行訓練。以0.001的目標誤差分別對BP網(wǎng)絡、PSO-BP網(wǎng)絡和改進PSO-BP網(wǎng)絡進行訓練，并比較3種不同網(wǎng)絡的訓練效果，可以看出所提出的改進PSO-BP網(wǎng)絡的目標誤差僅迭代47次就已經(jīng)達到最優(yōu)，相比于BP網(wǎng)絡和PSO-BP網(wǎng)絡，其網(wǎng)絡輸出精度高，收斂速度快。

② 從表2和表3可以看出，改進PSO-BP網(wǎng)絡的輸出值更穩(wěn)定，更接近于期望輸出值，利用此方法進行ATP車載設備的多故障診斷時正確率達到95%，結果表明改進PSO-BP模型能夠很好地擬合ATP車載設備的故障特征與故障類型之間的非線性映射關系，具有更高的可靠性和準確性。