樊會(huì)星，鄒 穎

（1. 中車青島四方車輛研究所有限公司，青島 266031；2. 中車唐山機(jī)車車輛有限公司，唐山 063035）

在列車運(yùn)行過程中，車輛的狀態(tài)往往不只受單一因素的影響，而是多個(gè)因素疊加耦合作用的結(jié)果，例如，由于車速變化、車廂外溫變化和電機(jī)溫度升高等共同作用引起的溫度傳感器故障等。另外，由于列車電磁環(huán)境復(fù)雜，相關(guān)傳感器受干擾導(dǎo)致采集值突變的現(xiàn)象也時(shí)有發(fā)生。這些情況可能導(dǎo)致列車控制系統(tǒng)邏輯運(yùn)行判斷錯(cuò)誤，產(chǎn)生故障誤報(bào)和錯(cuò)誤控制命令，影響行車安全。因此采用單一元素信息進(jìn)行控制和診斷，可能會(huì)導(dǎo)致列車誤動(dòng)作和誤診斷，故障發(fā)生時(shí)也不能快速準(zhǔn)確定位到故障源[1]。此外，列車控制的故障診斷只是依據(jù)當(dāng)前列車狀態(tài)采集信息進(jìn)行實(shí)時(shí)診斷，不能提前進(jìn)行預(yù)判來避免相關(guān)損失。綜上，采取更有效的方法對列車相關(guān)采集信息進(jìn)行處理和應(yīng)用是很有必要的。

人工神經(jīng)網(wǎng)絡(luò)由于具有優(yōu)良的非線性逼近特性、較好的魯棒性和容錯(cuò)性、大規(guī)模并行處理能力以及自學(xué)習(xí)、自組織和自適應(yīng)性，使其在信號處理和工業(yè)控制等領(lǐng)域都得到了廣泛的應(yīng)用[2]。BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用多、具有實(shí)用價(jià)值的算法之一。如文獻(xiàn)[3]采用BP 神經(jīng)網(wǎng)絡(luò)對船艙溫度進(jìn)行預(yù)警，文獻(xiàn)[4]提出應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)對鐵路事故進(jìn)行較長期預(yù)測，文獻(xiàn)[5]利用 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行鐵路客運(yùn)設(shè)備故障監(jiān)測?；谝陨涎芯?，本文提出采用BP 神經(jīng)網(wǎng)絡(luò)的方法對列車相關(guān)狀態(tài)采集信息進(jìn)行分析處理，并結(jié)合現(xiàn)有車輛控制邏輯實(shí)現(xiàn)動(dòng)車組智能化控制和故障診斷監(jiān)控，借此提高列車控制和診斷的準(zhǔn)確性。

1 車輛信息數(shù)據(jù)預(yù)處理

1.1 研究對象選取

目前，動(dòng)車組列車車輛狀態(tài)采集的相關(guān)信息眾多，如涉及車廂內(nèi)部環(huán)境的溫度、煙霧濃度等，涉及列車車輛運(yùn)行安全的牽引電機(jī)溫度、齒輪箱溫度、軸承溫度和變壓器油溫等，涉及車輛運(yùn)行狀態(tài)的速度、線電壓和線電流等。這類信息的處理方式和實(shí)際應(yīng)用方式基本類似，本文選取牽引電機(jī)溫度作為研究對象，采用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行診斷和控制，其它類似信息采用相同方法進(jìn)行建模和訓(xùn)練即可。

1.2 數(shù)據(jù)預(yù)處理

動(dòng)車組每節(jié)動(dòng)車上安裝有4 臺(tái)牽引電機(jī)，每臺(tái)牽引電機(jī)上安裝有3 個(gè)溫度傳感器和1 個(gè)速度傳感器，3 個(gè)溫度傳感器分別測量驅(qū)動(dòng)端軸承溫度、非驅(qū)動(dòng)端軸承溫度和定子溫度，列車網(wǎng)絡(luò)控制系統(tǒng)通過速度及溫度條件對牽引電機(jī)冷卻風(fēng)機(jī)的啟停和高低速進(jìn)行控制，從而達(dá)到冷卻牽引電機(jī)的目的。本文依據(jù)實(shí)際數(shù)據(jù)的有效性對獲取的傳感器數(shù)據(jù)信息進(jìn)行預(yù)處理，電機(jī)溫度的合理范圍是-50℃～300℃，數(shù)據(jù)的具體預(yù)處理方法如下[6]：

（1）缺失的數(shù)據(jù)用相鄰時(shí)刻數(shù)據(jù)插補(bǔ)；

（2）小于采集合理范圍最小值的數(shù)據(jù)以最小值代替，大于最大值的數(shù)據(jù)以最大值代替；

（3）對于不合理數(shù)據(jù)值沿用前一時(shí)刻數(shù)據(jù)。

通過以上數(shù)據(jù)預(yù)處理，預(yù)先過濾掉錯(cuò)誤的數(shù)據(jù)信息，增強(qiáng)采集數(shù)據(jù)的有效性。

2 神經(jīng)網(wǎng)絡(luò)模型的建立與運(yùn)用

2.1 BP神經(jīng)網(wǎng)絡(luò)概述

BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)淠Ｐ桶ㄝ斎雽?、隱含層和輸出層。BP 神經(jīng)網(wǎng)絡(luò)算法包括信號的前向傳播和誤差的反向傳播2 個(gè)過程，即計(jì)算輸出誤差時(shí)按從輸入到輸出的方向進(jìn)行，而調(diào)整權(quán)值則從輸出到輸入的方向進(jìn)行。BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如下：

（1）計(jì)算輸出層的實(shí)際輸出與期望輸出間的誤差；

（2）通過BP 神經(jīng)網(wǎng)絡(luò)將誤差信號通過隱含層向輸入層逐層反轉(zhuǎn)，并將誤差分?jǐn)偨o各層的所有節(jié)點(diǎn)，從而獲得各層的誤差信號；

（3）通過不斷調(diào)整各層權(quán)值，使誤差沿梯度方向下降；

（4）經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的BP 神經(jīng)網(wǎng)絡(luò)權(quán)值，完成網(wǎng)絡(luò)模型的訓(xùn)練[7]。

2.2 模型建立

本文采用BP 神經(jīng)網(wǎng)絡(luò)對牽引電機(jī)的溫度值進(jìn)行預(yù)測和處理。結(jié)合理論與應(yīng)用經(jīng)驗(yàn)分析結(jié)果，采用3層BP 神經(jīng)網(wǎng)絡(luò)模型，將列車速度、車廂外溫度、牽引力大小、牽引電機(jī)電流輸入、牽引電機(jī)風(fēng)扇啟動(dòng)全速和牽引電機(jī)啟動(dòng)半速作為輸入層節(jié)點(diǎn)，牽引電機(jī)定子溫度、牽引電機(jī)驅(qū)動(dòng)端溫度和牽引電機(jī)非驅(qū)動(dòng)端溫度作為輸出層節(jié)點(diǎn)。牽引電機(jī)溫度的BP 神經(jīng)網(wǎng)絡(luò)模型如圖1 所示。

圖1 牽引電機(jī)溫度的BP 神經(jīng)網(wǎng)絡(luò)模型示意圖

設(shè)定輸入層節(jié)點(diǎn)為xi（i=1，…，6），隱含層節(jié)點(diǎn)為yj（j=1，…，p），其中，p為隱含層的節(jié)點(diǎn)總數(shù)，輸出層的節(jié)點(diǎn)為zk（k=1，2，3）。輸入層節(jié)點(diǎn)xi到隱含層節(jié)點(diǎn)yj的權(quán)值為ωij，隱含層節(jié)點(diǎn)yj到輸出層節(jié)點(diǎn)zk的權(quán)值為ωjk，對于這兩種權(quán)值中的任一值采用ωab進(jìn)行通用表示，模型期望輸出（測得的實(shí)際輸出）為rk（k=1，2，3），理論輸出與期望輸出間的誤差為：

輸出節(jié)點(diǎn)的誤差函數(shù)定義為：

BP 神經(jīng)網(wǎng)絡(luò)的算法推導(dǎo)[8]是調(diào)整每個(gè)權(quán)值ωab的大小、使得輸出誤差E逐步減小的過程，計(jì)算其導(dǎo)數(shù)為：

誤差調(diào)整大小為：

其中，η為學(xué)習(xí)效率，且0 ＜η＜1。

對于第k個(gè)輸出層節(jié)點(diǎn)：

其中，δk=(rk-zk)zk(1-zk)。

對于第j個(gè)隱含層單元：

根據(jù)上述運(yùn)算過程來調(diào)整BP 神經(jīng)網(wǎng)絡(luò)模型的權(quán)值系數(shù)，建立起完整的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，通過該模型可以計(jì)算出某一特定數(shù)據(jù)采集周期的每節(jié)車廂的牽引電機(jī)定子溫度、驅(qū)動(dòng)端溫度和非驅(qū)動(dòng)端溫度數(shù)值。

2.3 智能控制與診斷

假定根據(jù)前述訓(xùn)練模型獲得t時(shí)刻的輸出值為zt，而傳感器反饋的實(shí)際采集值為Zt，則誤差為：）

假設(shè)最終用于列車控制邏輯判斷是否為傳感器故障或超溫等的溫度應(yīng)用值為Ot，該值的判斷邏輯分為以下幾種情況。

（1）當(dāng)Δzt小于設(shè)定閾值θ時(shí)，則認(rèn)為采集值有效，可以將采集值和輸出值分別乘以加權(quán)系數(shù)再求和，作為最終的溫度應(yīng)用值Ot。

其中，p為加權(quán)系數(shù)。

（2）當(dāng)Δzt值大于設(shè)定閾值θ時(shí)，則認(rèn)為采集值異常。如果前一個(gè)周期采集值有效，則該周期值的溫度應(yīng)用值采用前一周期的采集值和本周期預(yù)測值分別乘以加權(quán)系數(shù)再求和。

（3）當(dāng)Δzt值大于設(shè)定閾值θ，且Δzt-1值也大于閾值θ時(shí)，則判定溫度傳感器故障，控制邏輯采取顯示屏報(bào)警，限速，切除牽引、斷主斷降弓等措施保障車輛安全。

另外，可以將采集數(shù)據(jù)通過遠(yuǎn)程傳輸主機(jī)上傳到地面列車云數(shù)據(jù)庫。通過大數(shù)據(jù)運(yùn)算，判斷Δzt的變化趨勢，提前發(fā)現(xiàn)列車隱性故障和存在問題，便于列車維護(hù)。

3 實(shí)驗(yàn)驗(yàn)證

3.1 模型訓(xùn)練與測試

通過列車數(shù)據(jù)記錄裝置獲取車輛總線全部數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)源，由于數(shù)據(jù)記錄裝置每隔100 ms 進(jìn)行一次記錄, 較短時(shí)間內(nèi)數(shù)據(jù)變化很微小，因此進(jìn)行預(yù)處理時(shí)數(shù)據(jù)的選取間隔為1 min，同時(shí)過濾掉重復(fù)數(shù)據(jù)和無效數(shù)據(jù)。在處理后的數(shù)據(jù)包內(nèi)選取1 000 組數(shù)據(jù)進(jìn)行訓(xùn)練，選取200 組數(shù)據(jù)進(jìn)行效果驗(yàn)證。本文選取電機(jī)定子溫度值進(jìn)行效果驗(yàn)證，選用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練， 模型的具體實(shí)現(xiàn)步驟如下：

（1）將訓(xùn)練樣本數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)隱含層和輸出層傳遞函數(shù)分別為tansig 和purelin 函數(shù), 網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm 函數(shù)；

（2）隱含層神經(jīng)元數(shù)初始值為7，網(wǎng)絡(luò)迭代次數(shù)為3 000 次，期望誤差為0.000 1 ；

（3）完成參數(shù)設(shè)定后， 開始訓(xùn)練網(wǎng)絡(luò)。

由于Matlab 工具箱每次訓(xùn)練的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，因此相同參數(shù)下每次驗(yàn)證的輸出結(jié)果也略有不同，隱藏層節(jié)點(diǎn)數(shù)分別為7 ～10 的輸出結(jié)果如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果

3.2 結(jié)果分析

根據(jù)多次實(shí)驗(yàn)訓(xùn)練發(fā)現(xiàn)，為了獲取最優(yōu)輸出結(jié)果，需要多次調(diào)整參數(shù)并選取最佳訓(xùn)練模型。由圖2可以看出，在訓(xùn)練過程中，隱含層的節(jié)點(diǎn)數(shù)調(diào)整為10 時(shí)的訓(xùn)練效果最佳，與期望值最為接近，誤差在10℃以內(nèi)，該誤差對于牽引電機(jī)的溫度判斷在可接受范圍之內(nèi)。這表明利用BP 神經(jīng)網(wǎng)絡(luò)模型綜合列車各種運(yùn)行信息進(jìn)行預(yù)測，并結(jié)合傳感器采集值綜合判斷得出車輛狀態(tài)信息以避免單純依靠傳感器采集導(dǎo)致數(shù)據(jù)異常情況的方法是可行的。本方案可有效過濾異常的傳感器采集數(shù)值，避免車輛運(yùn)行過程中的誤動(dòng)作和誤診斷，提高車輛控制和診斷的準(zhǔn)確性。

4 結(jié)束語

本文針對由列車復(fù)雜環(huán)境等導(dǎo)致的傳感器采集數(shù)據(jù)異常問題提出了以列車各種運(yùn)行信息作為輸入，通過采用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模型訓(xùn)練來預(yù)測列車狀態(tài)信息，并將輸出結(jié)果融入到現(xiàn)有車輛運(yùn)行控制邏輯中，可有效提高列車控制和診斷的準(zhǔn)確性，避免車輛誤動(dòng)作和誤診斷。采用列車實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行了大量的訓(xùn)練得出較優(yōu)的網(wǎng)絡(luò)模型，將模型預(yù)測信息與實(shí)際采集信息進(jìn)行對比，驗(yàn)證了其良好的使用效果。

本方案單純采用BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算，存在精確度不足的問題，在后續(xù)研究中可以融合深度學(xué)習(xí)和遺傳算法等方法優(yōu)化權(quán)值和閾值選擇等來進(jìn)行改進(jìn)。另外，后續(xù)研究中可結(jié)合大數(shù)據(jù)和云計(jì)算等手段來預(yù)測車輛運(yùn)行的狀態(tài)和趨勢，提前發(fā)現(xiàn)隱性故障并采取積極措施來有效降低列車故障率，保障列車運(yùn)行安全。