黃斌

基于改進GM(1,1)和SVM的軌道電路故障最優(yōu)組合預(yù)測模型研究

黃斌

(柳州鐵道職業(yè)技術(shù)學(xué)院，廣西 柳州 545616)

針對傳統(tǒng)電務(wù)部門對ZPW-2000A型軌道電路維護中所沿用的“故障修”及“定時修”在保證行車安全、提高運營效率及經(jīng)濟性等方面的不足，采用改進GM(1,1)和支持向量機(SVM)模型進行最優(yōu)化權(quán)重組合，對軌道電路進行故障預(yù)測。首先，對GM(1,1)模型進行滑動平均法改進，將已知軌道電路的狀態(tài)序列分別送入改進GM(1,1)和SVM模型進行序列預(yù)測。其次，分別對2種預(yù)測算法進行最優(yōu)組合。最后，以2個案例進行模型的測試，驗證了組合模型方法的可行性與有效性。

軌道電路；改進GM(1,1)模型；支持向量機；故障預(yù)測

ZPW-2000A型無絕緣移頻自動閉塞軌道電路是我國鐵路信號系統(tǒng)中應(yīng)用十分廣泛的重要基礎(chǔ)設(shè)備[1?2]。目前，電務(wù)部門對軌道電路的檢修方式[3]主要有：1) 結(jié)合CD96-3型軌道電路測試儀的各電壓測試值與標(biāo)調(diào)表比對判斷；2) 借助微機監(jiān)測記錄的各電壓日曲線、日報表分析，一般故障下參數(shù)電壓波動或直接降為0。長期以來，軌道電路面臨著“期望設(shè)備高性能的運轉(zhuǎn)與維護資源的有限”的矛盾。我國鐵路軌道電路仍然沿用傳統(tǒng)的“定時修”和“故障修”策略，即在固定的時間或當(dāng)設(shè)備發(fā)生故障后才進行檢測維護，此方法存在維護效率低、故障隱患高的缺點，若未及時處理故障很可能造成行車事故，影響行車效率。目前，針對軌道電路的主要研究有：ZHAO等[4]提出軌道電路補償電容的快速故障診斷數(shù)學(xué)模型，實現(xiàn)故障實時監(jiān)測。楊世武等[5]給出一種基于神經(jīng)網(wǎng)絡(luò)的軌道電路混合故障診斷算法，旨在通過快速的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實現(xiàn)軌道電路故障診斷的高效性。LIU等[6?8]分別針對軌道電路的故障采用智能算法進行優(yōu)化診斷研究。伴隨著3C(計算機、通信和控制)技術(shù)及故障預(yù)測與健康管理(Prognostic and Health Management, PHM)[9]技術(shù)的發(fā)展，智能交通系統(tǒng)(Intelligent Transportation System,ITS)同樣快速發(fā)展，圖1為鐵路智能運維架構(gòu)。寧濱[10]指出，目前鐵路設(shè)備采用基于靜態(tài)數(shù)據(jù)的檢修維護難以滿足交通系統(tǒng)安全保障及較低的運營成本，提出宜結(jié)合系統(tǒng)運行機理建立基于“狀態(tài)修”的智能維護模式，此也是當(dāng)前ITS的核心課題。將智能化的預(yù)測技術(shù)引入軌道電路的故障分析中，對于保證列車行車的RAMS(可靠性、可用性、可維護性和安全性)技術(shù)意義重大。

圖1 設(shè)備智能運維架構(gòu)

故障預(yù)測作為一類新興學(xué)科，旨在對設(shè)備進行狀態(tài)監(jiān)測，提前獲悉運行狀態(tài)[11]。首先，ZPW-2000A型軌道電路結(jié)構(gòu)復(fù)雜且狀態(tài)退化過程單調(diào)，可獲特征參量有限。其次，傳統(tǒng)GM(1,1)模型主要解決“貧信息”、“少數(shù)據(jù)”和“不確定性”的問題。為避免GM(1,1)模型在預(yù)測中忽略系統(tǒng)發(fā)展過程的一些必要干擾因素、影響預(yù)測精度，本文對其改進優(yōu)化。鑒于傳統(tǒng)單一故障預(yù)測精度低的缺點，引入組合預(yù)測方法。結(jié)合支持向量機(SVM)在解決小樣本、非線性和高維數(shù)據(jù)模型中泛化能力強的優(yōu)勢，選擇改進GM(1,1)與SVM模型進行最優(yōu)化組合，實現(xiàn)ZPW-2000A故障預(yù)測。本文旨在為電務(wù)人員掌握軌道狀態(tài)、輔助故障分析和故障處理起到指導(dǎo)作用。

1 ZPW-2000A軌道電路原理結(jié)構(gòu)

ZPW-2000A型軌道電路是在法國UM-71的基礎(chǔ)上發(fā)展而來的。設(shè)備一般分為室內(nèi)和室外設(shè)備2部分[12]，如圖2所示。

圖2 軌道電路主體結(jié)構(gòu)劃分

軌道電路的主要作用在于監(jiān)測線路空閑和占用狀態(tài)。若鋼軌有車占用，列車輪對的分路作用會導(dǎo)致信號接收器電壓降低。ZPW-2000A型軌道電路發(fā)送器將電信號通過鐵路線路傳送到信號接收端，信號傳輸過程如圖3所示。

圖3 軌道電路信息傳輸

2 組合算法介紹

2.1 GM(1,1)模型

傳統(tǒng)GM(1,1)為包含單變量的一階灰微分方程。其基本思路是：將無規(guī)則的原始數(shù)據(jù)進行累加生成規(guī)律性強的數(shù)列重新建模，由新生成數(shù)據(jù)再累減得到還原模型，再由還原模型進行預(yù)測[13]，其建模過程如下。

Step 1：生成一次累加模型

Step 2：構(gòu)造背景值

對(1)做緊鄰均值生成計算，結(jié)果為GM(1,1)模型背景值，記做(1)：

其中：2,3,…,。

則：

為GM(1,1)的灰色微分方程。

Step 3：建立GM(1,1)模型

對生成序列(1)做一階單變量微分方程擬合，得到灰色白化過程的動態(tài)模型為：

其中：為發(fā)展系數(shù)；為灰作用系數(shù)。

結(jié)合最小二乘法得到：

可計算得白化方程的解為:

Step 4：累減生成

由一次累減生成得到還原數(shù)列為：

Step 5：求出絕對誤差和相對誤差，最終利用該序列進行預(yù)測。

2.2 改進GM(1,1)模型

若對于2個端點，改進過程為：

其中，′(0)為緊湊平滑處理后的值。通過增加數(shù)據(jù)的權(quán)值，避免數(shù)據(jù)過度波動。

2.3 SVM算法

采用不敏感損失函數(shù)控制模型的擬合度，影響模型的個數(shù)及訓(xùn)練模型泛化能力。越大，訓(xùn)練模型的個數(shù)越小，預(yù)測精度越低；越小，回歸模型精度提高，訓(xùn)練個數(shù)增多：

其中：為模型理想輸出。

通過引入懲罰因子和松弛因子λ和λ*， 滿足：

結(jié)合式(13)和式( 14)，在式(13)的約束下問題可轉(zhuǎn)換為求如式(16)所示函數(shù)的最大值：

將式(15)代入式(11)得到回歸模型，如式(17):

選擇核函數(shù)(x,x)替代內(nèi)積計算，得到回歸模型為：

其中：(x,x)選擇常用的高斯核函數(shù)；為核寬度，與樣本空間成正比。

2.4 最優(yōu)權(quán)重

按照組合預(yù)測理論的權(quán)重計算方法，由二次規(guī)劃尋優(yōu)可建立組合預(yù)測模型。結(jié)合2種算法的故障預(yù)測誤差可確定誤差函數(shù)，以實現(xiàn)預(yù)測誤差平方和值為約束條件，構(gòu)造最優(yōu)組合模型。計算對應(yīng)的最優(yōu)權(quán)重。

結(jié)合改進GM(1,1)及SVM 2種預(yù)測算法，x()為第2種預(yù)測算法分別在時刻的預(yù)測值，則第個預(yù)測方法在時刻的預(yù)測誤差及相應(yīng)的預(yù)測誤差信息矩陣表示為：

將2個預(yù)測結(jié)果進行不等權(quán)重組合，令[1,2,…,w]T為各個預(yù)測方法對應(yīng)輸出的權(quán)重值，其綜合預(yù)測結(jié)果為：

以誤差平方和最小為約束項，通過求解二次規(guī)劃模型來確定最優(yōu)權(quán)重：

通過引入Lagrange乘子，得式(24)：

分別對和求導(dǎo)：

可得權(quán)重為：

3 預(yù)測結(jié)果驗證方法

1) 相對誤差

2) 樣本均方誤差

3) 平均絕對誤差

個預(yù)測誤差的平均絕對值，記為：

其值越小，預(yù)測準(zhǔn)確度越高。其中為外推數(shù)據(jù)個數(shù)。

平均相對百分誤差

個預(yù)測誤差的平均相對百分誤差，記為：

其值越小越好。

4 算例分析

4.1 模型驗證

采用本方法提出的改進GM(1,1)和SVM優(yōu)化組合方法。本文的測試平臺為：PC終端，WINDOWS7 32位操作系統(tǒng)，處理器：Intel(R) Core3，MATLAB2014b。

本文數(shù)據(jù)來自于南寧某客運站微機監(jiān)測系統(tǒng)采集的區(qū)間軌道電路信息。鑒于數(shù)據(jù)的龐大，對軌道電路預(yù)測數(shù)據(jù)進行篩選，選擇開天窗定期現(xiàn)場測試的信號設(shè)備臺賬。

結(jié)合2016年2月~2018年3月的軌出1的電壓作為訓(xùn)練模型。2018年4月~2018年7月的作為測試模型。仿真模型數(shù)據(jù)來自柳州某客運站每月1次的維修測試，內(nèi)容及數(shù)據(jù)如表2所示。為盡可能提高模型的泛化能力，SVM模型的參數(shù)取值分別為：0.02,162,1.49。原始預(yù)測數(shù)據(jù)如表1所示，各種算法預(yù)測結(jié)果如圖4所示。

表1 測試數(shù)據(jù)實際輸出

圖4 軌出1預(yù)測輸出值

表2通過對圖4中5種預(yù)測算法性能結(jié)果進行比對，明顯可以看出最優(yōu)組合預(yù)測結(jié)果與現(xiàn)場實際值擬合度更高，驗證了組合模型預(yù)測的高效性。

表2 各種方法性能比較

4.2 預(yù)測實例驗證

參考文獻[11]所述的事故發(fā)生在2000年10月底，某局發(fā)生的鋼軌電氣式斷軌，由于軌道電路得不到檢查，造成列車脫軌的嚴重事故。若可以提前進行故障預(yù)測，則可避免事故發(fā)生。分離式斷軌的表現(xiàn)為本區(qū)段紅光帶：軌出1的電壓值小于落下門限值(170 mV)。

其中，2000年2月~9月的原始數(shù)據(jù)為：(0)={650, 595, 301, 450, 470, 370, 200, 166}得到各個算法性能參數(shù)對比如表3所示,序列數(shù)=9。

對于改進GM(1,1)模型，模型系數(shù)=?0.009 6，=72.473。對于2月份的數(shù)據(jù)可按式(8)計算，3月份輸出值按式(9)可獲得。

對于其他時間的預(yù)測輸出預(yù)測同樣按照式(9)可獲得。

在SVM模型中，模型參數(shù)設(shè)置為：0.04,167,1.51結(jié)合式(18)逐次循環(huán)計算。最后將2種方法分別獲得的預(yù)測序列按2.4的最優(yōu)組合方法結(jié)合。各類方法預(yù)測結(jié)果及性能比較如表3所示。

表3 各種方法性能比較

從表3可以看出，組合預(yù)測模型在5個預(yù)測模型中的相對誤差和平均相對誤差均最小，驗證了預(yù)測精度的高效性。為直觀起見，在MATLAB2014b平臺上進行仿真，得到結(jié)果如圖5所示。

圖5 多預(yù)測方法對比效果

5 結(jié)論

1) ZPW-2000A型軌道電路是鐵路信號系統(tǒng)中重要的基礎(chǔ)設(shè)備，對其進行故障預(yù)測的研究意義重大。鑒于單一預(yù)測方法預(yù)測精度不高的特點，本文結(jié)合對象故障發(fā)生的隨機性與模糊性以及可獲悉的樣本較少的特點，提出采用改進GM(1,1)與SVM進行軌道電路的最優(yōu)組合故障預(yù)測模型，綜合了2種模型的各自優(yōu)點。

2) 通過2個實例進行多個算法各項參數(shù)的對比驗證，均證明了組合預(yù)測模型的高效性。

3) 本文為軌道電路提供了一種故障預(yù)測與維修的新方法。

[1] 王瑞峰. 鐵路信號運營基礎(chǔ)[M]. 北京: 中國鐵道出版社, 2008. WANG Ruifeng. Basis of railway signal operation[M]. Beijing: China Railway Press, 2008.

[2] 徐侃, 趙林海. 無絕緣軌道電路補償電容多故障的快速診斷方法[J]. 鐵道學(xué)報, 2018, 40(2): 67?72. XU Kan, ZHAO Linhai. A rapid diagnosis method for multi-fault compensation capacitance of non-insulated track circuit[J]. Journal of the China Railway Society, 2018, 40(2): 67?72.

[3] 董昱, 陳星. 基于粗糙集和模糊認知圖的 ZPW-2000軌道電路故障診斷[J]. 鐵道學(xué)報, 2018, 40(6): 83?89. DONG Yu, CHEN Xing. Fault diagnosis of ZPW-2000 track circuit based on rough set and fuzzy cognitive map [J]. Journal of the China Railway Society, 2018, 40(6): 83?89.

[4] ZHAO Linhai. Fault diagnosis for track circuit using AOK-TFRs and AGA[J]. Control Engineering Practice, 2012, 20(12): 1270?1280.

[5] 楊世武, 魏學(xué)業(yè), 范博. 基于數(shù)據(jù)的軌道電路故障診斷的混合算法[J]. 北京交通大學(xué)學(xué)報, 2012, 36(2): 40?46. YANG Shiwu, WEI Xueye, FAN Bo. A hybrid algorithm for track circuit fault diagnosis based on data[J]. Journal of Beijing Jiaotong University, 2012, 36(2): 40?46.

[6] LIU Linhui, YANG Minyuan. Simulation calculation about interference of geomagnetic storms on track circuit equipment[J]. Journal of the China Railway Society, 2015, 37(8): 48?52.

[7] 張友鵬, 常高武, 趙斌. 基于SA算法的無絕緣軌道電路故障綜合檢測方法[J]. 鐵道學(xué)報, 2017, 39(4): 68? 72. ZHANG Youpeng, CHANG Gaowu, ZHAO Bin. Comprehensive fault detection method of non-insulated track circuit based on SA algorithm[J]. Journal of the China Railway Society, 2017, 39(4): 68?72.

[8] 陳星, 董昱. 基于模糊認知圖模型的軌道電路故障診斷[J]. 鐵道科學(xué)與工程學(xué)報, 2017, 14(9): 1983?1989. CHEN Xing, DONG Yu. Fault diagnosis of track circuit based on fuzzy cognitive map model[J]. Journal of Railway Science and Engineering, 2017, 14(9): 1983?1989.

[9] 戴乾軍, 陳永剛, 陶榮杰. 基于動態(tài)PSO優(yōu)化HSMM的轉(zhuǎn)轍機PHM模型研究[J]. 鐵道標(biāo)準(zhǔn)設(shè)計, 2018(9): 174?178. DAI Qianjun, CHEN Yonggang, TAO Rongjie. Research on PHM model of switch machine based on dynamic PSO optimization HSMM[J]. Railway Standard Design, 2018(9):174?178.

[10] 寧濱. 智能交通中的若干科學(xué)和技術(shù)問題[J]. 中國科學(xué), 2018, 48(9): 1264?1269. NING Bin. Some scientific and technical problems in intelligent transportation[J]. China Science, 2018, 48(9): 1264?1269.

[11] Sharma D, Chandra P. Software fault prediction using machine-learning techniques[J]. Smart Computing and Informatics, 2018, 10(1): 978?981.

[12] WU Xiaochun, JI Guanggang. Research on a kind of protective choke matching transformer for track circuit[J]. Journal of Applied Science and Engineering, 2018, 21(3): 124?128.

[13] 湯旻安, 李瀅. 灰色系統(tǒng)理論在地鐵輪對踏面磨損預(yù)測中的應(yīng)用[J]. 鐵道學(xué)報, 2014, 36(12): 35?39. TANG Minan, LI Ying. Application of grey system theory in the prediction of tread wear of metro wheel sets [J]. Journal of the China Railway Society, 2014, 36(12): 35?39.

[14] DAI Su, NIU Ding. Forecasting of energy-related CO2emissions in China based on GM(1,1) and least squares support vector machine optimized by modified shuffled frog leaping algorithm for sustainability[J]. Sustainability, 2018, 10(4): 958?960.

Research on fault optimal combination prediction model of ZPW-2000A track circuit based on improved metabolic GM(1,1) and SVM

HUANG Bin

(Liuzhou Railway Vocational and Technical College, Liuzhou 545616, China)

In view of the shortcomings of the “fault repair” and “timing repair” used by the traditional electrical department in the maintenance of ZPW-2000A track circuit in ensuring traffic safety, improving operation efficiency and economy. This paper adopted the improved GM(1,1) and support vector machine (SVM) model to carry out the optimal weight combination for the fault prediction of track circuit. Firstly, the GM(1,1) model was modified by the sliding average method, and the known state sequence of the track circuit was fed into the improved GM(1,1) and SVM models for sequence prediction. Secondly, the optimal combination of the two prediction algorithms was build. Finally, two cases were used to test the model to verify the feasibility and effectiveness of the combined model method.

track circuit; improved GM(1,1); SVM; fault prediction

U283.2

A

1672 ? 7029(2019)11? 2852 ? 07

10.19713/j.cnki.43?1423/u.2019.11.026

2019?02?20

廣西高校中青年教師基礎(chǔ)能力提升項目(2017KY1239)；廣西高等學(xué)校千名中青年骨干教師培育計劃資助項目；廣西高等學(xué)校高水平創(chuàng)新團隊及卓越學(xué)者計劃

黃斌(1983?)，男，河南南陽人，副教授，從事軌道交通信號與控制研究；E?mail：huangbinliutie@sina.com

(編輯 陽麗霞)