宋 丹，汪 浩

(中車青島四方車輛研究所有限公司，山東 青島 266011)

1 概述

目前諸多學者將智能算法應用在道岔故障診斷領域，且取得了較好的診斷效果。文獻[1]提出一種基于灰關聯(lián)的道岔故障診斷方法，該方法準確率較高，但其主觀性強，最優(yōu)值難以確定。文獻[2-3]提出一種基于BP神經(jīng)網(wǎng)絡的道岔故障智能診斷算法，診斷效果好，但算法陷入局部極值，易導致網(wǎng)絡訓練失敗。文獻[4]建立一種基于BP神經(jīng)網(wǎng)絡和模糊綜合評判的決策級融合診斷系統(tǒng)，對S700K轉(zhuǎn)轍機進行故障診斷，該方法診斷正確率高，但算法復雜度高。文獻[5]結合粗糙集與灰色理論，通過預測電流特征實現(xiàn)S700K轉(zhuǎn)轍機故障診斷，該方法故障診斷精度高，可操作性高，更具實用性，不足之處是不適用于數(shù)據(jù)量多的情況。文獻[6]將灰色關聯(lián)分析和神經(jīng)網(wǎng)絡技術相結合，實現(xiàn)S700K轉(zhuǎn)轍機的故障診斷，該方法有效提高了故障識別率，但診斷精度仍有待提高。上述智能診斷方法以及現(xiàn)下的一些智能診斷方法雖都能診斷出道岔故障范圍，但仍存在類似算法復雜度高、診斷精度低、診斷時間長的一些不足。

針對以上不足，本文提出一種IBOA-PNN方法對道岔控制電路進行故障診斷，該方法能降低算法復雜度并對其存在的不足進行改進。仿真結果表明，改進的算法避免陷入局部最優(yōu)和訓練過程中的震蕩，且算法復雜度低、診斷精度高。

2 道岔控制電路及故障分析

2.1 道岔控制電路

本文以S700K型轉(zhuǎn)轍機控制電路為研究對象，利用本文提出的IBOA-PNN算法對其進行故障診斷。S700K轉(zhuǎn)轍機道岔控制電路結構如圖1所示。

圖1 S700K轉(zhuǎn)轍機道岔控制電路Fig.1 S700K switch machine switch turnout control circuit

2.2 故障分析

S700K道岔電路故障主要是由電阻開路或短路、配線電纜斷線和表示繼電器開路(定位)等引起的電氣故障。常見的電氣故障及其電氣特征如表1所示。

3 IBOA-PNN故障診斷模型

3.1 BOA算法簡述

BOA算法[7]是Arora等人于2018年提出的一種新型智能優(yōu)化算法，其算法簡單、收斂速度快、尋優(yōu)精度高。算法思想來源于蝴蝶覓食、尋偶行為過程。每只蝴蝶會產(chǎn)生一定強度的香味傳播到被其他蝴蝶感覺到的地方，當感受到此香味，便會向其移動并散發(fā)更多香氣，從而交互個人信息；若無法感知香味，則隨機游走。感知強度與尋優(yōu)適應度有關，且決定其大小，隨著蝴蝶位置的變化而變化。

表1 S700K道岔控制電路故障時電氣特征Tab.1 Electrical characteristics of S700K turnout control circuit failure

數(shù)學描述簡述如下：

1）初始化階段。設N維搜索空間中，利用公式（1）隨機生成m個初始解：

公式（1）中，i=1,2,…,m,xi為蝴蝶i的空間位置；Ua、Lb分別為搜索空間的上、下界。r表示[0,1]之間的隨機數(shù)。

2）定義目標函數(shù)。BOA利用公式（2）描述香味的感知強度。

公式（2）中，x=(x1,x2,…,xn)，c為感官形態(tài)系數(shù)；I為刺激強度；a為強度指數(shù)系數(shù)。c、a的取值影響B(tài)OA的尋優(yōu)能力。

3）迭代階段。BOA通過全局搜索策略和局部搜索策略利用迭代次數(shù)獲得最優(yōu)解，并利用切換概率p決定BOA所選擇的搜索策略。

全局搜索策略描述如下：

局部搜索策略描述如下：

公式（3）、（4）中，xik、xjk、xtk分別為第k次迭代蝴蝶i、j和t的位置；g*為當前迭代群體最佳位置；fi為蝴蝶i的適應度值。

3.2 改進BOA算法

類似其他智能算法，BOA也存在易陷入局部最優(yōu)和收斂速度慢的不足。目前對其有幾種改進方式，例如引入混沌映射、提出動態(tài)自適應慣性權重和擾動策略、改進遷移及調(diào)整算子以及提出改進離散蝴蝶優(yōu)化算法等。

以改進后的算法復雜度低且能實現(xiàn)最佳診斷為目標，本文對公式(2)中的強度指數(shù)系數(shù)a的取值進行改進。當a=1時，蝴蝶香味以相同容量被感知；當a=0時，香味不能被感知分析。感官形態(tài)系數(shù)c的取值由待優(yōu)化目標的特殊性決定。通過驗證，當c=0.01，a采用下式動態(tài)更新時，BOA能獲得更佳的尋優(yōu)性能。

公式（5）中，amax、amin分別為a的最大、最小值。本文amax=0.02，amin=0.01；k、kmax分別為迭代次數(shù)及其最大值。

3.3 IBOA優(yōu)化PNN的可調(diào)參數(shù)

PNN以徑向基(RBF)神經(jīng)網(wǎng)絡為基礎，采用貝葉斯最小風險準則，廣泛應用于模式分類問題[8]。其網(wǎng)絡在學習過程中不需要訓練，比BP神經(jīng)網(wǎng)絡等操作更簡單、魯棒性更高。

模式層：計算輸入向量與訓練集間關系，輸出為公式（6）：

公式（6）中：Wi為第一、二層間的權值；S為平滑因子。

求和層：將屬于某故障類型的概率累加，由公式(6)得到概率密度函數(shù)；

輸出層：輸出每個神經(jīng)元對應的故障類型。可表示為：

公式（7）中：Xni為故障模式n的第i個訓練向量；m為故障模式n的訓練樣本數(shù)目。

IBOA優(yōu)化PNN可調(diào)參數(shù)的過程如下：

對比酶聯(lián)免疫法與膠體金法檢測假陽性率，18例陽性標本經(jīng)市艾滋病確診實驗室確認后，17例為HIV感染者，酶聯(lián)免疫法檢測假陽性率為0%，膠體金法檢測假陽性率為5.56%。通過比對可以看出 酶聯(lián)免疫法準確性相對更高，膠體金法敏感性更好。

1) 設置IBOA種群規(guī)模sizeb，切換概率p、參數(shù)c、amax、amin、k和算法終止條件；將平滑因子S作為蝴蝶種群粒子。

2) 對蝴蝶位置、速度進行初始化。

3) 計算適應度值，以PNN的輸出誤差作為適應度函數(shù)，記為f。

4) 若蝴蝶f優(yōu)于以前任一時刻的f，則以該f作為個體極值；若該蝴蝶的f優(yōu)于以前所有蝴蝶的f，則將該f作為群體極值。

5) 更新蝴蝶的位置與速度。

6) 判斷終止條件，若達到則輸出最優(yōu)S訓練IBOA-PNN模型后轉(zhuǎn)7)，否則轉(zhuǎn)2)繼續(xù)執(zhí)行。

7) 將測試數(shù)據(jù)進行歸一化處理后，輸入到已訓練好的IBOA-PNN模型中，以檢驗模型的診斷準確率和泛化能力。

4 仿真實驗與結果分析

4.1 數(shù)據(jù)處理

因為道岔控制電路故障診斷特征值數(shù)量級不同，為避免IBOA-PNN模型訓練過程中出現(xiàn)病態(tài)矩陣，同時使程序加快收斂，因此對訓練和測試樣本進行歸一化預處理[9]。具體如公式(8)所示。

公式（8）中：Y為歸一化后的數(shù)據(jù)，X為原始數(shù)據(jù)。處理后的數(shù)據(jù)位于[0,1]區(qū)間。

采集500組道岔控制電路故障數(shù)據(jù)，其中，300組訓練樣本，200組測試樣本；一個樣本點為8維。部分歸一化樣本數(shù)據(jù)以及故障類型如表2所示。

表2 部分歸一化樣本數(shù)據(jù)Tab.2 Partial normalized sample data

其中，P1～P8為道岔控制電路故障特征向量，將其作為系統(tǒng)輸入，P1～P8分別為：具體如表1中所示參數(shù)：X1～X2的交流電壓；X2～X4的交流電壓；X1～X2的直流電壓；X2～X4的直流電壓；R1兩端的交流電壓；R1兩端的直流電壓；繼電器1～4線圈交流電壓；繼電器1～4線圈直流電壓。F1～F8為道岔控制電路的故障類型，將其作為系統(tǒng)輸出，F(xiàn)1～F8分別為：X1開路；X2開路；R開路；Z開路；Z擊穿；R1開路；R短路；繼電器開路。

4.2 診斷流程

具體IBOA-PNN的道岔控制電路故障診斷流程如圖2所示。

在診斷過程中，需要注意以下幾個問題。

1) 輸入變量

輸入量對輸出影響大且相關性很小、能夠檢測。考慮到運算復雜度，輸入量常取5～8個為宜。本文選擇P1～P8為輸入變量構造特征向量。

圖2 道岔控制電路故障診斷框架Fig.2 Fault diagnosis framework of turnout control circuit

圖3 IBOA-PNN算法診斷結果Fig.3 IBOA-PNN algorithm diagnosis results

2) 參數(shù)設置

選擇合適的參數(shù)可以加速算法收斂，提高IBOAPNN模型的故障診斷準確率。本文個別參數(shù)經(jīng)過多次仿真驗證后具體設置為：c=0.01；amax=0.02；amin=0.01；p=0.8；kmax=20；sizeb=15。

由于迭代次數(shù)過多或過少都會對實驗結果的精度造成影響，分別在5～100次迭代下，利用Matlab對本文算法故障診斷準確率的變化進行仿真分析。經(jīng)過仿真，在迭代次數(shù)為20、蝴蝶數(shù)目為15時，診斷效果最佳，達到100%。具體診斷情況如圖3所示。并在同種參數(shù)下，將本文算法與較為典型的PSO-PNN算法的診斷效果進行對比，如圖4所示。其算法對應的適應度曲線分別如圖5、6所示。

從圖3可以看出， IBOA-PNN算法能最大程度正確識別各種故障狀態(tài)，診斷準確率達到100%，達到預期效果。如圖5所示，平均適應度曲線由發(fā)散狀態(tài)趨于收斂，說明算法進行順利，最終與最佳適應度曲線趨于擬合，說明算法達到成熟，最佳適應度值為0，此時最佳參數(shù)S=1.429 9。與圖4所示的PSO-PNN算法進行對比，其在多種故障類型下都發(fā)生一次或多次誤診斷，其最佳適應度為0.053 0，參數(shù)S=1.531 5。

圖4 PSO-PNN算法診斷結果Fig.4 PSO-PNN algorithm diagnosis results

圖5 IBOA-PNN適應度曲線Fig.5 IBOA-PNN fitness curve

5 結論

針對道岔控制電路常見故障模式所對應的功率曲線，提出基于改進IBOA-PNN的道岔故障診斷方法。

圖6 BOA-PNN算法適應度曲線Fig.6 PSO-PNN fitness curve

改進后的BOA-PNN模型，使分類更加準確，誤判率更低，進一步提高道岔控制電路的故障診斷準確率。

從仿真結果上看：該故障診斷算法的診斷準確率達到100%。針對目前高速鐵路提速道岔區(qū)段，采用的轉(zhuǎn)轍設備包括 S700K 型、ZDJ9 型、ZYJ7等類型轉(zhuǎn)轍機，控制電路原理基本相同，對其進行故障分析、診斷和處理的方法也基本一致，故可將該方法應用到其他型號轉(zhuǎn)轍機上，同時在故障診斷領域也有著良好的應用前景。