張玉霞

(陜西交通職業(yè)技術(shù)學(xué)院,軌道交通學(xué)院,陜西,西安 710018)

0 引言

在鐵路運(yùn)輸中,鐵路道岔故障嚴(yán)重影響了鐵路運(yùn)行效率和安全,若不及時(shí)對(duì)道岔進(jìn)行識(shí)別和診斷,極易出現(xiàn)重大交通事故。因此,對(duì)道岔健康進(jìn)行實(shí)時(shí)診斷和提前預(yù)防具有重要意義。然而,傳統(tǒng)的鐵路道岔故障診斷依舊采用人工診斷方式,存在診斷時(shí)間長(zhǎng)、效率低和準(zhǔn)確率低的問題。針對(duì)此問題進(jìn)行的研究有:楊菊花等[1]提出了基于CNN-GRU模型的道岔故障診斷算法研究,利用CNN網(wǎng)絡(luò)的深層特征學(xué)習(xí)特性,與GRU網(wǎng)絡(luò)相結(jié)合,很大程度上提升了道岔故障的準(zhǔn)確率;謝博才等[2]深入探索了基于機(jī)器學(xué)習(xí)的道岔故障診斷與預(yù)測(cè),利用機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)對(duì)道岔故障進(jìn)行特征提取,實(shí)現(xiàn)了道岔故障診斷的有效性;李婉婉等[3]提出基于GMM聚類和PNN的道岔故障診斷研究,將GMM聚類與PNN進(jìn)行決策融合,發(fā)揮兩者的優(yōu)勢(shì),使得故障診斷誤差減小,診斷效率和準(zhǔn)確率提升。結(jié)合以上學(xué)者研究成果,本文提出將機(jī)器學(xué)習(xí)和決策融合技術(shù)相結(jié)合,構(gòu)建基于PNN決策融合道岔故障診斷模型,通過該模型實(shí)現(xiàn)道岔故障準(zhǔn)確診斷,降低安全事故發(fā)生概率。

1 PNN道岔故障診斷模型構(gòu)建

概率神經(jīng)網(wǎng)絡(luò)(PNN)是根據(jù)統(tǒng)計(jì)原理進(jìn)行分析的前饋網(wǎng)絡(luò),具備分類準(zhǔn)確率高的優(yōu)點(diǎn)[4],其網(wǎng)絡(luò)結(jié)構(gòu)主要分為輸入層、模式層、求和層和輸出層等4個(gè)部分,具體結(jié)構(gòu)如圖1所示。

圖1 PNN網(wǎng)絡(luò)結(jié)構(gòu)

輸入層主要負(fù)責(zé)對(duì)樣本數(shù)據(jù)進(jìn)行接收,數(shù)據(jù)維度與神經(jīng)元相對(duì)應(yīng),輸入層單個(gè)神經(jīng)元的輸出表示為

(1)

式(1)中,Wi表示輸入層與模式層間的連接權(quán)值,δ表示平滑因子[5]。通過式(1)可求出求和層樣本集類別的概率密度函數(shù)(PDF),其類別與求和神經(jīng)元一一對(duì)應(yīng)。

輸出層負(fù)責(zé)將上層的最大的概率密度進(jìn)行輸出,其輸出神經(jīng)元個(gè)數(shù)與上層對(duì)應(yīng)[6]。

PNN故障診斷中,若故障類別表示為θA、θB,需判斷的故障樣本X=(x1,x2,…,xn)表示為

hAlAfA(X)>hBlBfB(X)

(2)

X∈θA

(3)

hAlAfA(X)

(4)

X∈θB

(5)

式(2)～式(5)中,hA、hB表示故障類別θA、θB的先驗(yàn)概率(hA=NA/N,hB=NB/N),NA、NB分別表示故障類別θA、θB的樣本數(shù)目[7-10],N表示樣本總數(shù),lA表示屬于θA類但劃分至θB類的代價(jià)因子,lB反之,fA、fB表示故障類別θA、θB的概率密度函數(shù)。

道岔故障診斷屬于非線性問題,通過PNN網(wǎng)絡(luò)能對(duì)非線性數(shù)據(jù)進(jìn)行處理,因此構(gòu)建基于PNN網(wǎng)絡(luò)的道岔故障診斷模型,見圖2。

圖2 PNN故障診斷模型

圖2中,采集訓(xùn)練集數(shù)據(jù)后,即可建立平滑因子可變的PNN網(wǎng)絡(luò),找出最佳平滑因子,確定參數(shù),提升PNN網(wǎng)絡(luò)故障診斷正確率[11];最后建立PNN網(wǎng)絡(luò),并利用測(cè)試集進(jìn)行網(wǎng)絡(luò)測(cè)試,由此得到診斷結(jié)果。

2 基于 PNN 決策級(jí)融合的故障診斷

2.1 PNN 決策級(jí)融合故障診斷原理

為進(jìn)一步提升故障診斷模型的預(yù)測(cè)能力,在結(jié)合PNN故障診斷基礎(chǔ)上,融合BP和決策樹的診斷模型,從而發(fā)揮決策融合技術(shù)和PNN網(wǎng)絡(luò)的優(yōu)勢(shì),降低錯(cuò)誤判斷率。具體思路如圖3所示。

圖3 基于PNN決策級(jí)融合故障診斷模型原理

首先采集道岔樣本集;然后將樣本分別輸入至各模型中進(jìn)行訓(xùn)練和測(cè)試,輸出各模型的預(yù)測(cè)數(shù)據(jù)并進(jìn)行歸一化處理;再利用平滑因子選出最優(yōu)預(yù)測(cè)參數(shù);最后將最優(yōu)平滑因子輸入基于PNN網(wǎng)絡(luò)的故障診斷模型中,最終完成道岔故障診斷。

2.2 決策級(jí)融合的故障診斷模型構(gòu)建

基于圖3的模型構(gòu)建原理,構(gòu)建基于PNN決策級(jí)融合的故障診斷模型如下。

(1) 對(duì)采集的原始數(shù)據(jù)進(jìn)行預(yù)處理,獲得樣本集。

(2) 利用MATLAB構(gòu)建基于BP網(wǎng)絡(luò)、決策樹和PNN網(wǎng)絡(luò)的故障診斷模型,進(jìn)行比較分析后,將訓(xùn)練測(cè)試完成的模型用于PNN決策級(jí)模型[12]。

(3) 將輸入層和輸出層分別設(shè)置為3個(gè)和8個(gè)神經(jīng)元,且輸入和輸出分別為道岔狀態(tài)類別編號(hào)。PNN決策級(jí)融合結(jié)構(gòu)如圖4所示。

圖4 PNN決策級(jí)融合結(jié)構(gòu)

(4) 最后分別對(duì)基于PNN的決策級(jí)模型和初始模型在初始模型失效和模型完好的情況下進(jìn)行模型性能測(cè)試,判別此模型故障診斷正確率是否得到提升。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證構(gòu)建模型的有效性,實(shí)驗(yàn)開發(fā)鐵路道岔系統(tǒng),軟件平臺(tái)選用Pycharm 2017,Visual Studio 2017,硬件平臺(tái)的處理器型號(hào)為Intel(R)Core i5,選擇Windows 7作為操作系統(tǒng),開發(fā)語言為Python,C#。

3.2 實(shí)驗(yàn)數(shù)據(jù)

為了取得更好的實(shí)驗(yàn)效果,本次實(shí)驗(yàn)數(shù)據(jù)來自某鐵路段監(jiān)測(cè)系統(tǒng)對(duì)ZD6 型道岔設(shè)備采集的故障動(dòng)作電流數(shù)據(jù)。正常的ZD6 型道岔動(dòng)作電流如圖5所示。

圖5 正常的道岔電流

通過圖5可以看出,道岔動(dòng)作電流曲線包含10個(gè)關(guān)鍵點(diǎn),標(biāo)記為T1～T10。根據(jù)道岔控制電路原理,圖5的電流曲線可分為3步,總共4個(gè)時(shí)間段。T1～T2表示1DQJ 吸起到道岔動(dòng)作點(diǎn),此時(shí)動(dòng)作時(shí)間一般在0.2～0.3 s,動(dòng)作電流一般在6～10 A;T2～T9 為道岔動(dòng)作至鎖閉,該階段電機(jī)電流大、轉(zhuǎn)速慢,同時(shí)道岔電流通過轉(zhuǎn)換后,此時(shí)的曲線比較平滑;T9～T10為電流記錄結(jié)束區(qū),此時(shí)電流值降為0。通過對(duì)動(dòng)作電流曲線的分析,將道岔狀態(tài)分為8類,包含7種道岔故障和1種正常狀態(tài),具體見表1。

表1 本實(shí)驗(yàn)道岔故障類型

選擇t=(0.1,0.3,0.5,0.7,0.9,2.0,3.0,4.0,5.0,5.5,6.0,6.5)共12個(gè)瞬時(shí)電流值為特征信息,采集到的數(shù)據(jù)共1200條,然后按照8∶2的比例分為訓(xùn)練集960條和測(cè)試集240條。由于故障樣本相對(duì)較少,所以選擇其中的720條正常樣本和480條故障樣本。在完成上述樣本數(shù)據(jù)集構(gòu)建后,輸入MATLAB軟件中進(jìn)行分析仿真。

3.3 參數(shù)設(shè)置

3.3.1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)

為達(dá)到最好的故障診斷效果,同時(shí)方便進(jìn)行對(duì)比,設(shè)定隱含層神經(jīng)元數(shù)目為14,網(wǎng)絡(luò)訓(xùn)練的精度設(shè)定為0.001,最大訓(xùn)練步長(zhǎng)設(shè)定為2000,網(wǎng)絡(luò)學(xué)習(xí)的速率設(shè)定為0.1,同時(shí)采用均方誤差作為評(píng)價(jià)函數(shù)。在以上基礎(chǔ)數(shù)據(jù)下,比較不同訓(xùn)練函數(shù)和最佳隱藏層節(jié)點(diǎn)對(duì)訓(xùn)練結(jié)果的影響,具體結(jié)果見表2和圖6。通過表2看出,選擇trainlm訓(xùn)練函數(shù)得到的均方誤差最小,且當(dāng)隱含層數(shù)為11時(shí)網(wǎng)絡(luò)訓(xùn)練誤差最小。

表2 不同訓(xùn)練函數(shù)下的預(yù)測(cè)均方誤差

圖6 不同隱含層數(shù)下的網(wǎng)絡(luò)訓(xùn)練誤差

綜上,BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)選擇trainlm,隱藏層節(jié)點(diǎn)數(shù)設(shè)定為11。

3.3.2 PNN參數(shù)設(shè)置

結(jié)合PNN網(wǎng)絡(luò)結(jié)構(gòu),將輸入層維度設(shè)定為12,輸出層維度為8,同時(shí)采用試湊法對(duì)PNN平滑因子進(jìn)行優(yōu)化,具體結(jié)果如圖7所示。

圖7 不同平滑因子對(duì)分類正確率的影響

通過圖7得出,當(dāng) SPREAD 為 0.5 時(shí),模型正確率超過 95%,因此選其作為最優(yōu)平滑因子進(jìn)行最終網(wǎng)絡(luò)測(cè)試。

3.3.3 決策樹參數(shù)

決策樹的參數(shù)設(shè)定為max_depth=15,max_features=0.999,min_sampe_leaf=1.0,min_sample_split=25。

3.4 評(píng)價(jià)指標(biāo)

選用準(zhǔn)確率(P)、漏報(bào)率(MA)和虛警率(FA)作為故障診斷結(jié)果評(píng)價(jià)指標(biāo),具體計(jì)算式為

(6)

(7)

(8)

式(6)～式(8)中,TP、TN、FP、FN分別表示真正例、真反例、假正例和假反例。

3.5 基于PNN決策級(jí)融合故障診斷模型驗(yàn)證

完成以上單一診斷模型測(cè)試后,對(duì)基于PNN決策級(jí)融合的故障診斷模型進(jìn)行驗(yàn)證和分析。分別在某一模型失效和模型完整兩種情況下進(jìn)行驗(yàn)證,通過2種方式測(cè)試決策級(jí)模型是否具備容錯(cuò)性以及模型正確率是否得到提升。

3.5.1 某一模型失效情況下驗(yàn)證與分析

(1) BP網(wǎng)絡(luò)失效或PNN網(wǎng)絡(luò)失效

將測(cè)試集的數(shù)據(jù)應(yīng)用到基于PNN決策級(jí)融合的故障診斷模型中進(jìn)行測(cè)試,當(dāng)模型正確率低于60%時(shí),說明此模型失效。對(duì)模型參數(shù)進(jìn)行優(yōu)化后,得到最終輸出的正確率模擬模型失效情況,如圖8、表3、表4所示。

表3 BP網(wǎng)絡(luò)失效正確率統(tǒng)計(jì)表 單位:%

表4 PNN網(wǎng)絡(luò)失效正確率統(tǒng)計(jì)表 單位:%

由圖8、表3、表4可知,在BP模型或PNN模型失效情況下,決策級(jí)融合模型的預(yù)測(cè)正確率均保持在92%以上,預(yù)測(cè)效果較好,沒有發(fā)生明顯變化,說明決策級(jí)融合模型具有較高的容錯(cuò)性。

(2) 決策樹失效或BP和決策樹網(wǎng)絡(luò)失效

利用測(cè)試集進(jìn)行測(cè)試,結(jié)果如圖9、表5和表6所示。

表5 決策樹失效情況下正確率統(tǒng)計(jì)表 單位:%

表6 BP和決策樹網(wǎng)絡(luò)失效情況下正確率統(tǒng)計(jì)表 單位:%

圖9 決策樹失效或BP和決策樹網(wǎng)絡(luò)失效情況下的關(guān)系圖

從圖9、表5、表6可知:在決策樹失效情況下,決策級(jí)融合的預(yù)測(cè)準(zhǔn)確率高達(dá)98.7%,均保持在94%以上;而在BP和決策樹網(wǎng)絡(luò)失效情況下,決策級(jí)融合的預(yù)測(cè)準(zhǔn)確率依舊在91%以上。由此說明,決策樹失效或BP和決策樹網(wǎng)絡(luò)失效對(duì)決策級(jí)融合的影響較小,該模型具備容錯(cuò)性。

3.4.2 初始模型完好情況下的驗(yàn)證與分析

在3種初始模型完好的情況下,通過5次不同測(cè)試集對(duì)決策級(jí)模型進(jìn)行測(cè)試,測(cè)試結(jié)果如圖10、表7所示。

表7 初始模型完好情況下正確率統(tǒng)計(jì)表 單位:%

圖10 初始模型完好情況下正確率

由圖10、表7可知,在3種初始模型完好狀況下,決策級(jí)融合模型的預(yù)測(cè)效果依舊高于3種初始模型,且該模型的診斷正確率均在95%以上,高達(dá)98.1%,說明此模型的正確率得到提升。

完成準(zhǔn)確率是否提升的測(cè)試后,利用測(cè)試集對(duì)PNN決策級(jí)模型進(jìn)行測(cè)試,得到實(shí)際類別與預(yù)測(cè)類別的結(jié)果,如圖11、圖12所示。

圖11 PNN決策級(jí)融合模型實(shí)際圖與預(yù)測(cè)圖

圖12 PNN決策級(jí)融合模型各類別正確率統(tǒng)計(jì)圖

從圖11、圖12可以看出,PNN決策級(jí)融合模型的正確率為98%,明顯高于另外3種模型,漏報(bào)率和虛警率僅為3%,由此說明決策級(jí)融合模型的正確率得到提升,誤判率和漏判率下降,對(duì)道岔故障診斷具有較好的識(shí)別和分類效果。

4 總結(jié)

綜上,構(gòu)建的基于PNN決策級(jí)融合故障診斷模型具備可行性和有效性,故障診斷的正確性進(jìn)一步提升,并具有一定的容錯(cuò)性,模型性能優(yōu)越。實(shí)驗(yàn)結(jié)果表明,在單一模型失效情況下,決策級(jí)融合模型依舊可以保持較高的準(zhǔn)確率。同時(shí),對(duì)比完好狀況下的模型,決策級(jí)融合模型的診斷正確率高達(dá)98.1%,比BP網(wǎng)絡(luò)、PNN模型和決策樹提升了6.3%、4.5%和9.6%,模型預(yù)測(cè)能力顯著提升。