基于D－S证据理论信息融合的轨道电路故障诊断方法研究*

李 娜，董海鹰，2

(1.兰州交通大学自动化与电气工程学院，甘肃 兰州 730070;2.兰州交通大学光电技术与智能控制教育部重点实验室，甘肃 兰州 730070)

近年来，随着行车速度不断提高，为了满足铁路提速、提效以及向长钢轨、电气化发展的需要，ZPW－2000A作为铁路轨道电路的一项新技术，已被逐步推广应用。轨道电路多采用人工定期进行检修和维护的方式，由于轨道电路包含设备数量较多，加之室外环境的复杂性，轨道电路出现的故障现象也多种多样，因此，单凭经验处理故障难免会有盲目性或顾此失彼，且维护人员的理论水平和实际经验也直接影响故障处理的效率和正确率。如何快速有效地诊断轨道电路故障，仍是摆在技术人员面前的一个重要难题。近几年来，国内外学者们运用了一些智能控制诊断方法对ZPW－2000A设备进行研究［1－5］。文献［3］运用遗传算法对轨道电路中多个补偿电容故障及道砟电阻波动等情况作了综合评判。文献［4］用D－S证据理论对轨道电路位于发送器和接收器之间的一系列微调电容进行故障检测。文献［5］提出了一种基于神经网络的故障诊断网络对轨道电路进行故障诊断，解决了单独设计网络带来的运算量问题。但是轨道电路其故障类型、故障征兆和故障产生机理之间存在着复杂性和不确定性，仅靠单一诊断方法已无法完成诊断任务。为了克服现有技术的不足，本文采用信息融合技术，信息融合可以综合利用多传感器获得同一对象的多维故障信息并进行故障诊断，因而可以提高故障诊断的确定性［6－9］。文献［6］采用信息融合故障诊断方法对离心式风机进行了故障诊断。文献［7］提出了基于证据理论的列车智能控制系统多信息融合故障诊断方法。采用信息融合技术对轨道电路进行故障诊断，诊断结果验证了该方法的有效性。

1 ZPW－2000A轨道电路原理及故障分析

1.1 ZPW－2000A无绝缘轨道电路原理

ZPW－2000A型无绝缘轨道电路系统构成如图1所示。

ZPW－2000A型无绝缘轨道电路分为主轨道电路和调谐区小轨道电路两部分，小轨道电路视为列车运行前方主轨道电路的所属“延续断”。主轨道电路的发送器由编码条件控制产生不同含义的低频调制的移频信号，该信号经电缆通道传给匹配变压器及调谐单元，因为钢轨是无绝缘的，该信号既向主轨道传送，也向调谐区小轨道传送，主轨道信号经钢轨送到轨道电路受电端，然后经调谐单元、匹配变压器、电缆通道。将信号传至本区段接收器。调谐区小轨道信号由运行前方相邻轨道电路接收器处理，并将处理结果形成小轨道电路继电器执行条件送至本区段接收器，本区段接收器同时接收到主轨道移频信号及小轨道电路继电器执行条件，判断无误后驱动轨道电路继电器吸起，并由此来判断区段的空闲与占用情况。

图1 ZPW－2000A无绝缘轨道电路原理图Fig.1 Track circuit schematic of ZPW －2000A

1.2 ZPW－2000A无绝缘轨道电路故障分析

根据对ZPW－2000A型无绝缘轨道电路故障机理分析和对其实际发生故障的总结，归纳出主要的几种故障类型:主轨道故障、共用发送通道故障、小轨道故障、室内故障以及衰耗盒故障。本文选择主轨道输入电压、小轨道输入电压、轨出电压、衰耗器测空电压以及模拟盘电压这5个量作为故障特征信号量。

2 基于信息融合的轨道电路故障诊断

BP神经网络具有很好的非线性映射，自学习能力和对环境的自适应能力等特点，它可以有效地解决设备的各种故障征兆参数之间关系复杂并且非线性的问题［10－11］。模糊综合评判可以有效解决设备故障和故障产生机理之间存在着复杂性和不确定性的问题［12］，可以建立精确的数学模型。将BP神经网络和模糊综合评判对轨道电路故障诊断结果用D－S证据理论进行融合可以提高诊断的精确度。计算结果更加可信。

2.1 基于BP神经网络的轨道电路故障诊断

BP神经网络选用三层前向神经网络，将主轨道输入电压B1，小轨道输入电压B2，轨出电压B3，衰耗盒“XGJ”测试空电压B4，模拟盘电压作B5作为BP神经网络的输入，输入层神经元个数为5，将定义的故障类型作为BP神经网络的输出，输出层神经元个数为5，分别是主轨道故障A1、共用发送通道故障A2、小轨道故障A3、室内故障A4、衰耗盒故障A5，根据式(1)以及训练结果对比来确定隐含层神经元的个数为12。式中:l为隐层节点数;m为输入节点数;n为输出节点数;α为1～10之间的常数。BP网络模型如图2所示。

图2 BP网络结构Fig.2 BP network structure

在故障诊断过程中，一般把输入样本归一化处理，输出样本值的元素是0或1，隐含层和输出层均选用S型对数logsig作为神经元传递函数。针对建立的网络，选择训练误差目标为0.01，初始设置学习率为0.01，初始权值取(0，1)之间的随机数，对网络进行初始化，建立好神经网络模型后，用traingd函数训练。用建立的样本数据对网络模型进行训练。

2.2 基于模糊综合评判的轨道电路故障诊断

轨道电路故障诊断模糊综合评判是根据各种故障原因与征兆之间不同的程度关系，利用模糊变换原理和诊断决策，在综合考虑所有的因素下最终来诊断其发生故障的可能原因。

2.2.1 因素集和征兆集

在轨道电路设备中，设用一个集合来定义轨道电路所有可能发生故障的各种原因，可以用一个向量A来表示这个集合如式(2)所示。

式中:m表示故障原因的总数。以ZPW－2000A型无绝缘轨道电路主要的5种故障作为故障原因，则它们组成的故障原因向量为:{主轨道故障、共用发送通道故障、小轨道故障、室内故障、衰耗盒故障}，以主轨道输入电压、小轨道输入电压、轨出电压、衰耗盒“XGJ”测试空电压、模拟盘电压作为故障征兆。由于这些故障原因所引起的各种征兆，也被定义为1个集合，用向量B表示，其中n表示故障征兆的总数。

2.2.2 单因素和多因素故障模糊评判

单独对某个故障进行评判，以确定评判对象对评判集征兆的隶属程度，称为单故障模糊评判。对故障集A中第i个故障Ai进行评判，确定该故障对征兆集B中第j个元素Bj的隶属度为rij则得出第i个故障 Ai单故障集 ri=(ri1，ri2，…，rin)。显然，它是征兆集B上的一个子集。把m个故障评价集组合就构成了故障集与征兆集上的模糊关系矩阵R。其中:0 ≤rij= μR(Ai，Bj)≤1;i=1，2，…，m;j=1，2，…，n。

R是A×B上的模糊子集，它反应轨道电路中某种故障与某种征兆的关系程度，同时上式满足归一化条件，即:

模糊关系矩阵R的确立通过神经网络的学习来获取，征兆隶属度集B由测试的记录数据经过分析获得，已知R和B，就可以求得故障原因隶属度集A，这就是多因素综合评判:A=B°RT。

2.3 基于D－S证据理论融合的轨道电路诊断模型

本文中，基于D－S证据理论的决策级信息融合诊断模型主要包括数据处理、特征级局部诊断和决策级融合三大模块，结构如图3所示。

D－S证据理论基本策略是把证据集合划分为若干个不相关的部分，并分别利用它们对识别框架进行独立判断，然后利用组合规则将它们组合起来［10－12］。

图3 基于D－S证据理论信息融合诊断模型Fig.3 Fusion diagnosis model based on D－S evidence theory

以二元情况为例，假设Bel1和Bel2是同一识别框架Θ上的2个置信函数，其中Θ是样本空间，即是由1个互不相容陈述集合的幂集2Θ构成的命题集合。m1和m2为对应基本概率赋值函数，m1和m2的焦元分别为 A1，A2，…，An和 B1，B2，…，Bn，并假设:

其中:K表示2个证据之间的冲突程度。当K=1时，为全冲突，此时D－S组合规则不能使用;当K＜1时，为非完全冲突，此时，D－S组合规则可以使用。则有概率赋值函数m:2Θ→［0，1］对于所有基本概率赋值的非空集A有命题A的基本概率分配函数(对命题A的信任度):

将上述两两融合规则推广到多证据组合时，多个置信度函数对应的联合作用结果可以同样用多个置信度函数的直和表示:

D－S证据理论融合中关键是如何构造各焦元的基本概率，将神经网络和模糊综合评判的输出结果作为D－S证据理论组合证据的可信度。BP网络的实际输出与理想输出之间的网络误差为:

式中:En为第n个表征矢量的网络误差;tnj为第n个表征矢量的第j个输出神经元的期望值;ynj为第n表征矢量的第j个输出神经元的实际值。

将归一化处理后的神经网络诊断结果代入式(9)，得到每个样本中第i种故障模式的基本概率值m(Ai)，把网络误差进行同样处理，作为D－S证据理论的不确定程度m(Θ)，构造的D－S证据理论概率分配值:

式中:Ai表示故障模式;i=1，2，…，n;y(Ai)为BP网络的诊断结果。

对于模糊综合评判，构造的D－S证据理论的概率分配为:

用D－S证据理论的方法将BP网络和模糊综合评判诊断结果在决策级融合，从而得到能完全反映设备运行状态的诊断结果。

3 仿真实验与结果分析

本文以现场某区段ZPW－2000A历史故障数据为实例，选择主轨道输入电压、小轨道输入电压、轨出电压、衰耗盒“XGJ”测试空电压、模拟盘电压这5个量作为故障特征信号量，经归一化处理后形成样本进行分析，建立检测数据库。由于网络的各个输入量常常具有不同的物理意义和不同的量纲，需要对输入样本进行归一化处理，归一化处理公式如下:

式中:X为原始数据;Xmax和Xmin为原始数据的最大值和最小值;T为变换数据，即目标数据;本文从实例数据中选择200组样本，其中10组归一化处理后的样本数据如表1所示。

定义主要的5类故障类型:主轨道故障A1、共用发送通道故障A2、小轨道故障A3、室内故障A4、衰耗盒故障A5建立样本数据库。将检测数据送入神经网络进行训练，期望输出和仿真结果分别见表2和表3，利用式(9)提供的方法构造各故障的基本概率见表4。

同样，将检测数据用基于模糊综合评判的故障诊断进行仿真，其结果见表5所示，再用式(10)构造基本概率分配结果见表6。

表1 经处理后的归一化样本Table 1 One of a sample treated normalized

表2 检测数据的期望输出Table 2 The desired output of the detection data

表3 BP神经网络故障诊断模型仿真结果Table 3 Model simulation results of BP neural network fault diagnosis

表4 用神经网络输出求得的基本概率分配Table 4 Basic probability distribution obtained by the neural network output

最后将以上2种方法的诊断结果进行决策级融合，即将表4与表6进行融合，形成基于D－S证据理论的决策级融合诊断模型，融合结果见表7，将表4、表6和表7进行比较，可以发现融合之后大幅度地提高了诊断决策的置信度。如第1组数据故障 A1(主轨道故障)置信度由0.743118，0.678783提高到了0.924255。

表5 糊综合评判的故障诊断结果Table 5 Fault diagnosis results of paste comprehensive evaluation

表6 糊综合评判的构造概率分配函数Table 6 Structure probability distribution function of paste comprehensive evaluation

表7 D－S证据理论决策级融合结果Table 7 Level fusion results of D－S evidence theory decision

4 结论

对ZPW－2000A无绝缘轨道电路进行故障诊断时，针对D－S证据理论在应用时难以确定基本概率分配的问题，利用神经网络输出和模糊综合评判输出来构造D－S证据理论中的基本概率分配。然后，将基于BP神经网络和模糊综合评判对ZPW－2000A无绝缘轨道电路的两种诊断结果用D－S证据理论进行决策级融合。仿真结果表明:基于BP神经网络和模糊综合评判的决策级融合诊断系统可以有效的解决ZPW－2000A无绝缘轨道电路故障的不确定性，并提高了对轨道电路的诊断精度，计算结果更加可靠。

［1］赵林海，穆建成.基于AOK－TFR的轨道电路故障诊断方法［J］.西南交通大学学报，2011，46(1):84 －91.ZHAO Lin-hai，MU Jing-cheng.Fault diagnosis method for jointless track circuit based on AOK －TFR［J］.Journal of Southwest University，2011，46(1):84 －91.

［2］赵林海，蔡伯根.基于HHT、DBWT的无绝缘轨道电路补偿电容故障诊断［J］.铁道学报，2011，33(3):49－54.ZHAO Lin-hai，CAI Pei-gen.The method of diagnosis of compensation capacitor failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Society，2011，33(3):49 －54.

［3］赵林海，冉义奎，穆建成.基于遗传算法的无绝缘轨道电路故障综合诊断方法［J］.中国铁道科学，2010，31(3):107－113.ZHAO Lin-hai，RAN Yi-kui，MU Jing-cheng.The method of diagnosis of failures with jointless track circuits based on genetic algorithm［J］.Journal of the China Railway Science，2010，31(3):107 －113.

［4］Oukhellou L.Fault diagnosis in railway track circuits using Dempster－ Shafer classifier fusion［J］.Engineering Applications of Artificial Intelligence，2010(23):117 －128.

［5］杨世武，魏学业.基于数据的轨道电路故障诊断的混合算法［J］.北京交通大学学报，2012，36(2):40 －46.YANG Shi-wu，WEI Xue-ye.Study of data－based hybridalgorithm on track circuit fault diagnosis［J］.Journal of Beijing University，2012，36(2):40 －46.

［6］饶 泓，扶名福.基于决策级信息融合的设备故障诊断方法研究［J］.中国机械工程，2009，20(4):433 －437.RAO Hong，FU Ming-fu.Research on the equipment fault diagnosis on the basis of decision level informiation fusion［J］.Chinese Mechanical Engineering，2009，20(4):433－437.

［7］李若琼，李 欣，董海鹰.基于证据理论的多信息融合故障诊断研究［J］.自动化仪表，2006，27(12):1 －4.LI Ruo-qiong，LI Xin，DONG Hai-ying.Study on the multi information fusion fault diagnosis based on evidential theory［J］.Process Automation Instrumentation，2006，27(12):1－4.

［8］徐志强，刘明光.基于证据理论的铁路电力线路故障定位方法［J］.铁道学报，2008，30(5):31 －35.XU Zhi-qiang，LIU Ming-guang.Study on fault locating method for railway power lines with evidencetheory［J］.Journal of the China Railway Society，2008，30(5):31 －35.

［9］DONG Ming，YAN Zhang，YANG Li，et al.An evidential reasoning approach to transformer fault diagnosis［J］.Proceedings of the CSEE，2006，26(1):106 －114.

［10］骆志明，冯庚斌.机车车辆滚动轴承故障BP网络诊断方法［J］.中国铁道科学，1998，19(4):26 －31.LUO Zhi-ming，FENG Geng-bin.BP neural network nased on genetic algorithm for fault diagnosis of rolling bearing［J］.Journal of the China Railway Science，1998，19(4):26－31.

［11］Chen C Z，Li Q，Song H Y.Wear fault diagnosis of machinery based on neural networks and gray relationships［J］.International Journal of Plant Engineering and Man Agement，2001，6(3):164 －169.

［12］李小彭，罗跃纲，白秉三.模糊综合评判在机械故障诊断中的应用［J］.沈阳工业大学学报，2002，24(5):439－442.LI Xiao-peng，LUO Yue-gang，BAI Bing-san.Applica －tion of fuzzy comprehensive evaluation to fault diagnosis for machinery equipment［J］.Journal of Shenyang University of Technology，2002，24(5):439 －442.